管理人工智能模块的安装基础

技术领域

本发明涉及人工智能模块的安装基础的管理，该人工智能模块的安装基础可以应用于服务不同目的的不同域。

背景技术

在很多工业过程中，需要找到作用于过程的一组过程参数，以便优化某个期望量，诸如吞吐量、能耗或原材料使用。大多数优化解决方案都是建立在数学模型之上的，数学模型的创建是一门技术，在很大程度上需要手动执行。数学模型通常与个体车间相关联，因此在移动到不同车间时，仅有很少工作可以重复使用。

神经网络和其他人工智能模块可以针对应用被自动训练。以训练输入数据和参考数据为“基本事实”，对确定模块行为的参数进行优化，从而在将训练输入数据馈送到模块中时，以合理的准确性再现参考数据。在训练和可选地使用测试数据进行验证之后，这样的模块可以处理各种情况，包括在生成该组训练数据时未设想的情况。DE 695 11 694 T2和EP 1 074 306 B1中给出了人工智能模块在工业控制应用中的示例性应用。

更复杂的人工智能模块的训练仍然需要付出很大努力。具体地，对于特定应用，构成“基本事实”的训练数据可能是一种稀缺资源，和/或它们可能无法表示人工智能模块预期处理的所有情况。

因此，本发明的目的是检测和/或补救人工智能模块的训练缺陷，特别是在这样的模块的安装基础要作为一个整体进行管理的设置下，即使它可能跨越多个工业车间或应用的其他域，以及即使模块可能在不同地理位置、在不同监管限制下和/或由不同公司操作。

该目的通过所要求保护的方法来实现。在从属权利要求中详述了其他有利实施例。

发明内容

本发明提供了一种用于管理多个人工智能AI模块的安装基础的方法。由于处于本文中描述的管理之下，安装基础例如可以被视为“机群”。在安装基础或“机群”中的每个AI模块中，输入数据被馈送到模块的内部处理链中，以将输入数据转换为输出数据。输入数据包括表征至少一个物理车间、装置或系统的状态和/或行为的数据。例如，该数据可以包括在车间、装置或系统上或在车间、装置或系统中获取的物理测量数据。但是替代地或组合地，该数据还可以包括合成数据和/或外部配置。例如，合成数据可以包括维护历史。例如，外部配置可以包括现有的操作员设定点、针对车间、装置、系统或AI模块的操作模式、或者尚未通过AI模块的训练而获取的任何其他配置参数。

内部处理链的行为由一组配置参数确定，该组配置参数可以基于训练输入数据和对应参考数据被训练。内部处理链要将训练输入数据映射到参考数据，并且在训练期间，参数可以被调整，直到该映射完成得足够好。可选地，这可以使用不是训练数据的一部分的验证数据(包括输入数据和对应输出数据)进一步检查。AI模块中的内部处理链的一个主要示例是人工神经网络，但该术语不仅限于人工神经网络。相反，术语“AI模块”包括具有内部处理链的任何实体，该内部处理链的行为由一组可训练配置参数确定。

参考数据可以从任何合适的来源获取。例如，参考数据可以存在于与输出数据相同的空间中，例如，以AI模块应当再现的输出数据的“训练值”的形式。在这种情况下，可以执行输出数据与参考数据之间的直接数值比较。但是替代地或组合地，参考数据还可以包括通过将输出数据馈送到物理车间或装置中并且从该车间或装置获取某种定量指标而获取的任何处理结果。例如，输出数据可以是应用于工业车间的分布式控制系统的低等级控制器的设定点。在工业车间中运行的物理过程将这些设定点转换为量，例如车间的关键性能指标KPI，该量可以用于评价应用上述设定点是否具有良好效果。

该方法开始于从多个AI模块和/或这些AI模块被应用的域中获取以下信息中的一项或多项：

·由AI模块处理的成对的输入数据和对应输出数据；

·用于训练AI模块的成对的训练输入数据和对应参考数据；以及

·AI模块的配置参数。

该信息可以是任何合适的形式。例如，成对的数据可以是时间序列的形式。例如，配置参数可以是给定时间点的快照的形式。

唯一的要求是，数据和/或参数与AI模块的根据预定定量相似性标准而相同或足够相似的操作情况相关。“定量相似性标准”包括关于要评估的一个或多个量的指示和关于这些量的值的一个或多个条件。如果条件满足，则认为定量相似性标准满足。

