【技術實現步驟摘要】
本專利技術涉及數據處理，尤其涉及一種基于ai大模型和機器學習的產品測試方法及系統。
技術介紹
1、現有技術中，ai大模型是指使用大規模數據和強大的計算能力訓練出來的“大參數”模型，這些模型通常具有高度的通用性和泛化能力，可以應用于自然語言處理、圖像識別、語音識別等領域。機器學習是一門多學科交叉專業，涵蓋概率論知識，統計學知識，近似理論知識和復雜算法知識，使用計算機作為工具并致力于真實實時的模擬人類學習方式，并將現有內容進行知識結構劃分來有效提高學習效率。ai大模型與機器學習算法進行相互結合，可以有效地提高在對產品測試的過程中的測試穩定性。
2、中國專利公開號：cn118484388a公開了一種產品測試方法及系統，所述方法包括：將待檢測產品連接至預設的產品測試系統，并根據所述待檢測產品與所述產品測試系統的連接狀態，觸發測試開關；獲取所述待檢測產品的操作系統類型，基于所述操作系統類型調取對應的主測試程序，并確定所述主測試程序的測試參數；根據所述主測試程序的測試參數對所述待檢測產品進行測試；當所述主測試程序運行完畢，上傳測試數據至服務器，完成產品測試。由此可見，所述產品測試方法及系統存在由于多設備協同對數據進行采集時網絡不穩定，導致部分數據丟失，從而導致訓練后的模型預測不準確的問題。
技術實現思路
1、為此，本專利技術提供一種基于ai大模型和機器學習的產品測試方法及系統，用以克服現有技術中由于多設備協同對數據進行采集時網絡不穩定，導致部分數據丟失，導致訓練后的模型預測不準確從
2、為實現上述目的，本專利技術提供一種基于ai大模型和機器學習的產品測試方法，包括：對產品測試數據進行采集，依次對所述產品測試數據進行清洗、合并以及轉換操作以輸出優化數據，使用機器學習算法對所述優化數據的特征進行提取，使用所述特征對原始模型進行訓練以輸出ai大模型；使用新采集到的產品測試數據對所述ai大模型進行更新，使用所述ai大模型對產品的測試結果進行預測以輸出預測結果；分別獲取若干采集周期內產品測試數據的丟失數據量和產品測試數據的總數據量；基于產品測試數據的丟包率確定產品測試的穩定性；若所述產品測試的穩定性不符合要求，則對產品測試數據的傳輸速率進行調節，或，基于ai大模型的訓練時間延長比例確定ai大模型的訓練有效性；若所述訓練有效性不符合要求，則對ai大模型的學習率進行調節，或，基于ai大模型的平均更新延遲時長對產品測試數據的批處理大小進行調節。
3、進一步地，確定所述產品測試的穩定性，包括：
4、將產品測試數據的丟包率與預設第一丟包率進行對比；
5、若所述產品測試數據的丟包率大于所述預設第一丟包率，則確定產品測試的穩定性不符合要求。
6、進一步地，確定所述ai大模型的訓練有效性，包括：
7、將所述產品測試數據的丟包率分別與所述預設第一丟包率和預設第二丟包率進行對比；
8、若所述產品測試數據的丟包率大于預設第一丟包率且小于等于所述預設第二丟包率，初步確定ai大模型的訓練有效性不符合要求，并根據ai大模型的訓練時間延長比例對ai大模型的訓練有效性是否符合要求進行確定。
9、進一步地，對所述產品測試數據的傳輸速率進行調節，包括：
10、將所述產品測試數據的丟包率與所述預設第二丟包率進行對比；
11、若所述產品測試數據的丟包率大于預設第二丟包率，則減小產品測試數據的傳輸速率。
12、進一步地，所述產品測試數據的傳輸速率的減小幅度通過產品測試數據的丟包率與預設第二丟包率的差值確定。
13、進一步地，對所述ai大模型的學習率進行調節，包括：
14、將所述ai大模型的訓練時間延長比例分別與預設第一延長比例和預設第二延長比例進行對比；
15、若所述ai大模型的訓練時間延長比例大于所述預設第一延長比例，則確定ai大模型的訓練有效性不符合要求；
16、若所述ai大模型的訓練時間延長比例大于預設第一延長比例且小于等于所述預設第二延長比例，則減小ai大模型的學習率；
17、若所述ai大模型的訓練時間延長比例大于預設第二延長比例，初步確定ai大模型的更新實時性不符合要求，并根據ai大模型的平均更新延遲時長對ai大模型的更新實時性是否符合要求進行確定。
18、進一步地，所述ai大模型的學習率的減小幅度通過ai大模型的訓練時間延長比例與預設第一延長比例的差值確定。
19、進一步地，對所述產品測試數據的批處理大小進行調節，包括：
20、將所述ai大模型的平均更新延遲時長與預設延遲時長進行對比；
21、若所述ai大模型的平均更新延遲時長大于所述預設延遲時長，則確定ai大模型的更新實時性不符合要求，并減小產品測試數據的批處理大小。
