技术领域
[0001]
说明书公开一种知识管理系统，特别是一种以
区块链技术建立的人工智能知识管理系统，以及系统形成分布式记录的方法。
背景技术
[0002] 在人工智能(Artificial Intelligence，AI)领域中，建立一个可以解决具体问题的人工智能模型是最重要的一个课题，例如在一些领域中，可以通过反复验证成功的人工智能模型正确进行如人脑执行的判断，如影像辨识、语意分析、游戏等。
[0003] 而类神经网络(Artificial Neural Network)
算法则成为人工只能模型建模的最佳工具中的一个，类神经网络是由很多非线性的运算单元，称为神经元(Neuron)，和在这些神经元间的众多连结所组成，形成一个类神经网络，这些神经元通常是以平行且分散的方式在作运算，其中提供的学习机制依赖于神经元的激励值(activities of the neurons)。在一个类神经网络中，设有一组输入神经元，经过特定数据激发，在激励值被加权(weights)并通过一个函数演算后，神经元的激励值被传递到其他神经元，当这个过程不断重复，激发输出神经元，最后，这个输出神经元的激励值即为演算的结果。
[0004] 然而，在达到人工智能模型的预期结果之前，类神经网络演算需要大量重复的演算，尝试多次失败与调整，才可能让输出的结果接近预期，然而，中间的过程却没有建立可以分享给公众的
知识库，使得要建立人工智能的后进者仍需要重复过去的尝试与错误才能够得到结果。
发明内容
[0005] 为了建立一个可以分享给大众的人工智能知识库，使得后进者可以循着前人的脚步快速开发，并且保有安全性与正确性，说明书公开了一种利用区块链(blockchain)技术的人工智能知识管理系统，主要目的的一个就是通过区块链技术可以安全且正确地分享开发一个人工智能模型的过程，成为后来开发者的知识库。
[0006] 根据
实施例中的一个，人工智能知识管理系统包括一
计算机系统，其中包括多个计算机系统搭配
软件实现的功能模块，包括一输入管理模块，用以管理开发人工智能模型时使用的类神经网络算法的输入数据；一人工智能模型管理模块，用以管理多个人工智能模型，提供选择出人工智能模型；一输出管理模块，用以管理开发该人工智能模型时以类神经网络算法产生的输出数据；以及一演算结果管理模块，用以管理前述的功能模块应用的数据，包括每次调整人工智能模型的参数，以及每次重新以类神经网络算法产生的输出数据。
[0007] 如此，进一步地，所述的输入数据、人工智能模型、输出数据与每次调整人工智能模型的参数形成一知识库，并通过区块链技术形成散布于多个区块链
节点的分布式记录。
[0008] 进一步地，所述的输出数据会与一期望值比对，若不符期望，系统提供调整人工智能模型参数的机制。
[0009] 进一步地，人工智能知识管理系统实现一
云端知识平台，提供的一区块链记录处理模块提供一查询记录的功能，让人工智能知识管理系统的使用者以计算机装置以区块链技术查询对应其中的一个人工智能模型的输入数据、输出数据与每次调整人工智能模型的参数。
[0010] 说明书还公开了形成上述的人工智能知识管理系统的分布式记录的方法，实施例为通过区块链技术形成分布式记录，方法包括当有使用者登录系统，人工智能知识管理系统将协助使用者成为区块链的使用者与节点，让各使用者取得数据分享、加解密、验证使用的密钥，通过人工智能知识管理系统建立区块链账号。如此，人工智能知识管理系统的使用者可以通过区块链取得数据，亦可能参与人工智能模型的研发，产生的数据建立人工智能演算记录，形成人工智能知识管理系统中的知识库。
附图说明
[0011] 图1示出为说明书所公开的人工智能知识管理系统架构实施例示意图；
[0012] 图2示出人工智能知识管理系统与参与使用者的关系示意图；
[0013] 图3示出人工智能知识管理系统的运作流程实施例；
[0014] 图4示出人工智能知识管理系统通过区块链技术形成分布式记录的流程实施例；
[0015] 图5示出人工智能知识管理系统提供知识查询的流程实施例。
具体实施方式
[0016] 人工智能(Artificial Intelligence，AI)是一种计算机科学，通过
计算机程序的手段实现人类智慧，其中通过如类神经网络(Artificial Neural Network)算法的计算机程序实现推理、问题解决、学习、判断，甚至是取代决策的步骤，使用计算机程序的优势是能够处理大量数据、执行重复性的工作，使得可以处理人类不擅长的复杂问题。人工智能要能正确运，甚至取代人类的部分工作，仍需要正确的人工智能模型，而建立模型的方式，需要反复且大量的计算量，设计模型、参数，并找到算法以能趋向正确的结果，其中如一种
深度学习法(deep learning)，是