AI模块被应用的域可以是例如相应AI模块所在的车间、使用相应AI模块的生产过程和/或物流过程、和/或同一工业车间内的子过程。

通过选择适当的相似性标准并且根据该标准过滤数据和/或参数，来自应用的不同域的数据和/或参数可以以若干有利方式组合以改进AI模块的训练或者至少检测个体AI模块中这样的训练的缺陷。

成对的输入数据和对应输出数据、和/或成对的训练输入数据和对应参考数据可以被聚合以形成用于训练一个或多个AI模块的增强的训练数据。发明人发现，这缓解了在训练AI模块时经常遇到的瓶颈：即，训练数据的稀缺性。这可以包括训练数据的整体稀缺、和/或与某些情况相关的训练数据的稀缺。

取决于应用，获取训练输入数据和对应参考数据可能是一个耗时且成本高昂的过程。通常，需要一些手动工作量。例如，可能需要用对应参考数据(诸如AI模块在训练输入数据中应当检测到的异常或对象)手动“标记”训练输入数据(例如，测量曲线或图像)。此外，仅仅为了收集训练数据而有目的地将工业车间驱动到某些情况可能很麻烦或根本不可能。例如，如果要为车间的紧急停机情况收集真实训练数据，则代价是车间实际上不得不经历这种停机。车间可能需要很长时间才能恢复到停机前的性能水平。例如，如果紧急停机导致超高真空容器通气，则可能需要数天时间才能恢复真空。仅出于训练目的而触发这个操作的成本可能太高了。但如果具有类似AI模块的另一车间由于其他原因经历了这种令人不快的停机，并且有输入数据和输出数据的记录可用，则该经验可以作为训练数据用于训练其他车间中的AI模块。也就是说，用于训练安装基础中的多个AI模块的训练数据可以被“池化”。

替代地或组合地，多个AI模块的配置参数可以被聚合以形成用于配置一个或多个AI模块的内部处理链的增强的配置参数。以这种方式，针对多个AI模块已经花费的学习工作可以被池化。配置有从多个AI模块聚合的配置参数的AI模块可以表现为类似于已利用训练数据进行训练的AI模块，该训练数据已经通过聚合用于训练上述多个AI模块的训练数据而被获取。

在这两种情况下，聚合的复杂性取决于具体AI模块、它们被应用的域和/或操作情况的相似程度。如果在几乎相同的操作情况下使用非常相似的AI模块，则聚合可以包括非常简单的算术运算。如果存在较大差异，则聚合可能必须平衡或以其他方式克服这些差异。

替代地或与上述聚合组合地，可以至少部分基于成对的输入数据和对应输出数据，根据预定质量标准确定用于至少一个AI模块的性能的定量指标。这里，相似性标准的作用是，即使AI模块可能应用于不同域(诸如不同车间或过程)，或甚至可能用于不同目的，不同AI模块之间的比较也变得有意义。因此，定量指标可以用于检查很多相似AI模块中哪些AI模块比其他AI模块工作得更好。这种比较可以用于多种目的。例如，当学习经验在不同AI模块之间共享时，定量指标可以确保经验朝着正确方向流动，例如，从“更聪明”的AI模块流向“更笨”的AI模块，以使后者“更聪明””，而不是“愚弄”目前“更聪明”的AI模块。

在一个特别有利的实施例中，定量相似性标准至少部分基于以下中的一项或多项：

·至少一个目标，每个AI模块在该AI模块被应用的域中正在朝着该至少一个目标工作；

·基于由每个AI模块产生的输出数据而被控制的至少一个物理过程；

·形成每个AI模块的输入数据、输出数据、训练输入数据和/或参考数据的一部分的至少一个物理量的类型；

·每个AI模块被应用的域的类型；

·每个AI模块被应用的域中的至少一个环境和/或地理条件；以及

·每个AI模块被应用的域的至少一个操作历史。

例如，AI模块的一个目标可以是支持运行工业车间或其一部分的决策，例如，通过输出要通过车间的参与者执行的操作动作(诸如打开或关闭阀门)，或者通过向分布式控制系统中的低等级控制器输出设定点。AI模块的另一目标可以是分析数据以从中得出实际结论。例如，可以预测资产的剩余使用寿命和/或即将发生的故障、和/或吞吐量、性能或某个其他期望量的未来值。

