诊断模型的自动优化方法及自动优化系统与流程

1.本发明涉及一种优化方法及优化系统，特别是涉及一种诊断模型的自动优化方法及自动优化系统。


背景技术：

2.随着机器学习技术的发展，有越来越多类型的产业开始应用机器学习技术来取代人工，藉以加快工作进度并且节省人力成本。在建立应用人工智能的诊断模型时，若要针对诸如压铸机的制造设备进行诊断，可使用振动讯号来诊断压铸机的健康状态。
3.然而，建置诊断模型所需的数据前处理须通过具备高度专业经验的设备技师与数据工程师互相合作方能达成，不仅费时，更需耗费额外的人力资源来针对诊断模型中的各种超参数进行调整。
4.再者，由于超参数的调整将需要大量运算资源，且现有的用于机台健康状况的诊断模型并无同步评估运算成本的功能，而难以在资源有限的情况下，在建置诊断模型前预先进行成本评估。


技术实现要素：

5.本发明所要解决的技术问题在于，针对现有技术的不足提供一种可降低调参成本的诊断模型的自动优化方法及自动优化系统。
6.为了解决上述的技术问题，本发明所采用的其中一技术方案是提供一种诊断模型的自动优化方法，其包括：取得一目标设备的多个设备参数；从多个候选模型中选定将用于诊断该目标设备的运作状态的一目标模型，其中，该目标模型具有多个超参数；从该多个超参数中选择至少一超参数并转换为一基因序列；依据该至少一超参数及该基因序列，随机生成多个待优化基因序列并加入一基因序列集；执行一基因演化流程，以该基因序列集配置该目标模型并进行训练，依据训练结果择优交配以得到多个子代基因序列；针对该多个子代基因序列中的每一个，执行一区域搜寻流程以找出多个邻近解，并配置该目标模型以生成多个待搜寻模型并进行训练，并择优得到一新子代基因序列；将对该多个子代基因序列执行该区域搜寻流程后分别产生的多个该新子代基因序列加入该基因序列集；对该基因序列集进行筛选以留下具有较高准确率的多个筛选后基因序列；判断该基因序列集是否满足一演化完成条件，并将满足该演化完成条件的该基因序列集作为一最优基因序列集；以及以该最优基因序列集配置该目标模型以生成多个候选诊断模型。
7.优选地，该基因演化流程包括：以该基因序列集配置该目标模型以分别生成多个待训练模型；以该多个设备参数训练该多个待训练模型，并评估满足一训练完成条件时的多个第一准确率；以及将具有较高的该多个第一准确率的部分该基因序列集以一预定突变率进行交配，以产生该些子代基因序列。
8.优选地，该区域搜寻流程包括：依据一当前子代基因序列的该至少一超参数的一当前解生成该些邻近解；以该多个邻近解取代该当前子代基因序列中的该当前解，以生成
一当前基因序列集，其中，该当前基因序列集包括对应于该当前解及该多个邻近解的多个待搜寻基因序列；以该当前基因序列集配置该目标模型以分别生成多个待搜寻模型；以该多个设备参数训练该多个待搜寻模型，并评估满足该训练完成条件时的多个第二准确率；以及以具有最高的该第二准确率的该待搜寻基因序列作为该新子代基因序列。
9.优选地，将该至少一超参数转换为该基因序列的步骤包括：判断该至少一超参数为数值型参数或类别型参数；响应于判断该至少一超参数为数值型参数，将该至少一超参数的数值进行进位制编码以作为该基因序列对应于该至少一超参数的一部分；以及响应于判断该至少一超参数为类别型参数，依据该至少一超参数的类别数量进行类别编码以作为该基因序列对应于该至少一超参数的一部分。
10.优选地，以该预定突变率进行交配，以产生该多个子代基因序列的步骤还包括：响应于以该预定突变率进行交配且发生突变，将交配且发生突变而产生的该子代基因序列中的其中一个数字进行修改。
11.优选地，以该多个设备参数训练该多个待训练模型，并评估满足该训练完成条件时的该多个第一准确率的步骤还包括：分别计算训练该多个待训练模型所花费的多个第一计算成本及多个第一计算时间，且该训练完成条件还包括各别判断该多个第一计算成本是否到达一预定计算成本，以及判断该多个第一计算时间是否到达一预定计算时间；以及响应于判断该多个第一计算成本到达该预定计算成本，或该多个第一计算时间到达该预定计算时间，则判断满足该训练完成条件。
