1.本发明涉及人工智能技术领域，尤其涉及基于机器量化尽责的机器学习方法及系统。
背景技术：2.人工智能的核心是机器学习，机器学习目前最核心的是深度学习，目前都是缺乏一套完整的数理基础，所以人工智能更多是一种大杂烩，而不是一个真正意义上的学科。
3.各种机器学习这几年无论是理论上还是应用上，都十分热，比如监督式学习、增强学习、自监督学习、无监督学习、联邦学习等不同的机器学习方法都在不同程度地进行算法完善、理论扩展，以及应用试水。
4.但总的效果不是很理想，主要表现在：复杂工程化和产业化普及不了，性价比低下，效果不及预期。以ai换人目前完全做不到，无人工厂更多只是取代标准化操作规程，难于满足市场竞争所需要的动态价值变现需求。
5.以上主要原因在于机器学习无法有效地承担相应的责任，而ai本身不清楚其算法的管理要义。
6.比如针对机器学习算法的可解释性要求也是一种技术要求，一般人没法理解和操作，而且可解释性也存在漏洞，难以全方位量化评估。
7.机器学习和人类学习一样，学习成果是否有工程化、产业化的价值，根本上看是学习的结果是否可以实现更好的尽职尽责，所以真正有意义的机器学习肯定是一个尽责式履责的过程，对机器学习算法可以称为是量化尽责验证过程。
8.针对上述技术问题，本发明提供基于机器量化尽责的机器学习方法及系统。
技术实现要素：9.本发明的目的是针对现有技术的缺陷，提供了基于机器量化尽责的机器学习方法及系统。
10.为了实现以上目的，本发明采用以下技术方案：
11.基于机器量化尽责的机器学习方法，包括：
12.s1.构建与人工智能应用角色相关的责任清单集；
13.s2.构建基于责任时空的责任信任履责评估函数；
14.s3.基于履责评估函数对构建的所有责任清单集进行汇总评估，得到评估结果；
15.s4.基于评估结果以及不同责任清单的权重及规则，得到责任清单的尽责结果。
16.进一步的，所述步骤s1中责任清单集包括岗位责任集、法律责任集、辅助责任集。
17.进一步的，所述步骤s2中责任时空包括时间维、空间维、信息维或关系维。
18.进一步的，所述步骤s3中的履责评估函数包括风险函数、学习函数；所述风险函数用于检测尽责不到位的参数或指标项目；学习函数用于对不到位的参数结合经验数据、各种学习算法来结合风险函数实现尽责到位。
19.进一步的，所述学习函数还用于将履责过程数据整理成标准的履责库。
20.进一步的，所述步骤s4中还包括基于评估结果以及不同责任清单的权重，得到不尽责的责任清单。
21.进一步的，所述步骤s4之后还包括：
22.s5.根据风险因素对履责评估函数优化拟合，得到最终履责评估函数。
23.相应的，还提供基于机器量化尽责的机器学习系统，包括：
24.第一构建模块，用于构建与人工智能应用角色相关的责任清单集；
25.第二构建模块，用于构建基于责任时空的责任信任履责评估函数；
26.评估模块，用于基于履责评估函数对构建的所有责任清单集进行汇总评估，得到评估结果；
27.尽责模块，用于基于评估结果以及不同责任清单的权重及规则，得到责任清单的尽责结果。
28.进一步的，所述评估模块中的履责评估函数包括风险函数、学习函数；所述风险函数用于检测尽责不到位的参数或指标项目；学习函数用于对不到位的参数结合经验数据、各种学习算法来结合风险函数实现尽责到位。
29.进一步的，还包括：
30.优化模块，用于根据风险因素对履责评估函数优化拟合，得到最终履责评估函数。
31.与现有技术相比，本发明通过量化尽责的目标方程机制，实现了学习的精准化，避免了当前主要依赖神经网络参数维度过高导致的算力严重浪费、边缘知识体系性差、算法可解释性困难等问题；通过尽责差距有针对性评估学习效果的机制，统一了当前各种机器学习算法，用于尽责优选或知识补漏，可简称为尽责学习；尽责评估机制解决了算法可解释性落地难的问题。同时通过配置人工智能的责任清单集，也为通用型人工智能建立了可工程化的技术框架。
