Текст / Кали

задний план

Передовые технологии, представленные искусственным интеллектом, способствуют модернизации традиционных производств и создают огромные экономические выгоды для общества.Текст начнется с решения imgcook для предложения «привязки полей» во внешнем домене и описывает наше понимание продуктов и услуг AI.

Одной из основных задач современной клиентской работы является связывание полей интерфейса базы данных с представлениями.Мы обычно используем краткий синтаксис шаблона для декларативного рендеринга данных в DOM или какой-либо кросс-энд фреймворк, такой как официальный пример VUE.

<div id="app">
  {{ message }}
</div>

var app = new Vue({
  el: '#app',
  data: {
    message: 'Hello Vue!'
  }
})

Часть просмотра связана с полем сообщения в виртуальной машине, поэтому элемент будет меняться в зависимости от данных, когда он окончательно отобразится на странице.

Из-за рождения синтаксиса шаблонов Интернет был обновлен со статических веб-страниц доВ эпоху динамических веб-страниц этоТехнология программирования веб-страниц, благодаря которой содержимое, отображаемое на странице, может меняться со временем, средой или результатом работы базы данных. Примечательно,Динамические веб-страницы не предполагают движения,Будь тоvue, react или php, asp, jsp, если он основан на базе данных,используя динамическую технологию,Это динамическая веб-страница.

Чем стабильнее бизнес-домен, тем более фиксирована его общая бизнес-логика. Я считаю, что многие фронтенд-разработчики со стабильными бизнес-формами будут сталкиваться в своей повседневной работе с теми же проблемами, что и мы: некий модуль, внутренняя графика и текст в основном такие же, как у оригинала, а новый модуль нужно делать просто потому что некоторые стили или макеты изменились.

С этой целью наше решение — imgcook, основанное на общей способности imgcook к визуальному восстановлению и возможности логического вывода настройки бизнес-домена, для чрезвычайно быстрого создания новых модулей.

возможность imgcook

Логическая часть приведенного выше рисунка в настоящее время может решать проблемы, уникальные для бизнес-домена, такие как спецификации стиля, спецификации скрытых точек и логика построения системы.

Кроме того, предположение о привязке данных, упомянутое в начале этой статьи, также является одной из важных проблем, которые должен решить наш уровень логики, потому что модель данных в стабильном бизнесе также должна быть стабильной. Например, модель данных в бизнесе, основанном на дао, в конечном итоге совпадет с общими моделями объектов электронной коммерции, такими как товары, магазины и купоны. С этой целью в прошлом году мы составили схему спекуляций с привязкой к полю, и заинтересованные студенты могут переехать сюда.Адрес Nuggets нажмите здесь,Узнать адрес нажмите здесь.

Базовые приготовления

Мы исследовали поля, которые необходимо связать для бизнеса отдела Дао, надеясь использовать машинное обучение для точного определения категорий контента, которые необходимо связать. Исходя из того, что эти классификационные образцы легко получить, также необходимо убедиться, что признаки достаточно очевидны, чтобы обеспечить точность окончательной модели алгоритма.

Идеи вывода образца текста

Мы проанализировали большое количество текстовых характеристик эскизов дизайна и обнаружили, что у дизайнеров есть две формы текстового выражения: замысел проекта и реальный замысел.Например, название продукта может быть написано абстрактными словами, такими как «название продукта восемь символов», или «морская лазурь». «Таинственная маска для сна» — это настоящий текст. Прежний образец текстового предложения является перечислимым, и мы предоставляем способ определить правила для его решения. Последний тип реального текста нужно получать искусственно из базы данных, а категорий данных не хватает.Он может охватывать только несколько общих черновых текстов дизайна, а такжеПроцесс получения данных и составления классификаций требует ручной работы, и мы начали думать, нет ли более идеального способа автоматического анализа полей.

Поля базы данных ODPS

Вдохновение исходит из наших размышлений о ценности ежедневного развития бизнеса.В процессе изучения ценности ежедневного бизнеса мы прекрасно осознаем, что данные, передаваемые через интерфейс и сервер, естественно, представляют собой хорошо структурированный образец. Взяв в качестве примера веб-интерфейс и серверную коммуникацию, основное содержимое коммуникации представляет собой строку символов JSON, в которой структура ограничена объектами и данными JavaScript, а другие основные типы данных монтируются в структуру как листья.Таблица — это естественный объект данных,Данные современного Интернета со временем будут отнесены к таблицам в базе данных БД. В нашем бизнесе продукты, магазины, бренды и контент можно проследить до этих сущностей.Что делают многие внутренние бизнес-коды, так это склеивают расположение этих структур сущностей вместе.Наш бизнес-бэкэнд не является исключением.

