[发明专利]强健和自适应的人工智能建模

说明书

公开了一种涉及由两部分组成的人工智能(AI)模型的特定机器学习架构，在各个实施例中，在第一数据(例如，较旧数据)上训练一个部分，而在第二数据(例如，较新数据)上训练另一部分。强健AI模型可以与自适应AI模型结合，以考虑长期趋势以及新近出现的群体趋势。可以使用梯度提升树、人工神经网络、或其他机器学习模型来构建模型架构。自适应AI模型可以比强健AI模型更频繁地进行重新训练，并且可以在其分类技术中使用更新类型的数据。自适应AI模型和强健AI模型可以使用逻辑回归进行组合以提供统一的预测。因此，可以对电子交易以及受到潜在模式变换影响的其他类型的数据进行更准确地分类。

技术领域

本公开涉及使用机器学习和人工智能的数据处理。更具体地，本公开涉及使用由两部分组成的(two-part)模型的特定机器学习架构，其中一个部分在第一数据(例如，具有特定特征的较旧数据)上训练，而另一个部分在第二数据(例如，可具有一个或多个不同特征的至少一些较新数据)上训练。

背景技术

数据的自动分类是一个具有挑战性的问题，尤其是当数据可能具有因逐步发展的使用而产生的变化模式时。尽管可以将数据分为类别A或类别B，但例如随着时间的推移，底层数据的群体在其特性方面可能开始改变，使得分类模型的性能劣化。因此，某些基于模型的分类方法会受到效率低下的困扰，并可能提供次优结果。

附图说明

图1示出了根据一些实施例的包括用户设备、机器学习系统、交易系统、网络、以及记录数据库的系统的框图。

图2示出了根据一些实施例的一组数据记录的框图。

图3示出了根据一些实施例的与包括强健组件和自适应组件二者的组合人工智能(AI)模型有关的框图。

图4示出了根据一些实施例的与分类准确性有关的逻辑回归表的图表。

图5示出了根据一些实施例的图示与构建、训练和操作AI系统有关的方法的流程图，该AI系统包括强健AI模型和自适应AI模型。

图6是根据一些实施例的计算机可读介质的图。

图7是根据一些实施例的系统的框图。

具体实施方式

当分类模型的性能下降时，可以使用新数据对其进行更新以尝试获得更好的性能。然而，对分类模型进行更新可能是耗时且资源密集的提议。确定模型应何时被更新也可能是困难的。如果选择相对较短的任意时间段(例如，每2周)，则该模型可能变得对短期趋势过于敏感，并且在频繁更新期间还会导致大量的资源使用。如果选择较长时间段(例如，每2年)，则模型的性能可能会在周期时间结束时严重下降，这是因为某些模式变换可能无法被捕获或者在它们变得较不重要后才被捕获。

本说明书在各个实施例中描述了包括由两部分组成的系统的架构，该由两部分组成的系统具有强健人工智能模型和自适应人工智能模型。在各个实施例中，强健模型可使用更成熟(较旧)的数据而被较不频繁地训练，而自适应模型可使用较不成熟(较新)的数据而被较频繁地训练，在某些情况下，较不成熟(较新)的数据可包括与用于训练强健模型的数据不同的特征。然后可以使用基于强健模型和自适应模型二者的组合整体模型(combined ensemble model)来进行预测。

该架构允许更精确的数据分类，尤其是当底层数据随着时间推移而变换时。因此，在一些情况下，可以使用该强健和自适应人工智能模型来执行对电子交易的分类。

***

本说明书包括对“一个实施例”、“一些实施例”或“实施例”的引用。这些短语的出现不一定指代同一实施例。特定的特征、结构或特性可以以与本公开一致的任何适当方式进行结合。

如本文所用的“第一”、“第二”等，这些术语被用作它们之后的名词的标签，但不一定暗示任何类型的排序(例如，空间、时间、逻辑、基数等)。