全生命周期的学习模型的管理方法、装置、设备及介质

本发明涉及模型管理的技术领域，尤其是涉及一种全生命周期的智能模型的管理方法。

随着科技的快速发展，目前计算机学习对人们工作和生活帮助越来越大，计算机学习的模型数量也随着业务的发展和时间的变迁成几何倍数增长，同时为模型管理和模型迭代带来了不小的挑战。

目前，大多数计算机学习是把历史的模型记录在各个小组的Excel中或wiki里，数据非实时导致模型统计和模型下线通知时无法精确通知，且数据统计分析留存本地，导致模型存在统计不及时、多人管理数据不一致、数据泄露和模型遗失等风险。因此，模型管理混乱的问题有待解决，以提升模型数据更新的实时性及模型使用的安全性。

本发明实施例提供了一种全生命周期的学习模型的管理方法、装置、设备及介质，所要解决的技术问题是规范模型管理，以提升模型数据更新的实时性及模型使用的安全性。

第一方面，本发明实施例提供了一种全生命周期的学习模型的管理方法，方法包括：

初始化预存系统配置；

根据所述预存系统配置对系统进行审批链配置；

若接收到用户所输入的待处理数据，判断所述待处理数据是否包含于预存的历史数据库中；

若所述待处理数据不包含于预存的历史数据库中，新建与所述待处理数据对应的需求流程；

根据所述需求流程获取对应的模型文件；

若所述模型文件对应的智能模型收到用户对所述审批链的申请表，判断所述智能模型对所述申请表输出的判定结果是否为是；

若所述智能模型输出的判定结果为是，输出相关报告并进行发送；

判断所述智能模型的效果是否满足预设的下线要求；

若所述智能模型的效果满足所述下线要求，完成所述智能模型下线。

优选的，所述根据所述预存系统配置将系统进行审批链配置，包括：

根据所述预存的系统配置划分系统层级，得到多个系统空间；

分别配置与各所述系统空间对应的审批链。

优选的，所述判断所述待处理数据是否包含于预存的历史数据库中，包括：

对所述待处理数据进行解析以获取对应的检索标识；

在所述历史数据库中对所述检索标识进行检索，以判断所述历史数据库中是否包含与所述检索标识相匹配的数据。

优选的，所述根据所述需求流程获取对应的模型文件，包括：

所述需求流程关联至所述审批链以动态生成所述审批链实例；

将所述审批链实例发送至相应审批人进行审批；

若获取到所述审批链实例的流程结束信息，完成对所述需求流程和所述模型的动态全局标记，以完成所述需求流程的新建；

根据所述需求流程构建智能模型；

所述智能模型进行训练，从而输出模型文件。

优选的，所述智能模型判断所述申请表是否符合所述审批链的审批要求；

若所述申请表符合所述审批链的审批要求，所述智能模型输出的判定结果为是，所述审批链接收用户端输入的确认信息并完成审批；

所述审批链审批通过后触发自动服务扩容；

若所述申请表不符合所述审批链的审批要求，所述智能模型输出的判定结果为否，所述审批链接收所述判定结果为否的判定信息并将所述申请表退回用户端。

优选的，判断所述智能模型的衰减效果是否满足所述下线要求的第一效果条件，得到第一判断结果；

判断所述智能模型的迭代效果是否满足所述下线要求的第二效果条件，得到第二判断结果；

若所述第一判断结果为是或所述第二判断结果为是，判定所述智能模型的效果是满足预设的下线要求。

优选的，所述完成所述智能模型下线，包括：

所述预存系统配置向系统预存的底层推理引擎模型发起销毁推理实例请求；

所述底层推理引擎模型通过所述销毁推理实例请求；

系统调用所述智能模型对应的析构函数销毁所述智能模型，输出模型下线报告以及流量监控报告以完成所述模型下线。

第二方面，本发明实施例提供了一种全生命周期的智能模型的管理装置，其包括：

配置单元，用于根据所述预存系统配置的划分系统层级；配置预设的所述模型系列的审批链；

接收判断单元，用于接收用户端输入的待处理数据，判断所述待处理数据是否包含于预存的历史数据库中；

流程新建单元，用于若所述待处理数据不包含于预存的历史数据库中，新建与所述待处理数据对应的需求流程；

文件获取单元，用于根据所述需求流程获取对应的模型文件；

审批单元，用于若所述申请表符合所述审批链的审批要求，所述模型输出的判定结果为是，用户根据所述判定结果审批通过所述审批链；

模型下线单元，用于所述预存系统配置向系统预存的底层推理引擎模型发起销毁推理实例请求；所述底层推理引擎模型通过所述销毁推理实例请求；系统调用所述模型对应的析构函数销毁所述模型。

