[发明专利]一种人工智能模型更新方法、系统、电子设备及存储介质

说明书

本发明提出一种人工智能模型更新方法、系统、电子设备及存储介质，其方法技术方案包括收集嵌入式设备实时数据；开发并训练人工智能模型；将所述人工智能模型序列化为模型字节流；在嵌入式设备上接收所述模型字节流并反序列化，获得更新后的人工智能模型。本发明解决了嵌入式设备上人工智能模型实时更新效率低的问题。

技术领域

本发明属于数据处理领域，尤其涉及一种人工智能模型更新方法、系统、电子设备及存储介质。

背景技术

在人工智能领域，无论是已经成熟的传统机器学习方法，还是新兴的深度学习方法，随着数据量的增加、场景的变化都会需要对模型进行更新，以适应新的数据和场景。模型更新速度的快慢，直接影响当前模型的效果，我们往往希望的模型是这样的：考虑了足够久远的数据，这样就会考虑更多的情况；同时考虑了最新的数据，这样就能对最新的变化作出反映，减少滞后性对效果的影响。

机器硬件的发展和大数据技术的发展，部分得解决了处理足够多数据的问题，但是对于实时的模型更新还是一个有挑战的问题，特别是对于嵌入式设备上运行的模型，具有更高的要求。

目前，在嵌入式设备人工智能模型的更新、部署上，还是通过人工的方式来解决“嵌入式环境部署、模型动态滚动升级”等问题，效率低，易出错。

发明内容

本申请实施例提供了一种人工智能模型更新方法、系统、电子设备及存储介质，以至少解决嵌入式设备上人工智能模型实时更新的问题。

第一方面，本申请实施例提供了一种人工智能模型更新方法，包括：

S101.收集嵌入式设备实时数据；

S102.开发并训练人工智能模型；

S103.将所述人工智能模型序列化为模型字节流；

S104.在嵌入式设备上接收所述模型字节流并反序列化，获得更新后的人工智能模型。

优选的，所述步骤S101通过kafka实现数据收集。

优选的，所述步骤S103中的序列化包括将所述人工智能模型打包为Dockerimage，再通过Base64编码为所述模型字节流；还包括将所述模型字节流进行模型分发；所述模型分发通过kafka实现。

优选的，所述步骤S104包括通过k3s平台部署所述更新后的人工智能模型。

第二方面，本申请实施例提供了一种人工智能模型更新系统，适用于上述一种人工智能模型更新方法，包括：

数据收集单元：收集嵌入式设备实时数据；

模型训练单元：开发并训练人工智能模型；

序列化单元：将所述人工智能模型序列化为模型字节流；

模型接收单元：在嵌入式设备上接收所述模型字节流并反序列化。

在其中一些实施例中，所述步骤S101通过kafka实现数据收集。

在其中一些实施例中，所述步骤S103中的序列化包括将所述人工智能模型打包为Docker image，再通过Base64编码为所述模型字节流；还包括将所述模型字节流进行模型分发；所述模型分发通过kafka实现。

在其中一些实施例中，所述步骤S104包括通过k3s平台实现获得所述更新后的人工智能模型。

第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种人工智能模型更新方法。