一种实现人工智能产业生态化的服务平台的制作方法

1.本发明涉及一种实现人工智能产业生态化的服务平台，属于人工智能技术领域。


背景技术：

2.人工智能（artificial intelligence），英文缩写为ai，是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用的一门新的技术科学，是新一轮科技革命及产业革命的着力点。人工智能驱动下，各行业逐步开始创新突破，包括智慧医疗、金融贸易、图像识别、无人驾驶、机器翻译等，它在给诸多行业带来巨大的经济效益的同时，为我们的生产生活带来很多改变和便利。
3.随着人工智能技术的飞速发展，基于深度学习的一些基础技术服务也日趋成熟，包含计算机视觉、语音、自然语言处理等ai服务能力的基础技术平台，但这些平台都相对独立且单一，不能集中实现多种功能，数据多样且不能统一管理。另外，现有平台的ai能力全生命周期开发投入的经济、人力及时间成本都比较高，而围绕ai条线进行的甲乙双方合作迫切需要一种能增进彼此信任与安全感的直接桥梁。在新技术快速更新迭代的趋势下，ai工程师持续跟进技术动态的重要性与有限的身心精力之间的矛盾，会对工程师及企业的核心竞争力产生负反馈影响。开展人工智能研究及技术落地对一般企业、个人而言经济成本较高，仅构建ai环境就存在较大困难，该现象对理论与实践产生非正反馈作用，也较难普及ai知识，也将进一步拉开城市、企业、人才之间的科技竞争力。ai模型还需要持续迭代优化，而对上游错误样本没有形成一套可靠的数据回流机制。