第三方面，本发明实施例又提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的全生命周期的智能模型的管理方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时使所述处理器执行上述第一方面所述的全生命周期的智能模型的管理方法。

本发明实施例提供了一种全生命周期的学习模型的管理方法、装置、设备及介质：初始化预存系统配置；根据预存系统配置对系统进行审批链配置；若接收到用户所输入的待处理数据，判断待处理数据是否包含于预存的历史数据库中；若待处理数据不包含于预存的历史数据库中，新建与待处理数据对应的需求流程；根据需求流程获取对应的模型文件；若模型文件对应的智能模型收到用户对审批链的审批信息，输出相关报告并进行发送；判断智能模型的效果是否满足预设的下线要求；若智能模型的效果满足下线要求，完成智能模型下线。该全生命周期的智能模型的管理方法可应用于企业、学校等由多人组成的用户的模型管理中，以规范模型管理，提升模型数据更新的实时性及模型使用的安全性。

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中全生命周期的智能模型的管理方法的流程示意图；

图2为本发明实施例提供的全生命周期的智能模型的管理方法的应用场景示意图；

图3为本发明实施例提供的全生命周期的智能模型的管理方法的子流程示意图；

图4为本发明实施例提供的全生命周期的智能模型的管理方法的子流程示意图；

图5为本发明实施例提供的全生命周期的智能模型的管理方法的另一子流程示意图；

图6为本发明实施例提供的全生命周期的智能模型的管理方法的又一子流程示意图；

图7为本发明实施例提供的全生命周期的智能模型的管理方法的再一子流程示意图；

图8为本发明实施例提供的全生命周期的智能模型的管理方法的后一子流程示意图；

图9为本发明实施例提供的全生命周期的智能模型的管理装置的示意性框图；

图10为本发明实施例提供的计算机设备的示意性框图。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

参照图1及图2，图1为本发明实施例提供的全生命周期的智能模型的管理方法的流程示意图，图2为本发明实施例提供的全生命周期的智能模型的管理方法的应用场景示意图。该全生命周期的智能模型的管理方法应用于管理服务器10中，用户端20与所述管理服务器10通过网络连接进行数据信息的传输；该全生命周期的智能模型的管理方法通过安装于管理服务器10中的应用软件进行执行，管理服务器10即是用于执行全生命周期的智能模型的管理方法以对来自用户端20的待处理数据进行分析以执行全生命周期的服务器端，如企业内配置的服务器端，用户端20即是采集用户输入的待处理数据并上传至管理服务器10的终端设备，用户端20可配置于各种智能化设备中，如平板电脑、笔记本电脑、台式电脑、手机等。

用户端20与管理服务器10之间可通过2G/3G/4G/5G通信直接建立无线通信连接；还可以是，用户端20通过其他终端设备与管理服务器10之间建立无线通信连接，如用户端20与电脑等终端设备建立连接后，通过电脑与管理服务器10之间的连接，实现用户端20与管理服务器10之间的桥接并进行数据信息的传输。

如图1所示，该全生命周期的智能模型的管理方法可应用于企业、学校等由多人组成的用户的模型管理中，以规范模型管理，提升模型数据更新的实时性及模型使用的安全性，在本实施例中，以企业用户为例，该全生命周期的智能模型的管理方法包括步骤S110～S190。

S110、初始化预存系统配置。

预存系统配置具有模型立项、模型开发、模型评审、模型发布、模型接入及模型下线六大核心流程，以及分别与六大核心流程对应的扭转判断规则；同时，在每条核心流程中，预存系统配置有三个层级模型，以分类进行产品线的配置，三个层级模型分别为项目大类、业务大类及详细分类，每个层级模型属于一个具体的产品线，每个层级模型中的具体分类对应一条审批链。在此，通过初始化方法函数对预存系统配置进行初始化，从而提升该模型管理的稳定性。