形成输入数据的一部分的物理量的类型、以及每个AI模块被应用的域的类型主要取决于AI模块以某种方式所耦合的真实世界过程。例如，如果电动机被控制，则电动机的转速、扭矩和温度可以是用于控制和/或监测的适当的量。振动可以由附接到电动机的振动传感器捕获，但它们也可以替代地或组合地由附接到由电动机驱动的某个设备(诸如泵)的振动传感器捕获。在处理液体的反应器中，可以控制和/或监测液体的组成、温度和/或压力。即使由AI模块处理的量在物理上相同，在AI模块之间也可能存在数据模型结构的差异。

此外，使用AI模块的整体场景可以有所不同。例如，类似机械可以用于不同应用或行业，诸如地下矿山、露天矿山，或者生产诸如纸张等商品。类似车间可以位于影响其操作的某些条件不同的地区。例如，与在沙漠中运行相比，化学过程在阿蒂海(Artic Sea)沿岸的运行方式可以有所不同。设备的运行方式可以有所不同，具体取决于它是在受保护的工厂内运行还是在暴露于天气的室外运行。火箭发射将根据地理纬度的程度以不同方式工作，因为纬度确定地球自转对发射的辅助程度。

例如，操作历史可以包括配置参数的快照、和/或输入数据、输出数据、训练输入数据和/或参考数据的时间序列。替代地或组合地，操作历史还可以包括警报日志、和/或事件日志、和/或过去操作的任何其他书面或电子记录。

将选择相似性标准的哪些成分以及它们将如何相对于彼此加权取决于即将到来的具体应用。无论选择哪种具体相似性标准，基本教导都是一样的：将对来自多个AI模块的数据和/或配置参数的池化和/或多个AI模块的性能之间的定量比较的问题简化为寻找适当的定量相似性标准的问题。

数据和/或参数可以从一开始就以它们满足定量相似性标准的方式从不同AI模块收集。但是，数据和/或参数也可以先以未分类方式收集，然后再分类。在另一特别有利的实施例中，首先从AI模块的第一集合中获取数据和/或参数。然后，从如此获取的数据和/或参数中，来自AI模块的第二集合的数据和/或参数被选择。AI模块的第二集合是第一集合的子集，并且该选择被执行使得随后获取的数据和/或参数与根据预定定量相似性标准而相同或足够相似的操作情况相关。数据的获取和从数据中的选择也可以在该方法内交替进行。

在另一特别有利的实施例中，成对的输入数据和对应输出数据、和/或成对的训练输入数据和对应参考数据、和/或配置参数根据与其相关的AI模块的性能的定量指标在聚合中被选择和/或加权。以这种方式，当这种聚合的结果被应用于AI模块时，更有可能提高该AI模块被应用的域、实体或车间的量化性能。

具体地，促进了来自每个模块在不同操作情况下有其优势的AI模块的数据和/或配置参数的聚合。例如，一个已训练AI模块可以在正常条件下拥有操作车间的最佳经验，而另一已训练AI模块可以在正常条件下完成一般工作，但在意外危机情况下表现出色。

在一个特别有利的实施例中，至少一个AI模块使用增强的训练数据被训练和/或重新训练。这样的训练和/或重新训练可以进一步改进现有训练，但也可以从头开始，例如通过擦除已经存在的一组配置参数。以这种方式，AI模块将用更大量的训练数据被训练，并且这组增强的训练数据根据不同操作情况也将更加多样化。

替代地或组合地，当至少一个AI模块的内部处理链配置有增强的配置参数时，产生类似效果。这可以比使用增强的训练数据训练AI模块更快，因为已经用于训练个体AI模块的所有计算工作至少部分被重复使用。

确定AI模块的性能的定量指标的一个主要应用是在发现任何模块的性能不足时采取改进措施。在一个特别有利的实施例中，响应于确定用于至少一个AI模块的性能的定量指标满足预定条件(例如，未达到预定阈值)，可以关于已经发现性能不足的AI模块，但替代性地或组合地，也关于一个或多个其他AI模块，进行以下动作中的一个或多个：

可以重置至少一个AI模块的配置参数。例如，如果AI模块的训练出错并且以某种方式误导它表现得更糟而不是更好，则这可能是合适的。然后，可以重新训练AI模块。但这种重新训练也可能建立在已有训练的基础上，因此AI模块不需要在从头开始进行完整重新训练所要的时间内脱机。重新训练例如可以使用如上所述的增强的训练数据来进行，但是替代地或组合地，它也可以包括对成对的训练输入数据和对应参考数据的某个固定集合的训练，该固定集合例如可以被视为特定类型的所有AI模块都应当接受训练的某种“最小教学大纲”。替代地或组合地，还可以使用来自至少一个AI模块的成对的训练输入数据和对应参考数据来执行重新训练，该至少一个AI模块的性能的定量指标比待重新训练AI模块更好。

