云问题生成向本地人工智能的动态卸载的制作方法

电子通信装置的制造及其应用技术1.本公开涉及利用人工智能(“ai”)的网络系统监视，更具体地，涉及将利用机器学习生成的模型动态卸载到本地(on-premise)ai引擎以减少云ai引擎上的操作负载。背景技术：2.在由人工智能(“ai”)管理的常规网络系统中，数据由用户、设备、应用、网络服务数据提供商或其他方提供给ai引擎。数据可能包括网络的问题、用户所报告的问题、断开的网络连接、快速变化的连接或其他网络问题。3.常规的网络系统可以使用基于云的ai引擎来管理系统，其中通过构建网络的模型来监视网络、提供负载管理决策、确定网络的健康状况、预测趋势、检测模式、或执行其他常规服务。ai引擎能够向网络的用户提供数据，例如有关网络行为和网络出现的问题的见解。4.当ai引擎严格地基于云时，数据必须通过云来被传送到与基于云的ai引擎相关联的数据湖(data lake)。数据的持续传送很麻烦，并且需要大量的带宽和成本来进行传送。此外，基于云的ai引擎还承担了持续监视来自系统以及由基于云的ai引擎监视的任何其他系统的新数据的任务。因此，基于云的ai引擎的容量和效率由于对新数据的监视而降低。此外，当与云的连接中断时，ai引擎无法提供网络问题和见解。附图说明5.图1是描绘根据某些示例的将云问题生成动态卸载到本地人工智能的通信和处理架构的框图。6.图2是描绘根据某些示例的将云问题生成动态卸载到本地人工智能的方法的流程框图。7.图3是描绘根据某些示例的本地云代理执行模型的方法的流程框图。8.图4描绘了根据某些示例的计算机器和模块。具体实施方式9.概述10.本发明的各个方面在独立权利要求中阐述，并且优选特征在从属权利要求中阐述。一个方面的特征可以单独地或与其他方面结合地应用于任何方面。11.本技术允许使用ai引擎执行问题和见解生成的混合方法，其中利用本地组件和云组件二者。12.在初始校准阶段期间，云ai引擎通过机器学习模块构建网络的模型。数据由云ai引擎接收，其中网络的模型是基于接收到的数据(以及可选地基于来自其他网络或客户的数据)计算的。在校准期间，云ai引擎中生成的输出可以被发送到本地云代理，这将使客户可以使用该信息。模型的输出可以包括网络的问题以及对网络性能和趋势的见解。13.模型评估引擎或云ai引擎的其他组件监视模型和模型的输出，以识别出特定模型的收敛。模型评估引擎通过将输出与客观判断标准或计算机生成的判断标准进行比较来识别出收敛。收敛确保所生成的问题和见解的质量满足预期的质量判断标准。在替代示例中，收敛由云ai引擎的人类操作员识别出或通过使用客观判断标准来识别出。在另一个示例中，客户反馈被评估以确定何时实现了收敛。14.在模型评估引擎已经确定模型已经收敛之后，云ai引擎将模型传送到本地云代理。模型更新代理将本地云代理配置为使用利用接收到的数据的新计算模型。模型更新代理验证本地云代理已准备好生成输出，例如问题和见解。15.本地云代理开始使用利用从网络计算设备接收到的数据的模型。该模型使本地云代理能够在本地生成问题和见解。本地云代理禁用到云ai引擎的数据导出。本地云代理将任何所生成的问题和见解导出到云ai引擎和/或用户设备或用户界面，以便向用户报告。向云ai引擎的通信允许遥测和跟踪所生成的问题和见解，以确保本地云代理的性能适当地运行。在本地云代理正在操作网络的模型时，带宽和通信容量不被用于将数据传送到云ai引擎。云中的计算资源也没有被用于计算模型。16.云ai引擎的云模型性能监视引擎持续地或定期地监视由本地云代理操作的模型的行为。本地云代理可以定期地将数据传送到云ai引擎以存储在数据湖中。可以基于设定的时间表或应操作员的请求而定期传送数据。所传送的数据允许云ai引擎监视数据以查找异常、趋势或其他潜在问题。17.云模型性能监视引擎可以使用数据湖中的数据来定期验证本地云代理的操作。模型性能监视引擎使用与模型评估引擎相同的数据源，以确保由本地云代理操作的模型产生的问题和见解的质量不会随着时间的推移而降低。如果质量下降到低于给定阈值，云模型性能监视引擎将重新启动校准阶段。阈值可以是输出准确度的函数。例如，如果模型生成的问题未被确定为实际问题，则该输出的质量被确定为低。但是，如果用户投诉与模型生成的问题相匹配，表明该问题是实际问题，则输出的质量被确定为高。在另一个示例中，阈值可以是输出的有效性的函数。