模型热更新方法、装置、设备及计算机可读存储介质与流程

本技术涉及计算机，尤其涉及一种模型热更新方法、装置、设备及计算机可读存储介质。

背景技术：

1、近年来，深度学习的快速发展为人们带来更多的便利，人工智能逐渐贴近人们的生活，基于深度学习的落地应用也越发地广泛。

2、在这些深度学习应用中，深度学习模型作为数据交互的核心文件在不断增加的标记过的数据加持下持续更新，新加入的训练样本使模型具备更高的检测能力，训练后的模型可处理更多的实际问题。因此，不停机状态下的模型更新技术（即模型热更新技术）成为当前深度学习应用中重要的研究对象。

3、但是现有模型热更新技术中新模型上线时间通常以人工指定或者定时方式确定，较少考虑待更新模型在未更新时间内模型预测准确率的变化，导致待更新模型在未更新时间内的预测准确率难以保障。

技术实现思路

1、本技术的主要目的在于提供一种模型热更新方法，旨在解决现有模型热更新方法难以保障待更新模型在未更新时间内的预测准确率的技术问题。

2、为实现上述目的，第一方面，本技术提供一种模型热更新方法，应用于模型热更新设备，所述模型热更新方法包括：

3、获取目标算法预测服务中各算法模型针对当前业务数据的预测准确率；

4、将所述预测准确率低于预设准确率阈值的算法模型作为待更新模型，从所述当前业务数据中抽选出误判业务数据，基于所述误判业务数据训练得到迭代模型；

5、基于所述迭代模型对所述目标算法预测服务中的待更新模型进行热更新，并执行步骤：获取目标算法预测服务中各算法模型针对当前业务数据的预测准确率。

6、根据第一方面，将所述误判业务数据进行标注，获得误判数据集；

7、获取所述待更新模型的原始数据集和依赖算法框架，并将所述原始数据集和所述误判数据集整合为新数据集，并将所述新数据集发送至所述依赖算法框架对应的训练容器中；

8、在所述训练容器中将所述新数据集划分为训练集、交叉验证集和测试集，并根据所述训练集、所述测试集和所述交叉验证集，构建对应的迭代模型。

9、根据第一方面，或者以上第一方面的任意一种实现方式，所述基于所述迭代模型对所述目标算法预测服务中的待更新模型进行热更新的步骤，包括：

10、获取所述迭代模型的第一标识信息，其中所述第一标识信息至少包括迭代模型的第一模型名称与对应的第一算法框架；

11、根据所述第一算法框架，将所述迭代模型上传至所述目标算法预测服务对应的算法框架容器中，并根据所述第一模型名称对所述目标算法预测服务中的待更新模型进行热更新。

12、根据第一方面，或者以上第一方面的任意一种实现方式，所述根据所述第一模型名称对所述目标算法预测服务中的待更新模型进行热更新的步骤，包括：

13、遍历所述目标算法预测服务中第一算法框架对应的算法框架容器中的待更新模型，得到与所述第一模型名称匹配的目标算法模型；

14、将所述目标算法模型替换为所述迭代模型。

15、根据第一方面，或者以上第一方面的任意一种实现方式，在所述获取目标算法预测服务中各算法模型针对当前业务数据的预测准确率的步骤之前，包括：

16、加载所述目标算法预测服务中所述当前业务数据对应的算法模型；

17、将所述当前业务数据输入所述算法模型，得到所述算法模型的预测结果；

18、获取所述当前业务数据的真实结果，并将所述预测结果与所述真实结果进行比对，获得各算法模型针对当前业务数据的预测准确率。

19、根据第一方面，或者以上第一方面的任意一种实现方式，所述模型热更新方法还包括：

20、获取新增模型的第二标识信息；

21、根据所述第二标识信息中的第二算法框架，将所述新增模型上传至所述目标算法预测服务对应的算法框架容器中；

22、基于所述第二标识信息对所述目标算法预测服务的配置文件进行热更新，并加载所述新增模型。

23、根据第一方面，或者以上第一方面的任意一种实现方式，所述基于所述第二标识信息对所述目标算法预测服务的配置文件进行热更新的步骤，包括：

24、从所述第二标识信息中提取所述新增模型的第二模型名称、模型路径和模型版本号；

25、将所述第二模型名称、所述模型路径和所述模型版本号添加至所述配置文件中，并将所述第二模型名称与所述新增模型进行绑定。

26、第二方面，本技术提供一种模型热更新装置，应用于模型热更新设备，所述模型热更新装置包括：

