[发明专利]设备上机器学习平台

说明书

本公开提供用于设备上机器学习的系统和方法。具体地，本公开针对一种设备上机器学习平台和相关联的技术，其使得能够进行设备上预测、训练、示例收集和/或其他机器学习任务或功能。设备上机器学习平台可以包括上下文提供器，该上下文提供器将上下文特征安全地注入到收集的训练示例和/或客户端提供的输入数据中，用于生成预测/推断。因此，设备上机器学习平台可以使能作为对应用或其他客户端的服务的机器学习模型的集中训练示例收集、模型训练以及使用。

技术领域

本公开总体上涉及机器学习。更具体地，本公开涉及使得能够进行设备上预测、训练、示例收集和/或其他机器学习任务或功能的设备上机器学习平台和相关联的技术。

背景技术

近年来，机器学习已被越来越多地用于向计算设备的用户提供改进的服务。具体地，许多应用或其他计算程序或系统依赖于一个或多个机器学习模型来基于与程序、设备和/或用户相关联的输入数据生成推断。(一个或多个)应用可以使用(一个或多个)推断来执行或影响任何类型的任务或服务。

用于解决机器学习问题的一种常规训练方案包括在集中位置(例如服务器设备)收集来自多个计算设备(例如诸如智能电话的用户设备)的多个训练示例。然后可以基于收集的训练示例在集中位置训练机器学习模型。

另外，在一些情况下，训练的模型可以存储在集中位置。为了从模型接收推断，要求用户计算设备通过网络将输入数据发送到服务器计算设备，等待服务器设备实现机器学习模型以基于发送的数据生成(一个或多个)推断，然后再次通过网络从服务器计算设备接收(一个或多个)推断。

在这样的场景中，要求通过网络在用户计算设备和服务器计算设备之间发送训练示例和/或推断。由于通过网络发送的数据可能易于被拦截，因此这种网络发送意味着数据安全风险。另外，这种网络发送增加了网络业务量，这可能导致降低的通信速度。此外，与通过网络来回发送数据相关联的等待时间可能导致提供应用的服务时的延迟。

最近，某些应用已经包括机器学习模型，这些机器学习模型存储在应用内并由该应用在用户设备上实现。但是，该体系结构既在实现上有挑战性又是资源密集的。例如，在这种场景下，要求应用存储、管理、训练和/或实现一个或多个机器学习模型。在应用本身内包括模型和相应的支持服务可能增加应用的数据大小，从而导致更大的存储器占用。

应用内的机器学习还可能需要更频繁的应用更新。例如，随着底层机器学习引擎被更新或以其他方式进步，可能需要更新应用。在下载和安装更新时，应用更新可能不期望地要求网络使用和用户停机时间。

此外，由于需要在应用本身中内置附加服务，因此应用内的机器学习也可以使应用开发复杂化。因此，可能要求开发人员学习并了解不同机器学习引擎复杂性的最新进展。

发明内容

本公开的实施例的方面和优点将在以下描述中部分地阐述，或者可以从描述中学习，或者可以通过实施例的实践而学习。

本公开的一方面针对一种计算设备。该计算设备包括：一个或多个处理器；以及一个或多个非暂时性计算机可读介质。所述一个或多个非暂时性计算机可读介质存储：由所述一个或多个处理器实现的一个或多个应用；集中示例数据库，其存储从所述一个或多个应用接收的训练示例；以及指令，所述指令在由所述一个或多个处理器执行时，使计算设备实现执行操作的设备上机器学习平台。所述操作包括：经由收集应用编程接口从所述一个或多个应用中的第一应用接收新的训练示例。所述操作包括：确定描述与计算设备相关联的上下文的一个或多个上下文特征。所述操作包括：将新的训练示例与所述一个或多个上下文特征一起存储在集中示例数据库中，以用于训练由计算设备存储的机器学习模型。