Мы сделали крючки в подключаемом модуле агента исследований и разработок для внешнего и внутреннего обмена данными, и каждый внешний и внутренний обмен данными будет захвачен и проанализирован. Процесс анализа очень прост, отказываясь от сложной структуры, образованной бизнес-кодом клеевого слоя в json, анализируя только связь между полем и массивом объектов, к которому оно принадлежит, и ожидая непосредственного анализа прямого анализа, такого как «таблица данных». " и "поле в таблице" белые отношения.

Поля в «DataTable itemList»

Получается, что хотя http-запрос от БД к фронтенду проходит через бесчисленное множество систем и бизнес-кодов, он все равно следует очевидной принадлежности «сущности» и «атрибута сущности». На картинке выше мы получили все поля, принадлежащие itemList в структуре, и есть очевидная связь между именем поля и содержимым, например, реальное поле, соответствующее itemList[].shopName — это различные флагманские магазины, а itemList[].itemTitle — название товара. Мы восстанавливаем эту сущность и думаем, что itemList должен выглядеть так в нашей бизнес-области. ("[]" означает объект массива, "{}" означает обычный объект)

interface Item {
  type?: string,
  itemDesc?: string,
  itemUrl?: string,
  itemImage?: string,
  itemTitle?: string,
  shopName?: string,
  itemSubTitle?: string,
}
 
let itemList: Array<Item> = [
  {
    type: '8',
    itemDesc: 'Nike',
    itemUrl: '//pages.tmail.com/..............',
    itemImage: '//img.alicdn.com/.............',
    itemTitle: '现代简约胡桃木实木床',
    shopName: 'ONLY 官方旗舰店',
    itemSubTitle: '流行元素|圆领设计衬托温婉气质'
  }
]

Студенты, знакомые с теорией информации Шеннона, знают, что одна из основных концепций теории информации состоит в том, чтобы лишить «значение информации», то есть само «название» является просто бессмысленным словом, ссылкой, только когда оно находится в другом объекте, разные значения.

«Название поля» имеет разные значения в разных «сущностях».

Видно, что заголовок в элементе [] — это название продукта, а заголовок при взаимодействии — это информация для внимания магазина. При методе деления сущность + поле конечное поле имеет очевидные характеристики категории. На основе решения для полевого анализа, встроенного в процесс исследований и разработок, мы можем собирать полевые образцы, не полагаясь на базу данных, и даже осуществлять частичную настройку клиентского бизнеса.

Идеи вывода примеров изображений

Когда дело доходит до классификации изображений, описанный выше метод получения образцов не подходит.

Элементы изображения не являются дискретными, более сложными, чем текст, и требуют больше времени для анализа. Исходя из цели, мы делим изображения на несколько категорий с очевидными характеристиками, такими как логотип компании, иконка, аватар, логотип магазина, карта сцены, карта белого фона, карта атмосферы, размытие фона по Гауссу и т. д.

Изображения классифицируются по функциям

Образцы изображений разных типов собираются разными способами.Динамические изображения, такие как карты сцен и белые фоновые изображения, можно получить из базы данных.Атмосферные изображения с размытием по Гауссу рисуются с использованием холста.

Взяв в качестве примера карту атмосферы, ссылаясь на спецификации дизайна фоновой карты дизайнера, цвет фона принимает светочувствительный микроградиент, на него накладывается текстура, а затем добавляются основные геометрические фигуры, которые накладывается за счет изменения прозрачности и положения. Геометрические изображения поддерживают общие базовые формы, такие как прямоугольники, круги, треугольники и ромбы, а случайную прозрачность, размер и положение можно отрегулировать до идеальных параметров.

Стратегия автоматического производства карты атмосферы

обучение модели

Выбор модели текста

Для одной классификации нашего текста не так много образцов, а некоторые ключевые слова часто встречаются в тексте одной и той же классификации.Для этого мы выбираем алгоритм сегментации слов + Наивный Байес в качестве модели классификации. В основе модели лежит следующая формула:

Наивный байесовский

Если у вас есть базовые знания теории вероятностей, вы можете понять эту формулу.В переводе на просторечие это означает, что если вероятность появления признака B в категории A очень высока, то мы сталкиваемся с неизвестной категорией, которая может быть рассчитывается на основе вероятности появления признака B. Является ли он A. Что касается сегментации слов, то она заключается в разделении текста на слова, и эти слова являются характерной основой каждой классификации текстов.