附图说明
32.图1是实施例一提供的基于机器量化尽责的机器学习方法流程图；
33.图2是实施例一提供的当前各种及其学习的示意图；
34.图3是实施例一提供的量化履责评估函数示意图；
35.图4是实施例一提供的风险、认知、责任函数示意图；
36.图5是实施例一提供的形式规范、理论基础和评估方法示意图。
37.具体实施方式
38.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
39.本发明的目的是针对现有技术的缺陷，提供基于机器量化尽责的机器学习方法及
系统。
40.实施例一
41.本实施例提供基于机器量化尽责的机器学习方法，如图1所示，包括：
42.s1.构建与人工智能应用角色相关的责任清单集；
43.s2.构建基于责任时空的责任信任履责评估函数；
44.s3.基于履责评估函数对构建的所有责任清单集进行汇总评估，得到评估结果；
45.s4.基于评估结果以及不同责任清单的权重及规则，得到责任清单的尽责结果。
46.当前各种学习比较多，但是没有一个体系性，如图2所示，所有的学习都是在如何履责，只不过这个责任层级不同、复杂程度不同、难度系数不同。因此学习的结果可不可靠，机器学习和人类学习一样，是否可以工程化，需要通过尽职尽责的验证，所以高质量的机器学习肯定是一个尽责式履责的过程，对机器学习算法可以称为是量化尽责验证过程。
47.本实施例的机器学习量化尽责需要以下过程：1、量化明责；2、量化知责；3、量化履责；4、量化评责；5、量化优责。
48.在步骤s1中，构建与人工智能ai应用角色相关的责任清单集。
49.构建责任清单集即属于量化明责，量化明责是通过ai角色相关的责任清单集构造，尽责尤其需要法律责任集的尽责；因此责任清单集可以包括岗位责任集、法律责任集、辅助责任集。
50.在步骤s2中，构建基于责任时空的责任信任履责评估函数。
51.构建责任信任履责评估函数即量化知责，量化知责是需要从责任时空上进行构建，实现学习的风险管理(履责风险)；责任时空包括时间维、空间维、信息维或关系维，基于责任时空得到每一条责任清单时空四维的各类参数及参数达标规则集。
52.在步骤s3中，基于履责评估函数对构建的所有责任清单集进行汇总评估，得到评估结果。
53.得到评估结果即量化履责，量化履责是学习过程管理(履责经验、衍生风险判断、量化履责)，通过责任时空中的责任信任差距来优选学习算法等。
54.在本实施例中，量化履责模型包括风险函数、学习函数。
55.如图3所示，给定责任清单集，按责任时空来进行履责信任的分解，分解后生成各个维度上的履责参数集。
56.风险函数负责对履责过程中可能不到位的动态检测，检测出履责不到位的参数内容或指标项目；本实施例中，风险函数也称风险管理，找到不尽责的风险或原因，可以从责任时空中找到时间、空间、信息或关系维的原因，并分别对时空四维各类参数进行边界计算，列出不满足的参数列表。
57.学习函数从已有的履责知识库中优选，也可以从神经网络模型中获取履责推理记录中优选，也可以从机器学习的概率统计(如贝叶斯方程)中提取、监督学习中结构化推理、无监督学习的密度估计、强化学习的语义模型等中优选，优选对照风险函数进行确定，这一过程也可以被称为知识点的查漏补缺，相对计算量可以大大减少。本实施例中学习函数还用于将履责过程数据整理成标准的履责库；本实施例中学习函数又称认知管理，是建立知识库模型，来快速优选算法，并对不满足的参数列表进行深入测试，包括：
58.1)履责知识库中匹配(尤其是尽责知识库)；
59.2)神经网络记忆(推理)，履责参数注意力检索；
60.3)概率统计中匹配；
61.4)监督学习、无监督学习、强化学习等匹配，在通过风险函数验证是否最优，如果通过，则存入尽责知识库中，否则存入神经网络记忆中。