12.优选地，以该多个设备参数训练该多个待搜寻模型，并评估满足该训练完成条件时的多个第二准确率的步骤还包括：分别计算训练该多个待训练模型所花费的多个第二计算成本及多个第二计算时间，且该训练完成条件还包括各别判断该多个第二计算成本是否到达该预定计算成本，以及该多个第二计算时间是否到达一预定计算时间；以及响应于判断该多个第二计算成本到达该预定计算成本，或该多个第二计算时间到达该预定计算时间，则判断满足该训练完成条件。
13.优选地，所述的自动优化方法还包括：依据该多个候选诊断模型的多个计算时间及多个计算成本进行标注；以及筛选出超过一预定准确率的部分该多个候选诊断模型，并依据该多个计算时间及该多个计算成本绘制一效率前缘线。
14.优选地，判断是否满足该演化完成条件的步骤还包括：判断执行该基因演化流程后，该基因序列集所能达到的一最高准确率未提高的次数是否超过一预定次数；以及响应于判断该最高准确率未提高的次数超过该预定次数，则满足该演化完成条件。
15.为了解决上述的技术问题，本发明所采用的另外一技术方案是提供一种诊断模型的自动优化系统，其包括目标设备及计算装置。目标设备经配置以产生多个设备参数。计算装置包括处理器及储存器，且该处理器经配置以取得该多个设备参数，并储存在该储存器中。其中，该处理器经配置以：从该储存器储存的多个候选模型中选定将用于诊断该目标设备的运作状态的一目标模型，其中，该目标模型具有多个超参数；从该多个超参数中选择至少一超参数并转换为一基因序列；依据该至少一超参数及该基因序列，随机生成多个待优化基因序列并加入一基因序列集，并储存于该储存器；执行一基因演化流程，以该基因序列集配置该目标模型并进行训练，依据训练结果择优交配以得到多个子代基因序列；针对该多个子代基因序列中的每一个，执行一区域搜寻流程以找出多个邻近解，并配置该目标模
型以生成多个待搜寻模型并进行训练，并择优得到一新子代基因序列；将对该多个子代基因序列执行该区域搜寻流程后分别产生的多个该新子代基因序列加入该基因序列集；对该基因序列集进行筛选以留下具有较高准确率的多个筛选后基因序列；判断该基因序列集是否满足一演化完成条件，并将满足该演化完成条件的该基因序列集作为一最优基因序列集，并储存于该储存器；以及以该最优基因序列集配置该目标模型以生成多个候选诊断模型，并储存于该储存器。
16.优选地，该基因演化流程包括：以该基因序列集配置该目标模型以分别生成多个待训练模型；以该多个设备参数训练该多个待训练模型，并评估满足一训练完成条件时的多个第一准确率；以及将具有较高的该多个第一准确率的部分该基因序列集以一预定突变率进行交配，以产生该些子代基因序列。
17.优选地，该区域搜寻流程包括：依据一当前子代基因序列的该至少一超参数的一当前解生成多个邻近解；以该多个邻近解取代该当前子代基因序列中的该当前解，以生成一当前基因序列集，其中，该当前基因序列集包括对应于该当前解及该多个邻近解的多个待搜寻基因序列；以该当前基因序列集配置该目标模型以分别生成多个待搜寻模型；以该多个设备参数训练该多个待搜寻模型，并评估满足该训练完成条件时的多个第二准确率；以及以具有最高的该第二准确率的该待搜寻基因序列作为该新子代基因序列。
18.优选地，在该处理器将该至少一超参数转换为该基因序列的步骤中，该处理器还经配置以：判断该至少一超参数为数值型参数或类别型参数；响应于判断该至少一超参数为数值型参数，将该至少一超参数的数值进行进位制编码以作为该基因序列对应于该至少一超参数的一部分；以及响应于判断该至少一超参数为类别型参数，依据该至少一超参数的类别数量进行类别编码以作为该基因序列对应于该至少一超参数的一部分。
19.优选地，以该预定突变率进行交配，以产生该多个子代基因序列的步骤还包括：响应于以该预定突变率进行交配且发生突变，将交配且发生突变而产生的该子代基因序列中的其中一个数字进行修改。