例如，如果见解指示网络140的设备很可能遭受即将发生故障的趋势，并且故障确实发生，则输出被确定为具有高质量。18.如果云模型性能监视引擎确定需要重新校准，则云模型性能监视引擎将禁用本地云代理的问题生成并启用本地云代理向云ai引擎的数据导出。模型将使用与本文所述的初始校准相同的过程而被重新校准。重新校准的模型可以使用先前收集的数据、新接收的原始数据或在本地云代理的操作期间从本地云代理定期接收的原始数据。19.本技术允许机器学习模型被配置在基于云的ai引擎上并被部署到本地云代理。此部署允许减少从网络设备到云ai引擎的数据通信。在模型已被部署后，可以暂停向云ai引擎传输数据。此外，如果在操作期间云连接性丢失，问题生成和异常检测仍然可以通过本地云代理来进行操作。数据的定期采样和问题的定期审查以及来自本地云代理的见解生成可以被用来确定是否需要新的模型配置。在云ai引擎中配置模型允许云ai引擎在配置和校准中利用其他模型和数据源。将所配置的模型的操作卸载到本地云代理允许使用更少的到云ai引擎的通信带宽来操作模型。云ai引擎监视本地云代理的性能，以确保模型正常运行。此外，云ai引擎可以有更多的能力来创建更全面的模型，而本地云代理可以由容量和处理带宽较小的计算设备操作。20.本技术的这些和其他方面、目的、特征和优点对于本领域普通技术人员来说在考虑以下对所示示例的详细描述后将变得显而易见。21.示例系统架构22.在本技术的示例架构中，虽然架构中所示的每个服务器、系统、网络和设备由服务器、系统或设备的一个实例表示，但可以使用每个的多个实例。此外，虽然在与附图相关的示例中呈现了技术操作的某些方面以促进要求保护的发明的实现，但也有助于实现要求保护的发明的技术的附加特征在本文别处公开。23.图1是描绘通信和处理架构100的框图，该通信和处理架构100用于将云问题生成动态卸载到本地人工智能。如图1所示，架构100包括由通信网络99连接的云ai引擎105和网络140。24.云ai引擎105使用模块或组件来执行各种任务以配置和监视模型，这些模型用于生成网络系统的问题和见解。通常，云ai引擎105可以采用多种工具、应用和设备。云ai引擎105从任何部署的本地云代理(例如本地云代理120)接收连续或定期的数据馈送，并将数据存储到独特于网络140(在该网络140上，部署了本地云代理120)的数据湖112中。收集数据允许云ai引擎105利用来自多个客户、垂直行业或部署的丰富数据集来训练有效的机器学习模型以生成网络问题和见解。此外，云ai引擎105负责创建由本地云代理120运行的机器学习模型。25.云ai引擎105采用模型评估引擎110、模型性能监视引擎111、数据湖112和客户反馈收集器113。模型评估引擎110通过确保所生成的问题和见解的质量符合预期的质量标准来验证特定模型的收敛。模型评估引擎110分析模型所产生的问题和见解的质量。模型评估引擎110可以通过使用客观判断标准来分析质量，例如提出的问题的数量、确定值与期望值的距离、或其他客观判断标准。在替代示例中，可以通过循环中的人类专家完成分析，例如通过手动验证所提出问题的质量。26.客户反馈收集器113可以被用来帮助确定模型收敛。客户反馈收集器113可以询问用户以提供关于云所生成的输出的反馈。诸如问题和见解之类的输出可以被中继到本地云代理120或另一个计算设备并被显示在本地用户界面上以允许用户对它们进行评分。反馈可以被发送到客户反馈收集器113并且被用在确定模型收敛的过程中。27.模型性能监视引擎111连续或定期监视安装在本地云代理120上的模型的行为。模型性能监视引擎111还可以使用于模型计算的数据湖保持最新(up to date)。模型性能监视引擎111可以使用与模型评估引擎110或其他数据源相同的数据源，以确保本地模型所生成的输出的质量不会随着时间而降低。如果输出质量下降到低于给定阈值，模型性能监视引擎111将启动校准阶段的重新启动。28.模型评估引擎110可以组合评估判断标准的输出，例如操作员输入、客观判断标准和用户反馈，以评估模型收敛。在一个实施例中，可以为每个判断标准指定不同的阈值以确定模型已经收敛(例如，来自客户的至少80％的正面反馈)。在另一个实施例中，强化学习可以被用来将用户和人类专家反馈整合到模型中，以允许模型收敛。当模型的输出准确地呈现问题、见解和其他输出时，模型被确定为已经收敛，并且模型被确定为被充分训练以供在本地云代理120中使用。