至少一个AI模块的配置参数可以被改变以包括预定附加知识。例如，这可以使用增强的配置参数来完成，但是替代地或组合地，它也可以例如包括对配置参数的某种固定影响，其反映特定类型的每个AI模块在训练之后应当具有的“最低程度知识”。

学习经验可以从性能的定量指标较好的至少一个AI模块转移到性能的定量指标较差的另一AI模块。例如，这种转移可以以改变性能较差的AI模块的配置参数的形式发生。以这种方式，知识可以在AI模块的整个安装基础上传播，而不会停留在组织的边界处。

性能的定量指标较差的AI模块可以替换为性能的定量指标较好的AI模块。这种替换可能需要物理替换硬件模块。但是替换也可以仅通过将旧AI模块的配置参数替换为新AI模块的配置参数来实现。无论替换方式如何，都可以特别快速修复以达到AI模块的次优性能，而无需先花太多时间深入研究根本原因。

优选地，配置参数的聚合和/或学习经验的转移通过贝叶斯方法和/或“转移学习”来执行。这两种方法都特别适合于考虑到AI模块操作情况的差异，从而提高性能实际达到预期效果的概率。

在一个特别有利的实施例中，对性能的定量指标进行评价所依据的质量标准包括AI模块被应用的域的关键性能指标KPI。例如，这样的KPI可以是AI模块所在的车间的KPI。例如，KPI的值可以进入定量指标。如果AI模块用于以某种方式决定车间的进一步运行，诸如通过为低等级控制器建议动作和/或新设定点，则这将特别有用。

在另一特别有利的实施例中，在AI模块被应用的域的站点上，例如在AI模块所在的车间的站点上，KPI可以被抽象为规范形式。这样做的效果是双重的。首先，规范形式可能在不同车间或其他域之间具有更好的可比性。其次，将KPI抽象化可以改善车间或其他域的所有者的隐私，因为它不会泄露该所有者的商业目的。

在另一特别有利的实施例中，对性能的定量指标进行评价所依据的质量标准包括统计量，该统计量包括来自基本事实的反馈，AI模块利用该基本事实进行训练。例如，这个统计量可以进入定量指标。如果AI模块主要用于分析输入数据以从中得出结论，如上文所述，则这是特别有利的。统计量可以包括以下中的一项或多项：

·FI得分；

·F2得分；

·具有真阳性、真阴性、假阳性和假阴性的混淆矩阵；

·准确率和召回率；以及

·在诸如机器学习算法库(scikit-learn)的机器学习库中实现的其他度量。

在另一特别有利的实施例中，至少一个AI模块与以下中的一项或多项接口接合：电动机、电驱动器、泵、电力传动系、换热器、化学反应器、化学分析器、自动化控制器设备、模块化工业车间的过程模块、生产机器、测量物理测量数据(例如，用作输入数据)的传感器、或另一工业设备或子系统。这些组件是出现在很多不同车间中的非常普遍的组件，因此即使在应用定量相似性标准之后，仍将保留较大的基础，从该较大的基础中可以获取数据和/或配置参数以进行聚合。

该方法可以至少部分由计算机实现。因此，软件实施例是一种有用的单独产品，它带来了提高AI模块的安装基础的整体性能的效果。因此，本发明还提供了一种具有机器可读指令的计算机程序，该机器可读指令在由一个或多个计算机和/或工业控制系统执行时使得一个或多个计算机和/或工业控制系统执行上面介绍的方法。本发明还提供了一种具有该计算机程序的非暂态机器可读存储介质和/或下载产品。

附图说明

在下文中，使用附图来说明本发明，但无意限制本发明的范围。

附图示出：

图1：方法100的示例性流程图；

图2：可以应用方法100的示例性设置。

具体实施方式

图1示出了方法100的示例性实施例的流程图。在该示例中，AI模块2a-2d被应用的不同域1a-1d是AI模块2a-2d所在的不同车间。在步骤110中，从多个AI模块2a-2d和/或从这些AI模块2a-2d所在的车间1a-1d中获取成对的输入数据21和对应输出数据22、和/或成对的训练输入数据21a和对应参考数据23a、和/或配置参数22a。所收集的数据21、23、数据21a、23a和/或所收集的参数22a涉及AI模块2a-2d的根据预定定量相似性标准3而相同或足够相似的操作情况。一个示例性实现方式是首先根据框111从所有AI模块2a、2b、2c、2d收集数据，然后根据框112从AI模块2a-2d的子集2b、2c中只选择数据21'、23'、数据21a'、23a'、和/或配置参数22a'，使得相似性标准3满足。