20.优选地，在该处理器以该多个设备参数训练该多个待训练模型，并评估满足该训练完成条件时的该多个第一准确率的步骤中，该处理器还经配置以：分别计算训练该多个待训练模型所花费的多个第一计算成本及多个第一计算时间，且该训练完成条件还包括各别判断该多个第一计算成本是否到达一预定计算成本，以及判断该多个第一计算时间是否到达一预定计算时间；以及响应于判断该多个第一计算成本到达该预定计算成本，或该多个第一计算时间到达该预定计算时间，则判断满足该训练完成条件。
21.优选地，在该处理器以该多个设备参数训练该多个待搜寻模型，并评估满足该训练完成条件时的多个第二准确率的步骤中，该处理器还经配置以：分别计算训练该多个待训练模型所花费的多个第二计算成本及多个第二计算时间，且该训练完成条件还包括各别判断该多个第二计算成本是否到达该预定计算成本，以及该多个第二计算时间是否到达一预定计算时间；以及响应于判断该多个第二计算成本到达该预定计算成本，或该多个第二计算时间到达该预定计算时间，则判断满足该训练完成条件。
22.优选地，该处理器还经配置以：依据该多个候选诊断模型的多个计算时间及多个计算成本进行标注；以及筛选出超过一预定准确率的部分该多个候选诊断模型，并依据该多个计算时间及该多个计算成本绘制一效率前缘线。
23.优选地，该处理器经配置以判断是否满足该演化完成条件的步骤中，该处理器还经配置以：判断执行该基因演化流程后，该基因序列集所能达到的一最高准确率未提高的次数是否超过一预定次数；以及响应于判断该最高准确率未提高的次数超过该预定次数，则满足该演化完成条件。
24.本发明的其中一有益效果在于，本发明所提供的诊断模型的自动优化系统及自动优化方法采用基因演化流程并搭配区域搜寻机制，可以自动化训练人工智能模型，不需花费大量人力及成本来针对所有超参数的所有可能组合进行测试及验证，在资源有限的情况下取得最优超参数组合。此外，还能够降低对于数据科学家的依赖，更可将节省的人力及成本用于进行数据内容洞察(insights)。
25.再者，本发明所提供的诊断模型的自动优化系统及自动优化方法进一步生成效率前缘线，以根据运算成本以及内存限制，提供多种组合给予用户参考，以辅助使用者依据其需求来选择最适合的诊断模型，以在建置诊断模型前预先进行成本评估。
26.为使能更进一步了解本发明的特征及技术内容，请参阅以下有关本发明的详细说明与图式，然而所提供的图式仅用于提供参考与说明，并非用来对本发明加以限制。
附图说明
27.图1为本发明一实施例的自动优化系统的功能方块图。
28.图2为本发明一实施例的计算装置的功能方块图。
29.图3为本发明一实施例的诊断模型的自动优化方法的流程图。
30.图4为本发明一实施例的将超参数转换为基因序列的流程图。
31.图5为本发明一实施例的超参数转换为基因序列的示意图。
32.图6为本发明一实施例的基因演化流程的流程图。
33.图7为本发明一实施例的演化流程中的交配及突变示意图。
34.图8为本发明一实施例的区域搜寻流程的流程图。
35.图9为本发明一实施例的区域搜寻流程的示意图。
36.图10为本发明一实施例的绘示有效率前缘线的计算时间对计算成本作图。
具体实施方式
37.以下是通过特定的具体实施例来说明本发明所公开有关“诊断模型的自动优化方法及自动优化系统”的实施方式，本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用，本说明书中的各项细节也可基于不同观点与应用，在不背离本发明的构思下进行各种修改与变更。另外，本发明的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容，但所公开的内容并非用以限制本发明的保护范围。另外，本文中所使用的术语“或”，应视实际情况可能包括相关联的列出项目中的任一个或者多个的组合。
38.[第一实施例]
[0039]
图1为本发明一实施例的自动优化系统的功能方块图。参阅图1所示，本发明一实施例提供一种诊断模型的自动优化系统1，其包括目标设备10及计算装置12。
[0040]