62.责任评估函数针对履责结果进行评估，用责任差距函数进行时空的信任差距计算，是整个责任清单集的逐一计算和综合评估，对尽责的可以列入已有的尽责知识库(履责知识库的一部分)，并得到需要尽责优化的清单集；再将这些需要极大优化的要从原先责任清单中列为无法尽责的清单集，将这些进行标准化。本实施例中责任评估函数又称责任管理，是找到尽责差距，责任可能是个单责任清单，也可以是多条责任清单组成的集合，那差距就有很多。
63.另外在履责中还会碰到一些非标准化的内容，也需要从无法尽责的清单集中来实现优化。
64.如图4所示，风险函数通过动态识别当前责任风险或其他风险导致的责任事故可能，按下表2所示对不同的风险进行匹配，也可以按下表2进行组合，同时形成防范级的新责任清单分解，或者相应的算法解决能力，risk(id,risk,type)三元组，类别就是表2中的类别，如果数据足够多，风险就相对小，也可以认为是监督学习的风险；如果数据不清楚是否足够完整但数据已足够多，则风险就比较复杂，可以认为是半监督型学习或自监督型学习的风险；如果有一些可能有用的数据，则就是一种模糊风险，可以是深度学习的风险；如果一点有用的数据都不太好判断，则就是一种未知风险，更需要组合各种学习机制来实现风险的管控。可以根据不同的类别从表2中找出风险函数alg(risk)，这样可以对履责清单的风险进行分级管控。
65.认知管理，即学习函数包括经验子函数(认知函数)，如神经网络的前馈网络、图网络、记忆网络等，学习函数是对履责历史数据的评估及优化，结合责权利量化模型进行优化。经验风险集、履责数据相关矢量集、履责优化组合边界、算法，在算法上也是表2的组合；
66.差距函数(履责评估函数)，如机器学习的学习目标、学习方法、学习成果验证；责任目标函数包括单条目标差距(责任型信任)、多条目标差距(量化失责及规则、量化尽责及规则)、多责任清单的责任信任、动态评估、量化评责。
67.如表1所示为学习责任目标的各函数原理：
68.表1学习责任目标的各函数原理
[0069][0070]
机器履责与人不同，责任素质的三块中的二块：责任意识、责任行为上不存在风险，所以上述的是一种责任能力的机制。即量化尽责能力机制。
[0071]
风险的计算方式还可以采用表2的机制。
[0072]
表2不同种类的风险函数
[0073][0074]
认知机制，各种学习机制：监督型学习、自监督学习、增强型学习、无监督学习、联邦学习等。
[0075]
如图5所示为形式规范、理论基础和评估方法示意图。
[0076]
用以下方程式的方式来表示，respset是岗位责任集，resplist是每一项的责任清
单，对每一项责任清单进行分解，理出各参数及规则，在时间维上是{tpobj}-{tprulelist}，在空间维上是{spobj}-{sprulelist}，在信息维上是{ipobj}-{iprulelist}，在关系维上是{rpobj}-{rprulelist}。
[0077]
风险函数riskfun是从各参数(可能是个列表，也可能是个矩阵，也可能是个对象)中匹配各规则不达标的生成参数列表objlist，studyfun将每一个不达标的参数，从历史履责库histkb、神经网络规则库nn_rulelib、各种机器学习方法中实现知识补充来进行履责达标，即找到最小的riskfun值，最好是通过，如果是通过，则放置到历史履责库或神经网络规则库中。
[0078]
distfun是对岗位责任集进行评估的差距函数，选出符合达标的岗位责任集：
[0079]
在本实施例中，量化明责、量化履责、量化评责的具体公式如下：
[0080]
量化明责，表示为：
[0081][0082]
量化履责，表示为：
[0083][0084]
注：riskfun计算可以按表2分级，ml是表2的组合
[0085]
