具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

AI技术不断推动着产业智能化的发展，金融、能源、工业、零售等领域正在不断进行着从数字化到智能化的转型。在这个过程中，需要针对特定的场景生产相关的AI模型，解决特定场景领域问题，比如：瑕疵检测、商品检测等。而AI模型的生产是一个非常复杂的系统工程，需要考虑数据、模型、部署等各方面，目前各类AI生产平台的出现大大降低了AI模型生产的成本，使得开发者只需要关注需求和模型本身，通过简单的一些步奏就能完成模型的生产和调优。

相关技术中，AI模型生产平台主要有以下三种方式：第一种方式是，云平台的方式，开发者需要将训练数据上传到云，并且通过云平台完成建模和配置等工作，在云端完成模型训练过程，最终通过部署云服务或者下载模型软件开发工具包(SoftwareDevelopment Kit，简称SDK)的方式进行应用；第二种方式是，结合自己的生态，提供单一平台的桌面端软件，如苹果公司的CreateML(一种生成机器学习模型工具)，可以在操作系统MacOS 10.14版本上运行，能够在本地完成建模和训练的工作，可以使用苹果电脑自带的算力或者外接图形处理器(Graphics Processing Unit，简称GPU)进行模型训练；第三种方式是，私有化集群部署的方式，将开发平台(包括数据服务、模型训练、预测服务等)部署在私有云或者企业自有互联网数据中心(Internet Data Center，简称IDC)机房，供企业内部单独使用。

然而，上述第一种方式虽然能够通过云服务的方式提供完善的模型生产服务，但是会存在数据隐私以及网络依赖等问题。首先，很多客户用于模型生产的数据往往是比较隐私的，虽然云平台做了一定的数据隔离、隐私保护的机制，但对于及其敏感的数据，仍存在一定的隐患，且有些企业数据不允许离开企业内部环境。其次，使用云服务需要保证网络的稳定，在某些无网的环境则无法使用；上述第二种方式虽然能够解决部分数据隐私与网络依赖的问题，但主要有两个缺点：首先不具有通用性和可扩展性，只能支持单一的平台，必须购买相应的硬件才能使用；其次，配套的数据、部署的服务不完善，训练的模型很难实际应用起来。上述第三种方式成本非常高，需要一定规模的私有云或者IDC机房；并且需要将开发平台跟企业已有的数据仓库、数据平台、管理系统等对接，需要进行大量的私有化定制改造，整体建设周期非常长；另外，由于是完全私有化部署且系统较为庞大，不便于及时更新最新的算法、功能、机制等。

针对上述问题，本公开提出一种模型生产方法、系统、装置及电子设备。

图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的模型生产方法可应用于本公开实施例的模型生产装置，该装置可被配置于电子设备中。

如图1所示，该模型生产方法可包括如下步骤：

步骤101，获取模型生产相关操作。

在本公开实施例中，模型生产系统可为计算机(如，个人电脑)桌面端系统，模型生产系统可基于Electron(一种开源跨平台桌面应用开发工具)框架进行构建，具有跨平台特性，可支持Windows、Linux、MacOS等主流操作系统，其中，模型生产系统可包括：用户界面层、应用程序接口层、单机引擎层和管理服务层。

可选地，用户可通过用户界面层与模型生产系统进行交互，比如，用户可通过用户界面层对模型生产系统进行操作，模型生产装置可对该操作进行判断，确定该操作是否属于模型生产相关操作。其中，为了使模型生产系统可提供多种功能，模型生产相关操可包括以下操作中的至少一种：用于模型生产的数据处理操作、模型训练操作、模型优化操作和模型部署操作。

其中，用于模型生产的数据处理操作可包括数据的导入、标注、清洗、质检和导出等；模型训练操可应用于零代码建模、预制模型开发和Notebook(笔记本)建模等方式，其中，零代码建模需要进行简单的任务配置，无需写代码，就可以训练一个模型；预制模型开发，可以基于系统提供的预制模型，进行简单的修改、调参，完成模型的训练；Notebook建模可以自主地进行组网开发与建模；模型优化操作可包括：模型准确度优化与模型性能优化，其中模型准确度优化可通过智能评估报告，给出模型准确度优化建议。另外，模型性能优化可以选择量化、裁剪、蒸馏等方式，在尽可能保持原有效果的前提下，提升模型性能，减少体积；模型部署操作可用于将训练好的模型，部署成本地API服务，或者生产相应的SDK，集成到特定的生产环境。同时，也支持将训练好的模型直接导出，便于在无网环境下灵活地进行二次训练和部署。

