[发明专利]作业分配

说明书

本文描述了作业分配的示例。在一个示例中，可以接收用于分配的作业。可以分析作业以获取与作业有关的信息。该信息可以包括作业的域和作业的优先级别中的至少一个。此外，可以确定资源的性能以提供资源信息。可以使用监督学习模型来确定资源信息，该监督学习模型包括用于每个作业类型的作业向量以及与每个资源相对应的资源向量。资源信息可以包括资源列表，资源列表具有每个资源完成作业的对应概率和每个资源的性能评分中的至少一个。基于作业信息和资源信息，可以使用专业知识估计建模技术为作业推荐资源，并且可以相应地将作业指派给被推荐的资源。

背景技术

一般而言，每个组织具有各种各样的任务，这些任务可以通过资源、自动化地或以其他方式来执行。例如，可以采用手动资源来执行某些任务，并且一旦累积了与这些任务有关的足够的知识，这些任务稍后可以由自动化资源执行。

考虑例如内容审核任务的任务。内容审核任务可以包括在例如Facebook^TM或Twitter^TM的公共论坛上发布内容之前，检查例如广告提交这样的内容是否符合预定义的策略。公开发布广告之前，组织可以采用手动资源来审核此类内容。此外，该组织还可以使用人工智能(AI)工具来执行繁琐且重复的任务，而不是通过手动资源执行这些任务。

虽然某些任务可以相对简单和直接，但某些任务可以很复杂并且可以需要熟练的资源。通常情况下，任务的复杂性遵循八二规则，其中任务量的百分之八十被认为是容易的，并且可以通过全部努力(即可用资源)的百分之二十来解决，而任务量的百分之二十是困难的并且可以需要花费全部努力的百分之八十。然而，复杂性的定义是相对的。也就是说，手动资源的简单任务对于计算资源可以是困难的，反之亦然。同样，针对一个手动资源的简单任务对另一个人来说可以很难，反之亦然。因此，任务执行的效率可以取决于执行任务的资源。

通常，任务被随机地或由监督者按照经验、或者通过使用诸如循环法的简单指派技术或以先到先服务的方式指派。然而，这样的技术通常不涉及例如任务类型、经验、技能集合、能力和资源的可用性等方面。因此，任务的不当分配可以影响任务被执行的效率。例如，执行任务所用的时间和资源以及输出质量可以受到影响。将理解，低质量的输出可以反过来影响由AI工具执行的计算，其依赖于通过执行这些任务而累积的知识。此外，在输入队列包括大量任务的情况下，手动指派每个任务不仅麻烦，而且还可能容易出错并且效率低下。

这提出了设计任务调度机制的技术问题，其可以高效地识别资源以执行任务来降低成本(计算和其他)，最小化计算错误和其他错误，并且更好地利用手动和计算资源。

附图说明

通过以下附图中所示的示例来阐述本公开的特征。在以下附图中，类似的附图标记表示类似的元件，在附图中：

图1示出了根据本公开的示例实施例的用于自适应作业调度的系统；

图2示出了根据本公开的示例实施例的调度作业的示意性流程；

图3示出了根据本公开的示例实施例的评估资源的示意性流程；

图4示出了根据本公开的示例实施例的用于系统的实现的硬件平台；以及

图5示出根据本公开的示例实施例的描绘系统的功能的计算机实现的方法。

具体实施方式

为了简单和示意性的目的，本公开主要参照其示例进行描述。本文描述的本公开的示例可以以不同的组合一起使用。在以下描述中，阐述细节以便提供对本公开的理解。然而，显而易见的是，可以在不限制所有这些细节的情况下实践本公开。此外，贯穿本公开，术语“一”和“一个”旨在表示至少一个特定元素。如本文所使用的术语“包括”意味着包括但不限于，术语“包括”意味着包括但不限于。术语“基于”意味着至少部分基于。此外，术语“作业”和“任务”可以以其单数和复数两种形式互换使用。