[发明专利]模型调度方法、装置、电子设备及计算机可读存储介质

说明书

本发明涉及人工智能技术，揭露一种模型调度方法，包括：根据预设的泛数据特征标签对业务数据集合分类，得到分类数据集合，利用分类数据集合对预构建的模型池中的检测模型进行模型指标计算，根据指标计算结果构建模型池的模型路由表；基于所述模型路由表选取所述模型池中的检测模型对实时业务数据进行检测，得到检测结果，将所述实时业务数据作为下一个周期的业务数据集合，得到新的模型路由表，根据新的模型路由表调整模型池中的检测模型。此外，本发明还涉及区块链技术，所述模型路由表可存储在区块链中的节点。本发明还提出一种模型调度方法装置、电子设备以及计算机可读存储介质。本发明可以解决模型检测的准确率较低的问题。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种模型调度方法、装置、电子设备及计算机可读存储介质。

背景技术

众所周知,深度学习模型的输出结果对于输入数据的分布有较强的敏感性,在复杂度较高的任务中，针对不同特征的数据，往往一个模型会有不同的表现。传统的数据特征仅仅针对用于模型训练的数据，然而在实际生产应用中，还有一些并未用于模型训练的数据也实实在在地影响着模型地发挥，比如说业务流程中数据渠道信息、用户对象信息等等，一切可能影响模型发挥的数据特征都在其范围内。由于模型预测的准确率会和其他数据特征息息相关，因此模型实际应用时准确率不高。

发明内容

本发明提供一种模型调度方法、装置、设备及存储介质，其主要目的在于解决模型检测的准确率较低的问题。

为实现上述目的，本发明提供的一种模型调度方法，包括：

获取业务数据集合，根据预设的泛数据特征标签对所述业务数据集合进行分类，得到分类数据集合；

利用所述分类数据集合对预构建的模型池中的检测模型进行模型指标计算，根据指标计算结果构建所述模型池的模型路由表；

获取实时业务数据，基于所述模型路由表选取所述模型池中的检测模型对所述实时业务数据进行检测，得到检测结果；

将所述实时业务数据作为下一个周期的业务数据集合，并返回所述根据预设的泛数据特征标签对所述业务数据集合进行分类的步骤，得到新的模型路由表，根据新的模型路由表调整模型池中的检测模型。

可选地，所述获取业务数据集合，根据预设的泛数据特征标签对所述业务数据集合进行分类，得到分类数据集合，包括：

获取预设周期内的业务数据集合，接收用户筛选指令，根据所述用户筛选指令从预构建的特征标签库中选取预设个数的特征标签作为所述泛数据特征标签；

根据所述泛数据特征标签对所述业务数据集合进行标签分类，得到不同泛数据特征标签组合的分类数据集合。

可选地，所述利用所述分类数据集合对预构建的模型池中的检测模型进行模型指标计算之前，所述方法还包括：

获取业务训练集合，提取所述业务训练集合中不同的关键特征得到预设个数的特征训练集合；

利用所述预设个数的特征训练集合训练预构建的深度神经模型，得到预设个数的检测模型，汇总所述预设个数的检测模型得到所述模型池。

可选地，所述利用所述预设个数的特征训练集合训练预构建的深度神经模型，得到预设个数的检测模型，包括：

依次选取任意一个特征训练集合作为负类样本，将未选取到的特征训练集合作为正类样本；

将所述正类样本及所述负类样本作为训练样本，利用所述深度神经网络输出所述训练样本中各样本的预测值；

利用预设的损失函数计算所述预测值的损失值，在所述损失值大于等于预设的损失阈值时，调整所述深度神经网络的神经元权重，直至所述损失值小于所述损失阈值时，得到训练完成的检测模型；