一种面向轨道交通场景的高可靠人工智能生成内容处理方法
本发明涉及人工智能、自然语言处理、智能问答、知识增强生成、结果一致性校验及轨道交通信息化,尤其是涉及一种面向轨道交通场景的高可靠人工智能生成内容处理方法。
背景技术:
1、随着人工智能技术尤其是大语言模型技术的快速发展,人工智能生成内容技术已逐步应用于轨道交通行业的知识问答、自然语言数据库查询、设备检修辅助、规章制度解释、故障分析建议、运营指标查询以及报表生成等场景。该类技术能够显著降低业务人员的数据获取门槛,提升信息处理效率,并为复杂业务场景下的人机协同决策提供新的技术手段。
2、然而,轨道交通行业具有典型的高安全、高可靠和高实时特征,相关业务场景对于系统输出结果的准确性、稳定性、一致性、可追溯性及响应时间均提出了严格要求。传统面向互联网或通用办公场景设计的人工智能生成系统,通常更关注生成能力和交互体验,而在高安全行业应用中普遍存在如下不足。
3、其一,生成式模型具有内在随机性,对于相同输入任务,在不同时间或不同推理轮次下可能产生表述不同甚至逻辑不同的输出结果,导致系统稳定性不足,难以满足轨道交通场景对输出一致性和决策可依赖性的要求。其二,现有系统通常将大模型推理过程作为整体黑盒处理,缺乏针对关键任务节点的中间校验和分层容错设计。一旦在长链路工作流中的单一节点发生错误,容易造成后续处理结果整体偏离目标。其三,为了提高准确性而简单叠加多轮推理、重复生成或人工复核,往往会导致整体响应时间显著增加,从而难以满足轨道交通场景中的实时业务需求。其四,现有一致性判定方法通常仅依赖文本字符串比对或一般性语义相似判断,难以适应轨道交通业务中存在的专业术语差异、表达方式差异以及结构化关键信息高度敏感等特点。其五,对于自然语言生成数据库查询语句、生成检修建议或生成处置方案等高风险任务,若仅根据文本生成结果本身进行判断,缺乏与真实执行环境、业务规则和约束条件之间的闭环验证机制,仍然难以保证输出结果在业务层面的可靠性。
技术实现思路
1、本发明的目的就是为了提供一种面向轨道交通场景的高可靠人工智能生成内容处理方法,以解决现有技术中人工智能生成系统在轨道交通高安全应用场景下存在的输出随机性较强、关键节点缺乏校验、整体鲁棒性不足、一致性判定不精确、执行结果不可验证以及响应时间难以兼顾等技术问题。
2、本发明的目的可以通过以下技术方案来实现:
3、一种面向轨道交通场景的高可靠人工智能生成内容处理方法,方法包括以下步骤:
4、接收输入任务,并将所述输入任务同时发送至两套相互独立部署的人工智能生成子系统;
5、在每套人工智能生成子系统中,根据输入任务确定至少一个关键任务模块,并在所述关键任务模块中调用两个生成模型或两个独立生成实例并行生成候选结果;
6、对所述候选结果执行关键约束提取、行业语义相似度计算和规则校验,得到综合一致性判定结果;
7、对于高风险任务,对通过一致性判定的候选结果执行环境反馈验证,若候选结果未通过一致性判定或高风险任务未通过环境反馈验证,则触发回环重试,直至非高风险任务满足预设一致性置信条件且高风险任务满足环境反馈验证,或达到最大重试次数,此时输出两套人工智能生成子系统的最终候选结果;
8、对两套子系统的最终候选结果执行顶层一致性校验,在满足顶层一致性校验时输出最终处理结果。
9、进一步地,所述关键约束包括对象标识、业务动作、时间范围、空间范围、设备类别、统计方式、过滤条件、排序条件、权限域和风险字段中的一种或多种。
10、进一步地,所述行业语义相似度基于轨道交通专业语料训练或适配的语义模型执行。
11、进一步地,所述规则校验包括字段映射规则校验、专业术语归一规则校验、时间表达标准化校验、逻辑约束校验、安全限制规则校验中的一种或多种。
12、进一步地,所述预设一致性置信条件包括连续k轮关键约束一致、综合一致性评分高于阈值以及环境反馈验证通过中的至少一项。
13、进一步地,高风险任务包括自然语言生成结构化查询语句、检修建议生成、故障处置建议生成和调度辅助建议生成中的一种或多种。
14、进一步地,回环重试包括重新生成、调整提示约束、补充检索上下文、切换模型实例、调整解码参数和采用降级输出策略中的一种或多种。
15、进一步地,人工智能生成子系统在模型实例、提示配置、知识检索路径、解码参数模板、推理服务环境或校验策略中的至少一项上具有受控差异。