S120、根据所述预存系统配置对系统进行审批链配置。

企业用户先梳理业务策略方和参与团队，以及各流程节点的审批层级关系，需要明确业务策略方审批人员，是否有算法评审团队、验证团队以及模型工程团队，进而梳理形成初始信息文件，并将初始信息文件输入管理服务器内的系统；系统接收初始信息文件并进行分类，随后在模型立项、模型开发、模型评审、模型发布、模型接入及模型下线的六大核心流程配置相应的流程，审批链流程中配置相应的产品线以及该产品线的模型类型和服务方式，系统根据所配置的流程生成具体的审批链，进而生成自动化审批节点，从而输出具体产品线的审批链。

在一实施例中，如图3所示，步骤S120包括子步骤S121和S122。

S121、根据所述预存系统配置的划分系统层级，得到多个系统空间。系统接收初始信息文件并对初始信息文件进行分类，以得到多个系统空间。

S122、分别配置与各所述系统空间对应的审批链。系统根据各系统空间的分类，在模型立项、模型开发、模型评审、模型发布、模型接入及模型下线的六大核心流程配置相应的流程，审批链流程中配置相应的产品线以及该产品线的模型类型和服务方式，系统根据所配置的流程生成具体的审批链。

S130、若接收到用户所输入的待处理数据，判断所述待处理数据是否包含于预存的历史数据库中。

企业用户使用该智能模型时，先输入待处理数据，在本实施例中，待处理数据可以为模型编号、模糊的模型系列、产品名称等，智能模型接收到待处理数据后，在系统内存储的历史数据库中进行检索，以判断所述历史数据库中是否包含与所述检索标识相匹配的数据。

在一实施例中，如图4所示，步骤S130包括子步骤S131和S132。

S131、对所述待处理数据进行解析以获取对应的检索标识。检索标识即为与待处理数据唯一对应的标识信息，其中，待处理数据包括数据头、数据主体及数据尾，通过解析待处理数据对数据头、数据主体及数据尾中的某一段或者某几段进行标识，以得到检索标识。

S132、在所述历史数据库中对所述检索标识进行检索，以判断所述历史数据库中是否包含与所述检索标识相匹配的数据。历史数据库中包括系统预设的标识信息，还包括使用过程中接收的用户所输入的标识信息，若历史数据库中是否包含与所获取的检索标识相匹配的数据，则历史数据库中的标识信息与所获取的检索标识相对应。

S140、若所述待处理数据不包含于预存的历史数据库中，新建与所述待处理数据对应的需求流程。系统内预设的提交需求页面包括模型系列、业务大类及详细分类三个层级模型选项，三个层级模型选项分别对应一条产品线，并关联至相应审批链，审批链上预设有产品需求和具体产品名称的目录项，审批链的起始节点接收用户输入的需求类型、模型类型、使用方式、需求背景、模型应用场景及需求目标等信息，并自动识别相关需求信息，动态生成审批链实例，进而在后续审批节点自动匹配与用户所输入的需求信息相关的算法负责人、算法开发人员、验证人员及业务对接人等企业审批人，以便该完成该审批链的审批，该审批链实例可通过邮件、IM、App消息和系统内部扭转的等方式进行逐层扭转。

S150、根据所述需求流程获取对应的模型文件。

在一实施例中，如图5所示，步骤S150包括子步骤S151～S155。

S151、所述需求流程关联至所述审批链以动态生成所述审批链实例。在此，审批链为系统根据所配置的流程生成具体的审批链，审批链实例为关联具体需求流程后生成的用于实际流转的审批链。

S152、将所述审批链实例发送至相应审批人进行审批。各审批节点的输入端接收相应审批人输入的审批信息，并识别审批信息。若所识别到的审批信息结果为“通过”，则该审批链实例流转至下一流程节点继续审批；若所识别到的审批信息结果为“不通过”，则该审批链实例流程结束；所识别到的审批信息结果为“退回至某审批人”，并且接收到备注的退回原因等信息，则该审批链实例被退回至相应的审批人处，以待重新审批。

S153、若获取到所述审批链实例的流程结束信息，完成对所述需求流程和所述模型的动态全局标记，以完成所述需求流程的新建。该需求流程完成新建后，系统内形成模型构建报告，该模型构建报告包括需求背景、模型需求目标、建模需求说明书以及算法团队输入的建模方案和建模排期表。动态全局标记可标记该模型目前处于模型立项、模型开发、模型评审、模型发布、模型接入及模型下线的哪个阶段，另外，标记该模型关联了哪些具体的审批人。

