基于物联网的目标需求的服务提供方法、系统及介质

摘要

本申请公开一种基于物联网的目标需求的服务提供方法、系统及介质，该方法应用于基于物联网的目标需求的服务提供系统。该方法包括：接收需求方发布的目标需求；从系统所注册的N个供给方中，确定与目标需求关联的M个供给方；针对M个供给方中的每一供给方，基于在系统为供给方所配置的机器学习算法，对在系统为对应供给方所配置的初始机器学习模型进行训练，获得与供给方对应的训练后的机器学习模型；验证训练后的机器学习模型，获得目标机器学习模型；将目标机器学习模型所对应的供给方作为目标供给方，并由目标供给方基于目标机器学习模型为目标需求提供服务。

权利要求

1.一种基于物联网的目标需求的服务提供方法，应用于基于物联网的目标需求的服务提供系统，所述方法包括：接收需求方发布的目标需求；其中，所述接收需求方发布的目标需求包括：对所述需求方的注册信息进行审核，获得审核结果；在所述审核结果表示审核通过的情况下，提供第一配置接口；接收所述需求方通过所述第一配置接口发布的目标需求；

从所述系统所注册的N个供给方中，确定与所述目标需求关联的M个供给方；其中，N、M均为大于1的整数，且N大于M；

针对M个供给方中的每一供给方，基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型；其中，所述基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型包括：提供与所述目标需求匹配的训练数据；

根据所述训练数据及其对应的真实标签生成训练样本；利用在所述系统为所述供给方所配置的机器学习算法和所述训练样本，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型；

验证训练后的机器学习模型，获得目标机器学习模型；其中，所述验证训练后的机器学习模型，获得目标机器学习模型包括：提供与所述目标需求匹配的测试数据；根据每一训练后的机器学习模型，对所述测试数据进行预测，获得所述测试数据的预测标签；根据所述预测标签与所述测试数据的真实标签，获取每一训练后的机器学习模型的评判指标值；根据所述评判指标值的降序排序次序，从训练后的机器学习模型中，确定出评判指标值最高的训练后的机器学习模型，作为目标机器学习模型；

将所述目标机器学习模型所对应的供给方作为目标供给方，并由所述目标供给方基于所述目标机器学习模型为所述目标需求提供服务。

2.根据权利要求1所述的方法，其中，所述方法还包括：

在基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练的情况下，为对应的训练任务分配处理资源；以及，在所述训练任务结束的情况下，释放为所述训练任务所分配的处理资源。

3.根据权利要求1所述的方法，其中，在获得与所述供给方对应的训练后的机器学习模型之后，所述方法还包括：将训练后的机器学习模型存储至预设位置；以及，

响应于查看训练后的机器学习模型的请求，提供查看接口；

通过所述查看接口查看所述预设位置处的训练后的机器学习模型。

4.根据权利要求1所述的方法，其中，在所述从所述系统所注册的N个供给方中，确定与所述目标需求关联的M个供给方之前，所述方法还包括：提供第二配置接口；

获取通过所述第二配置接口配置的所述N个供给方、及为每一所述供给方配置的机器学习算法和对应的初始机器学习模型。

5.一种基于物联网的目标需求的服务提供系统，包括：

接收模块，用于接收需求方发布的目标需求；其中，所述接收模块，具体用于对所述需求方的注册信息进行审核，获得审核结果；在所述审核结果表示审核通过的情况下，提供第一配置接口；接收所述需求方通过所述第一配置接口发布的目标需求；

关联模块，用于从所述系统所注册的N个供给方中，确定与所述目标需求关联的M个供给方；其中，N、M均为大于1的整数，且N大于M；

训练模块，用于针对M个供给方中的每一供给方，基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型；其中，所述训练模块，具体用于提供与所述目标需求匹配的训练数据；根据所述训练数据及其对应的真实标签生成训练样本；利用在所述系统为所述供给方所配置的机器学习算法和所述训练样本，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型；