16、进一步地,对通过一致性判定的候选结果执行环境反馈验证的过程中,若只出现未通过顶层一致性校验时,根据任务风险等级执行进一步重试、重新验证、人工复核或保守输出中的一种或多种处理方式。
17、进一步地,执行环境反馈验证时,若高风险任务为自然语言生成结构化查询语句,则执行反馈验证的具体步骤为将候选查询语句在测试数据库、影子数据库或受控沙箱环境中执行,并基于执行结果的字段结构、数值范围、返回规模、权限合法性和与输入任务意图的匹配程度进行验证。
18、与现有技术相比,本发明具有以下有益效果:
19、第一,本发明通过系统级双脑架构和模块级校验工作流相结合的分层容错设计,能够同时对系统级失效和模块级生成偏差进行抑制,提高整体可靠性。第二,本发明并非单纯采用文本级比对,而是结合关键约束提取、行业语义相似度判断和规则校验,实现更适合轨道交通业务特点的一致性判定机制。第三,本发明将生成结果的校验从文本层延伸至执行反馈层,可对自然语言生成结构化查询语句等高风险任务进行实际执行验证,从而提高结果在业务层面的正确性与可用性。第四,本发明通过回环重试和动态校验控制机制,在可靠性和实时性之间建立可调平衡关系,适于轨道交通高实时场景。第五,本发明能够适配知识问答、数据库查询、设备运维辅助和规章解释等多类轨道交通业务任务,具有较高的实用价值和推广价值。
1.一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,方法包括以下步骤:
2.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,所述关键约束包括对象标识、业务动作、时间范围、空间范围、设备类别、统计方式、过滤条件、排序条件、权限域和风险字段中的一种或多种。
3.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,所述行业语义相似度基于轨道交通专业语料训练或适配的语义模型执行。
4.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,所述规则校验包括字段映射规则校验、专业术语归一规则校验、时间表达标准化校验、逻辑约束校验、安全限制规则校验中的一种或多种。
5.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,所述预设一致性置信条件包括连续k轮关键约束一致、综合一致性评分高于阈值以及环境反馈验证通过中的至少一项。
6.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,高风险任务包括自然语言生成结构化查询语句、检修建议生成、故障处置建议生成和调度辅助建议生成中的一种或多种。
7.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,回环重试包括重新生成、调整提示约束、补充检索上下文、切换模型实例、调整解码参数和采用降级输出策略中的一种或多种。
8.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,人工智能生成子系统在模型实例、提示配置、知识检索路径、解码参数模板、推理服务环境或校验策略中的至少一项上具有受控差异。
9.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,对通过一致性判定的候选结果执行环境反馈验证的过程中,若只出现未通过顶层一致性校验时,根据任务风险等级执行进一步重试、重新验证、人工复核或保守输出中的一种或多种处理方式。
10.根据权利要求1所述的一种面向轨道交通场景的高可靠人工智能生成内容处理方法,其特征在于,执行环境反馈验证时,若高风险任务为自然语言生成结构化查询语句,则执行反馈验证的具体步骤为将候选查询语句在测试数据库、影子数据库或受控沙箱环境中执行,并基于执行结果的字段结构、数值范围、返回规模、权限合法性和与输入任务意图的匹配程度进行验证。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com