在模型评估引擎110已经确定模型已经收敛之后，模型评估引擎110将模型推送到本地云代理120。29.本地云代理120和网络计算设备130是网络140的一部分。在替代示例中，本地云代理120与网络140一起工作，但不是网络140的一部分。网络140可以是用于通信、过程控制、数据存储或任何其他合适的网络计算功能的任何合适的计算网络。30.本地云代理120可以利用本地ai引擎或其他工具来接收模型、启动模型、操作模型、从网络计算设备130接收数据、向用户和/或云ai引擎105报告问题和见解、或任何其他合适的任务。本地云代理120可以与一个或多个网络计算设备130交换通信以获得网络数据、查询用户输入、提供数据输出或执行任何其他合适的任务。本地云代理利用诸如模型更新代理125之类的模块。模型更新代理125配置本地云代理120以利用接收到的数据来使用新接收的模型。模型更新代理125验证本地云代理120准备好生成问题和见解，例如通过确保模型的所有数据输入窗口已被填充。模型更新代理125附加地禁用到云的现有数据导出。31.从网络计算设备130接收用于配置和操作模型的数据。网络计算设备130包括用户设备、应用、网络服务数据提供者、路由器、服务器、网络控制器或其他设备。数据可以包括网络140的问题、用户报告的问题、断开的网络连接、快速改变的连接或其他网络问题。网络计算设备130可以通过通信网络99或通过任何其他合适的通信技术进行通信，例如wi-fi、蓝牙、蜂窝或其他合适的通信技术。32.云ai引擎105、本地云代理120和网络计算设备130中的每一个包括一个或多个有线或无线电信系统，网络设备可以通过这些有线或无线电信系统交换数据。例如，云ai引擎105、本地云代理120和网络计算设备130可以包括局域网(lan)、广域网(wan)、内联网、互联网、存储区域网(san)、个域网(pan)、城域网(man)、无线局域网(wlan)、虚拟专用网(vpn)、蜂窝或其他移动通信网络、无线技术连接、近场通信(nfc)连接、它们的任何组合、以及促进信号、数据和/或消息通信的任何其他适当架构或系统中的一个或多个。33.在对示例的整个讨论中，应当理解，术语“数据”和“信息”在本文中可以互换使用，以指代文本、图像、音频、视频或可以存在于基于计算机的环境中的任何其他形式的信息。34.每个网络设备(例如云ai引擎105、本地云代理120和网络计算设备130)可以包括能够通过(一个或多个)网络发送和接收数据的通信子系统。例如，每个网络设备可以包括服务器或服务器的分区、路由器虚拟机(vm)或容器、路由器的一部分、台式计算机、膝上型计算机、平板计算机、具有一个或多个嵌入其中和/或与其耦合的处理器的电视、智能电话、手持计算机、个人数字助理(pda)或任何其他有线或无线处理器驱动的设备。在一些示例中，与设备相关联的用户必须安装应用和/或进行特征选择以获得本文描述的技术的益处。35.图示的网络连接是示例，并且可以使用用于在计算机和设备之间建立通信链路的其他方法。另外，具有本领域普通技术并受益于本公开的人员将理解图1中所示的网络设备可以具有若干其他合适的计算机系统配置中的任何一个并且可以不包括上述所有组件。36.在示例中，网络计算设备和与本文呈现的技术相关联的任何其他计算机器可以是任何类型的计算机器，例如但不限于关于图4更详细讨论的那些计算机器。此外，与任何这些计算机器相关联的任何功能、应用或组件，例如本文描述的那些或与本文呈现的技术相关联的任何其他项(例如，脚本、网页内容、软件、固件、硬件或模块)，可以是关于图4更详细讨论的任何组件。本文讨论的计算机器可以通过一个或多个网络(例如网络99)彼此通信，以及与其他计算机器或通信系统通信。每个网络可以包括各种类型的数据或通信网络，包括关于图4讨论的任何网络技术。37.示例过程38.图2至图3所示的示例方法在下文中关于示例通信和处理架构100的组件进行描述。示例通信和处理架构100的组件可以包括但不限于路由器、交换机、网络集线器、无线接入点、网线、网络服务器、ai引擎、移动设备和网络接口卡。图2至图3的示例方法也可以利用其他系统在其他环境中执行。