电力人工智能模型线上调用方法及系统与流程

本发明属于数据交互数据安全，具体涉及电力人工智能模型线上调用方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、人工智能模型系统是面向业务用户提供在线模型的系统。对于特定行业，例如电力行业，运维过程中涉及各类设备的状态判别，行业内通常通过采集图像或其他数据的方式进行监测，同时辅以人工智能模型进行判别。而许多企业可能并不具备开发高精度人工智能模型的条件，常常基于人工智能模型系统采用在线模型。

3、但是，从模型厂商角度而言，模型的部署要考虑到客户端可能的接口协议，为了使得不同品牌和种类客户端的成功调用，需要部署各种协议的接口；从用户方角度而言，特定电力设备往往具有多种状态要进行判别，例如仅输电线路，就存在舞动、污闪、鸟害等多种需判别的状态，因而对于电力行业企业而言，对于模型的调用每天都有很大的需求，当用户很多时，不可避免地会导致模型服务器压力较大，使得用户方无法快速得到识别结果，影响设备状态的及时反馈。此外，受限于模型服务器的流量限制，业务方也难以通过访问模型服务器来进行直接操作。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了电力人工智能模型线上调用方法及系统，基于标准化对外接口和实例接口实现了请求的有序分配，减轻了模型部署难度，缓解了服务器的压力。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、电力人工智能模型线上调用方法，模型服务器存储所述系统的交易合同数据，并对各个模型服务的对外接口和每个模型服务的实例接口信息进行管理，所述方法包括以下步骤：

4、客户端获取模型调用请求，并将所述模型调用请求发送至模型服务器，其中，所述模型调用请求中包括用户信息、待调用的目标模型的配置信息和待识别的输入数据；

5、模型服务器响应于所述模型调用请求，根据所述用户信息获取合同数据，根据所述合同数据确定所述用户是否购买该目标模型，若是，进一步确定所述目标模型的版本；

6、根据该版本目标模型服务的实例状态和实例的接口状态，确定针对所述模型调用请求的最优实例接口，将所述模型调用请求分配至最优实例接口；

7、基于该接口对应的模型实例，针对所述输入数据进行目标识别，并将识别结果反馈至客户端。

8、一些实施例中，确定针对所述模型调用请求的最优实例接口包括：

9、获取该版本目标模型服务的实例状态和实例的接口状态，以及各个实例接口的历史响应时间，将实例状态为已开启、实例接口状态为未占用的实例作为候选实例，若仅有一个候选实例，该实例对应的接口作为最优实例接口，若存在多个候选实例，则所述多个候选实例中，选取实例接口历史响应时间均值最小的候选实例对应的接口，作为最优实例接口。

10、一些实施例中，所述模型服务器获取用户针对目标模型每次识别结果的成效反馈信息，基于所述成效反馈信息对目标模型进行再学习，得到所述目标模型的新版本，为所述目标模型的新版本创建服务，并赋予唯一标识信息。

11、一些实施例中，所述模型服务器获取用户针对目标模型每次识别结果的成效反馈信息后，还进行反馈信息校正，具体包括：

12、获取用户每次使用所述目标模型期间的操作行为数据及对应模型成效反馈信息，所述用户操作行为数据包括键盘、鼠标操作行为以及页面操作行为；

13、根据每次操作行为数据与所述用户的操作习惯模型的相似性，对本次模型成效反馈信息的置信度进行评估；其中，所述操作习惯模型基于用户的历史操作行为数据建立；

14、获取所有用户针对所述目标模型的所有成效反馈信息，根据每条反馈信息的置信度进行加权，得到校正后的成效反馈信息。

15、一些实施例中，对本次模型成效反馈信息的置信度进行评估后，还进行再评估：在成效反馈调查问卷中设定多个锚定指标，对于待评价的某次反馈信息，根据用户针对所述多个锚定指标的反馈情况，判断本次反馈信息是否可靠，若不可靠，则置信度低。

