WO2024261601 - AUTOMATED DRIFT RESOLUTION THROUGH A CONTEXT-BASED SELF-LEARNING TOOL FOR MACHINE LEARNING SYSTEMS
National phase entry is expected:
Publication Number
WO/2024/261601
Publication Date
26.12.2024
International Application No.
PCT/IB2024/055770
International Filing Date
12.06.2024
Title **
[English]
AUTOMATED DRIFT RESOLUTION THROUGH A CONTEXT-BASED SELF-LEARNING TOOL FOR MACHINE LEARNING SYSTEMS
[French]
RÉSOLUTION DE DÉRIVE AUTOMATISÉE AU MOYEN D'UN OUTIL D'AUTO-APPRENTISSAGE BASÉ SUR LE CONTEXTE POUR DES SYSTÈMES D'APPRENTISSAGE AUTOMATIQUE
Applicants **
TECHNOLOGY INNOVATION INSTITUTE – SOLE PROPRIETORSHIP LLC
Accelerator Building 2
Southeast Sector 45-01
Khalifa City, Abu Dhabi, AE
Inventors
REDDY, Thoorpu Karnakar
Accelerator Building 2
Southeast Sector 45-01
Khalifa City, Abu Dhabi, AE
HACID, Hakim
Accelerator Building 2
Southeast Sector 45-01
Khalifa City, Abu Dhabi, AE
ALMAZROUEI, Ebtesam
Accelerator Building 2
Southeast Sector 45-01
Khalifa City, Abu Dhabi, AE
Priority Data
63/509,943
23.06.2023
US
Application details
| Total Number of Claims/PCT | * |
| Number of Independent Claims | * |
| Number of Priorities | * |
| Number of Multi-Dependent Claims | * |
| Number of Drawings | * |
| Pages for Publication | * |
| Number of Pages with Drawings | * |
| Pages of Specification | * |
| * | |
| * | |
International Searching Authority |
IP Australia
* |
| Applicant's Legal Status |
Legal Entity
* |
| * | |
| * | |
| * | |
| * | |
| Entry into National Phase under |
Chapter I
* |
| Translation |
|
Recalculate
* The data is based on automatic recognition. Please verify and amend if necessary.
** IP-Coster compiles data from publicly available sources. If this data includes your personal information, you can contact us to request its removal.
Quotation for National Phase entry
| Country | Stages | Total | |
|---|---|---|---|
| China | Filing | 1278 | |
| EPO | Filing, Examination | 8195 | |
| Japan | Filing | 597 | |
| South Korea | Filing | 575 | |
| USA | Filing, Examination | 2710 |
Total: 13355 USD
The term for entry into the National Phase has expired. This quotation is for informational purposes only
Abstract[English]
The present embodiments relate to systems and methods to intelligently handle different types of concept drift scenarios in a machine learning operations framework with minimal/no down time or loss in processing data. Particularly, the present embodiments enable a system to generate Al model specific instructions from raw data automatically and use the generated instructions to generate code blocks through which the machine learning system can intelligently come up with challenges of Al Model quality drop scenarios. The present embodiments can solve the problem of automatic concept drift resolution in machine learning operations systems. For instance, the present embodiments can recommend the best possible code blocks for data pipelines and ML pipelines based on data distributions. Further, the embodiments can improve and maintain the Al model quality in a production environment, and also improve the code quality based on validation from an operator.[French]
Les présents modes de réalisation concernent des systèmes et des procédés permettant de gérer intelligemment différents types de scénarios de dérive conceptuelle dans une structure d'opérations d'apprentissage automatique avec un temps d'arrêt ou une perte de données de traitement minimum voire null(e). En particulier, les présents modes de réalisation permettent à un système de générer automatiquement des instructions spécifiques à un modèle d'IA à partir de données brutes et d'utiliser les instructions générées pour générer des blocs de code grâce auxquels le système d'apprentissage automatique peut intelligemment relever des défis de scénarios de baisse de qualité du modèle d'IA. Les présents modes de réalisation peuvent résoudre le problème de la résolution de dérive conceptuelle automatique dans les systèmes d'opérations d'apprentissage automatique. Par exemple, les présents modes de réalisation peuvent recommander les meilleurs blocs de code possibles pour les pipelines de données et les pipelines ML d'après les distributions de données. De plus, les modes de réalisation peuvent améliorer et maintenir la qualité du modèle d'IA dans un environnement de production et améliorer également la qualité du code d'après une validation provenant d'un opérateur.