关于图2至图3中的任何一个所描述的操作可以实现为存储在计算机或机器可读的非暂时性有形存储介质(例如，硬盘、rom、eeprom、非易失性ram、cd-rom、闪存、随机存取存储器(ram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)和同步动态随机存取存储器(sdram)等)上的可执行代码，它们是基于使用一个或多个集成电路实现的处理器电路对代码的执行而完成的；本文所述的操作还可以实现为编码在一个或多个非暂时性有形介质中以供执行的可执行逻辑(例如，可编程逻辑阵列或器件、现场可编程门阵列、可编程阵列逻辑、专用集成电路等)。39.图2是描绘根据某些示例的用于将云问题生成动态卸载到本地人工智能或代理的方法200的流程框图。40.在框210中，云ai引擎105接收原始数据并将数据放置在数据湖112中。接收到的数据由网络计算设备130、用户、设备、应用、网络服务数据提供者或与网络140相关联的其他方提供给云ai引擎105。在一个示例中，接收到的数据直接从各种设备或用户传送。在另一示例中，可以在本地云代理120从各种设备或用户收集数据之后经由本地云代理120提供数据。数据可以包括网络140的问题、用户报告的问题、断开的网络连接、快速改变的连接或其他网络问题。数据还可以包括诸如路由数据、用户设备的数量、设备状态或与网络140的性能或使用相关联的任何其他数据的数据。数据可以被存储在数据湖112中以供云ai引擎105访问，或者被存储在任何其他合适的位置。41.在框220中，模型评估引擎110监视模型的收敛。模型评估引擎110是云ai引擎105的模块、功能或其他特征。用于特定网络140的模型通过云ai引擎105基于接收到的数据和可选地来自其他客户的数据而生成。可以通过机器学习或用于创建模型的任何其他类型的训练过程来创建模型。云ai引擎105使用接收到的数据作为机器学习过程的输入来创建模型。42.在该配置阶段期间，问题将在云ai引擎105中生成并被发送到本地云代理120，这将使它们对客户可用。网络140的所生成的模型监视网络140、预测趋势、检测模式或执行任何其他服务以保持网络140可操作和高效。43.模型向网络140的用户提供数据，例如关于网络140的行为和网络140的问题的见解。网络140的模型识别问题，例如断开的连接、快速变化的连接、断电、不活跃的网络计算设备130或任何其他可识别的问题。该模型可以生成对网络140行为的见解，例如低效的连接或路由、关于即将到来的加载问题的预测、数据使用的趋势、或将允许用户或网络控制器调整设置或编程以使网络140更稳定或更高效的任何其他见解。44.在框230中，模型评估引擎110确定模型已经收敛。当模型所生成的问题和见解准确地表示网络140的性能时，模型已经收敛。收敛确保所生成的问题和见解的质量满足预期的质量判断标准。当输出被确定为准确地表示网络140的状态时，该模型被确定为已经收敛。例如，当识别出稍后被验证为实际问题的问题并且识别出准确预测网络140的行为的见解时，输出是准确的。45.在一个实施例中，收敛由云ai引擎105的人类操作员识别。操作员可以审查问题和见解以确定模型是否准确地对网络140建模并提供有用的数据。在另一个示例中，客户反馈被评估以确定何时实现了收敛。例如，客户反馈监视组件或模块可以被用来验证模型收敛。这样的组件可以询问客户或用户以请求关于云所生成的问题的反馈。该查询可以被中继到本地云代理120，并被显示在本地用户界面上，用户将在该界面上对问题进行评分。该反馈可以被传送到云ai引擎105并被用来做出关于模型收敛的决定。在另一示例中，模型评估引擎110使用客观判断标准来验证模型收敛。例如，客观判断标准可以包括每小时检测到的问题数量、见解的准确性、遗漏问题的数量、或任何其他客观判断标准。46.模型评估引擎110可以组合三个提到的判断标准的输出(循环中的人类、客观判断标准和用户反馈)来评估模型收敛。例如，可以为每个判断标准指定不同的阈值，例如来自用户的积极反馈的最小百分比。在另一个实施例中，强化学习可以被用于将用户和人类专家反馈整合到模型中。在示例中，问题和见解的质量必须达到阈值才能被确定为已收敛。阈值可以是输出准确度的函数。例如，如果模型所生成的问题未被确定为实际问题，则该输出的质量被确定为低。但是，如果用户投诉与模型所生成的问题相匹配，表明该问题是实际问题，则输出的质量被确定为高。在另一个示例中，阈值可以是输出有效性的函数。例如，如果见解指示网络140的设备很可能遭受即将发生故障的趋势，并且故障确实发生，则输出被确定为具有高质量。