目标设备10可例如为一制造设备，且经配置以产生多个设备参数100。目标设备10可与计算装置12通讯连接，以将设备参数100通过多个设备讯号s1～sn传送给计算装置12。设备讯号s1～sn可通过支持各种通讯协议的接口传送至计算装置，例如支持开放平台通讯统一架构(open platform communications unified architecture,opc ua)协议及/或modbus协议的接口、或直接传输模拟讯号。设备参数100可例如包括目标设备10运作时使用的多个参数，以目标设备10为压铸机来举例，则该多个设备参数100可例如包括油压温度、射出压力、低速开度位置、高速开度位置以及震动讯号等。
[0041]
进一步参考图2，其为本发明一实施例的计算装置的功能方块图。参阅图2所示，计算装置12可包括处理器120、储存器122、网络单元124、储存单元126、讯号撷取接口127及输入输出接口128。上述的组件可藉由例如，但不限于总线129与彼此进行通讯。
[0042]
处理器120电性耦接于储存器122，配置以自储存器122存取计算机可读取指令d1，以控制计算装置12中的组件执行计算装置12的功能。
[0043]
储存器122为可用以储存数据的任何储存装置，可为例如，但不限于随机存取内存(random access memory；ram)、只读存储器(read only memory；rom)、闪存、硬盘或其他可用以储存数据的储存装置。储存器122经配置以至少储存复数计算机可读取指令d1、复数设备参数d2、复数候选模型d0、基因序列集d3、自动优化算法a0、基因算法a1及区域搜寻算法a2。于一实施例中，储存器122亦可用以储存处理器120进行运算时产生的暂存数据。
[0044]
网络单元124经配置以在处理器120的控制下进行网络的存取，且可例如与目标设备10进行通讯。可替代的，目标设备10亦可通过讯号撷取接口127与计算装置12通讯连接，且讯号撷取接口127可例如支持前述的opc ua协议、modbus协议、或直接接收模拟讯号，以接收该多个设备讯号s1～sn并取得该多个设备参数100，并储存在储存器122中。
[0045]
储存单元126可例如为，但不限于磁盘或光盘，以在处理器120的控制下储存数据或是指令。输入输出接口128为可由用户操作以与处理器120通讯，进行数据的输入与输出。
[0046]
图3为本发明一实施例的诊断模型的自动优化方法的流程图。图3提供一种诊断模型的自动优化方法，其可应用于图1所示的自动优化系统1中，或由其他硬件组件如数据库、一般处理器、计算器、服务器、或其他具特定逻辑电路的独特硬件装置或具特定功能的设备来实作，如将程序代码和处理器/芯片整合成独特硬件。更详细地说，自动优化方法可使用计算机程序实现，以控制自动优化装置1的各组件。计算机程序可储存于一非瞬时计算机可读取记录介质中，例如只读存储器、闪存、软盘、硬盘、光盘、随身碟、磁带、可由网络存取的数据库或熟悉此技艺者可轻易思及具有相同功能的计算机可读取记录介质。
[0047]
参阅图3所示，诊断模型的自动优化方法可包括在取得目标设备10的该多个设备参数100后，配置处理器120执行自动优化算法a0，以进行下列步骤：
[0048]
步骤s30：从多个候选模型中选定将用于诊断目标设备的运作状态的目标模型。该多个候选模型d0可例如包括卷积神经网络(convolution neural network,cnn)模型、自动编码器(auto-encoder)模型、随机森林(random forest)模型及长短期记忆(long short-term memory,lstm)模型，或其他可用于监控目标设备1以将其使用状态进行行为过程分析并进行设备状态诊断的人工智能模型。
[0049]
在上述的人工智能模型中，均有多个超参数可在训练过程中供使用者调参，以决定人工智能模型的成长曲线。然而，现有的调参方式复杂且耗费人力，且过多的依赖于调参