量化评责，表示为：
[0086][0087]
而责任清单可以按不同的需要进行配置，这就形成了通用学习的框架，可以对责任清单进行责任时空的智能有效分解，这样就形成了通用人工智能算法。
[0088]
在步骤s4中，基于评估结果以及不同责任清单的权重及规则，得到责任清单的尽责结果。
[0089]
对责任进行信任度评估即量化评责，量化评责是学习差距管理(量化评责)。这样可以将整个学习的数理基础进行重构。
[0090]
对每一项责任清单结果进行评估，并根据不同责任清单的权重来获取每一条责任清单相对应的尽责程度；且还会得出不尽责的清单。
[0091]
在步骤s4之后还包括：
[0092]
s5.根据风险因素对优化后的责任履责模型优化拟合，得到最终责任履责模型。
[0093]
优化拟合即量化优责，量化优责是通过后期的算法拟合，再优化升级，实现更高的责任要求，实现机器学习的成长，进而实现高效的算法管理。
[0094]
本实施例可以应用于图像识别智能算法(单责任)、bert中文语义识别(多责任)、选责任人、对不同学习机制的适配(监督型学习、自监督学习、增强型学习、无监督学习、联
邦学习)等。
[0095]
与现有技术相比，本发明通过量化尽责的目标方程机制，实现了学习的精准化，避免了当前主要依赖神经网络参数维度过高导致的算力严重浪费、边缘知识体系性差、算法可解释性困难等问题；通过尽责差距有针对性评估学习效果的机制，统一了当前各种机器学习算法，用于尽责优选或知识补漏，可简称为尽责学习；尽责评估机制解决了算法可解释性落地难的问题。同时通过配置人工智能的责任清单集，也为通用型人工智能建立了可工程化的技术框架
[0096]
相应的，本实施例还提供基于机器量化尽责的机器学习系统，包括：
[0097]
第一构建模块，用于构建与人工智能应用角色相关的责任清单集；
[0098]
第二构建模块，用于构建基于责任时空的责任信任履责评估函数；
[0099]
评估模块，用于基于履责评估函数对构建的所有责任清单集进行汇总评估，得到评估结果；
[0100]
尽责模块，用于基于评估结果以及不同责任清单的权重及规则，得到责任清单的尽责结果。
[0101]
进一步的，所述评估模块中的履责评估函数包括风险函数、学习函数；所述风险函数用于检测尽责不到位的参数或指标项目；学习函数用于对不到位的参数结合经验数据、各种学习算法来结合风险函数实现尽责到位。
[0102]
进一步的，还包括：
[0103]
优化模块，用于根据风险因素对履责评估函数优化拟合，得到最终履责评估函数。
[0104]
实施例二
[0105]
本实施例提供的基于机器量化尽责的机器学习方法与实施例一的不同之处在于：
[0106]
本实施例以场景识别智能算法为例进行说明：
[0107]
量化明责：
[0108]
1)责任清单集：需要对照片场景进行识别，识别出场景中的物体；根据物体识别出相互关系
[0109]
2)扩展法律责任：需要理顺被用户追责的责任；产品质量责任；侵犯个人隐私等
[0110]
3)辅助责任：有些难点需要其他人或物干预的，需要其他人或物的责任划分
[0111]
构建每一条责任清单的责任时空(resplistid,resp4dspace,mandatory,rate,rt)，分别代表：id，责任清单的责任时空(细化)，是否强制，权重(如果是强制的，可以不设)，责任信任度)。
[0112]
量化知责(尽责设置)：mandatory rt必须都是1；非mandatory rt合格率可以再列入。责任清单语义理解，包括责任时空式的语义理解。
[0113]
量化履责(尽责风险评估)：动态计算过程中的rt，提高相应责任清单中的履责尽责度：经验数据及函数、算法评估；
[0114]
经验数据及函数会用到神经网络机制；
[0115]
优化算法(语义验证)；
[0116]
