[发明专利]通过多源实时以及背景感知的现实世界数据来实现虚拟智能化及优化

说明书

一个为机器学习算法提供使用在人工智能应用方面的多源，实时，以及情境感知的现实世界数据的系统与方法，包括通过网络提供一个服务器以及连接服务器以及其之间互相连接的多个元素。每一个经连接的元素包括一个或以上的传感机制。服务器包括一个内存以及一个处理器。内存储存一个持续的虚拟世界系统，包括通过虚拟副本编辑器所创建以及编辑的现实世界主体的虚拟副本，同时通过由传感机制所捕获的多源传感数据进行更新。每一个虚拟副本包括多源传感数据的数据与指令。处理器可以被设置来进行对数据的预备，从而生成机器学习数据组，然后在数据组上执行机器学习算法，同时为整体推断新数据生成经过培训的机器学习模型以及优化一个具有新的世界主体的系统。

背景技术

本公开的有关方面大致与计算机架构有关，特别是与能够提供用于人工智能应用方面的具有多源，实时，以及背景感知的现实世界数据的机器学习算法的系统和方法有关。此系统和方法可以作为通过处理其相应的虚拟世界对应方来管理以及优化现实世界元素的解决方案。

通过应用在机器学习方面的计算能力以及大数据集供应的增加实现了在人工智能或者虚拟智能方面的开发。在机器学习方面，一个程序员向计算机提供一组样本数据以及一个所期望的结果，同时，计算机在这些数据的基础上衍生出其自身的演算法，其可以应用在任何的未来数据上。使用在大型数据收集方面的最近期的深度学习技术或者机器学习模拟了人类头脑结构算法的复杂性以及在所谓的“人工神经网络”里的功能。

多种实用类型的机器学习包括监督学习，其中包括根据输入/输出对样本，使用一个输入来映射一个输出。输入-输出对样本包括经过标签的培训数据，此数据通常在标签这些数据过程中要求高度的人类参与来标签此类数据。例如，在训练一辆无人驾驶的交通工具的情况下，代表数小时视频的成百万驾驶小时的大型数据集需要由人进行标签。这增加了在此处理过程中所需要的成本和时间。

目前机器学习以及推断技术的其它缺点包括使用来自只是几个来源的零碎的数据集，这样会造成一项无视背景信息的限制性决定，没有此背景信息，整体的机器学习以及推断将被限制或者不可能实现。回到无人驾驶的例子，交通工具可以捕获特别是用于学习无人驾驶以及应用在推断过程中的数据。然而，在另外一个方面，此数据被认为是有限的，由于它可能没有考虑到例如市民的行为，车优先权，一年中的日期，一天中的时间等因素，因此，所作的决定只限制于交通工具通过传感机制所看到的，这要求特别快的反应以及处理的速度；另外一个方面，所捕获的数据只是应用在交通工具的训练方面，忽略了在其它方面的潜在用途。

另外，一般来说，建筑物，制造工厂，社区，城市等的虚拟模型主要包括用于模拟这些实体的外貌的形状数据，缺少其它阻止对其相应的现实世界实体的机器学习与推断进行管理与调整的相关数据。

因此，在不需要过分人类参与以及涉及整体决策的情况下，需要对可以获取以及处理大型的数据集，并且优化现实世界主体的系统的机器学习以及推断的领域进行改善。

发明内容

本总结以简单的形式介绍一系列的概念，这些概念将在以下的详细描述中进一步描写。本总结的目的不在于识别本要求保护主体的关键特征，也不旨在帮助确定要求保护主体的范围。

本公开通过提供一个用于人工智能应用方面的具有多源，实时，以及背景感知的现实数据的机器学习演算法的系统和方法来解决在背景里所提出的问题。此系统和方法可以作为通过其相应的虚拟世界对应方来管理以及优化现实世界元素的解决方案。