者的经验。一般而言，常见的人工智能模型所使用的，且目标模型亦会使用的超参数可例如包括：学习率(learning rate)、迭代(iteration)、丢弃(dropout)率、批次量(batch size)、特征选择(feature selection)及激励函数(activation function)等。而在步骤s305中，若目标函数被选择为一cnn模型，则该多个超参数还包括输出尺寸(output size)、卷积核尺寸(kernel size)、步长(stride)、密集度(dense)、填充(padding)及池化(pooling)。换言之，不同的目标函数将会对应到不同的多个可选择的超参数。
[0050]
步骤s31：从该多个超参数中选择至少一超参数并转换为基因序列。
[0051]
可进一步参考图4及图5。图4为本发明一实施例的将超参数转换为基因序列的流程图，图5为本发明一实施例的超参数转换为基因序列的示意图。
[0052]
如图4所示，在前述的步骤s31中，将至少一超参数转换为基因序列的步骤包括：
[0053]
步骤s40：判断至少一超参数为数值型(numerical)参数或类别型(categorical)参数。
[0054]
响应于判断至少一超参数为数值型参数，进入步骤s41：将至少一超参数的数值进行进位制编码以作为基因序列对应于至少一超参数的一部分。
[0055]
如图5所示，以目标模型为cnn模型为例，诸如输出尺寸、核心尺寸、步长及密集度等等的超参数会被判断为数值型参数，且可例如对上述超参数的数值进行二进制制编码，以产生基因序列50，且本发明不限于此，亦可采用其他进位制以及其他编码方式来生成基因序列50。
[0056]
响应于判断该至少一超参数为类别型参数，进入步骤s42：依据至少一超参数的类别数量进行类别编码以作为基因序列对应于至少一超参数的一部分。
[0057]
类似的参考图5，以目标模型为cnn模型为例，诸如激励函数、填充及池化等等的超参数会被判断为类别型参数，对于激励函数而言，可例采用relu函数、softmax函数或tanh函数，因此分别将relu函数、softmax函数或tanh函数依据其类别的数量产生类别编码0、1、2，以产生基因序列51。
[0058]
此外，如果在步骤s31中，从该多个超参数中选择两个以上的超参数，则可像图5下方所示，将基因序列50及51合并为基因序列52，且本发明不限制其合并顺序。
[0059]
请复参考图3，在步骤s31后，方法进入步骤s32：依据至少一超参数及基因序列，随机生成多个待优化基因序列并加入基因序列集d3。
[0060]
可例如图5所示，在决定基因序列52的架构后，可依据前述的编码方式随机产生多组基因序列，例如基因序列53、54。随机的方式可例如先随机产生数值型参数的任意数值及类别型参数的任意类别编码，再转换为基因序列，或是直接赋予特定范围来随机产生已组合的基因序列。例如，可随机产生十个不同的基因序列，并加入基因序列集d3。
[0061]
步骤s33：执行基因演化流程及区域搜寻流程。其中，基因演化流程是以基因序列集配置目标模型并进行训练，依据训练结果择优交配以得到多个子代基因序列。区域搜寻流程则是用以针对该多个子代基因序列中的每一个，找出子代基因序列的多个邻近解，并配置目标模型以生成多个待搜寻模型并进行训练，并择优得到新子代基因序列。
[0062]
请参考图6，其为本发明一实施例的基因演化流程的流程图。如图6所示，基因演化流程可包括配置处理器120执行基因算法a1，以进行下列步骤：
[0063]
步骤s60：以基因序列集配置目标模型以生成多个待训练模型。例如，可将随机产
生的十组基因序列，包括所选择的超参数及基因序列定义的种类或数值，应用在目标模型(cnn)上。
[0064]
步骤s61：以该多个设备参数训练该多个待训练模型，并评估满足训练完成条件时的多个第一准确率。
[0065]
