技术摘要：
一种AI模型的训练方法、使用方法、计算机设备及存储介质，其中，所述训练方法包括：获取参与交互任务的用户对应的信息数据；从所述信息数据筛选出多个不同等级的训练数据；根据所述交互任务的任务节点和每个所述任务节点对应的动作节点，从每个等级的所述训练数据中提  全部
背景技术：
人工智能(Artificial  Intelligence，AI)技术自面世以来，其应用范围越来越 广，比如目前已经将AI应用在双陆棋、国际跳棋、国际象棋、围棋等博弈类的应用程序中，并 且达到超越人类职业选手的水平。相对于上述棋类博弈而言，扑克、桥牌、麻将等牌类对应 的博弈则被认为是另一类博弈，在这些博弈类的应用程序中参与方的信息是不对称的，这 类博弈被称为不完美信息博弈，对于这些不完美信息博弈类的应用程序也可以使用AI技 术。但是，对于参与方的信息不对称的场景，AI模型的训练需要更多训练数据，并且需要依 赖于运算量庞大的超级计算机才能完成，同时还无法保证AI模型的准确率，由此限制了AI 技术在这些应用场景中的应用。 因此，有必要提供一种AI模型的训练方法，以便减少AI模型训练使用时所需求的 硬件资源，并提高AI模型的准确率。
技术实现要素：
基于此，本申请提供了一种AI模型的训练方法、AI模型的使用方法、计算机设备及 存储介质，以便在计算量较小的计算机设备中也可以进行模型训练，并提高AI模型的准确 率。 第一方面，本申请提供了一种AI模型的训练方法，所述方法包括： 获取参与交互任务的用户对应的信息数据； 从所述信息数据筛选出多个不同等级的训练数据； 根据所述交互任务的任务节点和每个所述任务节点对应的动作节点，从每个等级 的所述训练数据中提取对应的特征向量，其中，不同的所述任务节点以及不同的所述动作 节点对应的特征向量的标签不同； 将所述特征向量输入至预设神经网络进行AI模型训练，直至所述AI模型收敛得到 相应等级的AI模型。 第二方面，本申请还提供了一种AI模型的使用方法，应用于服务器，所述AI模型为 采用上述的训练方法进行训练得到的模型，并部署在所述服务器中；所述方法包括： 确定交互任务中AI用户所对应的任务节点以及所述任务节点对应的动作节点； 获取所述交互任务中所有用户在所述确定的任务节点以及所述任务节点对应的 动作节点下的信息数据； 将所述信息数据输入至所述AI模型，以得到输出结果； 将所述输出结果发送至所述AI用户，以使所述AI用户根据所述输出结果执行对应 的动作。 4 CN 111598234 A 说　明　书 2/16 页 第三方面，本申请还提供了一种计算机设备，所述计算机设备包括：存储器和处理 器； 所述存储器用于存储计算机程序； 所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现本申请 的实施例提供的任一项所述AI模型的训练方法的步骤。 此外，本申请还提供了另一种计算机设备，所述计算机设备包括：存储器和处理 器； 所述存储器用于存储计算机程序； 所述处理器，用于执行所述计算机程序并在执行所述计算机程序时，实现本申请 的实施例提供的任一项所述AI模型的使用方法的步骤。 第四方面，本申请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，所述计算机程序被处理器执行时使所述处理器实现本申请实施例提供 的任一项所述的AI模型的训练方法，或者，实现本申请实施例提供的任一项所述的AI模型 的使用方法。 本申请实施例提供的一种AI模型的训练方法、AI模型的使用方法、计算机设备及 存储介质，可以提高AI模型的准确率，同时该AI模型的训练对运算资源需求量较小，能够更 好地在线服务大量用户，进而提高了用户的体验度。 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不 能限制本申请。 附图说明 为了更清楚地说明本申请实施例技术方案，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申请的一些实施例，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是本申请的实施例提供的一种AI模型的训练使用的实施场景示意图； 图2是本申请的实施例提供的另一种AI模型的训练使用的实施场景示意图； 图3是本申请的实施例提供的一种AI模型的训练方法的步骤示意流程图； 图4是本申请的实施例提供的大盲筹码的盈亏效果示意图； 图5是本申请的实施例提供的筛选不同等级的训练数据的过程示意图； 图6是本申请的实施例提供的另一种AI模型的训练方法的步骤示意流程图； 图7是本申请的实施例提供的预设的神经网络的结构示意图； 图8是本申请的实施例提供的一种AI模型的使用方法的步骤示意流程图； 图9是本申请的实施例提供的AI模型训练使用部署的示意图； 图10是本申请的实施例提供的一种计算机设备的示意框图。