27、获取模块，用于获取目标算法预测服务中各算法模型针对当前业务数据的预测准确率；

28、训练模块，用于将所述预测准确率低于预设准确率阈值的算法模型作为待更新模型，从所述当前业务数据中抽选出误判业务数据，基于所述误判业务数据训练得到迭代模型；

29、更新模块，用于基于所述迭代模型对所述目标算法预测服务中的待更新模型进行热更新，并执行步骤：获取目标算法预测服务中各算法模型针对当前业务数据的预测准确率。

30、根据第二方面，训练模块，还用于：

31、将所述误判业务数据进行标注，获得误判数据集；

32、获取所述待更新模型的原始数据集和依赖算法框架，并将所述原始数据集和所述误判数据集整合为新数据集，并将所述新数据集发送至所述依赖算法框架对应的训练容器中；

33、在所述训练容器中将所述新数据集划分为训练集、交叉验证集和测试集，并根据所述训练集、所述测试集和所述交叉验证集，构建对应的迭代模型。

34、根据第二方面，或者以上第二方面的任意一种实现方式，更新模块，还用于：

35、获取所述迭代模型的第一标识信息，其中所述第一标识信息至少包括迭代模型的第一模型名称与对应的第一算法框架；

36、根据所述第一算法框架，将所述迭代模型上传至所述目标算法预测服务对应的算法框架容器中，并根据所述第一模型名称对所述目标算法预测服务中的待更新模型进行热更新。

37、根据第二方面，或者以上第二方面的任意一种实现方式，更新模块，还用于：

38、遍历所述目标算法预测服务中第一算法框架对应的算法框架容器中的待更新模型，得到与所述第一模型名称匹配的目标算法模型；

39、将所述目标算法模型替换为所述迭代模型。

40、根据第二方面，或者以上第二方面的任意一种实现方式，所述模型热更新装置还包括准确率检测模块，用于：

41、加载所述目标算法预测服务中所述当前业务数据对应的算法模型；

42、将所述当前业务数据输入所述算法模型，得到所述算法模型的预测结果；

43、获取所述当前业务数据的真实结果，并将所述预测结果与所述真实结果进行比对，获得各算法模型针对当前业务数据的预测准确率。

44、根据第二方面，或者以上第二方面的任意一种实现方式，更新模块，还用于：

45、获取新增模型的第二标识信息；

46、根据所述第二标识信息中的第二算法框架，将所述新增模型上传至所述目标算法预测服务对应的算法框架容器中；

47、基于所述第二标识信息对所述目标算法预测服务的配置文件进行热更新，并加载所述新增模型。

48、根据第二方面，或者以上第二方面的任意一种实现方式，更新模块，还用于：

49、从所述第二标识信息中提取所述新增模型的第二模型名称、模型路径和模型版本号；

50、将所述第二模型名称、所述模型路径和所述模型版本号添加至所述配置文件中，并将所述第二模型名称与所述新增模型进行绑定。

51、第三方面，本技术提供了一种模型热更新设备，所述模型热更新设备包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上所述的模型热更新方法的步骤。

52、第四方面，本技术提供了一种计算机可读存储介质，所述计算机可读存储介质中存储了计算机程序，当所述计算机程序被处理器执行时，使得处理器执行如上述第一方面或第一方面的可能的实现方式中任一项所述的模型热更新方法。

53、第五方面，本技术实施例提供了一种计算机程序，该计算机程序包括用于执行第一方面以及第一方面的任意可能的实现方式中的模型热更新方法的指令。

54、本技术提出了一种模型热更新方法、装置、设备及计算机可读存储介质，通过获取目标算法预测服务中各算法模型针对当前业务数据的预测准确率；将所述预测准确率低于预设准确率阈值的算法模型作为待更新模型，从所述当前业务数据中抽选出误判业务数据，基于所述误判业务数据训练得到迭代模型；基于所述迭代模型对所述目标算法预测服务中的待更新模型进行热更新，并执行步骤：获取目标算法预测服务中各算法模型针对当前业务数据的预测准确率。本技术通过以模型预测准确率为导向，在模型预测结果的准确率低于预设准确率阈值后驱动模型热更新流程，完成新模型的构建并立刻上线，同时监听新模型预测状态，以确定是否需要更新模型。由此本技术有效保障了待更新模型在未更新时间内的预测准确率，并且采用误判业务数据训练得到的迭代模型相较于原算法模型对于当前业务数据的预测准确性也更高。