技术领域
本发明涉及人工智能技术领域,特别是涉及一种克服歧视与偏见的人工智能教育反省机器人。
背景技术
现有技术下,通过前期调研发现人工智能用于教育时能够帮助老师更好地帮助学生学习。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:现有技术下,由于人工智能在帮助学生学习时所采用的算法是基于大数据的,而大数据中不同类型的样本的比例不同,非常容易造成人工智能的坐井观天和盲人摸象,进而造成对学生学习带来负面作用的学习内容推荐,例如让学生出现偏科、局限于局部知识、对人工智能产生依赖、被人工智能歧视等等问题,当这些问题发生后,人工智能依然一无所知,只会变本加厉地继续加大偏见和歧视,因为前面的失误甚至错误数据又成了后面的大数据来源,从而会形成人工智能偏见和歧视的恶性循环,在这种情形下,一旦人工智能用于教育的算法出现问题,学生将会陷入不良的深渊而不自知,带来严重的教学事故。
因此,现有技术还有待于改进和发展。
发明内容
基于此,有必要针对现有技术的缺陷或不足,提供克服歧视与偏见的人工智能教育反省机器人,这种人工智能能够进行自我反省,进而能够在提供教育服务的同时,不断地检点自己可能会存在的失误,并且能够不断地自我调整算法,标本兼治地克服人工智能教育机器人当前的缺陷。
第一方面,本发明实施例提供一种人工智能方法,所述方法包括:
数据生成补充步骤:获取每一用户数据,获取各类用户数据量比例,根据每一用户数据量比例判断比例是否失衡,若失衡,则生成新的所述每一用户数据,并将生成的新的所述每一用户数据补充进所述每一用户数据;
模型重新训练步骤:利用所述每一用户数据对所述每一用户数据的人工智能模型进行重新训练;
模型预测步骤:将所述每一用户数据分别输入所述人工智能模型和预设的与所述人工智能模型对应的另一人工智能模型进行预测,得到两个预测结果,判断所述两个预测结果的差异是否在预设范围内,若是,则将至少一个预测结果返回给用户;若否,则请求人工复核和修改预测结果,并请求人工复核所述人工智能模型和预设的与人工智能模型对应的另一人工智能模型;
优选地,所述方法还包括:
各类用户数据量比例获取步骤:获取人工智能用于教育时所基于的大数据中用户的类型,所述用户包括学生或/和老师,统计需要输入每一人工智能连接学派模型(包括深度学习模型、神经网络模型、量子计算模型等)的每一不同类型用户或满足预设条件的每一不同类型的用户的数据量占输入所述每一人工智能连接学派模型的用户总数据量的比例,作为所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例;
比例是否失衡判断处理步骤:判断所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例与所述每一人工智能连接学派模型下各类型用户的数据量比例的最大值的差值的绝对值是否低于所述每一人工智能连接学派模型可以容忍的预设比例差值阈值,若是,则所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例符合要求;若否,则所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例不符合要求,通过预设的数据第一生成步骤或预设的数据第二生成步骤来生成所述每一不同类型用户的数据,直至所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例与所述每一人工智能连接学派模型下各类型用户的数据量比例的最大值的差值的绝对值不低于所述每一人工智能连接学派模型可以容忍的预设比例差值阈值;
模型重新训练步骤:根据所述每一人工智能连接学派模型下所述每一不同类型用户的数据集对所述每一人工智能连接学派模型进行重新训练和测试。
优选地,所述方法还包括:
数据第一生成步骤:获取所述每一人工智能连接学派模型下与所述每一不同类型用户的类型最为接近的且数据量比例符合要求的用户类型,获取所述每一人工智能连接学派模型下所述最为接近的且数据量比例符合要求的用户类型的数据,将所述每一不同类型用户的每一数据作为每一第一数据,从所述最为接近的且数据量比例符合要求的用户类型的数据中模糊匹配得到与每一第一数据最相似的数据作为每一第二数据,将所述最为接近的且数据量比例符合要求的用户类型的数据中第二数据之外的每一数据作为每一第三数据;初始化深度学习模型或神经网络或机器学习模型或量子计算模型作为数据预测模型;将训练和测试样本中每一第二数据、对应的每一第一数据作为代码预测模型的输入和预期输出,对数据预测模型进行训练和测试;将每一第三数据作为代码预测模型的输入,计算得到的输出作为每一第四数据;将所有第四数据加入所述每一人工智能连接学派模型下所述每一不同类型用户的数据集;