此处，所谓的训练可包括将取得的设备参数d2分为训练集、测试集及验证集，可先将模型在训练集上进行调适，并将调适得到的模型在第验证集上进行预测，同时对超参数进行评估。而测试集用来对最终模型进行评估。针对一个将用于评估目标设备的设备状态的诊断模型而言，训练参数需要包括经过标注的数据集。例如，若要生成用于评估压铸机的健康度的诊断模型，该数据集至少要包括油压温度、射出压力、低速开度位置、高速开度位置以及震动讯号，以及对应的健康度评估结果。
[0066]
此外，在步骤s61的训练过程中，更分别计算训练该多个待训练模型所花费的多个第一计算成本及多个第一计算时间。而训练完成条件实质上是一个收敛条件，以避免永无止境的训练下去。训练完成条件可例如为，判断第一计算成本是否到达预定计算成本，以及判断第一计算时间是否到达预定计算时间。例如，判断是否训练到达30分钟，或者是判断是否用完30美金的算力，若判断第一计算成本到达预定计算成本(例如30美金)，或第一计算时间到达预定计算时间(例如30分钟)，则判断满足训练完成条件，并记录训练完成时该多个待训练模型的该多个第一准确度。
[0067]
步骤s62：将具有较高的该多个第一准确率的部分该基因序列集以预定突变率进行交配，以产生多个子代基因序列。
[0068]
举例而言，在训练完成之后，会将前述的多个第一准确率由高至低进行排名，并且将前两名的基因序列以在突变率为0.1％的情形下进行交配。
[0069]
请参考图7，其为本发明一实施例的演化流程中的交配及突变示意图。如图7所示，具有较高的第一准确率的基因序列70及72进行交配后，将产生子代基因序列700及720，其交配方式可例如针对基因序列70及72中，对应于不同超参数的部分进行交换后组合，例如，左侧十个数字对应于输出尺寸，右侧一个数字对应于激励函数。若在以预定突变率进行交配的过程中发生突变，例如，若交配产生的子代基因序列720发生突变，则将子代基因序列720中的其中一个数字进行修改。如图7所示，将子代基因序列720中，左侧数来第四个二进制数作为突变基因m1来进行修改，由1修正为0，以产生子代基因序列720’。若该数字为0，则修正为1。然而，上述仅为举例，本发明不限制基因序列突变的方式、数量及位置。
[0070]
可进一步参考图8，其为本发明一实施例的区域搜寻流程的流程图。如图8所示，区域搜寻流程可包括配置处理器120执行区域搜寻算法a2以进行下列步骤：
[0071]
步骤s80：依据当前子代基因序列的至少一超参数的当前解生成多个邻近解。举例而言，可参考图9，其为本发明一实施例的区域搜寻流程的示意图。以图7的子代基因序列720’作为图9中的一当前子代基因序列为例，激励函数对应的当前解为1，其编码依据图5所示对应于softmax函数。换言之，其邻近解即是0以及2，且分别对应于relu函数及tanh函数。
[0072]
步骤s81：以该多个邻近解取代该当前子代基因序列中的该当前解，以生成当前基因序列集。例如，如图9所示，已知邻近解为0及2，则以此等邻近解取代子代基因序列720’中的当前解(1)，以子代基因序列80、81，且可进一步将子代基因序列720’、80、81作为一个当前基因序列集800，其包括对应于当前解(1)及该多个邻近解(0、2)的多个待搜寻基因序列，
亦即子代基因序列720’、80、81。
[0073]
步骤s82：以当前基因序列集配置目标模型以分别生成多个待搜寻模型。此步骤类似于步骤s60，将当前基因序列集(包括子代基因序列720’、80、81)应用于目标模型(例如cnn模型)以生成该多个待搜寻模型。
[0074]
步骤s83：以该多个设备参数训练该多个待搜寻模型，并评估满足训练完成条件时的多个第二准确率。
[0075]
在步骤s83的训练过程中，更分别计算训练该多个待搜寻模型所花费的多个第二计算成本及多个第二计算时间。训练完成条件可例如为，判断第二计算成本是否到达预定计算成本，以及判断第二计算时间是否到达预定计算时间，且训练完成条件可与步骤s61相同。例如，判断是否训练到达30分钟，或者是判断是否用完30美金的算力，若判断第二计算成本到达预定计算成本(例如30美金)，或第二计算时间到达预定计算时间(例如30分钟)，则判断满足训练完成条件，并记录训练完成时该多个待搜寻模型的该多个第二准确度。