验证模块，用于验证训练后的机器学习模型，获得目标机器学习模型；其中，所述验证模块，具体用于提供与所述目标需求匹配的测试数据；根据每一训练后的机器学习模型，对所述测试数据进行预测，获得所述测试数据的预测标签；根据所述预测标签与所述测试数据的真实标签，获取每一训练后的机器学习模型的评判指标值；根据所述评判指标值的降序排序次序，从训练后的机器学习模型中，确定出评判指标值最高的训练后的机器学习模型，作为目标机器学习模型；

匹配模块，用于将所述目标机器学习模型所对应的供给方作为目标供给方，并由所述目标供给方基于所述目标机器学习模型为所述目标需求提供服务。

6.一种基于物联网的目标需求的服务提供系统，其特征在于，包括：

处理器和存储器，所述存储器用于存储指令，所述指令用于控制所述处理器执行根据权利要求1至4中任一项所述的方法。

7.一种计算机可读存储介质，其中，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至4中任一项所述的方法。

说明书

基于物联网的目标需求的服务提供方法、系统及介质

技术领域

[0001] 本公开涉及人工智能技术领域，更具体的，涉及一种基于物联网的目标需求的服务提供方法、系统及介质。

背景技术

[0002] 近年来，随着人工智能技术愈来愈加丰富和完善，人工智能技术的应用场景也日趋丰富，人工智能技术对于提高行业的效率、降低产业的成本、增加产品的质量等起到了重要作用。

[0003] 目前，对人工智能技术与实体应用场景相互供需对接的方式主要包括：例如应用需求方通过线下或线上方式随机寻找和对接人工智能技术提供方，对接成功后，双方签署合作协议，支付相应款项，研发对应产品。又例如人工智能技术方主动寻找应用需求方，找到匹配的应用需求方之后，双方签署合作协议，支付相应款项，研发对应产品。

[0004] 然而，由于人工智能技术的研发和应用需要训练、测试等流程，总体来看，以上方式中仍然存在以下三点缺陷，一是在应用需求方和人工智能技术提供方就某项合作达成一致后，即转为线下传统的研发、训练和测试等模式，没有连贯的、完整的线上人工智能供需对接、训练和测试平台支撑。二是在应用需求方和人工智能技术提供方就某项合作达成一致后，没有可信、公开和公平的人工智能技术训练和测试平台对研发的人工智能技术开展有公信力的训练测试。三是由于无可信、公开和透明的人工智能技术训练和测试平台，因此线下研发的人工智能技术和产品的测试和评价将可能会导致技术不是最优的。

发明内容

[0005] 本公开实施例的一个目的是提供一种基于物联网的目标需求的服务提供的新的技术方案。

[0006] 根据本公开的第一方面，提供一种基于物联网的目标需求的服务提供方法，应用于基于物联网的目标需求的服务提供系统，所述方法包括：

[0007] 接收需求方发布的目标需求；

[0008] 从所述系统所注册的N个供给方中，确定与所述目标需求关联的M个供给方；其中，N、M均为大于1的整数，且N大于M；

[0009] 针对M个供给方中的每一供给方，基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型；

[0010] 验证训练后的机器学习模型，获得目标机器学习模型；

[0011] 将所述目标机器学习模型所对应的供给方作为目标供给方，并由所述目标供给方基于所述目标机器学习模型为所述目标需求提供服务。

[0012] 可选地，所述接收需求方发布的目标需求，包括：

[0013] 对所述需求方的注册信息进行审核，获得审核结果；

[0014] 在所述审核结果表示审核通过的情况下，提供第一配置接口；

[0015] 接收所述需求方通过所述第一配置接口发布的目标需求。

[0016] 可选地，所述方法还包括：

[0017] 在基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练的情况下，为对应的训练任务分配处理资源；以及，

[0018] 在所述训练任务结束的情况下，释放为所述训练任务所分配的处理资源。

[0019] 可选地，所述基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，包括：

[0020] 提供与所述目标需求匹配的训练数据；

[0021] 根据所述训练数据及其对应的真实标签生成训练样本；

[0022] 利用在所述系统为所述供给方所配置的机器学习算法和所述训练样本，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型。