数据第二生成步骤:获取能够生成所述每一人工智能连接学派模型所需数据的人工智能符号学派模型(例如推理机、规则库、知识库、专家系统等),获取所述每一人工智能连接学派模型所需数据的取值范围,通过所述人工智能符号学派模型在所述取值范围内生成多个第五数据,将所述第五数据加入所述每一人工智能连接学派模型下所述每一不同类型用户的数据集。
优选地,所述方法还包括:
连接学派模型预测步骤:获取所述每一人工智能连接学派模型的待预测的输入数据,将所述待预测的输入数据输入所述每一人工智能连接学派模型进行计算,得到的输出作为第一预测结果;
符号学派模型预测步骤:若所述待预测的输入数据所属的用户满足预设条件,则获取所述每一人工智能连接学派模型的待预测的输入数据,将所述待预测的输入数据输入所述每一人工智能连接学派模型对应的人工智能符号学派模型进行计算,得到的输出作为第二预测结果;
结果判断步骤:若所述待预测的输入数据所属的用户满足预设条件,则判断第一预测结果与第二预测结果的差异是否在预设可信范围内,若是,则将第一预测结果作为待预测的输入数据对应的预测结果(主要因为人工智能连接学派模型的预测结果一般比人工智能连接学派模型的预测结果更为精细,所以优先选用人工智能连接学派模型的预测结果);若否,则将第一预测结果和第二预测结果发送给老师,发信息提醒老师参考和复核,并接受老师复核或/和修改后的预测结果,将所述老师复核或/和修改后的预测结果作为待预测的输入数据对应的预测结果,同时将第一预测结果和第二预测结果以及所述每一人工智能连接学派模型和对应的人工智能符号学派模型发送给人工智能研发相关人员对所述每一人工智能连接学派模型和对应的人工智能符号学派模型进行复核,并接受人工智能研发相关人员复核或/和修改后的人工智能连接学派模型和对应的人工智能符号学派模型来替换原有的所述每一人工智能连接学派模型和对应的人工智能符号学派模型。
优选地,所述方法还包括:
符号学派模型获取步骤:获取与所述每一人工智能连接学派模型的输入项相同且输出项匹配的人工智能符号学派模型(例如推理机、规则库、知识库、专家系统等),作为与所述每一人工智能连接学派模型对应的人工智能符号学派模型;所述输出项匹配包括输出项类型相同但要求的精度不一定相同,或人工智能连接学派模型的输出项代表具体数值但人工智能符号学派模型的输出项代表取值范围;或人工智能连接学派模型的输出项代表定量数据但人工智能符号学派模型的输出项代表定性数据。
优选地,所述方法还包括:
预设条件设置步骤:所述预设条件包括学习成绩差、存在学习“偏食挑食”问题、对人工智能服务不满意(说明人工智能服务存在缺陷)、反馈或投诉人工智能存在歧视、过于频繁使用人工智能服务(说明可能对人工智能服务产生了依赖,可以通过使用频次的预设阈值来进行判断)、极少使用人工智能服务(说明可能人工智能服务存在缺陷,可以通过使用频次的预设阈值来进行判断)中的一个或几个预设条件。
第二方面,本发明实施例提供一种人工智能系统,所述系统包括:
数据生成补充模块:获取每一用户数据,获取各类用户数据量比例,根据每一用户数据量比例判断比例是否失衡,若失衡,则生成新的所述每一用户数据,并将生成的新的所述每一用户数据补充进所述每一用户数据;
模型重新训练模块:利用所述每一用户数据对所述每一用户数据的人工智能模型进行重新训练;
模型预测模块:将所述每一用户数据分别输入所述人工智能模型和预设的与所述人工智能模型对应的另一人工智能模型进行预测,得到两个预测结果,判断所述两个预测结果的差异是否在预设范围内,若是,则将至少一个预测结果返回给用户;若否,则请求人工复核和修改预测结果,并请求人工复核所述人工智能模型和预设的与人工智能模型对应的另一人工智能模型。
优选地,所述系统还包括:
各类用户数据量比例获取模块:获取人工智能用于教育时所基于的大数据中用户的类型,所述用户包括学生或/和老师,统计需要输入每一人工智能连接学派模型(包括深度学习模型、神经网络模型、量子计算模型等)的每一不同类型用户或满足预设条件的每一不同类型的用户的数据量占输入所述每一人工智能连接学派模型的用户总数据量的比例,作为所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例;