技术实现要素：

4.鉴于此，本发明的目的是提供一种实现人工智能产业生态化的服务平台，可以克服现有技术的不足。
5.本发明的目的是通过以下技术方案实现的：一种实现人工智能产业生态化的服务平台，它以ai门户为中台，管理对接了ai模型训练平台、数据管理平台，并融合统一了数据标注中心、模型测试中心、能力发布中心、场景组合模型中心和ai体验中心，其中，ai模型训练平台、数据管理平台通过通信技术与各个中心相连，ai模型训练平台是算法、模型等的集中管理处，当需求到来时实现高效配置与调用；数据管理平台通过对所用数据和标注的集中管理，对各个中心及各个能力实现数据支撑；模型测试中心：在接收到调用需求之后，进行相关模型测试；数据标注中心用于进行数据标注；能力发布中心用于运行结果输出；并将标注数据、运行结果输出数据对应返回ai模型训练平台及数据管理平台进行存储、分类管理；ai体验中心用于调用ai模型训练平台、数据管理平台上存储、分类管理的信息，为用户提供直观的ai成果体验。
6.前述ai模型训练平台包括系统集中管理模块、模型存放模块和资源配置模块，用
于进行数据准备，根据需求配置和调用模型训练、增强训练、模型部署。
7.前述数据管理平台包括数据管理模块、数据分析模块和数据处理模块；数据管理模块用于对所用数据和标注的集中分类管理，据分析模块和数据处理模块用于对上游错误样本回流数据进行存储、分析和处理。
8.前述模型测试中心包括数据预处理模块、模型训练模块、模型验证模块、模型测试模块、模型导出模块；在接收到调用需求之后，通过数据预处理模块准备好模型训练所需要的条件，由模型训练模块、模型验证模块依次开始模型训练、模型验证，随后模型测试模块对训练好的模型开展测试，最后由模型导出模块进行模型导出。
9.前述数据标注中心包括数据获取模块、标注模块、复核模块和数据输出模块；所述数据获取模块从数据管理平台获取数据之后，由标注模块选择相应的标注方式，按照标注管理规范标注，由管理人员通过复核模块进行标注复核，最后通过数据输出模块输出标准化可用数据，并送至数据管理平台进行统一分类管理。
10.前述ai能力发布中心包括转换模块、定制模块和发布模块；转换模块用于将输入转换成可以直接输入模型预测的形式，模型预测后由定制模块结果通过定制化报文，再由发布模块返回给调用方。
11.前述场景组合模型中心包括模型获取模块、训练模块、逻辑判断模块、属性识别模块；通过模型获取模块调用目标检测模型，由训练模块及逻辑判断模块进行训练判断、模型训练，进行数据格式转换，通过属性识别模块输出标准化可用模型。
12.前述ai体验中心包括模型展示模块，用于调用相应的模型，展示实际的现场数据或已有数据。
13.前述ai模型训练平台与模型测试中心、场景组合模型中心和ai能力发布中心通过通信技术实现信息交互；数据管理平台与数据标注中心实现信息交互，数据管理平台通过无线或者有线网络与前端设备连接，前端设备为具备有线lan或无线网络联网功能的移动设备。
14.现有技术比较，本发明公开了一种人工智能产业生态化的服务平台，它整合创新多种ai能力和数据管理，支持从数据标注、数据增强、模型训练、模型发布、模型增量训练和场景化组合模型，实现一站式建模；具体以ai门户为中台，管理对接了ai模型训练平台、数据管理平台，并融合统一了数据标注中心、模型测试中心、能力发布中心、场景组合模型中心和ai体验中心，实现ai能力涵盖多个垂直领域，包括计算机视觉（cv）、文字识别（ocr）、自然语言处理（nlp）、知识图谱（kg）等，并且各能力解耦独立开发，以ai门户中台进行融合，因此各能力系统出现问题互不影响，能快速定位解决问题。
15.有益效果：（1）本发明提供了整合创新多种ai能力和数据管理的服务平台，可用于各个行业，适用范围广，具有良好的推广前景；（2）本发明设计了“二台五心”综合了多个领域的ai能力，共同整个ai生态闭环，支持从数据标注、数据增强、模型训练、模型发布和模型增量训练，实现一站式建模，为用户提供了最直接有效的交互桥梁，打通了多个ai能力独立不互通的智能平台格局；（3）本发明提供组合模型方案，实现线上端到端场景化解决方案，同时一站式建模能够极大地缩短开发周期，是建模、测试、体验工程师们的工作面板和沟通渠道，为企业、高
校、研究机构、学者提供gpu算力、模型训练、定制化ai算法部署等ai全生命周期开发能力，也为ai爱好者提供了低门槛建模及快速获取ai可视化成果的能力。
16.本发明的其它优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其它优点可以通过下面的说明书来实现和获得。
附图说明
17.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：图1为本发明的系统结构框图。
18.图2为本发明的系统功能框图。
19.图3为ai模型训练平台的功能框图。
20.图4为数据管理平台的功能框图。
21.图5为模型测试中心的执行流程图。
22.图6为场景组合模型中心的执行流程图。
23.图7为数据标注中心的执行流程图。
24.图8为ai能力的运行输出结果图一。
25.图9为ai能力的运行输出结果图二。
26.图10为ai能力的运行输出结果图三。
27.图11为ai体验中心的执行流程图。
28.图12为ai成果体验图一。
29.图13为ai成果体验图二。
30.图14为ai成果体验图三。
31.图15为ai成果体验图四。
具体实施方式
32.以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
33.如图1-图15所示，一种人工智能产业生态化的服务平台，它以ai门户为中台，管理对接了ai模型训练平台、数据管理平台，并融合统一了数据标注中心、模型测试中心、能力发布中心、场景组合模型中心和ai体验中心，其中，ai模型训练平台、数据管理平台通过通信技术与各个中心相连，ai模型训练平台是算法、模型等的集中管理处，当需求到来时实现高效配置与调用；数据管理平台通过对所用数据和标注的集中管理，对各个中心及各个能力实现数据支撑；模型测试中心：在接收到调用需求之后，进行相关模型测试；数据标注中心用于进行数据标注；能力发布中心用于运行结果输出；并将标注数据、运行结果输出数据对应返回ai模型训练平台及数据管理平台进行存储、分类管理；ai体验中心用于调用ai模型训练平台、数据管理平台上存储、分类管理的信息，为
