模型更新方法、装置、电子设备与可读存储介质与流程

摘要: 本公开涉及计算机,尤其涉及大模型、自然语言处理、深度学习、云服务等人工智能。提供了一种模型更新方法、装置、电子设备与可读存储介质。背景技术:1、随着线上数据、业...
模型更新方法、装置、电子设备与可读存储介质与流程

本公开涉及计算机,尤其涉及大模型、自然语言处理、深度学习、云服务等人工智能。提供了一种模型更新方法、装置、电子设备与可读存储介质。

背景技术:

1、随着线上数据、业务目标与错误分布的持续变化,模型需要持续引入高价值样本、修正数据噪声、分析错误模式以进行更新优化。

2、现有技术在进行模型的更新优化时,存在评估目标天花板未知、不同业务子目标之间容易相互牵制、候选样本存在噪声等问题,因此如何在无人或者少人的干预条件下准确地对模型进行持续更新优化,成为目前亟待解决的技术问题。

技术实现思路

1、根据本公开的第一方面,提供了一种模型更新方法,包括:根据对应目标模型的历史训练状态数据构建上下文,将所述上下文输入大模型,生成对应本次训练的候选策略;使用预设约束规则对所述候选策略进行约束处理,得到对应本次训练的可执行策略;根据所述可执行策略从候选样本池中选取目标样本,并根据所述目标样本构建对应本次训练的目标训练集;使用所述目标训练集与所述可执行策略对所述目标模型进行训练,根据训练过程中保存的候选检查点、以及预设的多维评估指标,确定目标检查点与目标均衡分数;响应于所述目标均衡分数满足预设更新要求,使用所述目标检查点对应的模型参数对当前最佳sota模型进行更新。

2、根据本公开的第二方面,提供了一种模型更新装置,包括:生成单元,用于根据对应目标模型的历史训练状态数据构建上下文,将所述上下文输入大模型,生成对应本次训练的候选策略;约束单元,用于使用预设约束规则对所述候选策略进行约束处理,得到对应本次训练的可执行策略;构建单元,用于根据所述可执行策略从候选样本池中选取目标样本,并根据所述目标样本构建对应本次训练的目标训练集;训练评估单元,用于使用所述目标训练集与所述可执行策略对所述目标模型进行训练,根据训练过程中保存的候选检查点、以及预设的多维评估指标,确定目标检查点与目标均衡分数;更新单元,用于响应于所述目标均衡分数满足预设更新要求,使用所述目标检查点对应的模型参数对当前最佳sota模型进行更新。

3、根据本公开的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。

4、根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。

5、根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。

6、应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

1.一种模型更新方法,包括:

2.根据权利要求1所述的方法,其中,所述根据所述可执行策略从候选样本池中选取目标样本包括:

3.根据权利要求2所述的方法,其中,获取对应所述初始样本的缓存键包括:

4.根据权利要求2所述的方法,还包括,

5.根据权利要求1所述的方法,其中,所述根据所述目标样本构建对应本次训练的目标训练集包括:

6.根据权利要求1所述的方法,其中,所述根据训练过程中保存的候选检查点、以及预设的多维评估指标,确定目标检查点与目标均衡分数包括:

7.根据权利要求1所述的方法,其中,确定所述目标均衡分数是否满足预设更新要求包括:

8.根据权利要求7所述的方法,其中,所述响应于所述目标均衡分数大于等于所述相加结果,确定所述目标均衡分数满足预设更新要求包括:

9.一种模型更新装置,包括:

10.一种电子设备,包括:

11.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。

12.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。