[0023] 可选地，所述验证训练后的机器学习模型，获得目标机器学习模型，包括：

[0024] 提供与所述目标需求匹配的测试数据；

[0025] 根据每一训练后的机器学习模型，对所述测试数据进行预测，获得所述测试数据的预测标签；

[0026] 根据所述预测标签与所述测试数据的真实标签，获取每一训练后的机器学习模型的评判指标值；

[0027] 根据所述评判指标值的降序排序次数，从训练后的机器学习模型中，确定出所述目标机器学习模型。

[0028] 可选地，在获得与所述供给方对应的训练后的机器学习模型之后，所述方法还包括：

[0029] 将训练后的机器学习模型存储至预设位置；以及，

[0030] 响应于查看训练后的机器学习模型的请求，提供查看接口；

[0031] 通过所述查看接口查看所述预设位置处的训练后的机器学习模型。

[0032] 可选地，在所述根据所述目标需求的需求信息，确定能够为所述目标需求提供服务的多个供给方之前，所述方法还包括：

[0033] 提供第二配置接口；

[0034] 获取通过所述第二配置接口配置的所述N个供给方、及为每一所述供给方配置的机器学习算法和对应的初始机器学习模型。

[0035] 根据本公开的第二方面，提供一种基于物联网的目标需求的服务提供系统，其包括：

[0036] 接收模块，用于接收需求方发布的目标需求；

[0037] 关联模块，用于从所述系统所注册的N个供给方中，确定与所述目标需求关联的M个供给方；其中，N、M均为大于1的整数，且N大于M；

[0038] 训练模块，用于针对M个供给方中的每一供给方，基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型；

[0039] 验证模块，用于验证训练后的机器学习模型，获得目标机器学习模型；

[0040] 匹配模块，用于将所述目标机器学习模型所对应的供给方作为目标供给方，并由所述目标供给方基于所述目标机器学习模型为所述目标需求提供服务。

[0041] 根据本公开的第三方面，还提供一种基于物联网的目标需求的服务提供系统，其包括本公开第二方面所述的基于物联网的目标需求的服务提供系统；或者，包括存储器和处理器，所述存储器用于存储可执行的指令；所述处理器用于根据所述指令的控制进行操作以执行如本公开第一方面中所述的方法。

[0042] 本公开的一个有益效果在于，根据本公开实施例的方法、系统及介质，其将需求方和多个供给方视作物联网中的事件，每个独立事件在本系统中称之为“物”，通过本系统，需求方可以发布目标需求，并根据该目标需求的需求信息，从所注册的N个供给方中，确定与目标需求关联的M个供给方，即，形成一个需求对应多个供给的“事件”线物联特性。同时，针对M个供给方中的每一供给方，基于在本系统为供给方所配置的机器学习算法，对在本系统为对应供给方所配置的初始机器学习模型进行训练，获得与供给方对应的训练后的机器学习模型，并验证训练后的机器学习模型，获得目标机器学习模型，进而将目标机器学习模型所对应的供给方作为目标供给方，并由目标供给方基于目标机器学习模型为目标需求提供服务。即，需求方和供给方通过本系统可形成从需求发布到技术对接、模型训练、模型测试、模型服务的可信人工智能全生命周期产品生成。而且，可在线对人工智能供给技术进行可信、公开和公平的训练和测试。其次，可提升需求方和供给方对接的精准度、成功度、可信度。

附图说明

[0043] 被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

[0044] 图1是根据本公开实施例的基于物联网的目标需求的服务提供系统的硬件结构示意图；

[0045] 图2是根据本公开实施例的基于物联网的目标需求的服务提供方法的流程示意图；

[0046] 图3是根据本公开实施例的场景示意图；

[0047] 图4是根据本公开实施例的基于物联网的目标需求的服务提供系统的原理框图；

[0048] 图5是根据本公开另一实施例的基于物联网的目标需求的服务提供系统的硬件结构示意图。

具体实施方式

[0049] 现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

[0050] 以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

[0051] 对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

[0052] 在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

[0053] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

[0054] <硬件配置>

[0055] 图1示出了可用于实现本公开实施例的基于物联网的目标需求的服务提供系统1000的硬件配置。

[0056] 该基于物联网的目标需求的服务提供系统1000可以部署在服务器，也可以部署在终端设备。即，本实施例的方法可以是由服务器实施，也可以是由终端设备实施，还可以是由服务器和终端设备共同实施。