S154、根据所述需求流程构建智能模型。系统对智能模型构建报告进行解析，以构建智能模型，便于用户对智能模型进行管理。

S155、所述智能模型进行训练，从而输出模型文件。在本实施例中，模型训练采用TensorFlow，TensorFlow为符号数学系统，在此，通过迭代器进行训练。智能模型中预设有训练参数，并定义损失函数，损失函数可用于描述预测值与真实值之间的误差，从而指导智能模型的收敛方向，常见的损失函数包括均方差、交叉熵等；智能模型中还预设有迭代轮次，智能模型接收用户逐个输入的数据，以进行梯度下降优化操作步骤，随后进行每轮迭代，得到模型曲线。TensorFlow训练还可基于tensor(array)，其中，tensor为张量，是数学中对数组的定义，array表示数组。具体的，智能模型接收用户输入的全部数据，然后调用model.fit函数，并指定参数batch_size对所有数据进行分批训练，得到模型曲线。在其他本实施例中，还可以采用Jupiter Lab进行模型训练，Jupiter Lab是最新的基于web的交互式开发环境。由此，可提升该智能模型使用的安全性。

S160、若所述模型文件对应的智能模型收到用户对所述审批链的申请表，判断所述智能模型对所述申请表输出的判定结果是否为是。

在一实施例中，如图6所示，步骤S160包括子步骤S161～S164。

S161、所述智能模型判断所述申请表是否符合所述审批链的审批要求。当企业用户需使用该智能模型时，需先在系统的用户端填写申请表，申请表内容包括业务请求量和并发量，智能模型接收用户输入的申请表。

S162、若所述申请表符合所述审批链的审批要求，所述智能模型输出的判定结果为是，所述审批链接收用户端输入的确认信息并完成审批。

S163、所述审批链审批通过后触发自动服务扩容。在本实施例中，通过Kubernetes(简称K8S)实现智能模型的全生命周期管理，K8S是一种容器编排器，是一个开源的，用于管理云平台中多个主机上的容器化的应用，K8S使得部署容器化的应用更加简单、高效。K8S的水平自动伸缩管理器可实现一套简单的自动扩缩容逻辑，默认情况下，每30s检测一次指标，K8S只要检测到了配置水平自动伸缩管理器的目标值，则会计算出预期的工作负载的副本数，再进行扩缩容操作。同时，为了避免过于频繁的扩缩容，K8S默认在五分钟内没有重新扩缩容的情况下，才会触发扩缩容。

S164、若所述申请表不符合所述审批链的审批要求，所述智能模型输出的判定结果为否，所述审批链接收所述判定结果为否的判定信息并将所述申请表退回用户端。

S170、若所述智能模型输出的判定结果为是，输出相关报告并进行发送。在此，相关报告包括模型评审材料和模型验证报告。

S180、判断所述智能模型的效果是否满足预设的下线要求。

在一实施例中，如图7所示，步骤S180包括子步骤S181～S183。

S181、判断所述智能模型的衰减效果是否满足所述下线要求的第一效果条件，得到第一判断结果。

如第一效果条件中可预设衰减阈值，可判断智能模型的衰减系数是否小于第一效果条件中的衰减阈值，从而判定智能模型的衰减效果是否满足第一效果条件。

S182、判断所述智能模型的迭代效果是否满足所述下线要求的第二效果条件，得到第二判断结果。

如第二效果条件中可预设迭代阈值，可判断智能模型的迭代系数是否大于第二效果条件中的迭代阈值，从而判定智能模型的迭代效果是否满足第二效果条件。

S183、若所述第一判断结果为是或所述第二判断结果为是，判定所述智能模型的效果是满足预设的下线要求。若所述第一判断结果为否或所述第二判断结果为否，则该智能模型不满足预设的下线要求，该智能模型可以继续使用。

如第一判断结果为是或所述第二判断结果为是，也即智能模型的衰减系数小于第一效果条件中的衰减阈值或智能模型的迭代系数大于第二效果条件中的迭代阈值，则该智能模型的效果满足预设的下线要求。

S190、若所述智能模型的效果满足所述下线要求，完成所述智能模型下线。

在一实施例中，如图8所示，步骤S190包括子步骤S191～S193。

S191、所述预存系统配置向系统预存的底层推理引擎模型发起销毁推理实例请求。当该智能模型的效果满足下线要求时，会触发系统预存的底层推理引擎模型，底层推理引擎模型基于云原生方式开发，并且基于RESTAPI方式暴露，其中，RESTAPI是一组关于如何构建网络应用程序界面的架构规则、标准或指导，RESTAPI遵循应用程序界面原则的架构风格，降低了系统开发的复杂度，提高系统的可伸缩性。

