【技術實現步驟摘要】
本專利技術涉及計算機業務建模，尤其涉及一種基于低代碼模塊化的業務模型構建方法及系統、電子設備及計算機可讀存儲介質。
技術介紹
1、隨著深度學習的神經網絡技術的發展，其已被廣泛應用于金融、醫療保健、交通運輸、安防、制造等行業，其在計算機視覺、自然語言處理、語音識別、數據挖掘等方面獲得的效果顯著，尤其是其在圖像識別、圖像分類、目標檢測、文本分析、語音識別等細分數據處理上的優勢突出。
2、目前，同一深度學習的神經網絡基礎算法在對基礎算法識別的結果進行不同的后處理后可以應用于多個業務場景，但不同領域的業務場景需求差別較大，如果每個業務場景都開發對應的業務規則，則開發業務模型的工作量大且開發效率低。同時，深度學習神經網絡基礎算法需要專業算法工程師編程實現，不能快速構建新的適用于當前業務的神經網絡基礎算法。
3、中國專利cn107977706b公開了一種模塊化分布式人工神經網絡，該方法的神經網絡模塊沒有適配業務場景需求，不適用于通用的ai推理設備，不能個性化配置算法應用條件。
技術實現思路
1、基于此，本專利技術的目的在于提供一種基于低代碼模塊化的業務模型構建方法，該方法將神經網絡基礎算法后處理過程抽離出來形成業務規則模塊，能靈活地為每一個神經網絡基礎算法配置符合業務場景的數據處理規則，降低工作量和提高算法交付速度。
2、一種基于低代碼模塊化的業務模型構建方法，包括以下步驟：
3、s10獲取用戶選擇并設置的深度學習算法模塊的算法信息，根據所述算法
4、s20根據所述基礎算法配置文件完成基礎算法代碼生成，并記錄基礎算法的基礎信息以及基礎算法配置文件路徑、基礎算法代碼文件路徑；
5、s30獲取用戶選擇并設置的業務規則模塊的業務規則信息，及所述業務規則模塊與所述深度學習算法模塊的連接關系，根據所述業務規則信息、連接關系及基礎算法配置文件生成業務模型配置文件；
6、s40根據所述業務模型配置文件完成業務模型代碼生成，并記錄業務模型的基礎信息以及業務模型配置文件路徑、業務模型代碼文件路徑。
7、與現有技術相比，本專利技術通過將在各業務中運行的完整算法后處理過程抽離出來形成業務規則模塊，將業務模型拆分為由基礎算法和業務規則模塊組成的模型，模型中的基礎算法對業務模型輸入的數據進行基礎的分析識別，業務規則模塊對基礎算法的分析結果進行過濾、篩選、轉換等處理操作，最后得到業務模型的業務期望結果，通過不同基礎算法和不同業務規則模塊的選擇組合，可以靈活、快速的形成新的符合業務場景的業務模型。此種構建業務模型的方式提高了算法的適用性和復用率，減少專業開發人員的參與、降低算法使用門檻，降低業務模型開發的工作量，提高算法交付速度。
8、進一步地，所述深度學習算法模塊包括數據源子模塊、特征提取子模塊和分類器子模塊：
9、所述數據源子模塊用于對用戶建立的業務模型的輸入原始數據進行預處理；
10、所述特征提取子模塊用于對經預處理的數據進行池化、卷積、注意力機制等特征提取操作，獲得數據的高維特征；
11、所述分類器子模塊用于對數據的高維特征進行分析、處理，獲得數據的分析結果。
12、進一步地，所述基礎算法配置文件用于復現用戶選擇并設置的深度學習算法模塊的算法信息，所述算法信息包括：
13、深度學習算法模塊的組成信息：各子模塊的模塊名稱；
14、深度學習算法模塊的配置信息：各子模塊的設置參數；
15、深度學習算法的基礎信息：各子模塊中選取的算法類別、算法名稱、算法描述；
16、深度學習算法模塊的結構信息：各子模塊間的連接關系；
17、深度學習算法的全局配置信息：各子模塊組成的全局配置的初始模塊和入口函數。
18、進一步地，所述步驟s20包括以下子步驟：
19、s21根據深度學習算法模塊的組成信息導入對應各子模塊的類，并為每個子模塊的類生成實例；
20、s22根據深度學習算法模塊的配置信息對各子模塊的類的實例進行初始化；
21、s23根據深度學習算法模塊的結構信息，調用各子模塊的類的實例的前置模塊，并設置類數據流轉函數；
22、s24根據深度學習算法的全局配置信息，設置算法運行時的初始模塊和入口函數，完成基礎算法代碼生成；
23、s25記錄基礎算法的基礎信息以及基礎算法配置文件路徑、基礎算法代碼文件路徑。
24、進一步地，所述步驟s30中的業務模型配置文件通過以下方式生成：
25、根據算法名稱查詢基礎算法配置文件，基于算法json格式配置配件，增加深度學習算法模塊的參數權重版本，并融合業務規則模塊的業務規則信息、業務規則模塊與所述深度學習算法模塊的連接關系，生成新的json文件，作為業務模型的配置文件。