[0057] 在本实施例的方法有终端设备参与实施的应用中，交互可以包括人机交互。在本实施例的方法有服务器参与实施的应用中，交互可以包括服务器与终端设备之间的交互。

[0058] 如图1所示，基于物联网的目标需求的服务提供系统1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600、扬声器1700、麦克风1800，等等。其中，处理器1100可以是中央处理器CPU、微处理器MCU等。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、耳机接口等。通信装置1400例如能够进行有线或无线通信。显示装置1500例如是液晶显示屏、触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘等。用户可以通过扬声器1700和麦克风1800输入/输出语音信息。

[0059] 尽管在图1中对基于物联网的目标需求的服务提供系统1000均示出了多个装置，但是，本公开可以仅涉及其中的部分装置，例如，基于物联网的目标需求的服务提供系统1000只涉及存储器1200和处理器1100。

[0060] 应用于本公开的实施例中，基于物联网的目标需求的服务提供系统1000的存储器1200用于存储指令，该指令用于控制处理器1100执行本公开实施例提供的方法。

[0061] 在上述描述中，技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

[0062] <方法实施例>

[0063] 图2是根据本公开实施例的基于物联网的目标需求的服务提供方法的流程示意图，该方法应用于基于物联网的目标需求的服务提供系统，该系统可以部署在服务器和终端设备，如图2所示，该方法可以包括如下步骤S2100～S2500：

[0064] 步骤S2100，接收需求方发布的目标需求。

[0065] 目标需求是指需求方所发布的特定需求。例如，需求方为客户A，该客户A所发布的目标需求可以是实现AGV(Automated Guided Vehicle)小车的自动驾驶功能。

[0066] 在本实施例中，本步骤S2100中接收需求方发布的目标需求可以进一步包括如下步骤S2110～步骤S2130：

[0067] 步骤S2110，对所述需求方的注册信息进行审核，获得审核结果。

[0068] 本步骤S2110中，只要在本系统注册的需求方才能发布目标需求。并且，已发布的目标需求存在两种状态，其中一种状态为寻求对接状态，该种状态下，目标需求并未与供给方对接，另外一种状态是对接完成状态，该种状态下，目标需求已经与供给方对接。

[0069] 本步骤S2110中，可以是由审核人员对本系统的需求方的注册信息进行审核，审核结果包括审核通过或审核不通过。

[0070] 步骤S2120，在所述审核结果表示审核通过的情况下，提供第一配置接口。

[0071] 第一配置接口可以是输入框、下拉菜单等。该第一配置接口用于需求方发布目标需求。

[0072] 本步骤S2120中，在审核通过的情况下，需求方可被视作“事件”，该独立的事件在本系统中为“物”，与此同时，该需求方便可通过所提供的第一配置接口发布目标需求。反之，在审核不通过的情况下，则禁止需求方通过本系统发布目标需求。

[0073] 步骤S2130，接收所述需求方通过所述第一配置接口发布的目标需求。

[0074] 本步骤S2130中，在审核通过的情况下，该需求方便可通过所提供的第一配置接口发布目标需求。示例性地，需求方所发布的目标需求可以是实现AGV小车的自动驾驶功能。

[0075] 在执行步骤S2100接收需求方发布的目标需求之后，进入：

[0076] 步骤S2200，从所述基于物联网的目标需求的服务提供系统所注册的N个供给方中，确定与所述目标需求关联的M个供给方；其中，N、M均为大于1的整数，且N大于M。

[0077] 供给方为能够提供技术供给的一方。在本实施例中，不同供给方均可在本系统注册，只有在本系统经过人工审核所注册的供给方才能发布供给技术。其中，所发布的供给技术可以是机器学习算法和初始机器学习模型。可以理解的是，经过人工审核所注册的每个供给方也可被视作“事件”，每个单独“事件”在本系统中均为“物”，“物”与“物”之间通过时间线和内在逻辑相连，多个相连的“物”形成网状结构，如此有利于将不同供给方与目标需求紧密相连和对应。