在步骤120中，可以聚合成对的输入数据21和对应输出数据23、和/或成对的训练输入数据21a和对应参考数据23a，以形成用于训练AI模块2a-2d的增强的训练数据4。也就是说，如此获取的增强的训练数据4可以从用于训练个体AI模块2a-2d的训练数据21a、23a，从在个体AI模块2a-2d的操作期间收集的真实世界经验21、23，或者从这两者的任何合适的混合物来构建。在125步骤中，可以使用增强的训练数据4训练AI模块2a-2d。

在步骤130中，可以聚合配置参数22a以形成增强的配置参数5。实现这一点的示例性方式是根据框131的贝叶斯方法、或根据框132的转移学习。增强的配置参数5表示个体AI模块2a-2d的学习经验的更精细的产品，因为根据可选步骤135，在将这些增强的配置参数5应用于AI模块2a-2d的内部处理链22时，已经进入AI模块2a-2d的训练中的至少部分计算工作被保留和重复使用。增强的配置参数5能够立即被AI模块2a-2d使用并且改进其行为。相比之下，如果将增强的训练数据4转移到AI模块2a-2d，则AI模块2a-2d仍必须在AI模块2a-2d的真实世界性能改变之前在这些增强的训练数据4上执行学习过程。

根据步骤140，基于AI模块2a-2d的真实世界输入输出行为，可以根据预定质量标准6确定这些模块的性能的定量指标6a-6d，预定质量标准6例如可以包括AI模块2a-2d所在的车间1a-1d的KPI。可选地，根据框149，可以将该KPI在车间1a-1d的站点上抽象为规范形式，从而改善跨车间1a-1d的KPI的可比性和车间所有者的隐私。

可选地，可以将定量指标6a-6d馈送到成对的输入数据21和对应输出数据23、和/或成对的训练输入数据21a和对应参考数据23a的聚合120中。可选地，可以将定量指标6a-6d馈送到配置参数22a的聚合130中。例如，定量指标6a-6d可以用作选择标准和/或权重以确保来自性能更好的AI模块2a-2d的数据在聚合120、130中是优选的。聚合120、130甚至可以被限于相应定量指标6a-6d满足至少一个预定标准的AI模块2a-2d。

在菱形141处，可以确定质量指标6a-6d是否满足预定条件7，诸如低于阈值。如果条件7满足(菱形141处的真值1)，则可以单独或组合采取各种动作。

在步骤142中，可以重置至少一个AI模块2a-2d的配置参数22a。

在步骤143中，可以重新训练至少一个AI模块2a-2d。这可以：

·使用预定的一组成对的训练输入数据21a和对应参考数据23a来执行，以实施“最低教学大纲”(框143a)；

·使用增强的训练数据4来执行，以从池化的学习经验中受益(框143b)；和/或

·使用来自与待重新训练AI模块2a-2d相比性能的定量指标6a-6d较好的至少一个AI模块的成对的训练输入数据21a和对应参考数据23a来执行，以使“较强”的AI模块2a-2d帮助“较弱”的模块2-2d(框143c)。

在步骤144中，可以改变至少一个AI模块2a-2d的配置参数22a以包括预定附加知识，以实施AI模块2a-2d应当具有的“最低程度知识”。

在步骤145中，可以将来自性能的定量指标6a-6d较好的至少一个AI模块2a-2d的学习经验转移到性能的定量指标6a-6d较差的另一AI模块2a-2d。这再次使“较强”的AI模块2a-2d帮助“较弱”的模块。

在步骤146中，可以将性能的定量指标6a-6d较差的AI模块2a-2d替换为性能的定量指标6a-6d较好的AI模块2a-2d。这是对落后性能的相对快速修复，而不需要详细搜索根本原因。

使用方法100，检测和/或补救AI模块2a-2d的性能缺陷基本上归结为选择适当的相似性标准3、适当的质量标准6、条件7、以及可选地为了改进AI模块2a-2d的行为而采取的具体步骤。这些选择可以由数据科学家做出，但也可以借助于可配置的自动决策功能来自动进行。

图2示出了可以应用方法100的示例性设置。在这个玩具示例中，有四个车间1a-1d，其中每个车间1a-1d仅包含单个的相应AI模块2a-2d。实际上，每个车间1a-1d将包括非常多的不同的AI模块2a-2d。