Процесс алгоритма классификации текста

Выбор модели изображения

Вернемся к проблеме классификации изображений. Кажется, что изображения сложнее использовать, чем тексты, но это не так. Сейчас самым быстроразвивающимся направлением машинного обучения в отрасли является cv,В отрасли также существует множество моделей, которые тщательно обучаются на основе наборов данных, таких как ImageNet, таких как VGG, ResNet и т. д.такМы решили позаимствовать предварительную подготовку модели из уже существующей нейронной сети изображений, что может значительно снизить стоимость обучения.

Так уж получилось, что в то время мы были ограничены вычислительными ресурсами, и нам нужно было выбрать метод обучения, чтобы максимально адаптироваться к проблеме меньшего количества данных и меньшего количества вычислительных ресурсов, поэтому мы нашли общий язык.Решил провести трансферное обучение на базе mobileNet.Основные шаги таковы:

Алгоритм классификации изображений

Хотя в этой статье описывается порядок, в котором сначала собираются образцы, а затем исследуется модель, в нашей реальной работе сначала идет выбор модели, а затем изготовление образца.Поскольку наиболее важной частью работы с алгоритмом на самом деле является подготовка образца, эта работа ведется от начала до конца.пробежать черезВесь рабочий цикл и в конечном итоге определяют качество модели. Выбор модели должен определяться в зависимости от ситуации, и его можно изменить в любое время в зависимости от качества эффекта и стратегии. такИнвертирование процесса не повредит, если оно решит проблему.

Алгоритм общие идеи решения проблем

Ай продукт сервис

Теперь у нас есть две модели, которые можно классифицировать в соответствии с нашим бизнес-текстовым содержимым и содержимым изображения. Когда мы восстановим проект дизайна и определим классификацию, которая может быть распознана моделью, мы выполним для нее автоматическую привязку полей. Например, в нашем черновике дизайна Если есть «Seablue Mystery XXX», то после восстановления мы видим, что свойство innerText «Seablue Mystery XXX» автоматически привязывается к item.itemTitle.

imgcook, естественно, не остановится на этом.В процессе исследования мы использовали интеллектуальное мышление, чтобы обобщить следующие характеристики продуктов AI.Используя это в качестве руководящей идеологии, мы улучшили возможности нашей платформы и обновили ее из продукта типа инструмента для исследований и разработок. Для продукта платформы исследований и разработок.

Обобщение возможностей платформы

Алгоритмическая модель должна обладать определенной способностью к обобщению. Точно так же сервисная платформа AI также должна иметь способность к обобщению.

Мы думаем о том, как открыть эту возможность «умной привязки» для пользы других бизнес-групп, чтобы каждая команда могла использовать нашу платформу для создания набора сервисов прогнозирования в своей собственной системе и добиться обобщения возможностей на уровне платформы.

Общий сервис imgcook и индивидуальный сервис

Части продуктовой цепочки, которые не имеют ничего общего с бизнес-характеристиками, утоплены в общие услуги, а те части, которые нужно настраивать исходя из бизнеса, полностью открыты.

Таким образом, каждый бизнес имеет свой собственный набор бизнес-выборок и точно сопоставляет результаты классификации алгоритма с полями, настроенными для соответствующего бизнеса. Основываясь на таком подходе, мы внедрили крупномасштабную «библиотеку бизнес-логики», основанную на службе привязки полей, которая не только позволяет привязывать поля, но также может настраивать бизнес-правила, разрабатывать черновые правила и создавать системные правила. . Основываясь на нескольких основных общих службах, таких как модель распознавания компонентов, распознавание компоновки и механизм виртуального выполнения функций, каждый бизнес может настроить свою собственную «логическую структуру».

прогрессивное улучшение

Мы должны понимать, что ни один алгоритм ИИ в настоящее время не имеет 100% точности.Так как imgcook, как внутренняя бизнес-платформа исследований и разработок Департамента Дао, выходной код будет выпущен напрямую, поэтому уровень точности должен составлять 100%. Поэтому в процессе создания нашей платформы imgcook особенно важна идея прогрессивного улучшения.

С конечной точки зрения, в imgcook не должно быть визуального редактора, мы надеемся использовать технологию AI для решения всех бизнес-задач. ноСудя по реальному процессу разработки платформы, мы все же построили «визуализированную платформу вмешательства»., а затем абстрагируйте работу этой платформы визуализации, чтобы расширить возможности алгоритма искусственного интеллекта. Для платформ визуального вмешательстваПриходитьПомогите решить то, что Ай не может сделать на данном этапе, например,Ручное управление возможностями привязки полей, упомянутыми в этой статье.