[0078] 基于此，本公开实施例的方法还包括：提供第二配置接口；获取通过所述第二配置接口配置的所述N个供给方、及为每一所述供给方配置的机器学习算法和对应的初始机器学习模型。

[0079] 第二配置接口可以是输入框、下拉菜单等。

[0080] 在一个具体地实施例中，经过人工审核所注册的供给方可以通过第二配置接口配置该供给方的供给信息、该供给方的机器学习算法和对应的初始机器学习模型。示例性地，如图3所示，经过人工审核所注册的供给方包括供给方1、供给方2、供给方3……供给方N。同时，通过第二配置接口便可配置每个供给方的供给信息、每个供给方的机器学习算法和对应的初始机器学习模型。这样，供给方1、供给方2、供给方3……供给方N这N个独立“事件”均为“物”，以上目标需求即实现AGV小车的自动驾驶功能这个独立“事件”也为“物”，“物”与“物”之间通过时间线和内在逻辑相连，多个相连的“物”形成网状结构，如此有利于将不同供给方与目标需求紧密相连和对应。

[0081] 在一个具体地实施例中，在经过人工审核后的需求方发布目标需求的情况下，经过人工审核后的N个供给方便可根据该目标需求，确定是否对接该目标需求，在确定对接该目标需求的情况下，便可将该供给方确定为与目标需求关联的供给方。可以理解的是，该目标需求可以同时与M个供给方建立关联。

[0082] 在一个具体地实施例中，在经过人工审核后的需求方发布目标需求的情况下，本系统可以根据该目标需求和N个供给方的供给信息，自动从M个供给方中确定出与该目标需求关联的M个供给方。

[0083] 继续上述示例，如图3所示，所确定出的与目标需求即实现AGV小车的自动驾驶功能关联的M个供给方可以是供给方1、供给方2和供给方3。

[0084] 在本实施例中，需求方可在本系统上发布目标需求，产生目标需求的“榜单”，多个供给方均可揭此“榜单”，形成一个目标需求对应多个供给方的“事件”线物联特性。

[0085] 在执行步骤S2200从所述系统所注册的N个供给方中，确定与所述目标需求关联的M个供给方之后，进入：

[0086] 步骤S2300，针对M个供给方中的每一供给方，基于在所述基于物联网的目标需求的服务提供系统为所述供给方所配置的机器学习算法，对在所述基于物联网的目标需求的服务提供系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型。

[0087] 在本实施例中，本系统包括模型训练模块，可以是由模型训练模块基于为供给方所配置的机器学习算法，对为该供给方所配置的初始机器学习模型进行训练，从而获得与供给方对应的训练后的机器学习模型。

[0088] 在本实施例中，本步骤S2300中针对M个供给方中的每一供给方，基于在所述基于物联网的目标需求的服务提供系统为所述供给方所配置的机器学习算法，对在所述基于物联网的目标需求的服务提供系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型可以进一步包括如下步骤S2310～步骤S2330：

[0089] 步骤S2310，提供与所述目标需求匹配的训练数据。

[0090] 本步骤S2310中，其为所有的供给方所提供的训练数据均是一致的，并且，训练数据的数量越多，训练结果也通常越精准，但训练数据达到一定数量后，训练结果的精度的增加将变的越来越缓慢，直至取向稳定。在此，可以兼顾训练结果的精度和数据处理成本确定所需的训练数据的数量。

[0091] 继续上述示例，在目标需求为实现AGV小车的自动驾驶功能的情况下，与该目标需求匹配的训练数据可以是与实现AGV小车的自动驾驶功能相关的数据，该训练数据可以是图像数据，也可以是文本数据等，本实施例在此不做限定。

[0092] 步骤S2320，根据所述训练数据及其对应的真实标签生成训练样本。

[0093] 本步骤S2320中，该与训练数据对应的真实标签可以人工进行标注的标签，可以是根据人工智能技术对训练数据进行特征抽取和特征组合以获得各目标特征后，结合该训练数据对应的真实标签生成训练样本。