机器学习的一种，从错误中学习正确的方向，其中解决问题的方式的一个即类神经网络。
[0017] 现今的类神经网络是由很多非线性的运算单元，一般可称神经元(Neuron)和位于这些运算单元间的众多链接所组成，而这些运算单元通常是以平行且分散的方式在作运算，如此就可以同时处理大量的数据，由这样的设计就可以被用来处理各种需要大量数据运算的应用上，比如说语音辨认、影像辨识等。
[0018] 在需要庞
大数据与处理量的过程中，实在是需要耗费不小的时间成本，然而，在众多人工智能的开发学习中，各开发团队之间没有顺畅的沟通管道，如果有方便沟通与学习的管道，将可缩短很多时间，如此，说明书公开一种人工智能知识管理系统，通过软
硬件的搭配，实现AI知识管理，并采用区块链(blockchain)技术，可以让各种AI知识记录在多个分散节点上，能有效且正确地记录各团队开发的过程，能在权限管理与安全性兼具的环境中方便查询所有这些知识，缩短人工智能开发的时间。
[0019] 图1示出为说明书所公开的人工智能知识管理系统架构实施例示意图，此例示出以计算机系统实现的人工智能知识管理系统10，其中包括硬件与软件搭配形成的功能模块，以计算机系统中一或多个处理器执行的各种软件程序，建立一种通过网络分享的云端平台，并采用区块链技术将平台得到的各种AI开发记录分散于区块链节点上。
[0020] 其中通过人工智能模型管理模块102管理多个人工智能模型，提供平台使用者根据权限选择出所需的人工智能模型，而输入管理模块101即一种通过软件程序管理开发一人工智能模型时使用的某一类神经网络算法(由类神经网络演算模块100管理)的输入数据；输出管理模块103用以管理开发人工智能模型时以某个类神经网络算法产生的输出数据；演算结果管理模块104则用以管理所述的输入管理模块101、人工智能模型管理模块102与输出管理模块103所应用的数据。
[0021] 由于类神经网络算法运行时，根据开发者提供的输入数据，根据选择的人工智能模型反复运行，产生输出数据，开发过程中，可以将输出数据比对期望值，比对的结果成为调整人工智能模型的参数的依据，演算结果管理模块104即用以管理每次调整人工智能模型的参数，以及每次重新以类神经网络算法产生的输出数据。
[0022] 系统中的使用者以使用者管理模块107管理，通过计算机系统中的一内存存储人工智能知识管理系统10的使用者帐户与认证数据。更者，多个区块链节点亦可包括这些人工智能知识管理系统10的使用者的计算机装置。
[0023] 上述输入数据、人工智能模型、输出数据与每次调整人工智能模型的参数，或加上期望值将形成一知识库105，并通过人工智能知识管理系统10中的区块链记录处理模块106处理，包括将各知识
数据处理成散布于网络的封包，以区块链技术形成散布于多个区块链节点的分布式记录。其中区块链记录处理模块106为系统运行区块链的核心程序，提供人工智能知识管理系统10的每个使用者建立一区块链账号，并取得一密钥。
[0024] 区块链记录处理模块106提供一查询记录的功能，让人工智能知识管理系统10的使用者以计算机装置通过一路联机人工智能知识管理系统10，通过区块链记录处理模块106以区块链技术查询对应其中的一个人工智能模型的输入数据、输出数据与每次调整人工智能模型的参数。
[0025] 类神经网络演算模块100表示各人工智能开发团队，其中各运行了某个算法，例如，从人工智能知识管理系统10取得各种输入数据，演算后，产生各种输出数据，包括比对期望的结果，当中的过程皆为人工智能知识管理系统10所取得与管理。举例来说，所述类神经网络算法如通过类人经网络分析(ANN,artificial neural network)，
输入层与
输出层之间可以具有多个节点(神经元)，各节点具有不同的权重值以成为模拟人工思维的复杂函数运算，当输入值经由各节点间权重模拟运算后所得到的输出值与实际值有相当落差时，系统即调整其中模型的参数、更新各节点间的权重运算以使输出值更接近期望的结果。
[0026] 需要一提的是，人工智能知识管理系统10实现一云端知识平台，类神经网络演算模块100可为外部系统的运算模块，意思是，说明书提出的人工智能知识管理系统10为一种人工智能知识管理系统，可以不介入人工智能的开发，而是通过区块链技术管理人工智能知识的平台，让各方开发者可以在区块链技术提供的安全与查询机制中有效地得到各种开发数据与资源，提升开发效率。
[0027] 图2接着示出人工智能知识管理系统与参与使用者的关系示意图。
[0028] 此例中，人工智能模型实验室21表示为开发人工智能模型的研发单位。开发人工智能模型时，需要决定一个人工智能模型中的各种参数，设定输入数据，其中以类神经网络算法提供AI深度学习(deep learning)的数学模型，进行评估或近似运算，深度学习使用多层神经网络，形成上述系统管理的输入数据与输出数据。
