[发明专利]模型管理方法、装置、存储介质及电子设备

说明书

本申请公开了一种模型管理方法、装置、存储介质及电子设备，属于人工智能技术领域。该装置包括：检测模块，用于检测当前需要进行模型训练的目标服务；数据准备模块，用于获取进行目标服务的模型训练需要的训练数据；训练调度模块，用于调度数据处理平台优先基于训练数据，分布式训练目标服务的实体抽取模型；训练调度模块，还用于在训练完目标服务的实体抽取模型后，再调度数据处理平台，基于训练数据和当前训练好的实体抽取模型，分别分布式训练目标服务的意图分类模型和槽位抽取模型。本申请实现了自动进行模型训练先后顺序的调度和自动处理模型之间的依赖问题，无需人为参与，省时省力，避免了因人工参与存在的诸如繁琐耗时、容易出错等问题。

技术领域

本申请涉及人工智能技术领域，特别涉及一种模型管理方法、装置、存储介质及电子设备。

背景技术

随着人工智能技术的快速发展，人工智能技术已经在多个领域展开研究和应用，比如时下流行的智能对话系统即是基于人工智能技术搭建的。其中，NLU(NaturalLanguage Understanding，自然语言理解)模块是智能对话系统进行语义理解的核心，详细来讲，NLU模块通常由实体抽取模型、意图分类模型、和槽位抽取模型组成，而智能对话系统提供的每项服务均对应各自的上述三个模型，其中，智能对话系统提供的服务包括但不限于天气、音乐、票务等。

以用户发起的提问为例，实体抽取模型可以在提问中抽取诸如人名或地名等实体，意图分类模型可以用于识别提问意图，而槽位抽取模型则用于在提问中抽取槽位，槽位即是意图的参数信息。其中，意图分类和槽位抽取的时候均会用到实体抽取的结果。基于以上描述可知，上述模型在智能对话过程中起着至关重要的作用，因此如何管理这些模型就变得十分重要。其中，模型管理包括但不限于模型训练和模型发布。

以任意一项服务的模型训练过程为例，相关技术在人工参与的情况下在三个机器上分别对该项服务的上述三个模型进行单机训练。其中，由于意图分类模型和槽位抽取模型的训练需要依赖实体抽取模型的结果作为特征，所以还需人为调度优先训练实体抽取模型，进而在开始这两个模型的训练之前，再各自人工获取从其他机器上训练完成的实体抽取模型。

针对上述模型管理方式，由于需要人工参与，所以不但耗时耗力，而且较为繁琐复杂和容易出错。为此，如何进行模型管理，使之更好地服务于智能对话系统，成为了本领域技术人员亟待解决的一个问题。

发明内容

本申请实施例提供了一种模型管理方法、装置、存储介质及电子设备，解决了相关技术存在的因需要人工参与进而导致的不但耗时耗力，而且较为繁琐复杂和容易出错的问题。所述技术方案如下：

一方面，提供了一种模型管理装置，所述装置包括：

检测模块，用于检测当前需要进行模型训练的目标服务；

数据准备模块，用于获取进行所述目标服务的模型训练需要的训练数据；

训练调度模块，用于调度数据处理平台优先基于所述训练数据，分布式训练所述目标服务的实体抽取模型；

所述训练调度模块，还用于在训练完所述目标服务的实体抽取模型后，再调度所述数据处理平台，基于所述训练数据和当前训练好的实体抽取模型，分别分布式训练所述目标服务的意图分类模型和槽位抽取模型。

在一种可能的实现方式中，所述检测模块，还用于在接收到服务创建请求后，将所述服务创建请求指示创建的服务，确定为当前需要进行模型训练的目标服务；或，将已创建的服务中存在数据更新的服务，确定为当前需要进行模型训练的目标服务。

在一种可能的实现方式中，所述训练调度模块，还用于在当前需要进行模型训练的目标服务为多项时，并行对所述多项服务进行模型训练。

在一种可能的实现方式中，所述目标服务的意图分类模型和槽位抽取模型的训练过程并行执行。

在一种可能的实现方式中，所述装置还包括：