基于人工智能的业务请求处理方法、装置、设备及介质与流程

本技术涉及人工智能开发与金融科技领域，尤其涉及基于人工智能的业务请求处理方法、装置、计算机设备及存储介质。

背景技术：

1、在海洋养殖保险领域，保险公司面临着前所未有的挑战与复杂性，这主要源于水产养殖业的独特性质。我国作为水产养殖大国，养殖品类繁多，从传统的近海养殖到新兴的深远海智慧渔业养殖，生产方式日益复杂且多样化。然而，这一行业极易受到自然灾害(如台风、海啸)、疾病疫病以及人为操作失误等多重因素的影响，导致养殖风险显著增加。因此，保险公司在设计和实施海洋养殖保单时，必须精准评估并有效覆盖这些复杂多变的风险。

2、随着科技的进步，深远海智慧渔业养殖系统应运而生，该系统集成了互联网、物联网、人工智能、大数据、云计算与边缘计算等前沿技术，实现了对养殖环境的实时监测、数据分析与智能决策，极大地提升了养殖效率和风险管理水平。然而，在深远海智慧渔业养殖系统的实际应用过程中，由于海洋养殖环境的复杂性和多变性，往往需要多个智能模型协同工作，以实现对不同风险因素的全面监测与预测。如果多个智能模型需要频繁地在内存中加载和卸载，则会增加了系统的响应时间，导致业务处理效率低下。另外，受限于边缘设备的物理限制，为了应对计算资源不足的问题，可能需要购买更多的边缘处理器，进而增加了业务处理成本，降低了系统的经济可行性。

技术实现思路

1、本技术实施例的目的在于提出一种基于人工智能的业务请求处理方法、装置、计算机设备及存储介质，以解决现有的深远海智慧渔业养殖系统在实际应用过程中，往往需要多个智能模型频繁地在内存中加载和卸载导致业务处理效率低下，以及受限于边缘设备的物理限制导致增加了业务处理成本的技术问题。

