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：人工智能(ai)中心，被配置为：将ml模型存储在容器中；以及在机器人流程自动化(rpa)机器人调用时执行存储的ml模型，其中包括所述ml模型的所述容器的内容被加密或被混淆，所述ml模型被加密，或者两者兼有。2.根据权利要求1所述的系统，还包括：计算系统，包括用于rpa的低代码ml模型部署和训练应用，所述低代码ml模型部署和训练应用被配置为以一次点击来部署ml包而无需用户编码。3.根据权利要求2所述的系统，其中所述低代码ml模型部署和训练应用被配置为促进从ml模型的目录中进行选择，并且将选择的ml模型部署到所述ai中心作为目标计算环境。4.根据权利要求2所述的系统，其中所述低代码ml模型部署和训练应用被配置为显示能够彼此连接的ml模型的图。5.根据权利要求4所述的系统，其中所述图中的所述ml模型能串联连接，能并联连接，或者两者兼有。6.根据权利要求1所述的系统，其中所述ai中心是单节点集群设施。7.根据权利要求1所述的系统，其中所述系统是实体隔离系统，所述实体隔离系统不许可设施之外的外部通信。8.根据权利要求1所述的系统，其中所述ai中心被配置为：存储用于多个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在手动请求时，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，重训练所述ml模型；以及部署经重训练的ml模型，以由rpa机器人调用。9.根据权利要求8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。10.根据权利要求9所述的系统，其中当所述一个或多个得分提高时，所述ai中心被配置为部署所述经重训练的ml模型来代替所述ml模型的先前版本。11.根据权利要求9所述的系统，其中当所述一个或多个得分提高时，所述ai中心被配置为部署所述ml模型的重训练版本，使用所述ml模型的所述重训练版本和所述ml模型的所述先前版本两者，并且选择具有最高置信度的结果。12.一种人工智能(ai)中心，包括：存储器，存储计算机程序指令；以及至少一个处理器，被配置为执行所述计算机程序指令，其中所述计算机程序指令被配置为使所述至少一个处理器：存储用于多个机器学习(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在手动请求时，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，重训练所述ml模型；
接收用于被重训练的ml模型的一个或多个性能度量；以及在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；以及当所述一个或多个得分提高时：部署经重训练的ml模型来代替所述ml模型的先前版本；或者部署所述ml模型的重训练版本，使用所述ml模型的所述重训练版本和所述ml模型的所述先前版本两者，并且选择具有最高置信度的结果。13.根据权利要求12所述的ai中心，其中所述经重训练的ml模型被存储在容器中；并且包括所述经重训练的ml模型的所述容器的内容被加密或被混淆，所述重训练的ml模型被加密，或者两者兼有。14.根据权利要求12所述的ai中心，其中所述ai中心是单节点集群设施。15.根据权利要求12所述的ai中心，其中所述ai中心是实体隔离系统，所述实体隔离系统不许可设施之外的外部通信。16.一种计算机实现的方法，包括：由人工智能(ai)中心将ml模型存储在容器中；以及由所述ai中心在机器人流程自动化(rpa)机器人调用时执行存储的ml模型，其中包括所述ml模型的所述容器的内容被加密或被混淆，所述ml模型被加密，或者两者兼有。17.根据权利要求16所述的计算机实现的方法，还包括：由低代码ml模型部署和训练应用以一次点击来部署ml包而无需用户编码；以及由所述低代码ml模型部署和训练应用促进从ml模型的目录中进行选择，并且将选择的ml模型部署到所述ai中心作为目标计算环境。18.根据权利要求16所述的计算机实现的方法，还包括：由低代码ml模型部署和训练应用显示能够彼此连接的ml模型的图，其中所述图中的所述ml模型能串联连接、能并联连接，或者两者兼有。19.根据权利要求16所述的计算机实现的方法，还包括：由所述ai中心存储用于多个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在手动请求时，由所述ai中心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，重训练所述ml模型；由所述ai中心接收用于被重训练的ml模型的一个或多个性能度量；由所述ai中心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；以及由所述ai中心部署经重训练的ml模型，以由rpa机器人调用。20.根据权利要求19所述的计算机实现的方法，其中当所述一个或多个得分提高时，所述方法还包括：由所述ai中心部署所述经重训练的ml模型来代替所述ml模型的先前版本；或者由所述ai中心部署所述ml模型的重训练版本，使用所述ml模型的所述重训练版本和所述ml模型的所述先前版本两者，并且选择具有最高置信度的结果。

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