比例是否失衡判断处理模块:判断所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例与所述每一人工智能连接学派模型下各类型用户的数据量比例的最大值的差值的绝对值是否低于所述每一人工智能连接学派模型可以容忍的预设比例差值阈值,若是,则所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例符合要求;若否,则所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例不符合要求,通过预设的数据第一生成模块或预设的数据第二生成模块来生成所述每一不同类型用户的数据,直至所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例与所述每一人工智能连接学派模型下各类型用户的数据量比例的最大值的差值的绝对值不低于所述每一人工智能连接学派模型可以容忍的预设比例差值阈值;
模型重新训练模块:根据所述每一人工智能连接学派模型下所述每一不同类型用户的数据集对所述每一人工智能连接学派模型进行重新训练和测试。
优选地,所述系统还包括:
数据第一生成模块:获取所述每一人工智能连接学派模型下与所述每一不同类型用户的类型最为接近的且数据量比例符合要求的用户类型,获取所述每一人工智能连接学派模型下所述最为接近的且数据量比例符合要求的用户类型的数据,将所述每一不同类型用户的每一数据作为每一第一数据,从所述最为接近的且数据量比例符合要求的用户类型的数据中模糊匹配得到与每一第一数据最相似的数据作为每一第二数据,将所述最为接近的且数据量比例符合要求的用户类型的数据中第二数据之外的每一数据作为每一第三数据;初始化深度学习模型或神经网络或机器学习模型或量子计算模型作为数据预测模型;将训练和测试样本中每一第二数据、对应的每一第一数据作为代码预测模型的输入和预期输出,对数据预测模型进行训练和测试;将每一第三数据作为代码预测模型的输入,计算得到的输出作为每一第四数据;将所有第四数据加入所述每一人工智能连接学派模型下所述每一不同类型用户的数据集;
数据第二生成模块:获取能够生成所述每一人工智能连接学派模型所需数据的人工智能符号学派模型(例如推理机、规则库、知识库、专家系统等),获取所述每一人工智能连接学派模型所需数据的取值范围,通过所述人工智能符号学派模型在所述取值范围内生成多个第五数据,将所述第五数据加入所述每一人工智能连接学派模型下所述每一不同类型用户的数据集。
优选地,所述系统还包括:
连接学派模型预测模块:获取所述每一人工智能连接学派模型的待预测的输入数据,将所述待预测的输入数据输入所述每一人工智能连接学派模型进行计算,得到的输出作为第一预测结果;
符号学派模型预测模块:若所述待预测的输入数据所属的用户满足预设条件,则获取所述每一人工智能连接学派模型的待预测的输入数据,将所述待预测的输入数据输入所述每一人工智能连接学派模型对应的人工智能符号学派模型进行计算,得到的输出作为第二预测结果;
结果判断模块:若所述待预测的输入数据所属的用户满足预设条件,则判断第一预测结果与第二预测结果的差异是否在预设可信范围内,若是,则将第一预测结果作为待预测的输入数据对应的预测结果(主要因为人工智能连接学派模型的预测结果一般比人工智能连接学派模型的预测结果更为精细,所以优先选用人工智能连接学派模型的预测结果);若否,则将第一预测结果和第二预测结果发送给老师,发信息提醒老师参考和复核,并接受老师复核或/和修改后的预测结果,将所述老师复核或/和修改后的预测结果作为待预测的输入数据对应的预测结果,同时将第一预测结果和第二预测结果以及所述每一人工智能连接学派模型和对应的人工智能符号学派模型发送给人工智能研发相关人员对所述每一人工智能连接学派模型和对应的人工智能符号学派模型进行复核,并接受人工智能研发相关人员复核或/和修改后的人工智能连接学派模型和对应的人工智能符号学派模型来替换原有的所述每一人工智能连接学派模型和对应的人工智能符号学派模型。
优选地,所述系统还包括:
符号学派模型获取模块:获取与所述每一人工智能连接学派模型的输入项相同且输出项匹配的人工智能符号学派模型(例如推理机、规则库、知识库、专家系统等),作为与所述每一人工智能连接学派模型对应的人工智能符号学派模型;所述输出项匹配包括输出项类型相同但要求的精度不一定相同,或人工智能连接学派模型的输出项代表具体数值但人工智能符号学派模型的输出项代表取值范围;或人工智能连接学派模型的输出项代表定量数据但人工智能符号学派模型的输出项代表定性数据。