信息维的各种算法(学习法)的评估，比如：只能识别常用物体，被用户追责的风险及可能性分析；法律责任风险；(责任信任度判断，以及对相应的因素进行提升)；
[0117]
学习风险的识别：模型问题、算法问题，会导致履责不尽责。
[0118]
识别的结果、对比分析。
[0119]
量化评责(尽责结果评估)：责任信任评估，要求对重要的责任进行信任度评估，同时对不重要的责任集进行成果评估；
[0120]
(评责，可以是人为评审，也可以标准算法对照评审。按上面的责任时空，比如分析出来的问题是否可以)
[0121]
量化优责(根据风险的改进)：对算法进行改进，或者到例外情况的支持，以进一步提高履责能力。
[0122]
实施例三
[0123]
本实施例提供的基于机器量化尽责的机器学习方法与实施例一的不同之处在于：
[0124]
本实施例以选责任人为例进行说明：
[0125]
量化明责：
[0126]
1)责任清单集：在已有的人员名单、相关信息中，按照隐患情况快速选到相应的责任人；对于没法选到的，可以建立责任人责任时空合适的匹配度列表，按前三名列出，推荐第一名。
[0127]
2)扩展法律责任：《劳动法》劳动者保护条款；《个人信息保护法》个人隐私保护；《安全生产法》中的各项法定权利和义务
[0128]
3)辅助责任：人员都离职的情况下，需要人为处理。
[0129]
构建上面每一条责任清单的责任时空(resplistid,resp4dspace,mandatory,rate,rt)，分别代表：id，责任清单的责任时空(细化)，是否强制，权重(如果是强制的，可以不设，比如法律条款)，责任信任度)。
[0130]
量化知责(尽责设置)：mandatory rt必须都是1；非mandatory rt合格率可以再列入。责任清单语义理解，包括责任时空式的语义理解。
[0131]
量化履责(尽责风险评估)：动态计算过程中的rt，提高相应责任清单中的履责尽责度：经验数据及函数、算法评估。
[0132]
经验数据及函数会用到神经网络机制：对已有的区域、组织架构、岗位职责、履责历史数据、设备隶属等，重点采用注意力bert来构建；
[0133]
优化算法(语义验证)：责任人当前的已有的任务、责任人当前履责表现、责任人休假安排、责任人最近激励情况等进行验证优化构建。
[0134]
信息维的各种算法(学习法)的评估，比如：时间、空间(属地)、日常采集信息是否足够等是否都有匹配，会被所选人员追责的风险及可能性分析；法律责任风险；(责任信任度判断，以及对相应的因素进行提升)。
[0135]
学习风险的识别：模型问题、算法问题，会导致履责不尽责。
[0136]
识别的结果、对比分析；
[0137]
量化评责(尽责结果评估)：责任信任评估，要求对重要的责任进行信任度评估，同时对不重要的责任集进行成果评估。
[0138]
(评责，可以是人为评审，也可以标准算法对照评审。按上面的责任时空，比如分析出来的问题是否可以)
[0139]
量化优责(根据风险的改进)：对算法进行改进，或者到例外情况的支持，以进一步提高履责能力。
[0140]
本实施例对上面责任进行优化时可以按权、责、利范围，划分成不同的责任层次，从空间责任、信息责任、关系责任上，逐步进行扩展式优化提升：
[0141]
1)个人责任层次。
[0142]
主要是个人利益扩大、个人权力保护、个人责任持续
[0143]
风险：不敢担责、不想担责；贪婪；
[0144]
认知：趋利避害
[0145]
2)部门责任层次。
[0146]
主要是在部门中承担了什么样的责任，目标完成情况如何？有没有给部门盈利。
[0147]
需要责任协同，最好达成部门间的责任信任
[0148]
部门的竞争力在于：可以快速迭代，转成业务创新等竞争力，这就需要部门人员不断提升，不断打破现有的认知。
[0149]
形成责任型岗位和责任型部门。