Анализ фактического эффекта привязки поля

Точность интеллектуального прогнозирования связывания на основе распознавания моделей намного меньше, чем у пользовательского рукописного кода.На практике точность так низка еще и потому, что мы недооцениваем, насколько легко это сделать. Независимо от того, является ли предсказание точным или нет, сложность выражения в правильном случае также является неожиданной. Некоторые примеры перечислены ниже в качестве дополнения к приведенному выше рисунку, чтобы увидеть, насколько сложна проблема связывания полей в так называемом «закрытом закрытом домене, который сошелся»:

// 支持的比较好的例子：
content.userNick // “某达人”的字段绑定：
data.contents // 节点循环的字段绑定：
item.iconImg // 图片链接的字段绑定：
'¥' + item.itemActPrice // “¥588”的字段绑定：

// 支持的比较好的例子：
6期：item.interestFreePeriod+'期' // “6期”的字段绑定
data.contents && data.contents.length > 0 // 容器展示与否的字段绑定：
!(data.$attr && data.$attr.isFenqi) ? '6px' : '0px' // 图片上外边距的字段绑定：
item.bookedNum && item.bookedNum > 50 ? '已定' + item.bookedNum + '件' : '火爆预定中' // “已定1000件”的字段绑定：

Поддерживаются простые привязки, которые могут быть идентифицированы моделью, а те, которые включают выражения и бизнес-логику, сразу же расширяются. Так может ли эта часть логики найти закон и решить его неалгоритмическим способом?

самоповторение

Суть машинного обучения — это продвинутая версия анализа данных с автоматической подгонкой, которая благодаря внедрению механизма самоанализа и самоповторения может использовать правила для прогнозирования неизвестных данных. В процессе размышлений над механизмом самоитерации платформы мы нашли решение предыдущей проблемы.

Как и в случае с образцом начального текста, мы собрали и проанализировали информацию о привязке данных, которую пользователь выполнил вручную. Через платформу визуального вмешательства imgcook мы собрали официальные модули, выпущенные пользователями, удалили тестовые модули и некачественные модули и получили образцы модулей.Проанализировав структуру образцов модулей, мы получили пользовательские «образцы структуры отображения полей». один за другим На основе этих образцов структур мы установили набор правил сопоставления образцов и передали их обратно в ссылку интеллектуальной идентификации. Конечно, этот процессбез вмешательства человека,Начинайте разбор всех модулей вовремя каждое утро. В идеале, чем больше imgcook используют пользователи, тем больше правил мы изучим, основываясь на привычках пользователей писать, и тем лучше будет вывод полей.

Схема самоповторения imgcook

На основе приведенной выше схемы самоитерации мы также вывели множество дополнительных функций, таких как «вывод о том, не нуждается ли текст в привязке»: когда мы анализируем привязку поля, она будет отмечена, кстати, а текст без связанной данные будут помечены как «статические», в противном случае это «динамическая» пометка, тогда вероятность того, что слово не нужно связывать, представляет собой отношение его вхождений, помеченных как «статические».

Пример полевой статики

Эпилог

Особенности продукта AI, обобщенные D2C

В целом, мы считаем, что отличный сервис продукта ИИ научится повторять, постепенно улучшать и настраивать обобщение, как и сама технология машинного обучения. Если машины и данные взаимодействуют автономно, долгосрочные выгоды используются для руководства текущими решениями в процессе взаимодействия, и решения постоянно корректируются, чтобы быть оптимальными. Затем продукты и услуги ИИ должны взаимодействовать с пользователями автономно, изучать пользовательский ввод и определять свои собственные стратегии коммуникации. С этой точки зрения imgcook надеется быть таким же гибким, как обучаемые голосовые роботы Ai на рынке.

От идеи привязки поля год назад до сегодняшних идей службы ИИ процесс исследования примерно одинаков. У нас есть основания полагать, что благодаря быстрому применению и популяризации искусственного интеллекта, а также постоянной оптимизации таких алгоритмов, как глубокое обучение и обучение с подкреплением, искусственный интеллект максимизирует ценность большего количества сценариев приложений и даже породит новые форматы и новые технологии. даже внедрять инновации и разработки в традиционные области. Если у вас есть идея для нашей платформы, я надеюсь создать интеллектуальную платформу искусственного интеллекта, которая может учиться и помогать интерфейсу решать проблемы.Вы можете добавить меня в WeChat Ahkari-ifly для общения~