优选地,所述系统还包括:
预设条件设置模块:所述预设条件包括学习成绩差、存在学习“偏食挑食”问题、对人工智能服务不满意(说明人工智能服务存在缺陷)、反馈或投诉人工智能存在歧视、过于频繁使用人工智能服务(说明可能对人工智能服务产生了依赖,可以通过使用频次的预设阈值来进行判断)、极少使用人工智能服务(说明可能人工智能服务存在缺陷,可以通过使用频次的预设阈值来进行判断)中的一个或几个预设条件。
第三方面,本发明实施例提供一种人工智能装置,所述装置包括第二方面实施例任意一项所述系统的模块。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面,本发明实施例提供一种机器人,包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序,所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的克服歧视与偏见的人工智能教育反省机器人,包括:数据生成补充步骤;模型重新训练步骤;模型预测步骤。上述方法、系统和机器人,基于大数据和人工智能模型通过生成更多地数据来弥补不同类型用户的数据失衡问题,从而可以避免因数据失衡引起的人工智能偏见、歧视等弊端;同时通过多个人工智能模型来对用户数据进行预测,相互比照,来更早地发现问题,并由人工复核,从而可以更快更早地发现人工智能应用中存在的问题,并能及早进行改正和补救;这两个方面使得人工智能能够在数据和算法模型两个层面进行反省,在人工智能应用的很多领域都意义重大,例如应用于教育领域时能够极大减少甚至避免人工智能因为歧视、偏见等导致的教学事故和负面作用。
附图说明
图1为本发明的一个实施例提供的人工智能方法的流程图;
图2为本发明的一个实施例提供的人工智能方法包括的流程图;
图3为本发明的一个实施例提供的人工智能方法包括的流程图;
图4为本发明的一个实施例提供的人工智能方法包括的流程图。
具体实施方式
下面结合本发明实施方式,对本发明实施例中的技术方案进行详细地描述。
本发明的基本实施例
本发明的一个实施例提供一种人工智能方法,如图1所示,所述方法包括:数据生成补充步骤;模型重新训练步骤;模型预测步骤。技术效果:所述方法基于大数据和人工智能模型通过生成更多地数据来弥补不同类型用户的数据失衡问题,从而可以避免因数据失衡引起的人工智能偏见、歧视等弊端;同时通过多个人工智能模型来对用户数据进行预测,相互比照,来更早地发现问题,并由人工复核,从而可以更快更早地发现人工智能应用中存在的问题,并能及早进行改正和补救;这两个方面使得人工智能能够在数据和算法模型两个层面进行反省,在人工智能应用的很多领域都意义重大,例如应用于教育领域时能够极大减少甚至避免人工智能因为歧视、偏见等导致的教学事故和负面作用。
在一个优选的实施例中,如图2所示,所述方法还包括:各类用户数据量比例获取步骤;比例是否失衡判断处理步骤;模型重新训练步骤。技术效果:所述方法基于大数据和连接学派人工智能模型通过不同类型用户数据量比例的对比来及时发现数据量不足的用户类型,进而对数据进行补充后重新训练连接学派人工智能模型,这样可以极大地降低由于不同类型用户的数据量不同可能带来的连接学派人工智能模型特别是当前最为流行的深度学习模型误判的问题,现有很多基于深度学习的人脸识别模型、犯罪预测模型等模型都对某些种族或某种性别或某种职业等存在着偏见和歧视,如果这种偏见和歧视在人工智能应用于教育时存在,将会给教学带来极大的隐患。
在一个优选的实施例中,如图3所示,所述方法还包括:数据第一生成步骤;数据第二生成步骤。技术效果:所述方法基于连接学派人工智能模型或符号学派人工智能模型生成更多的用户数据来弥补部分用户数据量不足的问题,而且通过自动生成数据极大地降低了数据采集的成本,而且为缺乏采集来源的数据提供了可行的解决方案,对于消除因数据量不足或数据不均衡引起的人工智能算法和应用风险来说意义极其重大。
在一个优选的实施例中,如图4所示,所述方法还包括:连接学派模型预测步骤;符号学派模型预测步骤;结果判断步骤。技术效果:所述方法基于连接学派和符号学派人工智能通过两种不同学派模型的预测结果的比较,来判断预测结果是否可信,就相当于是两个专家进行会诊,如果两个专家诊断的结果基本一致,必然是可信的,否则说明人工智能处理的结果不一定可信,就需要人工复核,从而能够及时地发现人工智能算法和处理结果中存在的问题,极大地提高了人工智能的可信度。
