InterSystems IRIS - ሁለንተናዊ የእውነተኛ ጊዜ AI/ML መድረክ

ደራሲ: Sergey Lukyanchikov, InterSystems አማካሪ መሐንዲስ

የእውነተኛ ጊዜ AI/ML ማስላት ጥሪዎች

በ InterSystems የውሂብ ሳይንስ ልምምድ ልምድ በምሳሌዎች እንጀምር፡-

• የተጫነው የገዢ ፖርታል ከመስመር ላይ የምክር ስርዓት ጋር ተገናኝቷል። በችርቻሮ አውታር ላይ የማስተዋወቂያዎች መልሶ ማዋቀር ይኖራል (ለምሳሌ፣ ከ"ጠፍጣፋ" የማስተዋወቂያ መስመር ይልቅ፣ "ክፍል-ታክቲክ" ማትሪክስ አሁን ጥቅም ላይ ይውላል)። የምክር ሞተሮች ምን ይሆናሉ? መረጃን ወደ ጥቆማ ሞተር ማስገባት እና ማዘመን (የግብአት መረጃ መጠን በ 25000 ጊዜ ጨምሯል) ምን ይሆናል? የውሳኔ ሃሳቦች እድገት (በሺህ እጥፍ ቁጥራቸው እና “ክልላቸው” በሺህ እጥፍ በመጨመሩ የምክር ህጎችን የማጣራት ገደብ በሺህ እጥፍ የመቀነስ አስፈላጊነት) ምን ይሆናል?
• በመሳሪያዎች ክፍሎች ውስጥ የሚፈጠሩ ጉድለቶችን የመከታተል ስርዓት አለ. አውቶሜትድ የሂደት ቁጥጥር ስርዓት በየሰከንዱ በሺዎች የሚቆጠሩ የቴክኖሎጂ ሂደት መለኪያዎችን በማስተላለፍ ከክትትል ስርዓቱ ጋር ተገናኝቷል። ቀደም ሲል በ "በእጅ ናሙናዎች" (በእጅ ናሙናዎች) ላይ ይሠራ የነበረው የክትትል ስርዓት ምን ይሆናል (ከሁለተኛ-በ-ሰከንድ የይቻላል ክትትል ማድረግ ይችላል)? ብዙ መቶ ዓምዶች ያለው አዲስ እገዳ በሂደቱ ቁጥጥር ስርዓት ውስጥ በቅርብ ጊዜ ከተጨመሩት ዳሳሾች ንባቦች ጋር በግቤት ውሂቡ ውስጥ ከታየ ምን ይከሰታል (አስፈላጊ እና ለምን ያህል ጊዜ የክትትል ስርዓቱን ከአዳዲስ ዳሳሾች በመተንተን ውስጥ ማካተት ያስፈልጋል) )?
• የእያንዳንዳቸውን ስራ ውጤት የሚጠቀሙ የ AI / ML ስልቶች (ምክር, ክትትል, ትንበያ) ተፈጥሯል. የዚህን ውስብስብ አሠራር ከግቤት ውሂብ ለውጦች ጋር ለማስማማት በየወሩ ስንት ሰው ሰአታት ያስፈልጋሉ? በአስተዳደር ውሳኔ አሰጣጥ ውስብስብ (በውስጡ የአዳዲስ ደጋፊ መረጃዎች መከሰት ድግግሞሽ ከአዳዲስ የግብአት ውሂብ ድግግሞሽ አንፃር) ሲደገፍ አጠቃላይ “ቀዝቃዛ” ምንድነው?