[0029] 运行深度学习时，以辨识出一个动物的影像为例，利用模型中多层神经网络，输入大量的动物图片，让计算机程序自行分析数据找出这个动物的影像特征值，让计算机学习到只要有这个特征值程度越高者，就是与此动物的影像产生链接，将来只要输入此动物的影像，计算机就会正确辨识出来。
[0030] 这个人工智能模型的开发过程中，需要反复检验是否输出结果为正确识别的结果，若不符合，需要重新调整人工智能模型中的参数，如此，人工智能知识管理系统22即取得这些输入、输出与演算结果等数据，形成人工智能模型开发的知识库。
[0031] 人工智能模型实验室21与人工智能知识管理系统22以网络20相连，相关实验记录更以区块链技术形成散布于各节点的记录，区块链节点可以各种使用者节点201、202、203实现。
[0032] 再举一例，人工智能模型可以为一种股市
预测分析的模型，建构此AI模型时，各种影响股市
波动的参数成为AI模型的输入数据，如时间(某年、某月、某日)、股票号码、各种环境变量，如政党支持度、国民生产毛额、薪资涨幅、
气候、外商投资比例等，而设定的输出数据则为预期的涨跌幅。开发者即将输入数据输入到默认的AI模型中，产生的输出数据将与实际的期望值比对，两者的误差成为开发者重新考虑AI模型中参数的依据，可调整输入数据中各项数值的权重、更新模型中的参数，若输入数据为一维矩阵，预测不准转为多维矩阵，以使输出值更接近期望值。
[0033] 人工智能知识管理系统22即从人工智能模型实验室21得到这些建立AI模型过程中产生的数据，成为人工智能知识库，也成为其他开发者参考的内容。
[0034] 图3以流程描述人工智能知识管理系统的运作流程实施例。
[0035] 开始如步骤S301，在AI模型的开发中，先引入人工智能模型，相关AI模型可由知识库30取得。在步骤S303，根据研发的目的输入相关的数值，这些数值同样为形成知识库30的内容之一。接着，在步骤S305中，在AI模型研发时，通过类神经网络算法执行，以多层神经网络演算，如步骤S307，输出结果，成为知识库30的内容。
[0036] 接着，在步骤S309中，研发团队将评估是否符合要求？若符合期望的输出值(是)，即如步骤S311，确认AI模型，这个结果也形成知识库30的内容；反之，若不符期望(否)，即执行步骤S313，调整AI模型中的参数，相关参数也可以为知识库30的一部分，重新进行演算。
[0037] 其中，输入数据、人工智能模型、输出数据与每次调整人工智能模型的参数形成了知识库30，通过人工智能知识管理系统，可通过区块链技术形成散布于多个区块链节点(可为系统的使用者装置)的分布式记录，这些以区块链技术散布的记录有不可窜改、长期记录与方便管理与取得的特性。
[0038] 在图4中描述人工智能知识管理系统通过区块链技术形成分布式记录的流程实施例。
[0039] 一开始，如步骤S401，使用者通过计算机装置联机人工智能知识管理系统，并形成登录使用者，如步骤S403。这时，人工智能知识管理系统协助使用者成为区块链的使用者与节点，如步骤S405，经引导块块链后，让各使用者取得数据分享、加解密、验证使用的密钥，通过人工智能知识管理系统建立区块链账号，如步骤S407。
[0040] 之后，人工智能知识管理系统的使用者可以通过区块链取得数据，亦可能参与AI模型的研发，产生的数据建立人工智能演算记录(步骤S409)，形成人工智能知识管理系统中的知识库。接着，如步骤S411，这些数据将传送至区块链节点，如步骤S413，形成分布式记录。
[0041] 人工智能知识管理系统通过区块链技术建立相关AI模型开发的知识库，也为可供查询的知识库，实施例如图5所示人工智能知识管理系统提供知识查询的流程。
[0042] 在步骤S501，使用者可先联机人工智能知识管理系统，如步骤S503，经登入系统、认证身份后，以及如步骤S505，确认权限后，可以根据权限在当中通过特定使用者
接口查询数据，特别是如步骤S507所示，查询人工智能演算记录。
[0043] 如此，根据上述人工智能知识管理系统实施例，其中以计算机技术将AI模型开发的输入数据、人工智能模型、输出数据与每次调整人工智能模型的参数形成知识库，更通过区块链技术形成散布于多个区块链节点的分布式记录，形成一个在人工智能领域中共享资源的生态，协助缩短相关领域的人工智能开发时程。
[0044] 为了能更进一步了解本发明为达成既定目的所采取的技术、方法及功效，请参阅以下有关本发明的详细说明、附图，相信本发明的目的、特征与特点，当可由此得以深入且具体的了解，然而附图仅提供参考与说明用，并非用来对本发明加以限制。
[0045] 以上所述仅为本发明的优选可行实施例，凡依本发明
申请专利范围所做的均等变化与
修改，皆应属本发明的涵盖范围。