26、進一步地，所述步驟s40包括以下子步驟：
27、s41導入基礎算法，并根據深度學習算法模塊參數權重版本信息指定基礎算法加載的模型文件；
28、s42根據業務規則模塊名稱導入對應的業務規則模塊類；
29、s43為業務規則模塊類創建實例，并根據業務規則模塊設置信息進行初始化；
30、s44根據業務規則模塊與深度學習算法模塊的連接關系設置業務規則模塊類的實例的數據輸入，完成業務模型代碼生成；
31、s45記錄業務模型的基礎信息以及業務模型配置文件路徑、業務模型代碼文件路徑。
32、進一步地，還包括步驟s60獲取用戶對構建的業務模型進行實例創建和算力資源配置的信息，根據所述信息在對應的服務器上生成web服務代碼，根據業務模型id查詢業務模型信息，導入業務模型代碼、配置文件、模型參數權重文件后，完成web服務啟動。
33、同時，本專利技術還提供一種基于低代碼模塊化的業務模型構建系統。
34、本專利技術提出的基于低代碼模塊化的業務模型構建系統的有益效果與上述的基于低代碼模塊化的業務模型構建方法相同，不在此贅述。
35、同時，本專利技術還提供一種電子設備，包括：
36、一個或多個處理器；
37、存儲器，用于存儲一個或多個程序，當所述一個或多個程序被所述一個或多個處理器執行，使得所述一個或多個處理器實現上述任一項所述的基于低代碼模塊化的業務模型構建方法。
38、同時，本專利技術還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述任一項所述的基于低代碼模塊化的業務模型構建方法。
39、為了更好地理解和實施，下面結合附圖詳細說明本專利技術。
本文檔來自技高網...【技術保護點】
1.一種基于低代碼模塊化的業務模型構建方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述深度學習算法模塊包括數據源子模塊、特征提取子模塊和分類器子模塊：
3.根據權利要求2所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述基礎算法配置文件用于復現用戶選擇并設置的深度學習算法模塊的算法信息，所述算法信息包括：
4.根據權利要求3所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述步驟S20包括以下子步驟：
5.根據權利要求1至4任一項所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述步驟S30中的業務模型配置文件通過以下方式生成：
6.根據權利要求5所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述步驟S40包括以下子步驟：
7.根據權利要求1、2、3、4、6任一項所述的基于低代碼模塊化的業務模型構建方法，其特征在于，還包括步驟S60：
8.一種基于低代碼模塊化的業務模型構建系統，其特征在于，所述系統包括：算法
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1-7中任一所述的基于低代碼模塊化的業務模型構建方法。
...【技術特征摘要】
1.一種基于低代碼模塊化的業務模型構建方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述深度學習算法模塊包括數據源子模塊、特征提取子模塊和分類器子模塊：
3.根據權利要求2所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述基礎算法配置文件用于復現用戶選擇并設置的深度學習算法模塊的算法信息，所述算法信息包括：
4.根據權利要求3所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述步驟s20包括以下子步驟：
5.根據權利要求1至4任一項所述的基于低代碼模塊化的業務模型構建方法，其特征在于，所述步驟s30中的業務模型配置文...
【專利技術屬性】
技術研發人員：梁華，陳升敬，劉曉建，韓任權，廖國銘，楊良龍，
申請(專利權)人：廣州賦安數字科技有限公司，
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。