定制人工智能在线服务的方法、系统和存储介质与流程

本发明涉及定制人工智能在线服务的方法、系统和存储介质。

背景技术

人工智能(ai)技术已经逐渐进入人们的生活视野。构建人工智能服务，通常包括三个步骤：大数据收集与处理、ai算法模型训练、ai算法在线服务化。其中数据收集与处理，通过对结构化的数据和非结构化的数据进行处理以便于ai算法的设计与训练。ai算法模型训练则是设计特点的ai算法，并通过大量数据对算法模型进行训练，得到具有一定功能的算法模型(例如，人脸识别、语音识别)。ai算法在线服务化，则是将ai算法模型进行在线化服务部署，使其能够作为一种服务(例如，人脸识别服务、语音识别服务)运行。

在目前的人工智能领域存在一种情况，即，大量传统公司(包括传统企业、互联网企业等)拥有不同的人工智能应用场景和海量的数据，但是缺乏良好的人工智能算法研发和训练的能力。一些拥有强大人工智能算法研发能力的公司，一方面无法接触到传统公司的数据，另一方面也没有足够的人力来为大量有算法需求的公司服务。

目前用于训练和使用ai算法模型的常见框架包括:tensorflow,caffe,mxnet，torch等。

国外厂商google，提供了一个基于tensorflow框架的集数据处理、算法选择、在线服务于一体的一站式机器学习算法和深度学习算法服务平台。

(https://cloud.google.com/ml-engine/)

国内厂商阿里云提出的机器学习pai平台，提供了一种集数据处理、算法选择、在线服务于一体的一站式机器学习算法服务平台。

(https://data.aliyun.com/product/learn？spm＝a2c0j.103967.416540.116.0hqeyb)

国内厂商腾讯云提出了di-x深度学习平台，提供了一种集数据处理、算法选择、在线服务于一体的一站式深度学习算法服务平台。

(https://www.qcloud.com/product/dix#scenarios)

国内厂商才云提出了一种基于kubernetes+tensorflow架构的，集ai训练、在线服务于一体的一站式深度学习算法服务平台。(https://caicloud.io/products/taas)

google、阿里云、腾讯云所提出的深度学习或机器学习平台针对的是一整套从数据处理，算法选择，到算法训练到最终在线服务的一站式服务，其模型算法的提供商要么是google、阿里云、腾讯云本身(即，单一算法提供商)，要么是拥有数据的公司自己使用自己研发的人工智能算法(即，算法提供商和使用方相同)。因此此类平台无法实现让大量传统公司利用不同第三方人工智能算法公司提供的算法模型来训练自己的数据并应用于实践的目的。

才云提供的一站式深度学习算法服务平台仅是私有化tensorflow管理平台，并不提供算法服务，因此也不具备让传统公司利用人工智能算法公司提供的算法模型来训练自己的数据并应用于实践的能力。

技术实现要素：

鉴于上述问题，本专利提出一种定制人工智能在线服务的方法、系统，能方便地让传统公司利用人工智能算法公司提供的算法模型来训练自己的数据并应用于实践。

本发明提供一种定制人工智能在线服务的方法，该方法包括：

算法存储步骤，从算法提供方获取多个算法数据格式、多个训练算法容器镜像和多个在线服务算法容器镜像，并存储在云平台中的算法存储单元中；

数据存储步骤，从算法需求方获取多个训练数据，并存储在所述云平台中的数据存储单元中，所述多个训练数据各自的数据格式分别符合所述多个算法数据格式中的对应算法数据格式；

取出步骤，从所述数据存储单元中存储的所述多个训练数据中取出第一训练数据，并从所述算法存储单元中存储的所述多个训练算法容器镜像和所述多个在线服务算法容器镜像中取出与所述第一训练数据对应的第一训练算法容器镜像和第一在线服务算法容器镜像；

训练步骤，用所述第一训练算法容器镜像来训练所述第一训练数据，得到训练结果；

组合步骤，将所述第一在线服务算法容器镜像和所述训练结果进行组合，得到定制的人工智能在线服务。

其中，所述算法提供方提供多个人工智能算法和所述多个算法数据格式，并根据所述云平台提供的算法容器镜像规范对多个人工智能算法进行修改，得到所述多个训练算法容器镜像和所述多个在线服务算法容器镜像。