每个AI模块2a-2d具有将输入数据21处理成输出数据23的内部处理链22。每个内部处理链22的行为由相应配置参数22a确定。在图2的示例中，内部处理链22被实现为神经网络，并且配置参数22a表示这些网络的权重。

每个AI模块2a-2d使用训练输入数据21a被训练。将从训练输入数据21a产生的输出数据23与表示“基本事实”的参考数据23a进行比较，并且该反馈用于更新配置参数22a。

如前所述，参考数据23a可以从任何合适的来源获取。例如，参考数据23a可以存在于与输出数据23相同的空间中，例如，以AI模块2a-2d应当再现的输出数据23的“训练值”的形式。在这种情况下，可以执行输出数据23与参考数据23a之间的直接数值比较。但是替代地或组合地，参考数据23a还可以包括通过将输出数据23馈送到物理车间或装置中并且从该车间或装置获取某种定量指标而获取的任何处理结果。

成对的输入数据21和输出数据23、和/或成对的训练输入数据21a和参考数据23a、和/或配置参数22a在如上所述的方法100的过程中被收集。作为方法100的结果，增强的训练数据4可以被反馈到一个或多个AI模块2a-2d中以在那里用作新的或附加的训练数据21a、23a。替代地或组合地，增强的配置参数5可以被馈送到一个或多个AI模块2a-2d中以在那里用作新的或附加的配置参数22a。

本申请的公开内容还包括以下示例：

一种用于管理多个人工智能AI模块的安装基础的方法，其中每个AI模块借助于内部处理链将输入数据转换为输出数据，其中所述输入数据包括表征至少一个物理车间、装置或系统的状态和/或行为的数据，其中所述内部处理链的行为由一组配置参数确定，该组配置参数能够基于训练输入数据和对应参考数据而被训练，内部处理链要将该训练输入数据映射到该对应参考数据，该方法包括以下步骤：

·从多个AI模块和/或这些AI模块被应用的域中获取成对的输入数据和对应输出数据、和/或成对的训练输入数据和对应参考数据、和/或配置参数，其中该数据和/或参数与AI模块的根据预定定量相似性标准而相同或足够相似的操作情况相关；以及

·聚合成对的输入数据和对应输出数据、和/或成对的训练输入数据和对应参考数据，以形成用于训练AI模块中的一个或多个AI模块的增强的训练数据；和/或

·聚合配置参数，以形成用于配置一个或多个AI模块的内部处理链的增强的配置参数；和/或

至少部分基于成对的输入数据和对应输出数据，根据预定质量标准确定用于至少一个AI模块的性能的定量指标。

1a-1d：AI模块2a-2d被应用的域，诸如车间

2a-2d：AI模块

21：针对AI模块2a-2d的输入数据

21'：输入数据21的子集

21a：针对AI模块2a-2d的训练输入数据

21a'：训练输入数据21a的子集

22：AI模块2a-2d的内部处理链

22a：AI模块2a-2d的配置参数

22a'：配置参数22a的子集

23：来自AI模块2a-2d的输出数据

23'：输出数据23的子集

23a：针对AI模块2a-2d的参考数据

23a'：参考数据23a的子集

3：定量相似性标准

4：由方法100产生的增强的训练数据

5：由方法100产生的增强的配置参数

6：用于评估AI模块2a-2d的性能的质量标准

6a-6d：用于AI模块2a-2d的性能的定量指标

7：用于定量指标6a-6d的预定条件

100：方法

110：从AI模块2a-2d收集数据和/或配置参数

111：从整组AI模块2a-2d进行收集

112：将所收集到的信息减少到子集21'、21a'、22a'、23'、23a'

120：产生增强的训练数据4

125：将增强的训练数据4应用于AI模块2a-2d

130：产生增强的配置参数5

131：贝叶斯方法

132：转移学习

135：将增强的参数5应用于AI模块2a-2d

140：确定定量指标6a-6d

141：将定量指标6a-6d与标准7进行比较

142：重置AI模块2a-2d的配置参数22a

143：重新训练AI模块2a-2d

143a：利用预定训练数据重新训练143

143b：利用增强的训练数据4重新训练143

143c：利用性能更好的模块2a-2d的训练数据重新训练143

144：改变AI模块2a-2d的配置参数22a

145：在AI模块2a-2d之间转移学习经验

146：将AI模块2a-2d替换为性能更好的模块

149：抽象KPI