S192、所述底层推理引擎模型通过所述销毁推理实例请求。在此，将底层推理引擎模型适配到镜像，以标记模型是LR、XGB还是TF逻辑算法；从S3存储动态选取所述模型文件并注册服务。S3为自监督学习模型，采用S3自监督学习模型便于融合上下文特征，采用其他的训练目标(例如互信息最大化)时，能从其他角度捕捉物品与上下文特征的相关性；关联暴露K8S Ingress，其中，Ingress是K8S的一个概念，当其他业务系统进行模型推理服务时即可调用。

S193、系统调用所述智能模型对应的析构函数销毁所述智能模型，完成所述智能模型下线，从而输出模型下线报告以及流量监控报告。由于系统每创建一个智能模型都会占用一定的系统资源，系统调用智能模型对应的析构函数销毁效果衰减的智能模型，释放一定的系统资源，提升模型数据更新的实时性，保证系统的运行效率。

本发明实施例还提供一种全生命周期的智能模型的管理装置，该全生命周期的智能模型的管理装置可配置于管理服务器中，该全生命周期的智能模型的管理装置用于执行前述的全生命周期的智能模型的管理方法的任一实施例。具体地，请参阅图9，图9为本发明实施例提供的全生命周期的智能模型的管理装置的示意性框图。

如图9所示，全生命周期的智能模型的管理装置200包括配置单元210，用于根据所述预存系统配置的划分系统层级；配置预设的所述模型系列的审批链；接收判断单元220，用于接收用户端20输入的待处理数据，判断所述待处理数据是否包含于预存的历史数据库中；流程新建单元230，用于若所述待处理数据不包含于预存的历史数据库中，新建与所述待处理数据对应的需求流程；文件获取单元240，用于根据所述需求流程获取对应的模型文件；审批单元250，用于若所述申请表符合所述审批链的审批要求，所述模型输出的判定结果为是，用户根据所述判定结果审批通过所述审批链；模型下线单元260，用于所述预存系统配置向系统预存的底层推理引擎模型发起销毁推理实例请求；所述底层推理引擎模型通过所述销毁推理实例请求；系统调用所述模型对应的析构函数销毁所述模型。

本发明实施例还提供一种计算机设备500，该计算机设备500包括存储器、处理器502及存储在存储器上并可在处理器502上运行的计算机程序5032，上述全生命周期的智能模型的管理装置可以实现为计算机程序5032的形式，该计算机程序5032可以在如图X所示的计算机设备500上运行。

请参阅图10，图10是本发明实施例提供的计算机设备500的示意性框图。该计算机设备500可以是用于全生命周期的智能模型的管理方法以管理智能模型的管理服务器10。

参阅图10，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。

该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行全生命周期的智能模型的管理方法，其中，存储介质503可以为易失性的存储介质503或非易失性的存储介质503。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行全生命周期的智能模型的管理方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图10中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的全生命周期的智能模型的管理方法中对应的功能。

本领域技术人员可以理解，图10中示出的计算机设备500的实施例并不构成对计算机设备500具体构成的限定，在其他实施例中，计算机设备500可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备500可以仅包括存储器及处理器502，在这样的实施例中，存储器及处理器502的结构及功能与图10所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质503。该计算机可读存储介质503可以为易失性或非易失性的计算机可读存储介质503。该计算机可读存储介质503存储有计算机程序5032，其中计算机程序5032被处理器502执行时实现上述的全生命周期的智能模型的管理方法中所包含的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质503中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个计算机可读存储介质503中，包括若干指令用以使得一台计算机设备500(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质503包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例一种全生命周期的学习模型的管理方法、装置、设备及介质的实施原理为：该管理方法包括初始化预存系统配置；根据预存系统配置对系统进行审批链配置；若接收到用户所输入的待处理数据，判断待处理数据是否包含于预存的历史数据库中；若待处理数据不包含于预存的历史数据库中，新建与待处理数据对应的需求流程；根据需求流程获取对应的模型文件；若模型文件对应的智能模型收到用户对审批链的审批信息，输出相关报告并进行发送；判断智能模型的效果是否满足预设的下线要求；若智能模型的效果满足下线要求，完成智能模型下线。该全生命周期的智能模型的管理方法可应用于企业、学校等由多人组成的用户的模型管理中，以规范模型管理，提升模型数据更新的实时性及模型使用的安全性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。