[0076]
步骤s84：以具有最高的第二准确率的待搜寻基因序列作为新子代基因序列。在此步骤中，将该多个待搜寻模型的该多个第二准确率进行高低排序，并以具有最高准确率的取代原本的子代基因序列。例如，如图8所示，若子代基因序列81的第二准确率较子代基因序列720’高，则以子代基因序列81作为新子代基因序列。
[0077]
请复参考图3，自动优化方法还包括下列步骤：
[0078]
步骤s34：将对该多个子代基因序列执行区域搜寻流程后分别产生的多个新子代基因序列加入基因序列集。
[0079]
步骤s35：对基因序列集进行筛选以留下具有较高准确率的多个筛选后基因序列。例如，在每一轮演化中，可只留下十个前十名准确率的基因序列，并进入下一轮的演化。
[0080]
步骤s36：判断基因序列集是否演化完成条件，并将满足演化完成条件的基因序列集作为最优基因序列集。
[0081]
详细而言，演化完成条件同样是一种收敛条件，判断基因序列集是否满足演化完成条件可例如在执行多次基因演化流程及区域搜寻流程后，判断基因序列集d3中所有的子代基因序列所能达到的最高准确率未提高的次数是否超过预定次数。例如，当最高准确率已经超过十个演化世代而没有新高，则判断满足演化完成条件，将此时的基因序列集d3作为最优基因序列集。
[0082]
也因此，通过本发明采用的基因演化流程，搭配区域搜寻机制，可由人工智能模型来训练人工智能模型，而不需花费大量人力及成本来针对所有超参数的所有可能组合进行测试及验证，而可在资源有限的情况下取得最优超参数组合。
[0083]
步骤s37：以最优基因序列集配置目标模型以生成多个候选诊断模型。此步骤系依据最优基因序列集里的多个基因序列来配置目标模型，类似于步骤s60，不再赘述。所生成的该多个候选诊断模型可提供给用户进行选择。
[0084]
此外，需要进一步提供使用者选择的依据。换言之，用户需要依据该多个候选诊断模型所花费的计算时间或是计算成本来选择最适合其需求的诊断模型。因此，如图3所示，自动优化方法可选的进一步包括下列步骤：
[0085]
步骤s38：依据该多个候选诊断模型的多个计算时间及多个计算成本进行标注。
[0086]
步骤s39：筛选出超过预定准确率的部分该多个候选诊断模型，并依据该多个计算
时间及该多个计算成本及绘制效率前缘线。
[0087]
可参考图10，其为本发明一实施例的绘示有效率前缘线的计算时间对计算成本作图。如图10所示，在最优基因序列集中，每个基因序列所对应的候选诊断模型都会在训练的过程中记录下其花费的计算时间以及计算成本(算力)，因此，在将每个候选诊断模型的计算时间以及计算成本进行标注后，可进一步针对准确率80％以上的该多个候选诊断模型绘制效率前缘线。上述仅为举例，本发明不限于此。
[0088]
因此，此效率前缘线可根据运算成本以及内存限制，提供多种组合给予用户参考，以辅助使用者依据其需求来选择最适合的诊断模型，以在建置诊断模型前预先进行成本评估。
[0089]
[实施例的有益效果]
[0090]
本发明的其中一有益效果在于，本发明所提供的诊断模型的自动优化系统及自动优化方法采用基因演化流程并搭配区域搜寻机制，可由人工智能模型来训练人工智能模型，而不需花费大量人力及成本来针对所有超参数的所有可能组合进行测试及验证，而可在资源有限的情况下取得最优超参数组合。此外，还能够降低对于数据科学家的依赖，更可将节省的人力及成本用于进行数据内容洞察(insights)。
[0091]
再者，本发明所提供的诊断模型的自动优化系统及自动优化方法进一步生成效率前缘线，以根据运算成本以及内存限制，提供多种组合给予用户参考，以辅助使用者依据其需求来选择最适合的诊断模型，以在建置诊断模型前预先进行成本评估。
[0092]
以上所公开的内容仅为本发明的优选可行实施例，并非因此局限本发明的权利要求书的保护范围，所以凡是运用本发明说明书及附图内容所做的等效技术变化，均包含于本发明的权利要求书的保护范围内。