其中，所述算法需求方根据从所述多个算法数据格式选择的所述对应算法数据格式，提供对应的训练数据，从而提供所述多个训练数据。

其中，所述算法需求方不能从所述算法存储单元获取多个训练算法容器镜像和多个在线服务算法容器镜像，且所述算法提供方不能从所述数据存储单元获取所述多个训练数据。

本发明还提供一种定制人工智能在线服务的系统，所述系统包括算法提供方、算法需求方和云平台，其中，

所述云平台包括：

算法存储单元，从所述算法提供方获取多个算法数据格式、多个训练算法容器镜像和多个在线服务算法容器镜像，并进行存储；

数据存储单元，从所述算法需求方获取多个训练数据，并进行存储，所述多个训练数据各自的数据格式分别符合所述多个算法数据格式中的对应算法数据格式；

取出单元，从所述数据存储单元中存储的所述多个训练数据中取出第一训练数据，并从所述算法存储单元中存储的所述多个训练算法容器镜像和所述多个在线服务算法容器镜像中取出与所述第一训练数据对应的第一训练算法容器镜像和第一在线服务算法容器镜像；

训练单元，用所述第一训练算法容器镜像来训练所述第一训练数据，得到训练结果；

组合单元，将所述第一在线服务算法容器镜像和所述训练结果进行组合，得到定制的人工智能在线服务。

本发明进一步提供一种非易失性存储介质，在所述非易失性存储介质上存储有定制人工智能在线服务的程序，所述程序被计算机执行以实施定制人工智能在线服务的方法，所述程序包括：

算法存储指令，从算法提供方获取多个算法数据格式、多个训练算法容器镜像和多个在线服务算法容器镜像，并存储在云平台中的算法存储单元中；

数据存储指令，从算法需求方获取多个训练数据，并存储在所述云平台中的数据存储单元中，所述多个训练数据各自的数据格式分别符合所述多个算法数据格式中的对应算法数据格式；

取出指令，从所述数据存储单元中存储的所述多个训练数据中取出第一训练数据，并从所述算法存储单元中存储的所述多个训练算法容器镜像和所述多个在线服务算法容器镜像中取出与所述第一训练数据对应的第一训练算法容器镜像和第一在线服务算法容器镜像；

训练指令，用所述第一训练算法容器镜像来训练所述第一训练数据，得到训练结果；组合指令，将所述第一在线服务算法容器镜像和所述训练结果进行组合，得到定制的人工智能在线服务。

本发明中，算法需求方(即，传统公司)提供训练数据，而算法提供方(即，人工智能算法公司)提供不同的算法，通过云平台可以对算法需求方提供的训练数据进行如上所述的训练和组合，从而可以为算法需求方定制人工智能在线服务。因此，本发明可以使得算法需求方利用人工智能算法公司提供的算法模型来训练自己的数据并应用于实践。

附图说明

图1是根据本发明实施例的定制人工智能在线服务的系统的结构图；

图2是根据本发明实施例的定制人工智能在线服务的方法的流程图。

具体实施方式

下面结合附图，对本发明的实施例进行详细说明。

图1是根据本发明实施例的定制人工智能在线服务的系统1的结构图，如图1所示，该系统1包括算法提供方1、算法需求方2和云平台3。云平台3包括算法存储单元34、数据存储单元35、取出单元31、训练单元32以及组合单元33。

图2是根据本发明实施例的定制人工智能在线服务的方法的流程图。下面结合图1和图2对本发明的实施例进行详细说明。

在图2的算法存储步骤s21中，算法存储单元34从算法提供方1获取多个算法数据格式、多个训练算法容器镜像和多个在线服务算法容器镜像，并进行存储。

这里，算法提供方1提供多个人工智能算法和多个算法数据格式，并根据云平台3提供的算法容器镜像规范对多个人工智能算法进行修改，得到多个训练算法容器镜像和多个在线服务算法容器镜像。其中，算法提供方1从云平台3中的算法存储单元34中获取算法容器镜像规范，并根据该算法容器镜像规范对一种人工智能算法进行修改，得到对应的训练算法容器镜像和对应的在线服务算法容器镜像。然后算法提供方1将算法数据格式、对应的训练算法容器镜像和对应的在线服务算法容器镜像提供给云平台3，并存储在算法存储单元34中。