47.在框240中，模型评估引擎110将模型推送到本地云代理120。模型评估引擎110确定模型正在生成适当数量的问题和见解并且问题和见解具有适当的质量。模型评估引擎110因此确定该模型可以由本地云代理120操作，而云ai引擎105的监督较少。模型评估引擎110通过任何合适的技术将模型传送到本地云代理120，例如通过网络99的互联网连接、通过电子邮件、通过蜂窝连接或任何其他合适的通信技术。48.在框250中，本地云代理120执行模型。在此参考图3的方法250更详细地描述框250。49.图3是描绘根据某些示例的用于本地云代理120执行模型的方法250的流程框图。50.在框310中，本地模型更新代理125确定本地云代理120能够进行操作以生成问题和见解。模型更新代理125将本地云代理120配置为利用接收到的数据来使用新接收到的模型。模型更新代理125验证本地云代理120准备好生成问题和见解，例如通过确保模型的所有数据输入窗口已被填充。模型更新代理125附加地禁用到云的现有数据导出。在示例中，模型更新代理125暂停到云的数据导出。本地云代理120将操作模型，因此可以暂停数据到云ai引擎105的常规通信。51.在框320中，本地云代理120从网络设备130和其他源接收原始数据。接收到的数据由用户、设备、应用、网络服务数据提供者或其他方提供给本地云代理120。数据可以包括网络140的问题、用户报告的问题、断开的网络连接、快速改变的连接或其他网络问题。数据可以进一步包括正常数据，例如路由数据、用户设备的数量、设备状态、或与网络140的性能或使用相关联的任何其他数据。数据可以被存储在与本地云代理120相关联的任何其他合适的位置。52.在框330中，本地云代理120基于模型生成问题和见解。该模型能够向网络140的用户提供有价值的数据，例如关于网络行为和网络140的问题的见解。网络140的模型识别出问题，例如断开的连接、快速变化的连接、断电、不活跃的网络计算设备130、或任何其他可识别的问题。该模型可以生成对网络140行为的见解，例如低效的连接或路由、关于即将发生的负载问题的预测、数据使用趋势、或将允许用户或网络控制器调整设置或编程以使网络140更稳定或更高效的任何其他见解。53.在框340中，本地云代理120将任何生成的问题和见解导出到云ai引擎105并且还导出到用户设备或用户界面以向用户报告。向云ai引擎105的通信允许记录和分析所生成的问题和见解，以确保本地云代理120的性能适当地运行。本地云代理120通过任何合适的技术将所生成的问题和见解传送给云ai引擎105，例如通过网络99的互联网连接、通过电子邮件、通过蜂窝连接或任何其他合适的通信技术。云ai引擎105评估所传送的问题和见解，如本文框260中所述。54.在框350中，本地云代理120将收集的原始数据定期传送到云ai引擎105。可以基于设定的时间表或应操作员的请求定期传送数据。在示例中，可以仅在周末传送数据。在另一个示例中，每100个数据条目中只有一个被传送到云ai引擎105。在另一个示例中，数据仅从某些网络计算设备130传送，例如仅来自用户移动设备的数据而不是来自其他类型的设备的数据。以这种方式，云ai引擎105能够监视在本地云代理120上运行的模型的健康状况，而无需使用过多的带宽或通信容量。55.在替代示例中，数据从网络计算设备130或其他设备直接传送到云ai引擎105，而不是从本地云代理120本身传送。可以采用通过云ai引擎105获得数据的任何合适方式。在另一个示例中，数据直接传送到数据湖112。56.从框350，方法250返回到图2的框260。57.在框260，云ai引擎105的模型性能监视引擎111评估来自本地云代理120的数据以确定模型所生成的问题和见解的质量。云ai引擎105的模型性能监视引擎111连续或定期监视由本地云代理120操作的模型的行为。模型性能监视引擎111直接从本地云代理120传送的数据中获得数据。在替代实施例中，模型性能监视引擎111从数据湖112获得数据。58.在一个示例中，模型性能监视引擎111获得并评估接收到的问题和见解。问题和见解允许云ai引擎105监视数据以寻找异常或趋势。例如，如果本地云代理120识别不合理或不太可能是实际问题的问题，则模型性能监视引擎111可以确定本地云代理120没有正确评估数据。