[发明专利]一种自定义模型全流程管理方法

权利要求书

1.一种自定义模型全流程管理方法，其特征在于，包括：

对要接入的自定义模型进行在模型接入标准文件的定义下的统一技术接入标准；

模型接入标准文件包含模型配置、输入和输出、算法模型类型、运行环境、监控算子、重训练方法、算法模型文件和算法模型依赖开发包描述信息；

根据输入特征参数、输出结果、运行环境、特征工程、监控算子、重训练方法和适配算法模型类型内容对自定义模型描述；

根据输入特征参数，对输入特征工程处理；

根据算法模型类型和模型接入标准文件里描述的运行环境，支持离线的算法模型依赖开发包，离线的算法模型依赖开发包支持自定义模型的运行，支持在线的算法模型依赖开发包，支持联网下载算法模型依赖开发包到运行环境，包含python包，java包的依赖开发包；

运行环境为模型运行所依赖的环境，包括需要构建的语言环境、依赖版本、及相关依赖包的安装方式，包括语言及版本、操作系统、数据库系统、中间件、接口软件、性能监控与分析软件环境及配置要求；

根据模型接入标准文件，实现自定义模型运行前，运行中，运行后的全流程管理；

所述的自定义模型全流程管理方法具体包括以下步骤：

获取自定义模型的技术标准和模型接入标准文件的技术标准，所述技术标准为：输入特征参数、输出结果、运行环境、特征工程、监控算子、重训练方法和适配算法模型类型；

准备模型接入标准文件里描述的自定义模型运行环境，准备离线的算法模型依赖开发包，离线的算法模型依赖开发包支持自定义模型的运行，支持在线的算法模型依赖开发包，支持联网下载算法模型依赖开发包到运行环境；

设置监控算子，支持自定义算子，采用对算法模型的稳定性的监控的算子对算法模型性能指标评估的算子；

运行自定义模型；

根据模型接入标准文件的技术标准，输入自定义模型的输入特征参数；

采用模型接入标准文件里面的特征工程对输入特征参数进行特征加工；

输出进行特征加工的自定义模型的输出结果，对输出结果进行监控，达到监控条件，监控算子自动计算出监控数据；

通过对自定义模型的监控和模型接入标准文件里的描述，对自定义模型是否需要重训练进行判断是否要执行重训练。

2.如权利要求1所述的自定义模型全流程管理方法，其特征在于，所述模型配置包含模型基本信息配置及模型具体信息配置；

所述输入和输出包含：特征参数、输出结果、运行环境、特征工程、监控算子、重训练方法和适配算法模型类型；

所述适配算法模型类型包括：二分类算法模型、多分类算法模型、回归算法模型和聚类算法模型；

运行环境为模型运行所依赖的环境，包括需要构建的语言环境、依赖版本、及相关依赖包的安装方式，包括语言及版本、操作系统、数据库系统、中间件、接口软件、性能监控与分析软件环境及配置要求；

所述监控算子包括：模型算法训练脚本库、模型算法计算脚本库以及模型算法管理后台；所述模型算法训练脚本库包括多个python格式的所述模型算法训练脚本文件，所述模型算法训练脚本库被配置为提供自定义模型算法的训练框架，进行所述模型训练和生成模型文件；所述模型算法计算脚本库包括多个python格式的所述模型算法计算脚本文件，所述模型算法计算脚本库被配置为提供模型计算算法，进行所述自定义模型计算、所述自定义模型指标评估和所述模型运行指标监控；所述模型算法管理后台被配置为进行所述自定义模型选择；

所述重训练方法通过机器学习数据输入特征与输出目标之间的映射，通过优化目标函数进行映射的学习，根据训练数据的分布和规模不同，算法模型需要对新数据进行重新训练，得到更优的算法模型，自定义模型重训练，根据训练数据进行重新迭代训练出新模型。

3.如权利要求1所述的自定义模型全流程管理方法，其特征在于，支持接入的自定义模型包括：(1)第三方开源模型，包括自定义评价指标sklearn、开源机器学习库pytorch、软件库tensorflow、梯度提升机lightgbm和极端梯度提升机xgboost；(2)预测模型标记语言PMML；(3)通用python模型，即使用python语言研发的算法模型；(4)通用java模型，即使用java语言研发的算法模型；(5)深度学习模型。