2、为了解决上述技术问题，本技术实施例提供一种基于人工智能的业务请求处理方法，采用了如下所述的技术方案：

3、若接收到用户触发的业务请求，获取所述用户的行为数据；

4、基于训练好的预测模型对所述行为数据进行预测处理，得到对应的预测需求结果；

5、从预存储的所有模型中筛选出与所述预测需求结果对应的目标模型，并在预设的在线模型库中对所述目标模型进行预加载；

6、基于预设的优先级策略生成与所述业务请求对应的目标优先级，并基于所述目标优先级将所述业务请求插入至预设的优先级队列内；

7、当到达所述业务请求的处理时间时，从所述优先级队列中提取出所述业务请求；

8、确定与所述业务请求对应的相关模型，并判断所述相关模型是否存在于所述在线模型库内；

9、若是，基于所述在线模型库内的所述相关模型对所述业务请求进行推理处理，得到对应的第一推理结果；

10、将所述第一推理结果返回给所述用户。

11、进一步的，所述在预设的在线模型库中对所述目标模型进行预加载的步骤，具体包括：

12、获取与所述目标模型对应的目标增量加载策略；

13、基于所述目标增量加载策略确定出与所述目标模型对应的指定模型部分；

14、调用所述在线模型库；

15、将所述指定模型部分加载至所述在线模型库内。

16、进一步的，所述基于预设的优先级策略生成与所述业务请求对应的目标优先级的步骤，具体包括：

17、从所述业务请求中获取请求时间；

18、基于所述请求时间计算对应的等待时间；

19、判断所述等待时间是否大于预设的时间阈值；

20、若所述等待时间大于所述时间阈值，则将所述业务请求的目标优先级设为第一优先级；

21、若所述等待时间小于所述时间阈值，则判断在所述在线模型库中是否包含与所述业务请求对应的所有相关模型；

22、若包含与所述业务请求对应的所有相关模型，则将所述业务请求的目标优先级设为第二优先级，否则将所述业务请求的目标优先级设为第三优先级。

23、进一步的，所述将所述第一推理结果返回给所述用户的步骤，具体包括：

24、获取预设的目标响应格式；

25、基于所述目标响应格式对所述第一推理结果进行转换处理，得到对应的目标推理结果；

26、确定目标展示方式；

27、基于所述目标展示方式，将所述目标推理结果返回给所述用户。

28、进一步的，在所述确定与所述业务请求对应的相关模型，并判断所述相关模型是否存在于所述在线模型库内的步骤之后，还包括：

29、若所述相关模型未存在于所述在线模型库内，则从预设的离线模型库中将所述相关模型加载至所述在线模型库内；

30、基于所述在线模型库内的所述相关模型对所述业务请求进行推理处理，得到对应的第二推理结果；

31、将所述第二推理结果返回给所述用户。

32、进一步的，所述基于人工智能的业务请求处理方法，还包括：

33、判断所述在线模型库是否达到预设的容量阈值；

34、若是，调用预设的模型访问计数表；

35、基于最少使用算法对所述模型访问计数表进行处理，以从所述在线模型库中筛选出模型访问次数最少的第一模型；

36、在所述在线模型库中对所述第一模型进行释放处理。

37、进一步的，所述基于人工智能的业务请求处理方法，还包括：

38、获取所述在线模型库中包含的所有第二模型的模型访问计数的上次更新时间；

39、判断所有所述上次更新时间中是否存在大于预设的更新时间阈值的指定上次更新时间；

40、若是，从所有所述第二模型中筛选出与所述指定上次更新时间对应的第三模型；

41、将所述第三模型从所述在线模型库转移至预设的离线模型库。

42、为了解决上述技术问题，本技术实施例还提供一种基于人工智能的业务请求处理装置，采用了如下所述的技术方案：

43、第一获取模块，用于若接收到用户触发的业务请求，获取所述用户的行为数据；

44、预测模块，用于基于训练好的预测模型对所述行为数据进行预测处理，得到对应的预测需求结果；

45、加载模块，用于从预存储的所有模型中筛选出与所述预测需求结果对应的目标模型，并在预设的在线模型库中对所述目标模型进行预加载；

46、生成模块，用于基于预设的优先级策略生成与所述业务请求对应的目标优先级，并基于所述目标优先级将所述业务请求插入至预设的优先级队列内；

47、提取模块，用于当到达所述业务请求的处理时间时，从所述优先级队列中提取出所述业务请求；

48、第一判断模块，用于确定与所述业务请求对应的相关模型，并判断所述相关模型是否存在于所述在线模型库内；

49、第一处理模块，用于若是，基于所述在线模型库内的所述相关模型对所述业务请求进行推理处理，得到对应的第一推理结果；

50、第一返回模块，用于将所述第一推理结果返回给所述用户。

51、为了解决上述技术问题，本技术实施例还提供一种计算机设备，采用了如下所述的技术方案：

52、若接收到用户触发的业务请求，获取所述用户的行为数据；

53、基于训练好的预测模型对所述行为数据进行预测处理，得到对应的预测需求结果；

54、从预存储的所有模型中筛选出与所述预测需求结果对应的目标模型，并在预设的在线模型库中对所述目标模型进行预加载；

55、基于预设的优先级策略生成与所述业务请求对应的目标优先级，并基于所述目标优先级将所述业务请求插入至预设的优先级队列内；

56、当到达所述业务请求的处理时间时，从所述优先级队列中提取出所述业务请求；

57、确定与所述业务请求对应的相关模型，并判断所述相关模型是否存在于所述在线模型库内；

58、若是，基于所述在线模型库内的所述相关模型对所述业务请求进行推理处理，得到对应的第一推理结果；

59、将所述第一推理结果返回给所述用户。

60、为了解决上述技术问题，本技术实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

61、若接收到用户触发的业务请求，获取所述用户的行为数据；

62、基于训练好的预测模型对所述行为数据进行预测处理，得到对应的预测需求结果；

63、从预存储的所有模型中筛选出与所述预测需求结果对应的目标模型，并在预设的在线模型库中对所述目标模型进行预加载；

64、基于预设的优先级策略生成与所述业务请求对应的目标优先级，并基于所述目标优先级将所述业务请求插入至预设的优先级队列内；

65、当到达所述业务请求的处理时间时，从所述优先级队列中提取出所述业务请求；

66、确定与所述业务请求对应的相关模型，并判断所述相关模型是否存在于所述在线模型库内；

67、若是，基于所述在线模型库内的所述相关模型对所述业务请求进行推理处理，得到对应的第一推理结果；

68、将所述第一推理结果返回给所述用户。

69、与现有技术相比，本技术实施例主要有以下有益效果：

70、本技术若接收到用户触发的业务请求，获取所述用户的行为数据；然后基于训练好的预测模型对所述行为数据进行预测处理，得到对应的预测需求结果；之后从预存储的所有模型中筛选出与所述预测需求结果对应的目标模型，并在预设的在线模型库中对所述目标模型进行预加载；后续基于预设的优先级策略生成与所述业务请求对应的目标优先级，并基于所述目标优先级将所述业务请求插入至预设的优先级队列内；当到达所述业务请求的处理时间时，从所述优先级队列中提取出所述业务请求；进一步确定与所述业务请求对应的相关模型，并判断所述相关模型是否存在于所述在线模型库内；若是，基于所述在线模型库内的所述相关模型对所述业务请求进行推理处理，得到对应的第一推理结果；最后将所述第一推理结果返回给所述用户。本技术接收到用户触发的业务请求，通过使用预测模型对获取的用户的行为数据进行预测处理得到的预测需求结果，然后从预存储的所有模型中筛选出与预测需求结果对应的目标模型并加载至在线模型库中，使得后续对业务请求进行处理时，会智能地确定与所述业务请求对应的相关模型，如果检测出所述相关模型存在于所述在线模型库内，则会自动智能地基于所述在线模型库内的所述相关模型对所述业务请求进行推理处理得到对应的第一推理结果，并将所述第一推理结果返回给所述用户，如此基于预测模型与在线模型库的使用实现了一种高效利用边缘计算资源，节省计算设备的费用的处理方案，实现了对于所有模型的智能化的调度处理，进而在有限的计算资源上筛选出与用户触发的业务请求相匹配的相关模型，并能够实现基于相关模型的协同运行以完成对于业务请求的推理处理，有效地提高了业务请求的处理效率，降低了业务请求的处理成本。