59.在另一个示例中，模型性能监视引擎111使用云ai引擎105从本地云代理120或从网络计算设备130接收到的数据来在云ai引擎105处计算经更新的模型。可以将在云ai引擎105处从经更新模型所生成的问题和见解与在本地云代理120处生成的输出进行比较。基于该比较，模型性能监视引擎111确定两个模型是否已经收敛，本地云代理120处的经更新模型是否由于任何其他原因产生不同的结果，或者这些输出是否不匹配。模型性能监视引擎111使用数据湖中的数据来定期验证本地云代理120的操作，以确保本地云代理120操作的模型的质量不会随着时间的推移而下降。模型性能监视引擎111可以以任何合适的方式使用从本地云代理120接收的数据来确定本地云代理120处的模型是否适当地执行任务并产生适当质量的问题和见解。60.在框270，方法200确定本地生成的问题和见解是否具有超过配置阈值的质量。阈值可以由云ai引擎105的操作员或任何其他合适的系统来配置。阈值也可以由本地云代理120或网络140的运营商或任何其他运营商来配置。阈值还可以由本地云代理120、云ai引擎105或任何其他系统上的机器学习算法或过程来配置。阈值可以根据网络140或任何其他系统的使用而波动。可以定期或连续计算或配置阈值。任何其他合适的方、算法、系统或过程都可以配置适当的阈值。61.阈值可以是输出的准确度的函数。例如，如果模型所生成的问题未被确定为实际问题，则该输出的质量被确定为低。但是，如果用户投诉与模型所生成的问题相匹配，表明该问题是实际问题，则输出的质量被确定为高。在另一个示例中，阈值是输出的有效性的函数。例如，如果见解指示网络140的设备很可能遭受即将发生故障的趋势，并且故障确实发生，则输出被确定为具有高质量。62.如果问题质量下降到低于配置的阈值，则云模型性能监视引擎111将遵循是分支返回到框210以重新创建模型。如果模型性能监视引擎111确定需要重新校准，则模型性能监视引擎111禁用本地云代理120的问题和见解生成，并启用由本地云代理120到云ai引擎105的数据导出。在模型的重新配置被执行时，云ai引擎105与网络140一起工作以向用户、网络计算设备130或任何其他感兴趣方提供问题和见解。也就是说，云ai引擎105接管对网络140的监视，同时为本地云代理120校准新模型。63.使用与框210至230中描述的相同过程重新计算模型。云ai引擎105的模型评估引擎110监视模型和模型的输出以识别出特定模型的收敛。在另一个示例中，现有模型被更新。也就是说，新模型不是仅使用新数据创建的。而是，现有模型会使用新数据进行更新，并且经更新的模型会被校准或配置。64.在模型评估引擎已确定模型已如本文所述收敛之后，云ai引擎105将模型传送到本地ai引擎120。本地ai引擎120执行接收到的模型，如在框250描述的。65.返回框270，如果质量高于阈值，则方法200遵循框270的否分支返回框250。本地ai引擎120继续操作模型并且模型性能监视引擎111继续评估来自本地云代理120的数据以确定模型所生成的问题和见解的质量。当本地ai引擎120正常运行并且模型所生成的问题和见解具有足够的质量时，该过程继续不间断。66.示例系统67.图4描绘了根据某些示例的计算机器2000和模块2050。计算机器2000可以对应于本文所呈现的各种计算机、服务器、移动设备、嵌入式系统或计算系统中的任何一个。模块2050可以包括一个或多个硬件或软件元件，该硬件或软件元件被配置为便于计算机器2000执行本文提出的各种方法和处理功能。计算机器2000可以包括各种内部或附加组件，例如，处理器2010、系统总线2020、系统存储器2030、存储介质2040、输入/输出接口2060和用于与网络2080通信的网络接口2070。68.计算机器2000可以被实现为传统的计算机系统、嵌入式控制器、膝上型计算机、服务器、移动设备、智能手机、机顶盒、信息亭、车辆信息系统、与电视相关联的一个或多个处理器、定制机器、任何其他硬件平台或其任何组合或多样性。计算机器2000可以是分布式系统，被配置为使用通过数据网络或总线系统互连的多个计算机器来运行。69.处理器2010可以被配置为执行代码或指令以执行本文所述的操作和功能，管理请求流和地址映射，以及执行计算和生成命令。处理器2010可以被配置为监视和控制计算机器2000中的组件的操作。