እነዚህን እና ሌሎች በርካታ ምሳሌዎችን ጠቅለል አድርገን ስናጠቃልል፣ ወደ ማሽን መማሪያ እና አርቴፊሻል ኢንተለጀንስ ዘዴዎችን በእውነተኛ ጊዜ ለመጠቀም ስንንቀሳቀስ የሚነሱትን ተግዳሮቶች ወደ ማዘጋጀቱ ደርሰናል።

• በኩባንያችን ውስጥ በአይ / ኤምኤል እድገቶች የመፍጠር ፍጥነት እና መላመድ (በተለዋዋጭ ሁኔታ) ረክተናል?
• የምንጠቀመው AI/ML መፍትሄዎች የእውነተኛ ጊዜ የንግድ አስተዳደርን ምን ያህል ይደግፋሉ?
• የምንጠቀማቸው የ AI/ML መፍትሄዎች በተናጥል (ያለ ገንቢዎች) ከውሂብ እና ከንግድ አስተዳደር ልምዶች ለውጦች ጋር መላመድ ይችላሉ?

ጽሑፋችን የ AI / ML ስልቶችን ለመዘርጋት ፣ የ AI / ML መፍትሄዎችን ለማቀናጀት እና የ AI / ML መፍትሄዎችን በማሰልጠን (ሙከራ) ላይ ካለው ሁለንተናዊ ድጋፍ አንፃር የ InterSystems IRIS መድረክ ችሎታዎች አጠቃላይ እይታ ነው። የውሂብ ዥረቶች. የገበያ ጥናትን፣ የ AI/ML መፍትሄዎችን ጉዳይ ጥናቶች፣ እና የእውነተኛ ጊዜ AI/ML መድረክ የምንለውን ጽንሰ-ሀሳባዊ ገጽታዎች በዚህ ጽሁፍ ውስጥ እንመለከታለን።

ከዳሰሳ ጥናቶች የምናውቀው፡ የእውነተኛ ጊዜ መተግበሪያዎች

ውጤቶች የዳሰሳ ጥናትእ.ኤ.አ. በ 800 በ Lightbend ወደ 2019 በሚጠጉ የአይቲ ባለሙያዎች መካከል የተካሄደ ፣ ለራሳቸው ይናገሩ።

ምስል 1 የእውነተኛ ጊዜ ውሂብ ዋና ተጠቃሚዎች

በዚህ የዳሰሳ ጥናት ውጤቶች ላይ የሪፖርቱን ጠቃሚ ቁርጥራጮች በትርጉማችን ላይ እንጥቀስ፡-

"... የውሂብ ዥረቶችን ለማዋሃድ በመሳሪያዎች ተወዳጅነት ውስጥ ያሉ አዝማሚያዎች እና በተመሳሳይ ጊዜ በኮንቴይነሮች ውስጥ ማስላትን መደገፍ ለገበያው ለቀረበው ጥያቄ ምላሽ ሰጪ ፣ ምክንያታዊ ፣ ተለዋዋጭ ውጤታማ መፍትሄዎችን ለማቅረብ ተመሳሳይ ምላሽ ይሰጣል። የዥረት ፍሰት መረጃን ከባህላዊ የፓኬት ውሂብ በበለጠ ፍጥነት ያስተላልፋል። ከዚህ በተጨማሪ የደንበኛ እርካታን በመጨመር ተወዳዳሪ ጥቅሞችን በመፍጠር እንደ AI/ML ላይ የተመሰረቱ ምክሮችን የመሳሰሉ የሂሳብ ዘዴዎችን በፍጥነት የመተግበር ችሎታ ተጨምሯል። የቅልጥፍና እሽቅድምድም በDevOps ፓራዳይም ውስጥ ያሉትን ሁሉንም ሚናዎች ይነካል - የመተግበሪያ ልማት እና ማሰማራትን የበለጠ ቀልጣፋ ያደርገዋል። … ስምንት መቶ አራት የአይቲ ባለሙያዎች በድርጅታቸው ውስጥ ስላለው የውሂብ ፍሰት አጠቃቀም መረጃ ሰጥተዋል። ምላሽ ሰጪዎች በብዛት የሚገኙት በምዕራባውያን አገሮች (41% በአውሮፓ እና 37% በሰሜን አሜሪካ) እና በትንሽ፣ መካከለኛ እና ትላልቅ ኩባንያዎች መካከል ከሞላ ጎደል እኩል ይሰራጫሉ። ...