[0094] 步骤S2330，利用在所述基于物联网的目标需求的服务提供系统为所述供给方所配置的机器学习算法和所述训练样本，对在所述基于物联网的目标需求的服务提供系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型。

[0095] 继续上述示例，在与目标需求关联的供给方包括供给方1、供给方2和供给方3的情况下，便可基于供给方1对应的机器学习算法和该训练样本，对供给方1提供的初始机器学习模型进行训练，获得与供给方1对应的训练后的机器学习模型。基于供给方2对应的机器学习算法和该训练样本，对供给方2提供的初始机器学习模型进行训练，获得与供给方2对应的训练后的机器学习模型。以及供给方3对应的机器学习算法和该训练样本，对供给方3提供的初始机器学习模型进行训练，获得与供给方3对应的训练后的机器学习模型。

[0096] 在一个实施例中，在执行步骤S2300基于在系统为供给方所配置的机器学习算法，对在系统为对应供给方所配置的初始机器学习模型进行训练的情况下，还可为对应的训练任务分配处理资源；以及，在训练任务结束的情况下，释放为所述训练任务所分配的处理资源。

[0097] 本实施例中，本系统包括数据安全沙箱，该数据安全沙箱是指基于开源技术的数据流通虚拟模块，其具有可分配的资源和数据，具有保护原有资源、数据免受损害的同时又使得经过许可的算法和模型可以在其内运行的功能。在一个具体地实施例中，其所提供的处理资源例如但不限于包括CPU、内存用量、磁盘用量、磁盘输入/输出I/O(Input/Output)、网络I/O、图形处理器(Graphics Processing Unit，GPU)以及FPGA。

[0098] 本实施例中，本系统还包括资源分配模块，该资源分配模块自动为训练任务分配以上处理资源，以及在训练任务结束的情况下，释放所分配的处理资源。

[0099] 继续上述示例，在基于供给方1对应的机器学习算法和该训练样本，对供给方1提供的初始机器学习模型进行训练的情况下，该训练任务视为训练任务1，并为训练任务1分配处理资源，以及在训练任务1结束训练的情况下，释放为训练任务1所分配的处理资源。

[0100] 同理，在基于供给方2对应的机器学习算法和该训练样本，对供给方2提供的初始机器学习模型进行训练的情况下，该训练任务视为训练任务2，并为训练任务2分配处理资源，以及在训练任务2结束训练的情况下，释放为训练任务2所分配的处理资源。

[0101] 同理，在基于供给方3对应的机器学习算法和该训练样本，对供给方3提供的初始机器学习模型进行训练的情况下，该训练任务视为训练任务3，并为训练任务3分配处理资源，以及在训练任务3结束训练的情况下，释放为训练任务3所分配的处理资源。

[0102] 在执行步骤S2300针对M个供给方中的每一供给方，基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型之后，进入：

[0103] 步骤S2400，验证训练后的机器学习模型，获得目标机器学习模型。

[0104] 本实施例中，本系统包括模型验证模块，该模型验证模块用于验证训练后的机器学习模型，获得目标机器学习模型。

[0105] 本实施例中，本步骤S2400中验证训练后的机器学习模型，获得目标机器学习模型可以进一步包括如下步骤S2410～步骤S2440：

[0106] 步骤S2410，提供与所述目标需求匹配的测试数据。

[0107] 本步骤S2410中，其为所有的供给方所提供的测试数据均是一致的。

[0108] 在一个例子中，本系统所提供的与目标需求匹配的测试数据可以是以上测试数据的其中部分数据。例如，100条训练数据中的其中10条训练数据作为测试数据用于对训练后的机器学习模型进行验证。

[0109] 在一个例子中，本系统所提供的与目标需求匹配的测试数据还可以是将与目标需求匹配的初始数据划分为以上训练数据和该测试数据。例如，200条初始数据中的150条数据作为训练数据用于进行初始机器学习模型的训练，200条数据中的50条数据作为测试数据用于对训练后的机器学习模型进行验证。

[0110] 在一个例子中，本系统所提供的与目标需求匹配的测试数据还可以是重新上传的与目标需求匹配的数据。例如，重新上传20条数据作为测试数据用于对训练后的机器学习模型进行验证。