用户提供直观的ai成果体验。
34.所述ai模型训练平台包括系统集中管理模块、模型存放模块和资源配置模块，用于进行数据准备，根据需求配置和调用模型训练、增强训练、模型部署。
35.所述数据管理平台包括数据管理模块、数据分析模块和数据处理模块。通过数据管理模块对所用数据和标注的集中管理，对各个中心及各个能力实现数据支撑，数据管理模块用于将各模型数据做好归类，还需要区分开它们各自的原始数据、标注数据、处理好投入模型的数据，数据分析模块和数据处理模块用于对上游错误样本回流数据进行存储、分析和处理。做到建模有数、测试有数、优化有数。
36.所述模型测试中心包括数据预处理模块、模型训练模块、模型验证模块、模型测试模块、模型导出模块，在接收到调用需求之后，通过数据预处理模块进行算法选择、参数设置、资源配置、数据准备及预处理，准备好模型训练所需要的条件，由模型训练模块、模型验证模块依次开始模型训练、模型验证，随后模型测试模块对训练好的模型开展测试，评估模型的速度、准确率、稳定性等性能，在模型测试中心支持单一测试、批量测试、指标测试等，根据测试结果对算法进行持续优化和训练使模型更为鲁棒、稳健；最后由模型导出模块进行模型导出。
37.所述数据标注中心包括数据获取模块、标注模块、复核模块和数据输出模块。所述数据获取模块从数据管理平台获取数据之后，由标注模块选择相应的标注方式，按照标注管理规范标注；数据标注完成之后，由管理人员通过复核模块进行标注复核，检查标注是否出错，通过则按照需求进行数据增强、格式转换等，否则，重返标注进行修改或调整，最后，通过数据输出模块输出标准化可用数据，并送至数据管理平台进行统一分类管理。其中，所述标注方式包括单人标注、多人标注和自主标注。
38.所述ai能力发布中心是本发明ai能力的运行输出结果，包括包括转换模块、定制模块和发布模块；ai模型通过多重测试之后导出，能力发布中心根据用户需求开展报文定制、资源配置等工作，在初始化时配置、加载好模型，当外部应用服务的输入到来时，将输入传给转换模块，转换模块通过预处理函数将输入处理成可以直接输入模型预测的形式，模型预测后将结果通过定制模块定制化报文，再由发布模块返回给调用方。
39.所述场景组合模型中心通过拖拽式设计工作流模式，拖拽节点，配置节点参数，即可以进行数据配置、模型训练、在线推理等，自动化建模支持用户拖动自动建模组件，输入数据完成建模全流程。
40.所述场景组合模型中心包括模型获取模块、训练模块、逻辑判断模块、属性识别模块。通过模型获取模块调用目标检测模型，由训练模块及逻辑判断模块进行训练判断、模型训练，进行数据格式转换，通过属性识别模块输出标准化可用模型。
41.所述ai体验中心为用户提供直观的ai成果体验，包括模型展示模块。用户在此模块可以根据候选的能力选项选择想要体验的ai能力，ai能力中心在接收到需求之后，调用相应的模型根据实际的现场数据或已有数据，让用户即时体验到ai成果的魅力。
42.基于上述人工智能产业生态化的服务平台的系统流程，包括：s1、从ai模型训练平台、数据管理平台发送调用需求至数据标注中心、模型测试中心、能力发布中心、场景组合模型中心和ai体验中心；s2、模型测试中心进行相关模型测试；
s3、场景组合模型中心进行完成建模全流程；s4、数据标注中心进行数据标注；能力发布中心进行运行结果输出；s5、标注数据、运行结果输出模型返回ai模型训练平台、数据管理平台进行存储、分类管理；s6、ai体验中心调用ai模型训练平台、数据管理平台上存储、分类管理的模型信息，为用户提供直观的ai成果体验。
43.ai模型训练平台与模型测试中心、场景组合模型中心和ai能力发布中心实现信息交互；所述ai模型训练平台用于算法管理、模型存放、资源配置、数据预处理、模型训练、增强训练、模型部署的集中管理，ai模型训练平台向模型测试中心发送调用需求之后，模型测试中心进行算法选择、参数设置、资源配置、数据准备及预处理，准备好模型训练所需要的条件，依次开始模型训练、模型验证及测试；场景组合模型中心通过拖拽式设计工作流模式，拖拽节点，配置节点参数，即可以进行数据配置、模型训练、在线推理等；ai模型通过多重测试之后导出，ai能力发布中心根据用户需求开展报文定制、资源配置等工作。
44.数据管理平台与数据标注中心实现信息交互，数据管理平台通过无线或者有线网络与前端设备连接，前端设备为具备有线lan或无线网络联网功能的移动设备。数据标注中心从数据管理平台获取数据之后，管理人员通过前端设备选择对应的标注方式按照标注管理规范标注，管理人员通过标注复核模块进行标注复核，复核通过，进行数据增强，最后输出模型标准化可用数据，数据集由数据管理平台统一分类管理；复核不通过，返回重新标注和复核。
45.模型测试中心的执行流程为：根据ai模型训练平台发送的调用需求，进行算法选择、参数设置和资源配置、数据制备及预处理，再进行模型训练、模型验证，再根据要求选择模型测试方式和测试类型，进行模型的准确率、召回率等测试，最后根据测试结果对算法进行持续优化和训练。其中，测试方式包括单一测试和批量测试，测试类型包括指标测试、性能测试、稳定性测试等。
46.场景组合模型中心用于图像分类、目标检测、文本定位、文本识别、语义分析等，通过调用目标检测模型，依次进行模型训练判断、模型输出判断、属性识别模型训练判断，最终实现属性识别模型输出。
47.ai能力发布中心根据用户需求开展模型发布、报文定制和资源配置等工作；ai能力发布中心的发布能力包括行人检测、行人属性识别、口罩检测、文体识别、合同智能审阅、印章检测、安全帽检测、视频图像模糊等，ai能力发布中心根据实际情况支持服务类型制定和多种模型部署方式，如在线部署、私有化部署、边缘端部署、docker容器部署、灰度部署等。
48.ai体验中心为用户提供直观的ai成果体验，成果体验包括行人检测、口罩检测、抽烟检测、斗殴检测、标签识别、文体识别、表格识别、语音识别、票据识别、合同对比、视频图像模糊等。
49.以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式保密的限制，任何未脱离本发明技术方案内容、依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。