处理器2010可以是通用处理器、处理器核、多处理器、可重构处理器、微控制器、数字信号处理器(dsp)、专用集成电路(asic)、图形处理单元(gpu)、现场可编程门阵列(fpga)、可编程逻辑器件(pld)、控制器、状态机、门控逻辑、分立硬件组件、任何其他处理单元、或其任何组合或多样性。处理器2010可以是单个处理单元、多个处理单元、单个处理核、多个处理核、专用处理核、协处理器或它们的任何组合。根据某些示例，处理器2010连同计算机器2000的其他组件可以是在一个或多个其他计算机器内执行的虚拟化计算机器。70.系统存储器2030可以包括非易失性存储器，例如只读存储器(rom)、可编程只读存储器(prom)、可擦除可编程只读存储器(eprom)、闪存或任何其他能够在有或没有施加电源的情况下存储程序指令或数据的设备。系统存储器2030还可以包括易失性存储器，例如随机存取存储器(ram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)和同步动态随机存取存储器(sdram)。也可以使用其他类型的ram来实现系统存储器2030。系统存储器2030可以使用单个存储器模块或多个存储器模块来实现。尽管系统存储器2030被描述为计算机器2000的一部分，但是本领域技术人员将认识到系统存储器2030可以与计算机器2000分离而不脱离本主题技术的范围。还应当理解，系统存储器2030可以包括非易失性存储设备，例如存储介质2040，或与其结合操作。71.存储介质2040可以包括硬盘、软盘、光盘只读存储器(cd-rom)、数字通用盘(dvd)、蓝光光盘、磁带、闪存、其他非易失性存储设备、固态驱动器(ssd)、任何磁存储设备、任何光存储设备、任何电存储设备、任何半导体存储设备、任何基于物理的存储设备、任何其他数据存储设备，或其任何组合或多样性。存储介质2040可以存储一个或多个操作系统、应用程序和程序模块，例如模块2050、数据或任何其他信息。存储介质2040可以是计算机器2000的一部分或连接到计算机器2000。存储介质2040还可以是与计算机器2000通信的一个或多个其他计算机器的一部分，例如服务器、数据库服务器、云存储、网络附加存储等。72.模块2050可以包括一个或多个硬件或软件元件，其被配置为便于计算机器2000执行本文呈现的各种方法和处理功能。模块2050可以包括存储为与系统存储器2030、存储介质2040或两者相关联的软件或固件的一个或多个指令序列。存储介质2040因此可以代表机器或计算机可读介质的示例，指令或代码可以存储在其上以供处理器2010执行。机器或计算机可读介质通常可以指代用于向处理器2010提供指令的任何介质。与模块2050相关联的这种机器或计算机可读介质可以包括计算机软件产品。应当理解，包括模块2050的计算机软件产品还可以与用于将模块2050经由网络2080、任何信号承载介质或任何其他通信或传递技术传递到计算机器2000的一个或多个过程或方法相关联。模块2050还可以包括硬件电路或用于配置硬件电路的信息，例如，用于fpga或其他pld的微码或配置信息。73.输入/输出(i/o)接口2060可以被配置为耦合到一个或多个外部设备，以从一个或多个外部设备接收数据，以及向一个或多个外部设备发送数据。这种外部设备连同各种内部设备也可以称为外围设备。i/o接口2060可以包括用于将各种外围设备可操作地耦合到计算机器2000或处理器2010的电和物理连接。i/o接口2060可以被配置为在外围设备、计算机器2000或处理器2010之间传送数据、地址和控制信号。i/o接口2060可配置为实现任何标准接口，例如小型计算机系统接口(scsi)、串行连接scsi(sas)、光纤通道、外围组件互连(pci)、pci express(pcie)、串行总线、并行总线、高级技术附加(ata)、串行ata(sata)、通用串行总线(usb)、thunderbolt、firewire、各种视频总线等。i/o接口2060可以被配置为仅实现一种接口或总线技术。替代地，i/o接口2060可以被配置为实现多个接口或总线技术。i/o接口2060可被配置为系统总线2020的一部分、全部或与系统总线2020结合操作。i/o接口2060可包括一个或多个缓冲器，用于缓冲一个或多个外部设备、内部设备、计算机器2000或处理器2010之间的传输。