另外，模型生产装置还可确定模型生产系统的当前软件平台，比如，模型生产装置可根据模型生产系统当前所在设备的硬件性能，确定该设备对应的操作系统，将当前该操作系统对应的设备作为模型生产系统的当前软件平台。其中，需要说明的是，设备硬件性能不同，对应的操作系统也不同，则为不同的软件平台。

步骤102，调用模型生产相关操作对应的应用程序接口，以获取模型生产相关操作对应的模型服务。

进一步地，模型生产装置可根据模型生产相关操作，调用与该模型生产相关操作对应的应用程序接口(Application Programming Interface，简称API)接口，以获取模型生产相关操作对应的模型服务。其中，为了获取丰富的模型服务，模型服务可包括以下服务中的至少一种：存储访问服务、任务调度服务、资源分配服务、服务部署服务、预制算法和预训练模型和模型框架。

步骤103，根据模型服务适配的当前软件平台的工具，调用当前软件平台的本地资源执行模型服务，以获取模型生产相关操作的操作结果。

为了使模型服务与当前软件平台的硬件性能适配，在本公开实施例中，可根据模型服务适配的当前软件平台的工具，调用当前软件平台的算力资源和/或存储资源等本地资源执行模型服务，以获取模型生产相关操作的操作结果。其中，需要说明的是，当前软件平台的工具可包括以下工具中的至少一种：指令集、指令库和软件开发工具包。

比如，模型生产装置根据模型服务对主流的操作系统以及对应的算力资源进行了适配，比如，在与模型服务适配的中央处理器(Central Processing Unit，简称CPU)上，根据中央处理器(Central Processing Unit，简称CPU)提供的一些指令集进行模型服务，或者指令库进行模型服务。若没有与模型服务适配的指令集或者指令库，可直接调用CPU的算力进行模型服务。

综上，通过获取模型生产相关操作；调用模型生产相关操作对应的应用程序接口，以获取模型生产相关操作对应的模型服务；根据模型服务适配的当前软件平台的工具，调用当前软件平台的本地资源执行模型服务，以获取模型生产相关操作的操作结果。该方法根据模型服务适配了在不同平台上执行服务所需要的工具，结合该工具调用当前软件平台的本地资源来执行该模型服务，从而使得该模型生产软件能够适用于不同的操作系统，具有较好的通用性和扩展性。

为了更加准确地获取模型生产的相关操作对应的模型服务，如图2所示，图2是根据本公开第二实施例的示意图。在本公开实施例中，模型服务的类型不同可采用不同的应用程序接口进行调用。图2所示实施例可包括如下步骤：

步骤201，获取模型生产相关操作。

步骤202，调用模型生产相关操作对应的应用程序接口，以获取模型生产相关操作对应的模型服务。其中，应用程序接口包括：功能类应用程序接口和/或管理类应用程序接口，功能类应用程序接口，用于调用模型服务；管理类应用程序接口，用于调用管理服务。

需要了解的是，应用程序接口是模型生产系统中用户界面层与该模型生产系统的其他层面(如，单机引擎层和管理服务层)的接口，根据模型生产系统中不同层面对安全性、性能、时延等要求不同，应用程序接口的实现形式有：本地远程过程调用(RemoteProcedure Call，简称RPC)服务、本地超文本传输协议(Hyper Text Transfer Protocol，简称HTTP)服务、进程间通信、动态链接库等方式。

在本公开实施例中，应用程序接口主要分为两大类：第一类为功能类应用程序接口，功能类应用程序接口可调用模型生产系统中的单机引擎层中的模型服务，包括存储访问服务、任务调度服务、资源分配服务、服务部署服务、预制算法和预训练模型、模型框架，其中，存储访问服务可为通过操作系统访问桌面本地文件系统，以及本地数据库，以满足对数据、文件、模型、元数据的存储和访问需求；任务调度服务可为完成数据、训练、评估等不同类型任务的管线调度、状态管理和生命周期管理等；资源分配服务可为通过与操作系统对接，完成本地算力资源的访问，包括本地CPU/GPU以及外接算力；服务部署服务可为支持将训练好的模型部署为本地API服务，提供部署、监控和日志存储等功能；预制算法和预训练模型可为支持零代码建模和预制模型调参的建模方式；模型框架可为集成了常用的开源深度学习、机器学习框架，比如，飞桨PaddlePaddle、开源的计算机编程语言机器学习库Pytorch、谷歌第二代机器学习框架Tensorflow、机器学习库SKLearn和开源机器学习库XGBoost等。