... አርቴፊሻል ኢንተለጀንስ ማበረታቻ አይደለም። በምርታማነት AI/ML አፕሊኬሽኖች ውስጥ የውሂብ ዥረት ሂደትን ከሚጠቀሙት ውስጥ XNUMX በመቶ የሚሆኑት AI/ML አጠቃቀማቸው በሚቀጥለው ዓመት (ከሌሎች አፕሊኬሽኖች ጋር ሲነጻጸር) ከፍተኛውን እድገት እንደሚያሳይ ያረጋግጣሉ።

• በአብዛኛዎቹ ምላሽ ሰጪዎች መሠረት በ AI/ML ሁኔታዎች ውስጥ የመረጃ ዥረቶችን መጠቀም በሚቀጥለው ዓመት ከፍተኛውን እድገት ያሳያል።
• በ AI/ML ውስጥ ያሉ አፕሊኬሽኖች የሚበቅሉት በአንፃራዊነት አዲስ በሆኑ የሁኔታዎች ዓይነቶች ብቻ ሳይሆን የእውነተኛ ጊዜ መረጃ እየጨመረ በሚሄድባቸው ባህላዊ ሁኔታዎችም ጭምር ነው።
• ከ AI / ኤምኤል በተጨማሪ በ IoT የውሂብ ቧንቧዎች ተጠቃሚዎች መካከል ያለው የጋለ ስሜት በጣም አስደናቂ ነው - የ IoT መረጃን ካዋሃዱ መካከል 48% የሚሆኑት በዚህ መረጃ ላይ የሁኔታዎች ትግበራ በቅርብ ጊዜ ውስጥ ከፍተኛ ጭማሪ እንደሚያሳይ ይናገራሉ ። ..."

ከዚህ በጣም አስደሳች የዳሰሳ ጥናት ለመረዳት እንደሚቻለው የማሽን መማሪያ እና አርቴፊሻል ኢንተለጀንስ ሁኔታዎችን በመረጃ ዥረቶች ፍጆታ ውስጥ እንደ መሪዎች ያለው ግንዛቤ ቀድሞውኑ “በመንገድ ላይ ነው። ግን የዚያኑ ያህል አስፈላጊ ምልከታ የእውነተኛ ጊዜ AI/ML ግንዛቤ በዴቭኦፕስ መነፅር ነው፡- እዚህ ላይ “ሊጣል የሚችል AI/ML ከሙሉ ተደራሽ የውሂብ ስብስብ ጋር” አሁንም የበላይነት ስላለው ባህል ለውጥ መነጋገር እንጀምራለን።

የእውነተኛ ጊዜ AI/ML መድረክ ጽንሰ-ሀሳብ

ለእውነተኛ ጊዜ AI/ML አንድ የተለመደ የመተግበሪያ ቦታ በአምራችነት ውስጥ የሂደት ቁጥጥር ነው። የእሷን ምሳሌ በመጠቀም እና የቀደሙትን ሀሳቦች ከግምት ውስጥ በማስገባት የእውነተኛ ጊዜ AI/ML መድረክ ጽንሰ-ሀሳብ እንቀርጻለን።
በሂደት ቁጥጥር ውስጥ ሰው ሰራሽ የማሰብ ችሎታ እና የማሽን ትምህርት አጠቃቀም በርካታ ባህሪዎች አሉት

• በቴክኖሎጂ ሂደት ሁኔታ ላይ ያለው መረጃ በከፍተኛ ሁኔታ ይቀበላል-በከፍተኛ ድግግሞሽ እና ለብዙ ልኬቶች (ከሂደቱ ቁጥጥር ስርዓት በሰከንድ እስከ አስር ሺዎች የሚቆጠሩ የመለኪያ እሴቶች የሚተላለፉ)
• ጉድለቶችን የመለየት መረጃ ፣ በእድገታቸው ላይ ያለ መረጃን መጥቀስ አይደለም ፣ በተቃራኒው ፣ ውስን እና መደበኛ ያልሆነ ፣ ጉድለቶች ያሉበት በቂ ያልሆነ መተየብ እና በጊዜ ውስጥ አካባቢያዊነታቸው (ብዙውን ጊዜ በወረቀት መዝገቦች ይወከላል)
• ከተግባራዊ እይታ አንጻር ለሥልጠና እና ሞዴሎችን ለመተግበር የምንጭ መረጃው “የአስፈላጊነት መስኮት” ብቻ ይገኛል ፣ ይህም የቴክኖሎጂ ሂደቱን ተለዋዋጭነት በተመጣጣኝ ተንሸራታች የጊዜ ክፍተት ውስጥ በማንፀባረቅ በመጨረሻው የሂደቱ መለኪያዎች የተነበቡ እሴቶች