[0111] 步骤S2420，根据每一训练后的机器学习模型，对所述测试数据进行预测，获得所述测试数据的预测标签。

[0112] 步骤S2430，根据所述预测标签与所述测试数据的真实标签，获取每一训练后的机器学习模型的评判指标值。

[0113] 本步骤S2430中，测试数据的真实标签可以为人工标注的标签。

[0114] 评判指标值是用于衡量训练后的机器学习模型的效果的指标值。该评判指标值可以是召回率Recall、准确率Precision、精确率Accuracy之中的至少一项。可以理解的是，评价指标值越高，则模型的效果越好。

[0115] 继续上述示例，在得到供给方1对应的训练后的机器学习模型1，供给方2对应的训练后的机器学习模型2，供给方3对应的训练后的机器学习模型3之后，便可计算训练后的机器学习模型1的评判指标值、训练后的机器学习模型2的评判指标值、以及训练后的机器学习模型3的评判指标值。

[0116] 步骤S2440，根据所述评判指标值的降序排序次数，从训练后的机器学习模型中，确定出所述目标机器学习模型。

[0117] 本步骤S2440中，本系统会根据评判指标值的降序排序次数，从训练后的机器学习模型中，确定出评判指标值最高的训练后的机器学习模型，作为目标机器学习模型。

[0118] 继续上述示例，可以将训练后的机器学习模型1的评判指标值、训练后的机器学习模型2的评判指标值，以及训练后的机器学习模型3的评判指标值从高到低进行排序，训练后的机器学习模型1的评判指标值最高，表明训练后的机器学习模型1的效果最好，便可将训练后的机器学习模型1作为目标机器学习模型。

[0119] 在执行步骤S2500验证训练后的机器学习模型，获得目标机器学习模型之后，进入：

[0120] 步骤S2600，将所述目标机器学习模型所对应的供给方作为目标供给方，并由所述目标供给方基于所述目标机器学习模型为所述目标需求提供服务。

[0121] 本实施例中，在确定出效果最好的训练后的机器学习模型作为目标机器学习模型之后，便可将目标机器学习模型所对应的供给方作为目标供给方，即建立目标需求与目标供给方之间的匹配关系，以由目标供给方基于目标机器学习模型为目标需求提供服务。

[0122] 继续上述示例，将训练后的机器学习模型1作为目标机器学习模型，便可建立供给方1与目标需求之间的匹配关系，以由供给方1基于训练后的机器学习模型1为目标需求提供服务。

[0123] 根据本公开实施例的方法、系统及介质，其将需求方和多个供给方视作物联网中的事件，每个独立事件在本系统中称之为“物”，通过本系统，需求方可以发布目标需求，并根据该目标需求的需求信息，从所注册的N个供给方中，确定与目标需求关联的M个供给方，即，形成一个需求对应多个供给的“事件”线物联特性。同时，针对M个供给方中的每一供给方，基于在本系统为供给方所配置的机器学习算法，对在本系统为对应供给方所配置的初始机器学习模型进行训练，获得与供给方对应的训练后的机器学习模型，并验证训练后的机器学习模型，获得目标机器学习模型，进而将目标机器学习模型所对应的供给方作为目标供给方，并由目标供给方基于目标机器学习模型为目标需求提供服务。即，需求方和供给方通过本系统可形成从需求发布到技术对接、模型训练、模型测试、模型服务的可信人工智能全生命周期产品生成。而且，可在线对人工智能供给技术进行可信、公开和公平的训练和测试。其次，可提升需求方和供给方对接的精准度、成功度、可信度。

[0124] 在一个实施例中，本公开方法还包括如下步骤S3100～步骤S3300：

[0125] 步骤S3100，将训练后的机器学习模型存储至预设位置。

[0126] 本步骤S3100，本系统还包括模型服务模块，其可以将训练后的机器学习模型均存储至预设位置，以方便查找。

[0127] 步骤S3200，响应于查看训练后的机器学习模型的请求，提供查看接口。

[0128] 步骤S3300，通过所述查看接口查看所述预设位置处的训练后的机器学习模型。

[0129] 根据本实施例，其可以将训练后的机器学习模型统一存储，并提供对外接口供查看。

[0130] <装置实施例>

[0131] 在本实施例中，还提供一种基于物联网的目标需求的服务提供系统4000，如图4所示，系统4000包括接收模块4100、关联模块4200、训练模块4300、验证模块4400和匹配模块4500，用于实施本实施例中提供的基于物联网的目标需求的服务提供方法，该基于物联网的目标需求的服务提供装置4000的各模块可以由软件实现，也可以由硬件实现，在此不做限定。