本发明中的算法提供方1可以是多个不同的算法提供方，因此，在算法存储单元34中存储有如上所述的多个算法数据格式、多个训练算法容器镜像和多个在线服务算法容器镜像。

在数据存储步骤s22，数据存储单元35从算法需求方2获取多个训练数据，并进行存储，多个训练数据各自的数据格式分别符合多个算法数据格式中的对应算法数据格式。其中，算法需求方2根据从多个算法数据格式选择的对应算法数据格式，提供对应的训练数据，从而提供多个训练数据。

这里，例如，算法需求方2从算法存储单元34中存储的多个算法数据格式中选择所需要使用的一个算法数据格式，然后根据这个算法数据格式，提供与这个算法数据格式对应的训练数据。如此，算法需求方2提供的该训练数据的数据格式是符合这个算法数据格式的。

本发明中的算法需求方2可以是多个不同的算法需求方，这些算法需求方可以根据不同的需求从算法存储单元34选择要使用的不同的算法数据格式，并根据选择的算法数据格式来提供对应的训练数据。如此，可以提供如上所述的多个训练数据。

接着，在取出步骤s23，取出单元31从数据存储单元35中存储的多个训练数据中取出第一训练数据，并从算法存储单元34中存储的多个训练算法容器镜像和多个在线服务算法容器镜像中取出与第一训练数据对应的第一训练算法容器镜像和第一在线服务算法容器镜像。

这里，对于数据存储单元35中存储的每个训练数据，都可以在算法存储单元34中找到与其对应的训练算法容器镜像和在线服务算法容器镜像。

在训练步骤s24，训练单元32用上述第一训练算法容器镜像来训练第一训练数据，得到训练结果。

然后，在组合步骤s25，组合单元33将第一在线服务算法容器镜像和上述训练得到的训练结果进行组合，得到定制的人工智能在线服务。

另外，算法需求方2不能从云平台3中的算法存储单元34获取多个训练算法容器镜像和多个在线服务算法容器镜像，且算法提供方1不能从数据存储单元35获取多个训练数据。也就是说，算法需求方2无法直接获取算法提供方1提供的具体算法，而算法提供方1也无法直接获取算法需求方2提供的具体数据，确保了算法和数据的安全性。

本发明中，算法需求方(即，传统公司)提供训练数据，而算法提供方(即，人工智能算法公司)提供不同的算法，通过云平台可以对算法需求方提供的训练数据进行如上所述的训练和组合，从而可以为算法需求方定制人工智能在线服务。因此，本发明可以使得算法需求方利用人工智能算法公司提供的算法模型来训练自己的数据并应用于实践。

本发明还提供一种非易失性存储介质，在所述非易失性存储介质上存储有定制人工智能在线服务的程序，所述程序被计算机执行以实施定制人工智能在线服务的方法，该程序包括：

算法存储指令，从算法提供方获取多个算法数据格式、多个训练算法容器镜像和多个在线服务算法容器镜像，并存储在云平台中的算法存储单元中；

数据存储指令，从算法需求方获取多个训练数据，并存储在所述云平台中的数据存储单元中，所述多个训练数据各自的数据格式分别符合所述多个算法数据格式中的对应算法数据格式；

取出指令，从所述数据存储单元中存储的所述多个训练数据中取出第一训练数据，并从所述算法存储单元中存储的所述多个训练算法容器镜像和所述多个在线服务算法容器镜像中取出与所述第一训练数据对应的第一训练算法容器镜像和第一在线服务算法容器镜像；

训练指令，用所述第一训练算法容器镜像来训练所述第一训练数据，得到训练结果；

组合指令，将所述第一在线服务算法容器镜像和所述训练结果进行组合，得到定制的人工智能在线服务。

虽然经过对本发明结合具体实施例进行描述，对于本领域的技术技术人员而言，根据上文的叙述后作出的许多替代、修改与变化将是显而易见。因此，当这样的替代、修改和变化落入附后的权利要求的精神和范围之内时，应该被包括在本发明中。