一种人工智能模型的多任务协同处理方法及系统与流程

摘要: 本发明涉及人工智能,具体涉及一种人工智能模型的多任务协同处理方法及系统。背景技术:1、随着人工智能技术的快速发展,大语言模型等人工智能模型被广泛应用于各类需要并...
一种人工智能模型的多任务协同处理方法及系统与流程

本发明涉及人工智能,具体涉及一种人工智能模型的多任务协同处理方法及系统。

背景技术:

1、随着人工智能技术的快速发展,大语言模型等人工智能模型被广泛应用于各类需要并行处理大量用户请求的场景中,例如医院导诊系统中的智能问诊服务。在实际应用中,通常需要同时接收和处理来自大量用户的咨询请求,不同请求包含的症状类型各不相同,输入的文本描述长度也存在显著差异。

2、现有技术中,对多个任务进行分组处理时通常仅关注单一维度的特征。一种常见的做法是基于任务类别进行分组,将业务类型相近的任务划分到同一组中由模型统一处理。另一种做法是基于任务文本长度进行分组,将长度相近的任务划分到同一批次中以减少模型因输入长度不一致而产生的填充开销。然而,这两种分组方式所依据的维度不同,各自追求的分组目标也存在差异。当按照不同维度分别进行分组时,两种分组结果往往不一致,但现有技术中缺乏对不同分组结果进行有效协调的手段,导致最终采用的分组方案通常只能依据其中一种维度,难以同时兼顾不同维度的需求。

技术实现思路

1、本发明提供了一种人工智能模型的多任务协同处理方法及系统。本发明解决了现有技术中因多任务分组依赖单一维度特征而导致在业务反馈可视程度和模型处理效率之间无法有效权衡的技术问题。

2、鉴于上述问题,本发明提供了一种人工智能模型的多任务协同处理方法,包括:

3、获取待进行处理的多个任务的多个任务类别特征和多个任务文本特征,进行业务层级聚类优化,得到多个业务最优聚类任务簇;

4、根据多个任务文本特征,进行人工智能模型处理层级聚类优化,得到多个处理最优聚类任务簇;

5、处理获取多个业务最优聚类任务簇和多个处理最优聚类任务簇的矩阵处理差异因子;

6、根据矩阵处理差异因子和多个任务的任务总数量配置进阶优化参数,继续对多个处理最优聚类任务簇进行调整优化,得到多个调整最优聚类任务簇,进行多个任务的协同分组处理。

7、本发明还提供了一种人工智能模型的多任务协同处理系统,包括:

8、业务层级聚类模块,用于获取待进行处理的多个任务的多个任务类别特征和多个任务文本特征,进行业务层级聚类优化,得到多个业务最优聚类任务簇;

9、处理层级聚类模块,用于根据多个任务文本特征,进行人工智能模型处理层级聚类优化,得到多个处理最优聚类任务簇;

10、差异因子计算模块,用于处理获取多个业务最优聚类任务簇和多个处理最优聚类任务簇的矩阵处理差异因子;

11、进阶优化与协同分组模块,用于根据矩阵处理差异因子和多个任务的任务总数量配置进阶优化参数,继续对多个处理最优聚类任务簇进行调整优化,得到多个调整最优聚类任务簇,进行多个任务的协同分组处理。

12、本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:

13、本发明通过业务层级聚类优化将业务类型高度关联的任务聚集在同一簇内,能够在同一处理簇内采用统一的业务场景标签和系统提示词约束,确保各任务输出结果在业务语义空间内保持高度一致,有效减少了在处理类型混杂任务时的逻辑分支和上下文切换开销;同时通过处理层级聚类优化将文本长度相近的任务聚集在同一簇内,显著降低了模型并行处理时的填充开销,提升了计算效率;通过计算两种聚类结果之间的矩阵处理差异因子,量化了两者之间的分歧程度,为后续融合优化提供了客观的数据基础。在进阶优化阶段,根据任务总数量和矩阵处理差异因子自适应地配置处理权重、业务权重和优化参数,使得每一次分簇调整的幅度和方向都能与实际差异程度相匹配,最终通过迭代获得协同值最大化的分簇方案;

14、与现有技术相比,本发明能够在处理效率和业务兼容性两个维度上实现综合最优的平衡,在相同硬件资源条件下可处理更多的用户任务,有效提升了人工智能模型在多任务并发场景中的系统吞吐量、计算资源利用率和任务调度效率。

15、综上,本发明解决了现有技术中因多任务分组依赖单一维度特征而导致在业务反馈可视程度和模型处理效率之间无法有效权衡的技术问题。

1.一种人工智能模型的多任务协同处理方法,其特征在于,方法包括:

2.根据权利要求1所述的人工智能模型的多任务协同处理方法,其特征在于,获取待进行处理的多个任务的多个任务类别特征和多个任务文本特征,进行业务层级聚类优化,得到多个业务最优聚类任务簇,包括:

3.根据权利要求2所述的人工智能模型的多任务协同处理方法,其特征在于,根据多个任务类别特征,进行业务层级聚类优化,得到多个业务最优聚类任务簇,包括:

4.根据权利要求1所述的人工智能模型的多任务协同处理方法,其特征在于,根据多个任务文本特征,进行人工智能模型处理层级聚类优化,得到多个处理最优聚类任务簇,包括:

5.根据权利要求4所述的人工智能模型的多任务协同处理方法,其特征在于,对多个第一处理聚类任务簇分别进行文本特征离散分析,得到第一综合文本离散参数,包括:

6.根据权利要求1所述的人工智能模型的多任务协同处理方法,其特征在于,处理获取多个业务最优聚类任务簇和多个处理最优聚类任务簇的矩阵处理差异因子,包括:

7.根据权利要求1所述的人工智能模型的多任务协同处理方法,其特征在于,根据矩阵处理差异因子和多个任务的任务总数量配置进阶优化参数,继续对多个处理最优聚类任务簇进行调整优化,得到多个调整最优聚类任务簇,进行多个任务的协同分组处理,包括:

8.根据权利要求7所述的人工智能模型的多任务协同处理方法,其特征在于,获取历史时间内进行多任务并发处理中的最大任务总数量和最大矩阵处理差异因子,结合矩阵处理差异因子和任务总数量,配置处理权重和业务权重,包括:

9.根据权利要求7所述的人工智能模型的多任务协同处理方法,其特征在于,根据矩阵处理差异因子,配置对多个处理最优聚类任务簇进行更新调整的优化参数,包括:

10.一种人工智能模型的多任务协同处理系统,其特征在于,用于执行权利要求1至9任一项的人工智能模型的多任务协同处理方法,包括: