[发明专利]基于黑盒优化器的AI模型自动建模系统

说明书

本发明涉及元学习和自动机器学习技术领域，公开了基于黑盒优化器的AI模型自动建模系统，包括自动建模系统，数据管理模块主要用于数据集的多源接入和可视化，推理服务管理主要基于训练好的模型部署的API服务启停等管理，而训练项目管理作为其中的核心模块，包含了AI模型的自动建模功能，当用户提交建模实验时，优化方法会利用历史实验结果进行实验搜索空间的初始化以及在每次试验时，自动选择可能会带来更好效果的算子，减少了用户在不同场景数据下手动去尝试寻找最好模型的时间成本，提升了整体了建模效率，此外，该系统可以应用到包括表格、图像、文本、视频、音频全模态的所有任务中，具有很强的落地应用性。

技术领域

本发明涉及元学习和自动机器学习技术领域，特别涉及基于黑盒优化器的AI模型自动建模系统。

背景技术

AI模型自动建模系统主要是算法研发人员用于AI建模时使用，一般包含数据管理、训练项目管理和推理服务管理三个模块。早期，算法研发人员在针对一个场景具体建模时，需要在自己的服务器上进行数据的处理分析，根据分析结果判断适合该场景数据的模型。在模型的训练过程中，还需要根据实时的模型训练曲线和指标情况不断的调整超参并最终达到期望的模型指标效果。在此过程中，如果选择的模型效果不好，又得重新进行不断的调参。后期，出现了一些搭载例如HyperOpt的超参优化自动建模系统，该系统对模型内需要调参的参数值设置参数范围，通过贝叶斯优化等优化算法来进行优化，从而在较短的调整次数内即可达到一个最优的指标结果。

当前的自动建模系统的缺点在于：当前的自动建模系统一般是根据用户自己的场景需求来手动选择一个模型进行建模，并通过一些超参优化方法进行模型的超参调整。该流程中，由于客户的场景是五花八门的，手动选择的模型很难保证是能够在该场景数据上取得可靠的模型指标结果。此外，超参的优化一般都是随机开始的，对于一个新场景来说，每次随机初始化优化意味着花费更多的时间去确定一个最终稳定的参数集合值。一般来说，如果根据不同的场景数据自适应选择不同模型以及通过历史建模结果进行超参数的预选择，能更快的提升建模效率和效果。总而言之，当前的自动建模系统对于算法研发人员的建模效率还有较大的提升空间。

针对以上问题，对现有装置进行了改进，提出了基于黑盒优化器的AI模型自动建模系统。

发明内容

本发明的目的在于提供基于黑盒优化器的AI模型自动建模系统，数据管理模块主要用于数据集的多源接入和可视化，推理服务管理主要基于训练好的模型部署的API服务启停等管理，而训练项目管理作为其中的核心模块，包含了AI模型的自动建模功能，用户能够在不同的场景中自适应选择模型，降低建模模型选择成本，同时，基于历史的建模结果数据，缩小模型超参参数空间的范围，达到模型更快更好收敛速度的AI模型自动建模系统，相对于对单个模型进行调优的优化方法，该系统更具效率和普适性，数据拼接模块用于将收集到的数据碎片拼接成完整的数据链，数据融合模块用于将拼接的数据进行融合处理，方案创建模块用于将数据的整合链进行整理，得出完整方案，数据拼接模块、数据融合模块和方案创建模块同时进行数据的管理工作，用于提高整体的连贯性，提升容错率，解决了背景技术中的问题。

为实现上述目的，本发明提供如下技术方案：基于黑盒优化器的AI模型自动建模系统，包括自动建模系统，自动建模系统包括数据管理、训练项目管理和推理服务管理，数据管理模块主要用于数据集的多源接入和可视化，推理服务管理主要基于训练好的模型部署的API服务启停等管理，而训练项目管理作为其中的核心模块，包含了AI模型的自动建模功能。

进一步地，自动建模系统与算子库无线连接，算子库，包括但不局限于骨干网络、优化器、损失函数、数据增强算法等在内的各种算子集合。

进一步地，训练项目管理包括训练请求客户端和黑盒优化器服务，黑盒优化器服务对接算子库和元特征访问服务。

进一步地，算子库与黑盒优化器服务无线连接。