74.i/o接口2060可以将计算机器2000耦合到各种输入设备，包括鼠标、触摸屏、扫描仪、电子数字化仪、传感器、接收器、触摸板、轨迹球、相机、麦克风、键盘、任何其他指示设备、或其任何组合。i/o接口2060可以将计算机器2000耦合到各种输出设备，包括视频显示器、扬声器、打印机、投影仪、触觉反馈设备、自动化控制、机器人组件、致动器、电机、风扇、螺线管、阀门、泵、发射器、信号发射器、灯等。75.计算机器2000可以使用通过网络接口2070到网络2080上的一个或多个其他系统或计算机器的逻辑连接在网络环境中操作。网络2080可以包括广域网(wan)、局域网(lan)、内联网、互联网、无线接入网络、有线网络、移动网络、电话网络、光网络或它们的组合。网络2080可以是任何拓扑的分组交换、电路交换，并且可以使用任何通信协议。网络2080内的通信链路可以涉及各种数字或模拟通信介质，例如光纤电缆、自由空间光学器件、波导、电导体、无线链路、天线、射频通信等等。76.处理器2010可以通过系统总线2020连接到计算机器2000的其他元件或本文讨论的各种外围设备。应当理解，系统总线2020可以在处理器2010内，在处理器2010之外，或两者。根据某些示例，处理器2010、计算机器2000的其他元件或本文讨论的各种外围设备中的任何一个都可以集成到单个设备中，例如片上系统(soc)、封装上的系统(sop)或asic设备。77.总之，本技术允许用于使用人工智能引擎执行问题生成的混合方法，其中利用本地组件和云组件二者。在该技术中，基于云的计算设备接收与设备的计算网络相关联的数据，并使用机器学习来创建计算网络的模型。基于云的计算设备将模型传送到位于计算网络的本地的计算系统，并接收与本地计算系统创建的问题和见解相关的数据。基于云的计算设备确定本地计算系统是否产生低于阈值质量的问题和见解。如果是，则基于云的计算设备基于与计算网络相关联的经更新数据来更新模型，并将经更新的模型传送到本地计算系统。78.示例可以包括体现在此描述和说明的功能的计算机程序，其中计算机程序在计算机系统中实现，该计算机系统包括存储在机器可读介质中的指令和执行指令的处理器。然而，显然在计算机编程中可以有许多不同的方式来实现示例，并且示例不应被解释为限于任何一组计算机程序指令。此外，熟练的程序员将能够编写这样的计算机程序以基于所附流程图和申请文本中的相关描述来实现所公开示例的示例。因此，为了充分理解如何制作和使用示例，认为不需要公开一组特定的程序代码指令。此外，本领域技术人员将理解，本文描述的示例的一个或多个方面可以由硬件、软件或其组合来执行，如可以体现在一个或多个计算系统中。此外，对由计算机执行的动作的任何引用不应被解释为由单个计算机执行，因为不止一台计算机可以执行该动作。79.本文描述的示例可以与执行先前描述的方法和处理功能的计算机硬件和软件一起使用。本文描述的系统、方法和过程可以体现在可编程计算机、计算机可执行软件或数字电路中。该软件可以存储在计算机可读介质上。例如，计算机可读介质可以包括软盘、ram、rom、硬盘、可移除介质、闪存、记忆棒、光学介质、磁光介质、cd-rom等。数字电路可以包括集成电路、门阵列、构建块逻辑、现场可编程门阵列(fpga)等。80.在先前呈现的示例中描述的示例系统、方法和动作是说明性的，并且在替代示例中，某些动作可以以不同的顺序、彼此并行、完全省略和/或在不同示例之间组合执行，和/或可以执行某些附加动作，而不背离各种示例的范围和精神。示例方法在本文中由示例组件和设备执行。在替代示例中可以使用其他组件和设备。因此，这样的替代示例被包括在所附权利要求的范围内，这些权利要求被给予最广泛的解释以涵盖这样的替代示例。81.尽管上面已经详细描述了具体示例，但是该描述仅仅是为了说明的目的。因此，应该理解的是，除非另有明确说明，否则上述许多方面并非旨在作为必需的或必要的元素。82.除了上述那些之外，本领域普通技术人员在受益于本公开的情况下，可以对本技术的公开方面进行修改和作出对应于本技术的公开方面的等效组件或动作，而无需背离所附权利要求中定义的技术的精神和范围，这些权利要求的范围应被给予最广泛的解释，以涵盖这样的修改和等效结构。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!