第二类为管理类应用程序接口，为了进一步获取丰富的模型服务，进一步提供管理类API接口可调用模型生产系统中管理服务层中的管理服务，可包括安全加密服务、授权管理服务和更新下载服务。其中，安全加密服务可为软件的核心资源提供加密服务，包括：核心代码、预制模型等；授权管理服务可为提供按时间的许可授权管理机制，保护软件知识产权，满足商业计费需求等。

步骤203，根据模型服务适配的当前软件平台的工具，调用当前软件平台的本地资源执行模型服务，以获取模型生产相关操作的操作结果。

在本公开实施例中，步骤201、203可以分别采用本公开的各实施例中的任一种方式实现，本申请实施例并不对此作出限定，也不再赘述。

综上，通过调用模型生产相关操作对应的应用程序接口，以获取模型生产相关操作对应的模型服务。其中，应用程序接口包括：功能类应用程序接口和/或管理类API接口，功能类应用程序接口，用于调用模型服务；管理类API接口，用于调用管理服务，由此，根据模型服务的类型不同采用不同的应用程序接口进行调用，可准确地获取模型生产的相关操作对应的模型服务。

本公开实施例的模型生产方法，通过获取模型生产相关操作；调用模型生产相关操作对应的应用程序接口，以获取模型生产相关操作对应的模型服务；根据模型服务适配的当前软件平台的工具，调用当前软件平台的本地资源执行模型服务，以获取模型生产相关操作的操作结果。该方法根据模型服务适配了在不同平台上执行服务所需要的工具，结合该工具调用当前软件平台的本地资源来执行该模型服务，从而使得该模型生产系统能够适用于不同的操作系统，具有较好的通用性和扩展性，且针对不同的操作系统都能够确保模型生产系统的原生体验和增量更新。

为了实现上述实施例，本公开实施例还提出一种模型生产系统。

图3是根据本公开第三实施例的示意图，如图3所示，该模型生产系统300可包括：用户界面层310、应用程序接口层320和单机引擎层330。

其中，用户界面层310，可基于跨平台框架构建，比如，软件用户界面层可基于Electron框架构建；可选地，用户可通过对用户界面层310的功能控件的操作确定模型生产相关操作，进而，用户界面层310可获取模型生产相关操作，并根据模型生产相关操作调用模型生产相关操作对应的应用程序接口。为了获取模型生产相关操作，用户界面层310可设置有以下功能控件中的至少一种：数据处理控件、模型训练控件、模型优化控件、模型部署控件。

应用程序接口层320，可分别与用户界面层310和单机引擎层330连接，用于基于用户界面层对应用程序接口的调用，获取模型生产相关操作对应的模型服务；其中，应用程序接口层可包括：功能类应用程序接口和/或管理类应用程序接口；功能类应用程序接口，可用于调用单机引擎层中的模型服务；管理类应用程序接口，可用于调用管理服务层中的管理服务。其中，模型服务可包括以下服务中的至少一种：存储访问服务、任务调度服务、资源分配服务、服务部署服务、预制算法和预训练模型和模型框架；管理服务可包括以下服务中的至少一种：安全加密服务、授权管理服务和更新下载服务。

单机引擎层330，设置有模型服务，每个模型服务适配有至少一种软件平台的工具，所述单机引擎层用于在当前软件平台上通过当前软件平台的工具调用的当前软件平台的本地资源，执行模型生产相关操作对应的模型服务；其中，当前软件平台的工具可包括以下工具中的至少一种：指令集、指令库、软件开发工具包。

作为本公开实施例的一种可能实现方式，模型生产系统300，还包括：管理服务层。其中，管理服务层，用于提供至少一种管理服务。其中，管理服务可包括以下服务中的至少一种：安全加密服务、授权管理服务和更新下载服务。

