(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210857740.1 (22)申请日 2022.07.21 (71)申请人 北京思路智园科技有限公司 地址 100089 北京市海淀区西二 旗大街39 号3层301-6 (72)发明人 张文　姜朝露　王而川　 (74)专利代理 机构 西安泛想力专利代理事务所 (普通合伙) 6126 0 专利代理师 张梅娟 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/40(2022.01) (54)发明名称 一种半自动化的人工智能模型优化系统及 方法 (57)摘要 本发明提供了一种半自动化的人工智能模 型优化系统和方法， 所述系统包括： 控制部、 存储 部以及训练模型， 训练模型具有： 主神经网络单 元、 监测模块、 人工交互接口、 识别模块、 多个子 神经网络 单元以及修订模块， 本申请在进行训练 模型搭建后， 将训练模型获取的训练结果进行随 机的抽取， 抽取后形成监测样本， 将监测样本发 送至人工交互端， 由人工专家对监测样本进行审 验得到审验 结果， 将审验结果与监测样本对应的 进行比对， 依据比对结果对所述审验 结果进行适 应性标注， 再由子神经网络单元加载所述审验结 果的适应性标注以对所述审验结果进行迭代训 练形成修订结果； 修订结果和对应的原始监控数 据进行比对并形成差值， 基于所述差值以对应的 更新经验参数。 权利要求书2页 说明书6页 附图2页 CN 115223095 A 2022.10.21 CN 115223095 A 1.一种半自动化的人工智能模型优化系统， 其特 征在于， 包括： 控制部； 存储部， 用于将生产过程采集到的监控数据发送至存储部， 所述存储部具有用于监控 数据存储的数据库和可 执行指令存 储的指令单 元； 训练模型， 该训练模型 具有： 主神经网络单元， 用于导入数据库中的历史监控数据并加载人工审核的经验参数并基 于控制部的训练指令进行训练得到训练结果； 监测模块， 具有多个监测单元， 多个监测单元与所述主神经网络单元连接， 用于基于监 测参数的设置由所述控制部从指令单元中加载监测指令并依据主神经网络单元训练任务 的进行来随机的抽取训练结果作为 监测样本； 人工交互接口， 与所述人工交互端连接， 所述人工交互接口将监测样本发送至人工交 互端， 由人工对监测样本进 行审验得到审验结果， 将审验结果与监测样本对应的进 行比对， 依据比对结果对所述审验结果进行适应性标注； 识别模块， 用于识别审验结果的适应性标注， 并基于所述审验结果的适应性标注状态 进行分类， 并将分类结果对应的存 储在数据库中； 多个子神经网络单元， 多个所述子神经网络单元用于基于识别模块的分类结果选择性 的被激活， 通过子神经网络单元加载所述审验 结果的适应性标注对审验结果进行迭代训练 形成修订结果； 修订模块， 用于将修订结果与审验结果对应的原始监控数据进行比对并形成差值， 基 于所述差值以对应的更新经验参数。 2.根据权利要求1所述的半自动 化的人工智能模型优化系统， 其特征在于， 所述监测单 元具有响应训练结果的监测字段， 所述监测字段用于响应于对主神经网络模型的训练结果 在抽检指令下进行抽取调用形成监测样本， 并基于监测样本建立监测样本与训练结果、 训 练结果与原始监控数据之 间的一段追溯路径， 并将一段追溯路径对应的存储在数据库的追 溯列表中。 3.根据权利要求1所述的半自动 化的人工智能模型优化系统， 其特征在于， 所述识别模 块具有： 识别单元， 用于识别审验结果的适应性标注以及标注编码； 分类单元， 用于基于标注编码对审验结果的适应性标注进行分类； 追溯单元， 用于将分类结果与审验结果、 审验结果与监测样本之间建立二段追溯路径， 并将二段追溯路径对应的存 储在一段追溯路径的追溯列表下。 