22、進一步地，所述產品測試數據的批處理大小的減小幅度通過ai大模型的平均更新延遲時長與預設延遲時長的差值確定。
23、本專利技術還提供一種基于ai大模型和機器學習的產品測試系統，其特征在于，包括：
24、數據采集模塊，用以采集產品測試數據；
25、數據處理模塊，其與所述數據采集模塊相連，包括用以對所述產品測試數據進行預處理以輸出優化數據的預處理單元和與所述預處理單元相連用以使用機器學習算法對所述優化數據進行特征提取的特征提取單元；
26、模型訓練模塊，其與所述數據處理模塊相連，包括與所述特征提取單元相連用以根據所述特征對原始模型進行訓練以輸出ai大模型的模型訓練單元、與所述模型訓練單元相連用以根據所述ai大模型對產品的測試結果進行預測以輸出預測結果的結果預測單元以及與所述模型訓練單元相連用以根據新采集到的產品測試數據對ai大模型進行更新的模型更新單元；
27、存儲模塊，其分別與所述數據采集模塊、所述數據處理模塊以及所述模型訓練模塊相連，用以分別對所述產品測試數據、所述優化數據、所述特征、所述機器學習算法、所述ai大模型以及所述預測結果進行存儲；
28、控制模塊，其分別與所述數據采集模塊、所述數據處理模塊、所述模型訓練模塊以及所述存儲模塊相連，用以根據基于產品測試數據的丟包率確定產品測試數據的傳輸速率，或，根據ai大模型的訓練時間延長比例確定ai大模型的學習率，以及，根據所述ai大模型的訓練時間延長比例和ai大模型的平均更新延遲時長確定產品測試數據的批處理大小。
29、與現有技術相比，本專利技術的有益效果在于，本專利技術所述方法根據產品測試數據的丟包率對產品測試數據的傳輸速率進行調節，由于多設備協同對數據進行采集時網絡不穩定，導致部分數據丟失，從而導致訓練后的模型預測不準確，通過減小產品測試數據的傳輸速率，可以使數據以更平穩的方式在網絡中傳輸，減輕網絡負擔，降低數據丟失的概率，使更多的數據能夠完整地到達目的地用于模型訓練，根據ai大模型的訓練時間延長比例對ai大模型的學習率進行調節，由于采集到本文檔來自技高網...
【技術保護點】
1.一種基于AI大模型和機器學習的產品測試方法，其特征在于，包括：
2.根據權利要求1所述的基于AI大模型和機器學習的產品測試方法，其特征在于，確定所述產品測試的穩定性，包括：
3.根據權利要求2所述的基于AI大模型和機器學習的產品測試方法，其特征在于，確定所述AI大模型的訓練有效性，包括：
4.根據權利要求3所述的基于AI大模型和機器學習的產品測試方法，其特征在于，對所述產品測試數據的傳輸速率進行調節，包括：
5.根據權利要求4所述的基于AI大模型和機器學習的產品測試方法，其特征在于，所述產品測試數據的傳輸速率的減小幅度通過產品測試數據的丟包率與預設第二丟包率的差值確定。
6.根據權利要求3所述的基于AI大模型和機器學習的產品測試方法，其特征在于，對所述AI大模型的學習率進行調節，包括：
7.根據權利要求6所述的基于AI大模型和機器學習的產品測試方法，其特征在于，所述AI大模型的學習率的減小幅度通過AI大模型的訓練時間延長比例與預設第一延長比例的差值確定。
8.根據權利要求7所述的基于AI大模型
9.根據權利要求8所述的基于AI大模型和機器學習的產品測試方法，其特征在于，所述產品測試數據的批處理大小的減小幅度通過AI大模型的平均更新延遲時長與預設延遲時長的差值確定。
10.一種使用權利要求1-9任一項所述的基于AI大模型和機器學習的產品測試方法的產品測試系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于ai大模型和機器學習的產品測試方法，其特征在于，包括：
2.根據權利要求1所述的基于ai大模型和機器學習的產品測試方法，其特征在于，確定所述產品測試的穩定性，包括：
3.根據權利要求2所述的基于ai大模型和機器學習的產品測試方法，其特征在于，確定所述ai大模型的訓練有效性，包括：
4.根據權利要求3所述的基于ai大模型和機器學習的產品測試方法，其特征在于，對所述產品測試數據的傳輸速率進行調節，包括：
5.根據權利要求4所述的基于ai大模型和機器學習的產品測試方法，其特征在于，所述產品測試數據的傳輸速率的減小幅度通過產品測試數據的丟包率與預設第二丟包率的差值確定。
6.根據權利要求3所述的基于ai大模型和機器學習的產品...
【專利技術屬性】
技術研發人員：劉允鋒，劉芳，劉云，
申請(專利權)人：北京飛天經緯科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。