16、一些实施例中，所述客户端响应于用户的缓存请求，获取当前一段时间内用户对模型的历史调用数据和/或模型的识别效果评价；根据所述历史调用数据和/或所述模型的识别效果评价分析当前一段时间内的用户偏好模型，向模型服务器发送缓存请求，所述模型服务器响应所述请求，将所述用户偏好模型传输至本地服务器；其中，模型的识别效果评价根据所述模型对于各类缺陷的正确发现次数、错误次数和每次识别耗时得到。

17、一些实施例中，分析当前一段时间内的用户偏好模型具体包括：

18、获取用户对模型的历史调用数据和所述模型的识别效果评价，所述历史调用数据包括一段时间内每次调用针对的模型信息、模型服务器响应时间和主机内存消耗，以及这段时间内每个模型的调用频率；

19、根据用户对模型的历史调用数据和所述模型的识别效果评价，对每个模型进行综合评价；

20、根据所述综合评价，确定当前一段时间内一个或多个偏好模型。

21、一个或多个实施例电力人工智能模型线上调用系统，包括：

22、客户端，被配置为：

23、获取模型调用请求，并将所述模型调用请求发送至模型服务器，其中，所述模型调用请求中包括用户信息、待调用的目标模型的配置信息和待识别的输入数据；以及接收识别结果；

24、模型服务器，被配置为：存储所述系统的交易合同数据，并对各个模型服务的对外接口和每个模型服务的实例接口信息进行管理；

25、响应于所述模型调用请求，根据所述用户信息获取合同数据，根据所述合同数据确定所述用户是否购买该目标模型，若是，进一步确定所述目标模型的版本；

26、根据该版本目标模型服务的实例状态和实例的接口状态，确定针对所述模型调用请求的最优实例接口，将所述模型调用请求分配至最优实例接口；以及，基于该接口对应的模型实例，针对所述输入数据进行目标识别，并将识别结果反馈至客户端。

27、一些实施例中，所述模型服务器确定针对所述模型调用请求的最优实例接口包括：

28、获取该版本目标模型服务的实例状态和实例的接口状态，以及各个实例接口的历史响应时间，将实例状态为已开启、实例接口状态为未占用的实例作为候选实例，若仅有一个候选实例，该实例对应的接口作为最优实例接口，若存在多个候选实例，则所述多个候选实例中，选取实例接口历史响应时间均值最小的候选实例对应的接口，作为最优实例接口。

29、一些实施例中，所述客户端接收识别结果后，还获取用户针对本次模型调用的成效反馈并发送至所述模型服务器；

30、所述模型服务器获取用户针对目标模型每次识别结果的成效反馈信息，基于所述成效反馈信息对目标模型进行再学习，得到所述目标模型的新版本，为所述目标模型的新版本创建服务，并赋予唯一标识信息。

31、与现有技术相比，本发明的有益效果为：

32、本发明创造性地提出了电力人工智能模型线上调用方法，通过提供标准化对外接口，减轻了模型厂商的部署工作难度，降低了客户端接口要求，提高了系统的通用性，此外，通过对外接口和实例接口实现了对调用请求的有序分配，提高了模型调用效率，缓解了服务器的压力。

33、本发明创造性地提出了一种电力人工智能模型更新方法，通过获取用户反馈的模型成效反馈信息，基于置信度进行成效反馈信息的校正，得到可信评价数据，从而实现模型的自学习，得到模型的新版本，并为新版本创建服务并进行唯一标识，保证了用户调用的模型与交易合同中的约定保持一致。

34、本发明创造性地在模型调用方法中引入缓存机制，通过用户对模型的历史调用数据和/或模型的识别效果评价进行周期性分析，预测用户当前的模型使用偏好，根据当前的模型使用偏好对相关模型缓存至本地服务器，大大提升了数据处理效率，同时减轻了模型服务器的访问负荷和数据传输压力。并且，由于模型无须全部自模型服务器进行调用，提高了模型服务器的整体相应速度，从整体上提高了用户体验。