在一个优选的实施例中,所述方法还包括:符号学派模型获取步骤。技术效果:所述方法基于符号学派人工智能模型通过输入项和输出项的比较和模糊匹配,使得连接学派人工智能模型和符号学派的人工智能模型能够配套,如果输入同样格式的数据后得到格式兼容的输出数据,而且能够兼容定量和定性两种不同的输出格式,从而使得通过两种不同学派的模型进行预测成为可能。
在一个优选的实施例中,所述方法还包括:预设条件设置步骤。技术效果:所述方法基于大数据通过预设条件来降低计算量,只对可能失衡的用户类型的数据是否失衡进行检测,也只对可能预测失误的用户类型进行2次预测并进行比对,这样既能极大地降低计算资源的效果,提高计算效率和速度,同时预设条件基本上涵盖了所有的可能有问题的用户类型,所以能够更快地确认和筛查出有问题的用户类型,并对其对应的数据和人工智能模型进行及时的弥补和纠正。
本发明的优选实施例
数据生成补充步骤:获取每一用户数据,获取各类用户数据量比例,根据每一用户数据量比例判断比例是否失衡,若失衡,则生成新的所述每一用户数据,并将生成的新的所述每一用户数据补充进所述每一用户数据;
模型重新训练步骤:利用所述每一用户数据对所述每一用户数据的人工智能模型进行重新训练;
模型预测步骤:将所述每一用户数据分别输入所述人工智能模型和预设的与所述人工智能模型对应的另一人工智能模型进行预测,得到两个预测结果,判断所述两个预测结果的差异是否在预设范围内,若是,则将至少一个预测结果返回给用户;若否,则请求人工复核和修改预测结果,并请求人工复核所述人工智能模型和预设的与人工智能模型对应的另一人工智能模型;
各类用户数据量比例获取步骤:获取人工智能用于教育时所基于的大数据中用户的类型,所述用户包括学生或/和老师,统计需要输入每一人工智能连接学派模型(包括深度学习模型、神经网络模型、量子计算模型等)的每一不同类型用户或满足预设条件的每一不同类型的用户的数据量占输入所述每一人工智能连接学派模型的用户总数据量的比例,作为所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例。
预设条件设置步骤:所述预设条件包括学习成绩差、存在学习“偏食挑食”问题、对人工智能服务不满意(说明人工智能服务存在缺陷)、反馈或投诉人工智能存在歧视、过于频繁使用人工智能服务(说明可能对人工智能服务产生了依赖,可以通过使用频次的预设阈值来进行判断)、极少使用人工智能服务(说明可能人工智能服务存在缺陷,可以通过使用频次的预设阈值来进行判断)中的一个或几个预设条件。
比例是否失衡判断处理步骤:判断所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例与所述每一人工智能连接学派模型下各类型用户的数据量比例的最大值的差值的绝对值是否低于所述每一人工智能连接学派模型可以容忍的预设比例差值阈值,若是,则所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例符合要求;若否,则所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例不符合要求,通过预设的数据第一生成步骤或预设的数据第二生成步骤来生成所述每一不同类型用户的数据,直至所述每一人工智能连接学派模型下所述每一不同类型用户的数据量比例与所述每一人工智能连接学派模型下各类型用户的数据量比例的最大值的差值的绝对值不低于所述每一人工智能连接学派模型可以容忍的预设比例差值阈值;
数据第一生成步骤:获取所述每一人工智能连接学派模型下与所述每一不同类型用户的类型最为接近的且数据量比例符合要求的用户类型,获取所述每一人工智能连接学派模型下所述最为接近的且数据量比例符合要求的用户类型的数据,将所述每一不同类型用户的每一数据作为每一第一数据,从所述最为接近的且数据量比例符合要求的用户类型的数据中模糊匹配得到与每一第一数据最相似的数据作为每一第二数据,将所述最为接近的且数据量比例符合要求的用户类型的数据中第二数据之外的每一数据作为每一第三数据;初始化深度学习模型或神经网络或机器学习模型或量子计算模型作为数据预测模型;将训练和测试样本中每一第二数据、对应的每一第一数据作为代码预测模型的输入和预期输出,对数据预测模型进行训练和测试;将每一第三数据作为代码预测模型的输入,计算得到的输出作为每一第四数据;将所有第四数据加入所述每一人工智能连接学派模型下所述每一不同类型用户的数据集;