[0132] 接收模块4100，用于接收需求方发布的目标需求。

[0133] 关联模块4200，用于从所述系统所注册的N个供给方中，确定与所述目标需求关联的M个供给方；其中，N、M均为大于1的整数，且N大于M。

[0134] 训练模块4300，用于针对M个供给方中的每一供给方，基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型。

[0135] 验证模块4400，用于验证训练后的机器学习模型，获得目标机器学习模型。

[0136] 匹配模块4500，用于将所述目标机器学习模型所对应的供给方作为目标供给方，并由所述目标供给方基于所述目标机器学习模型为所述目标需求提供服务。

[0137] 在一个实施例中，接收模块4100，具体用于对所述需求方的注册信息进行审核，获得审核结果；在所述审核结果表示审核通过的情况下，提供第一配置接口；接收所述需求方通过所述第一配置接口发布的目标需求。

[0138] 在一个实施例中，装置4000还包括资源分配模块(图中未示出)。

[0139] 资源分配模块，用于在基于在所述系统为所述供给方所配置的机器学习算法，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练的情况下，为对应的训练任务分配处理资源；以及，在所述训练任务结束的情况下，释放为所述训练任务所分配的处理资源。

[0140] 在一个实施例中，训练模块4300，具体用于提供与所述目标需求匹配的训练数据；根据所述训练数据及其对应的真实标签生成训练样本；利用在所述系统为所述供给方所配置的机器学习算法和所述训练样本，对在所述系统为对应所述供给方所配置的初始机器学习模型进行训练，获得与所述供给方对应的训练后的机器学习模型。

[0141] 在一个实施例中，验证模块4300，具体用于提供与所述目标需求匹配的测试数据；根据每一训练后的机器学习模型，对所述测试数据进行预测，获得所述测试数据的预测标签；根据所述预测标签与所述测试数据的真实标签，获取每一训练后的机器学习模型的评判指标值；根据所述评判指标值的降序排序次数，从训练后的机器学习模型中，确定出所述目标机器学习模型。

[0142] 在一个实施例中，装置4000还包括模型服务模块(图中未示出)。

[0143] 模型服务模块，用于将训练后的机器学习模型存储至预设位置；以及，响应于查看训练后的机器学习模型的请求，提供查看接口；通过所述查看接口查看所述预设位置处的训练后的机器学习模型。

[0144] 在一个实施例中，装置4000还包括配置模块(图中未示出)。

[0145] 配置模块，用于提供第二配置接口；获取通过所述第二配置接口配置的所述N个供给方、及为每一所述供给方配置的机器学习算法和对应的初始机器学习模型。

[0146] 可以理解的是，以上训练模块4100可以实现以上实施例所述的模型训练模块的功能，以上验证模块4400可以实现以上实施例所述的模型验证模块的功能，以上存储模块可以实现以上实施例所述的模型服务模块的功能。

[0147] <设备实施例>

[0148] 与上述方法实施例相对应，在本实施例中，还提供一种基于物联网的目标需求的服务提供系统，用于实施本公开任意实施例的基于物联网的目标需求的服务提供方法。

[0149] 如图5所示，该基于物联网的目标需求的服务提供系统5000可以包括处理器5100和存储器5200，该存储器5200用于存储可执行的指令；该处理器5100用于根据指令的控制运行基于物联网的目标需求的服务提供系统以执行根据本公开任意实施例的基于物联网的目标需求的服务提供方法。

[0150] 本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

[0151] 计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD‑ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

[0152] 这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

[0153] 用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

[0154] 这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

[0155] 这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

[0156] 也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

[0157] 附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

[0158] 以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。