4.根据权利要求1所述的半自动 化的人工智能模型优化系统， 其特征在于， 每一所述子 神经网络单元具有激活标识， 控制部连接识别模块并基于识别模块的分类结果对应的生成 激活指令， 激活指 令对应的选择子神经网络单元并将该子神经网络单元所具有的激活标识 进行激活， 通过加载单元加载所述审验结果的适应性标注至子神经网络单元以对所述审验 结果进行迭代训练形成修 订结果； 每一所述子神经网络单元还具有追踪执行器， 所述追踪执行器响应于激活指令对激活 标识的激活以通过设定的追踪执行事件来在子神经网络单元加载所述审验结果的适应性 标注对审验结果进行迭代训练的过程中追踪审验结果学习路径， 并将学习路径对应与审验权　利　要　求　书 1/2 页 2 CN 115223095 A 2结果的二段追溯路径匹配存 储； 行为监测器， 所述行为监测器能够监测激活标识内的激活字段， 所述激活字段响应于 激活指令将激活字段链入加载单元和追踪执行器并独立的控制加载单元和追踪执行器的 执行操作。 5.根据权利要求1所述的半自动 化的人工智能模型优化系统， 其特征在于， 所述修订模 块基于修订结果的学习路径， 加载学习路径经二段追溯路径匹配一段追溯路径来将修订结 果与审验结果对应的原始监控数据进 行比对并形成差值， 基于所述差值以对应的更新经验 参数。 6.一种半自动化的人工智能模型优化方法， 其特 征在于， 包括如下步骤： A1） ： 将生产过程采集到的监控数据发送至存 储部的数据库； A2） ： 主神经网络单元导入数据库中的历史监控数据并加载人工审核的经验参数并基 于控制部的训练指令进行训练得到训练结果； A3） ： 监测单元基于监测参数的设置加载监测指令并依据主神经网络单元训练任务的 进行来随机的抽取训练结果作为 监测样本； A4） ： 人工交互接口将监测 样本发送至人工交互端， 由人工对监测样本进行审验得到审 验结果， 将审验结果与监测样本对应的进行比对， 依据比对结果对所述审验结果进行适应 性标注； A5） ： 识别审验结果的适应性标注以及标注编码， 基于标注编码对审验结果的适应性标 注进行分类； 将分类结果与审验 结果、 审验结果与监测样 本之间建立二段追溯路径， 并将二 段追溯路径对应的存 储在一段追溯路径的追溯列表下； A6） ： 控制部连接识别模块并基于识别 模块的分类结果对应的生成激活指令， 激活指令 对应的选择子神经网络单元并将该子神经网络单元所具有的激活标识进 行激活， 通过加载 单元加载所述审验结果的适应性标注至子神经网络单元以对所述审验结果进行迭代训练 形成修订结果； 追踪 执行器响应于激活指 令对激活标识的激活以通过设定的追踪 执行事件 来在子神经网络单元加载所述审验结果的适应性标注对审验结果进行迭代训练的过程中 追踪审验结果学习路径， 并将学习路径对应与审验结果的二段追溯路径匹配存 储； A7） ： 修订模块基于修订结果的学习路径， 加载学习路径经二段追溯路径匹配一段追溯 路径来将修订结果与审验结果对应的原始监控 数据进行比对并形成差值， 基于所述差值以 对应的更新经验参数。 7.根据权利要求6所述半自动化的人工智能模型优化方法， 其特征在于， 在步骤A2） 中， 监测单元具有响应训练结果的监测字段， 所述监测字段用于响应于对主神经网络模型的训 练结果在抽检指令下进行抽取调用形成监测样本， 并基于监测样本 建立监测样本与训练结 果、 训练结果与原始监控数据之间的一段追溯路径， 并将一段追溯路径对应的存储在数据 库的追溯列表中。权　利　要　求　书 2/2 页 3 CN 115223095 A 3