数据第二生成步骤:获取能够生成所述每一人工智能连接学派模型所需数据的人工智能符号学派模型(例如推理机、规则库、知识库、专家系统等),获取所述每一人工智能连接学派模型所需数据的取值范围,通过所述人工智能符号学派模型在所述取值范围内生成多个第五数据,将所述第五数据加入所述每一人工智能连接学派模型下所述每一不同类型用户的数据集;
模型重新训练步骤:根据所述每一人工智能连接学派模型下所述每一不同类型用户的数据集对所述每一人工智能连接学派模型进行重新训练和测试;
连接学派模型预测步骤:获取所述每一人工智能连接学派模型的待预测的输入数据,将所述待预测的输入数据输入所述每一人工智能连接学派模型进行计算,得到的输出作为第一预测结果;
符号学派模型获取步骤:获取与所述每一人工智能连接学派模型的输入项相同且输出项匹配的人工智能符号学派模型(例如推理机、规则库、知识库、专家系统等),作为与所述每一人工智能连接学派模型对应的人工智能符号学派模型;所述输出项匹配包括输出项类型相同但要求的精度不一定相同,或人工智能连接学派模型的输出项代表具体数值但人工智能符号学派模型的输出项代表取值范围;或人工智能连接学派模型的输出项代表定量数据但人工智能符号学派模型的输出项代表定性数据;
符号学派模型预测步骤:若所述待预测的输入数据所属的用户满足预设条件,获取所述每一人工智能连接学派模型的待预测的输入数据,将所述待预测的输入数据输入所述每一人工智能连接学派模型对应的人工智能符号学派模型进行计算,得到的输出作为第二预测结果;
结果判断步骤:若所述待预测的输入数据所属的用户满足预设条件,判断第一预测结果与第二预测结果的差异是否在预设可信范围内,若是,则将第一预测结果作为待预测的输入数据对应的预测结果(主要因为人工智能连接学派模型的预测结果一般比人工智能连接学派模型的预测结果更为精细,所以优先选用人工智能连接学派模型的预测结果);若否,则将第一预测结果和第二预测结果发送给老师,发信息提醒老师参考和复核,并接受老师复核或/和修改后的预测结果,将所述老师复核或/和修改后的预测结果作为待预测的输入数据对应的预测结果,同时将第一预测结果和第二预测结果以及所述每一人工智能连接学派模型和对应的人工智能符号学派模型发送给人工智能研发相关人员对所述每一人工智能连接学派模型和对应的人工智能符号学派模型进行复核,并接受人工智能研发相关人员复核或/和修改后的人工智能连接学派模型和对应的人工智能符号学派模型来替换原有的所述每一人工智能连接学派模型和对应的人工智能符号学派模型。
可信判断模型构建步骤:初始化深度学习模型或神经网络或机器学习模型或量子计算模型作为可信判断模型;获取训练和测试样本中的第一预测结果与第二预测结果、所述第一预测结果与第二预测结果的差异是否在预设可信范围内的判断结果,将第一预测结果与第二预测结果作为输入,将所述第一预测结果与第二预测结果的差异是否在预设可信范围内的判断结果作为输出对可信判断模型进行训练和测试;
可信判断模型使用步骤:获取待判断的第一预测结果与第二预测结果,将所述第一预测结果与第二预测结果输入所述可信判断模型,计算得到的输出作为判断第一预测结果与第二预测结果的差异是否在预设可信范围内的结果。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,则对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
机译: 电子人或机器人的人工智能计算机系统,其中电子人或机器人的人工智能计算机系统的接收信号反应,电子人或机器人的人工智能计算机系统的关联,思想机器人或机器人的人工智能计算机系统的实例化,以及该机器人或机器人的人工智能计算机系统的工作方法
机译: 电子人或机器人的人工智能的计算机系统,其中该计算机系统的记录的信号来自电子人或机器人的人工智能,电子人或机器人的人工智能的计算机系统的对应关联。机器人,并在计算机系统中物理地构建了电子人或机器人的人工智能计算机系统的相应思想,以及电子人或机器人的人工智能计算机系统的工作方法
机译: 电子人或机器人的人工智能的计算机系统,其中,电子人或机器人的人工智能的计算机系统的接收信号反应,电子人或机器人的人工智能的计算机系统的对应关联。 android,物理上构建了电子人或机器人的人工智能计算机系统的相应思想,以及电子人或机器人的人工智能计算机系统的工作方法