[发明专利]用于机器学习模型的动态数据选择

说明书

实施例涉及用于机器学习模型的动态数据选择。可以访问由经训练的机器学习模型生成的多个数据预测，其中数据预测包括相应的观测数据。可以基于所访问的多个数据预测和相应的观测数据来计算机器学习模型的精度。可以使用可变数量的数据预测来迭代访问和计算，其中基于在先前迭代期间采取的动作来调整可变数量的数据预测，并且当所计算的精度在给定迭代期间不满足精度标准时，可以触发针对机器学习模型的训练。

相关申请交叉引用

本申请要求于2019年7月1日提交的美国专利申请No.16/458,924的优先权，该美国专利申请要求于2019年1月30日提交的印度专利申请No.201941003803的优先权，这些申请的公开内容通过引用并入本文。

技术领域

本公开的实施例总体涉及用于机器学习模型的动态数据选择。

背景技术

人工智能(AI)的实现产生了切实的好处，从基于监督学习的数据预测到面部识别。然而，围绕人工智能的挑战依然存在，例如特定于实现的问题经常因不同的系统而异。训练AI模型可以是资源密集型的，有时是破坏性的。此外，AI模型的重新训练可以影响模型精度和系统效率。因此，能够平衡资源使用与人工智能模型的性能的工具可以为该工具的用户产生切实的好处。

发明内容

本公开的实施例总体涉及用于机器学习模型的动态数据选择的系统和方法，其大大改进了相关技术。

可以访问由经训练的机器学习模型生成的多个数据预测，其中数据预测包括相应的观测数据。可以基于所访问的多个数据预测和相应的观测数据来计算机器学习模型的精度。可以使用可变数量的数据预测来迭代访问和计算，其中基于在先前迭代期间采取的动作来调整可变数量的数据预测，并且当所计算的精度在给定迭代期间不满足精度标准时，可以触发针对机器学习模型的训练。

实施例的特征和优点在下面的描述中陈述，或者将从该描述中显而易见，或者可以通过本公开的实践来了解。

附图说明

另外的实施例、细节、优点和修改将从下面结合附图进行的优选实施例的详细描述中变得明显。

图1示出了根据示例实施例的用于机器学习模型的动态数据选择的系统。

图2示出了根据示例实施例的可操作地耦合到系统的计算设备的框图。

图3A-3C示出了根据示例实施例的用于触发机器学习模型的训练的动态数据选择的流程图。

图4示出了根据示例实施例的用于机器学习模型的动态数据选择的流程图。

图5示出了根据示例实施例的集成式供应商、库存和物流系统，该系统包括如本文公开的改进的规划和供应动作。

具体实施方式

实施例执行用于机器学习模型的动态数据选择。在一些实施例中，训练数据可以用于训练机器学习模型(例如，经由监督式学习)。然后，经训练的模型可用于基于输入数据生成数据预测。有时，可以例如通过重新训练模型或更新训练来更新经训练的机器学习模型。

在一些实施例中，精度度量可用于触发重新训练或更新训练。例如，经训练的机器学习模型的一些实现生成在未来某个时间观测的数据点的数据预测。因此，过去的数据预测可以包括相应的观测数据点。基于这两个值的精度度量可用于触发重新训练或更新训练。例如，可以将精度度量与精度标准进行比较，并且基于该比较，可以触发训练。