用于托管、监控和重训练机器学习模型的机器人流程自动化架构和流程的制作方法

技术特征：
1.一种系统，包括：一个或多个机器人流程自动化(rpa)机器人，被配置为调用一个或多个机器学习(ml)模型；以及人工智能(ai)中心，被配置为存储所述一个或多个ml模型，并且在所述一个或多个rpa机器人中的相应rpa机器人调用时执行所述一个或多个ml模型，其中所述ai中心被配置为：存储用于所述ml模型的多个数据集，每个数据集包括按照逻辑或物理分组的相似类型的数据；以及当训练条件被满足时或者当重训练被手动地请求时，使用在用于所述一个或多个ml模型中的ml模型的训练配置中指定的所述多个数据集的子集，来重训练所述ml模型，并且部署经重训练的ml模型，以由所述一个或多个rpa机器人调用。2.根据权利要求1所述的系统，其中所述ai中心包括：训练集群，被配置为运行一个或多个重训练流水线；核心微服务集群，被配置为对于所述一个或多个ml模型执行创建/读取/更新/删除(crud)操作，并且使所述训练集群的重训练流水线发起对所述一个或多个ml模型的重训练；以及ml服务集群，被配置为执行所述一个或多个ml模型，并且向所述一个或多个rpa机器人中的调用rpa机器人提供所述执行的结果。3.根据权利要求1所述的系统，其中所述一个或多个rpa机器人中的至少一个rpa机器人的rpa工作流程包括数据推送活动，所述数据推送活动包括所述相应rpa机器人上传用于重训练的数据的存储位置。4.根据权利要求1所述的系统，其中所述一个或多个rpa机器人中的至少一个rpa机器人被配置为：遍历本地数据、存储在远程数据库中的数据或两者，并且将所述数据发送到所述ai中心的存储装置以用于重训练。5.根据权利要求1所述的系统，其中所述多个数据集在重训练期间被呈现为指向ml模型的指针，被重训练的所述ml模型经由相应指针访问用于重训练的所述多个数据集的所述子集。6.根据权利要求1所述的系统，其中所述ai中心被配置为：接收用于被重训练的所述ml模型的一个或多个性能度量；以及在所述重训练期间为所述一个或多个性能度量生成一个或多个得分。7.根据权利要求6所述的系统，其中随着多次执行重训练，所述一个或多个得分的变化随时间被跟踪。8.根据权利要求1所述的系统，其中所述ai中心被配置为：调整用于重训练的数据点的数目、调整收集重训练数据的频率、调整收集的重训练数据的量、调整用于重训练的一个或多个触发、或调整其组合。9.根据权利要求1所述的系统，其中所述一个或多个rpa机器人中的至少一个rpa机器人的rpa工作流程被配置为：调整用于重训练的数据点的数目、调整收集重训练数据的频率、调整收集的重训练数据的量、调整用于重训练的一个或多个触发、或调整其组合。10.根据权利要求1所述的系统，其中所述ai中心许可所述一个或多个rpa机器人调用
所述一个或多个ml模型，并且接收所述ml模型的执行的结果，但是不许可所述一个或多个rpa机器人自己访问所述一个或多个ml模型。11.一种存储计算机程序的非瞬态计算机可读介质，所述计算机程序被配置为使至少一个处理器：存储多个机器学习(ml)模型和用于所述ml模型的多个数据集，每个数据集包括按照逻辑或物理分组的相似类型的数据；当训练条件被满足时或者当重训练被手动请求时，使用在用于所述多个ml模型中的ml模型的训练配置中指定的所述多个数据集的子集，来重训练所述ml模型；以及通过使经重训练的ml模型能被一个或多个机器人流程自动化(rpa)机器人调用，来部署所述经重训练的ml模型。12.根据权利要求11所述的非瞬态计算机可读介质，其中所述多个数据集在重训练期间被呈现为指向ml模型的指针，被重训练的ml模型经由相应指针访问用于重训练的所述多个数据集的所述子集。13.根据权利要求11所述的非瞬态计算机可读介质，其中所述计算机程序还被配置为使所述至少一个处理器：接收用于被重训练的所述ml模型的一个或多个性能度量；以及在所述重训练期间为所述一个或多个性能度量生成一个或多个得分。14.根据权利要求13所述的非瞬态计算机可读介质，其中随着多次执行重训练，所述一个或多个得分的变化随时间被跟踪。15.根据权利要求11所述的非瞬态计算机可读介质，其中所述计算机程序还被配置为使所述至少一个处理器：调整用于重训练的数据点的数目、调整收集重训练数据的频率、调整收集的重训练数据的量、调整用于重训练的一个或多个触发、或调整其组合。16.根据权利要求11所述的非瞬态计算机可读介质，其中所述计算机程序还被配置为使所述至少一个处理器：许可所述一个或多个rpa机器人调用所述多个ml模型，并且接收所述ml模型的执行的结果；以及阻止所述一个或多个rpa机器人自己访问所述多个ml模型中的至少一个ml模型。17.一种人工智能(ai)中心，包括：训练集群，被配置为运行一个或多个重训练流水线；核心微服务集群，被配置为对一个或多个机器学习(ml)模型执行创建/读取/更新/删除(crud)操作，并且使所述训练集群的重训练流水线发起对所述一个或多个ml模型的重训练；以及ml服务集群，被配置为执行所述一个或多个ml模型，并且向调用机器人流程自动化(rpa)机器人提供所述执行的结果。18.根据权利要求17所述的ai中心，其中所述训练集群被配置为：当训练条件被满足时或者当重训练被手动请求时，使用在用于所述一个或多个ml模型中的ml模型的训练配置中指定的所述多个数据集的子集，重训练所述ml模型。19.根据权利要求18所述的ai中心，其中所述核心微服务集群被配置为将经重训练的
ml模型部署到所述ml服务集群，以由所述rpa机器人调用。20.根据权利要求18所述的ai中心，其中所述多个数据集在重训练期间被呈现为指向ml模型的指针，被重训练的所述ml模型经由相应指针访问用于重训练的所述多个数据集的所述子集。21.根据权利要求17所述的ai中心，其中所述ai中心被配置为，调整用于重训练的数据点的数目、调整收集重训练数据的频率、调整收集的重训练数据的量、调整用于重训练的一个或多个触发、或调整其组合。22.根据权利要求17所述的ai中心，其中所述ml服务集群许可所述一个或多个rpa机器人调用所述一个或多个ml模型，并且接收所述ml模型的执行的结果，但是不许可所述一个或多个rpa机器人自己访问所述一个或多个ml模型。

技术总结
公开了用于托管、监控和重训练ML机器学习(ML)模型的机器人流程自动化(RPA)架构和流程。重训练是ML模型生命周期的重要部分。重训练可以取决于ML模型的类型和将用来训练ML模型的数据。安全存储层可以用于存储来自RPA机器人的数据以进行重训练。这种重训练可以自动地、远程地以及在没有用户参与的情况下被执行。行。行。


技术研发人员：S
受保护的技术使用者：尤帕斯公司
技术研发日：2021.10.28
技术公布日：2022/7/26