[0150]
3)单位(企业)责任层次。
[0151]
与部门类似，但是涉及到部门和部门之间的协同，需要实现多级分解，当然本质上从责权利关系，是完全可以扁平式的，更有利于认知创新和业务创新。
[0152]
更好地形成创新需求服务的责任型单位。
[0153]
4)社会责任层次。
[0154]
巨大的客户群所需要。
[0155]
5)道德责任层次。
[0156]
6)人类伦理责任层次。
[0157]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
技术特征：1.基于机器量化尽责的机器学习方法，其特征在于，包括：s1.构建与人工智能应用角色相关的责任清单集；s2.构建基于责任时空的责任信任履责评估函数；s3.基于履责评估函数对构建的所有责任清单集进行汇总评估，得到评估结果；s4.基于评估结果以及不同责任清单的权重及规则，得到责任清单的尽责结果。2.根据权利要求1所述的基于机器量化尽责的机器学习方法，其特征在于，所述步骤s1中责任清单集包括岗位责任集、法律责任集、辅助责任集。3.根据权利要求1所述的基于机器量化尽责的机器学习方法，其特征在于，所述步骤s2中责任时空包括时间维、空间维、信息维或关系维。4.根据权利要求1所述的一种基于机器量化尽责的机器学习方法，其特征在于，所述步骤s3中的履责评估函数包括风险函数、学习函数；所述风险函数用于检测尽责不到位的参数或指标项目；学习函数用于对不到位的参数结合经验数据、各种学习算法来结合风险函数实现尽责到位。5.根据权利要求4所述的基于机器量化尽责的机器学习方法，其特征在于，所述学习函数还用于将履责过程数据整理成标准的履责库。6.根据权利要求1所述的基于机器量化尽责的机器学习方法，其特征在于，所述步骤s4中还包括基于评估结果以及不同责任清单的权重，得到不尽责的责任清单。7.根据权利要求1所述的基于机器量化尽责的机器学习方法，其特征在于，所述步骤s4之后还包括：s5.根据风险因素对履责评估函数优化拟合，得到最终履责评估函数。8.基于机器量化尽责的机器学习系统，其特征在于，包括：第一构建模块，用于构建与人工智能应用角色相关的责任清单集；第二构建模块，用于构建基于责任时空的责任信任履责评估函数；评估模块，用于基于履责评估函数对构建的所有责任清单集进行汇总评估，得到评估结果；尽责模块，用于基于评估结果以及不同责任清单的权重及规则，得到责任清单的尽责结果。9.根据权利要求8所述的基于机器量化尽责的机器学习系统，其特征在于，所述评估模块中的履责评估函数包括风险函数、学习函数；所述风险函数用于检测尽责不到位的参数或指标项目；学习函数用于对不到位的参数结合经验数据、各种学习算法来结合风险函数实现尽责到位。10.根据权利要求8所述的基于机器量化尽责的机器学习系统，其特征在于，还包括：优化模块，用于根据风险因素对履责评估函数优化拟合，得到最终履责评估函数。
技术总结本发明公开基于机器量化尽责的机器学习方法及系统，其中涉及的基于机器量化尽责的机器学习方法，包括：S1.构建与人工智能应用角色相关的责任清单集；S2.构建基于责任时空的责任信任履责评估函数；S3.基于履责评估函数对构建的所有责任清单集进行汇总评估，得到评估结果；S4.基于评估结果以及不同责任清单的权重及规则，得到责任清单的尽责结果。本发明建立量化尽责的目标方程，实现学习精准化，避免了依赖神经网络参数维度过高导致算力严重浪费、边缘知识不健全、算法可解释性困难等问题；尽责差距评估学习效果，统一优选各种机器学习算法，用于尽责优选或知识补漏，可简称为尽责学习。通过定制责任清单集实现了可工程化的通用人工智能。用人工智能。用人工智能。
技术研发人员：裘炅 裘瑱寅
受保护的技术使用者：浙江责联科技有限公司
技术研发日：2022.03.28
技术公布日：2022/7/5