为了更好地说明上述实施例，现举例进行说明。

举例而言，如图4所示，模型生产系统以AI模型生产桌面端软件为例，AI模型生产桌面端软件包括：桌面GUI、API服务、单机引擎和管理模块，其中，桌面GUI基于Electron框架构建，具有跨平台特性，可支持Windows、Linux、MacOS等主流操作系统，桌面GUI设置有数据服务控件、模型训练控件、模型优化控件和模型部署控件，用户可通过桌面GUI对上述控件进行操作，如，数据服务操作、模型训练操作、模型优化操作和模型部署操作；API服务是桌面GUI与后台模块的接口层，对软件用户并不可见。根据不同功能模块对安全性、性能、时延等要求不同，API的实现形式有：本地RPC服务、本地HTTP服务、进程间通信、动态链接库等方式。API服务主要分为两大类：第一类为功能类，提供建模各个环节所需的功能，包括数据管理、任务管理、代码管理、评估分析、部署管理等，对应由单机引擎提供服务；第二类为管理类API，包括鉴权、更新、日志监控、计费等，对应由管理模块提供服务。单机引擎是整个桌面端软件的核心后端模块，为AI模型生产提供最核心的服务。主要包括：框架、预训练算法与预制模型、存储访问、任务调度、资源分配、服务部署等。管理模块是在核心功能之外，提供通用的管理功能，包括：安全加密、授权管理和更新下载。

本申请实施例的模型生产系统，包括：用户界面层、应用程序接口层和单机引擎层；其中，用户界面层，基于跨平台框架构建，用于获取模型生产相关操作，并调用模型生产相关操作对应的应用程序接口；应用程序接口层，分别与用户界面层和单机引擎层连接，用于基于用户界面层对应用程序接口的调用，获取模型生产相关操作对应的模型服务；单机引擎层，设置有模型服务，每个所述模型服务适配有至少一种软件平台的工具，单机引擎层用于在当前软件平台上通过当前软件平台的工具调用的当前软件平台的本地资源，执行模型生产相关操作对应的模型服务。由此，根据模型服务适配了在不同平台上执行服务所需要的工具，通过该工具调用当前软件平台的本地资源来执行模型生产相关操作对应的模型服务，从而使得该模型生产系统能够适用于不同的操作系统，具有较好的通用性和扩展性。

为了实现上述实施例，本公开实施例还提出一种模型生产装置。

图5是根据本公开第四实施例的示意图，如图5所示，模型生产装置500包括：获取模块510、第一调用模块520和第二调用模块530。

其中，获取模块510，用于获取模型生产相关操作；第一调用模块520，用于调用模型生产相关操作对应的应用程序接口，以获取模型生产相关操作对应的模型服务；第二调用模块530，用于根据模型服务适配的当前软件平台的工具，调用当前软件平台的本地资源执行模型服务，以获取模型生产相关操作的操作结果。

作为本公开实施例的一种可能实现方式，模型生产相关操作包括以下操作中的至少一种：用于模型生产的数据处理操作、模型训练操作、模型优化操作和模型部署操作。

作为本公开实施例的一种可能实现方式，应用程序接口包括：功能类应用程序接口和/或管理类应用程序接口；功能类应用程序接口，用于调用所述模型服务；管理类应用程序接口，用于调用管理服务。

作为本公开实施例的一种可能实现方式，模型服务包括以下服务中的至少一种：存储访问服务、任务调度服务、资源分配服务、服务部署服务、预制算法、预训练模型、模型框架。

作为本公开实施例的一种可能实现方式，工具包括以下工具中的至少一种：指令集、指令库、软件开发工具包。

作为本公开实施例的一种可能实现方式，管理服务包括以下服务中的至少一种：安全加密服务、授权管理服务、更新下载服务。

本公开实施例的模型生产装置，通过获取模型生产相关操作；调用模型生产相关操作对应的应用程序接口，以获取模型生产相关操作对应的模型服务；根据模型服务适配的当前软件平台的工具，调用当前软件平台的本地资源执行模型服务，以获取模型生产相关操作的操作结果。该装置可实现根据模型服务适配了在不同平台上执行服务所需要的工具，结合该工具调用当前软件平台的本地资源来执行该模型服务，从而使得该模型生产系统能够适用于不同的操作系统，具有较好的通用性和扩展性。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如模型生产方法。例如，在一些实施例中，模型生产方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的模型生产方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型生产方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。