[发明专利]用于转换后的数据的自修复机器学习系统

权利要求书

1.一种设备，所述设备包括：

至少一个处理器；以及

至少一个计算机存储装置，所述至少一个计算机存储装置不是瞬时信号并且包括指令，所述指令能够由所述至少一个处理器执行以：

执行有权访问历史数据、模型特征和模型元数据的决策树模型，以至少部分通过以下操作来识别计算机模拟的用户行为的变化和模型预测的变化以向用户做出推荐：

针对至少第一预测模型，确定变化是否与和所述第一预测模型相关联的模型质量度量相关联；

响应于确定变化与和所述第一预测模型相关联的所述模型质量度量相关联，生成致使所述决策树模型或序列模型使用特征分布统计信息来深入研究所述变化的原因的信号；

响应于确定变化不与和所述第一预测模型相关联的所述模型质量度量相关联，生成起始系统健康检查的信号，所述系统健康检查包括确定特征按重要性的排名是否已改变；

响应于确定所述特征按重要性的排名已改变，确定关于特征分布的统计信息是否已改变；

响应于确定关于特征分布的统计信息已改变，生成指示用户行为可能已改变的信号；

响应于确定关于特征分布的统计信息未改变，指示健康的系统；以及

响应于确定所述特征按重要性的排名未改变，指示健康的系统。

2.如权利要求1所述的设备，其中所述指令能够执行以：

识别用于生成模型特征标记的数据集的属性已改变，并且作为响应，自动将数据回填到所述模型特征标记中以补偿处理延迟；

识别用于生成所述模型特征标记的数据集的属性未改变，并且作为响应，重新训练所述第一预测模型。

3.如权利要求1所述的设备，其中所述序列模型包括：

深度学习系统；

用于输入到所述深度学习系统的原始数据分布统计信息；

用于输入到所述深度学习系统的特征数据，所述特征数据包括特征数据分布统计信息、所述模型中的相应特征的重要性和特征部署的状态；

用于输入到所述深度学习系统的监测数据，所述监测数据包括计算机部件使用、已处理的请求和机器学习的时间特性；以及

用于输入到所述深度学习系统的模型数据，所述模型数据包括模型性能度量测度和模型元数据度量；

所述深度学习系统输出针对机器学习管道的补救措施的推荐。

4.如权利要求3所述的设备，其中所述深度学习系统包括：

至少第一层长短期记忆(LSTM)单元，所述第一层LSTM单元用于监测来自数据沿袭基础设施的原始数据、特征数据和管道数据；

至少第二层LSTM，所述第二层LSTM用于监测模型数据；

至少第三层LSTM，所述第三层LSTM用于将对前两层的整体监测提供给注意力层；

所述注意力层，所述注意力层调整指派给来自先前的整体监测的输入的权重；以及

softmax分类器，所述softmax分类器用于从所述注意力层接收输入并输出多个措施的相应概率。

5.如权利要求4所述的设备，其中所述概率中的至少第一概率由下式给出：

其中α^t,t’是分类器的输入y_i^t在时间t应给予先前的监测层的激活a^t’和c^t的注意力的量，如由下式确定：

c^t＝∑_t′α^t,t’a^t’

然后

其中∑_t′α^t,t’＞＝1。

6.如权利要求4所述的设备，其中所述序列模型是离线的，并且所述序列模型的输入包括每日模型有效性度量、模型元数据度量、每日特征分布统计信息、每日原始数据分布和管道监测数据。

7.如权利要求6所述的设备，其中所述序列模型被配置为输出以下各项中的一项或多项的由所述softmax分类器生成的最高概率：无措施；自动重新训练至少一个模型；开发至少一个新模型；创建至少一个新特征；添加数据；以及指示用户行为的变化。