እነዚህ ባህሪያት ከቴክኖሎጂው ሂደት ከፍተኛውን የ "ብሮድባንድ ግብዓት ምልክት" በእውነተኛ ጊዜ ከመቀበል እና ከመሠረታዊ ሂደት በተጨማሪ የ AI ውጤቶችን ትግበራ ፣ ስልጠና እና የጥራት ቁጥጥር እንድናከናውን ያስገድዱናል። ML ሞዴሎች - እንዲሁም በእውነተኛ ጊዜ. ሞዴሎቻችን በተንሸራታች ተዛማጅነት ባለው መስኮት ውስጥ "የሚመለከቱት" "ፍሬም" በየጊዜው እየተቀየረ ነው - እና ከእሱ ጋር, ባለፈው ጊዜ በአንዱ "ክፈፎች" ላይ የሰለጠኑ የ AI / ኤምኤል ሞዴሎች የስራ ውጤቶች ጥራትም ይለወጣል. . የ AI / ኤምኤል ሞዴሎች ሥራ ጥራት ከተበላሸ (ለምሳሌ ፣ “የማንቂያ-መደበኛ” ምደባ ስህተት ዋጋ ከገለጽነው ገደብ አልፏል) ፣ የሞዴሎቹ ተጨማሪ ስልጠና በራስ-ሰር መጀመር አለበት ። የበለጠ ወቅታዊ “ክፈፍ” - እና የሞዴሎቹን ተጨማሪ ስልጠና ለመጀመር የአፍታ ምርጫ የሥልጠናው ጊዜ እንዴት እንደሚቆይ ፣ እና አሁን ባለው የአምሳያው ሥሪት ጥራት ላይ የመበላሸት ሁኔታን ከግምት ውስጥ ማስገባት አለበት (ከዚህ በኋላ) ሞዴሎቹ በሚሰለጥኑበት ጊዜ እና የእነሱ "አዲስ የሰለጠኑ" እትሞች እስኪፈጠሩ ድረስ የአሁኑ የአምሳያው ስሪቶች ጥቅም ላይ ውለው ይቀጥላሉ).

InterSystems IRIS AI/ML መፍትሄዎችን ለእውነተኛ ጊዜ ሂደት ቁጥጥር ለማንቃት ቁልፍ የመሳሪያ ስርዓት ችሎታዎች አሉት። እነዚህ ችሎታዎች በሦስት ዋና ዋና ቡድኖች ሊከፈሉ ይችላሉ-

• አዲስ ወይም የተስተካከሉ ነባር AI/ML ስልቶችን ቀጣይነት ያለው ማሰማራት (ቀጣይነት ማሰማራት/ማድረስ፣ ሲዲ) በInterSystems IRIS መድረክ ላይ በእውነተኛ ጊዜ ወደሚሰራ ውጤታማ መፍትሄ።
• ቀጣይነት ያለው ውህደት (CI) ለገቢ የቴክኖሎጂ ሂደት የውሂብ ዥረቶች፣ የመረጃ ወረፋዎች ለትግበራ/ስልጠና/የ AI/ML ስልቶች የጥራት ቁጥጥር እና የውሂብ/የኮድ/የቁጥጥር እርምጃዎችን ከሂሳብ ሞዴሊንግ አካባቢዎች ጋር መለዋወጥ፣በእውነተኛ ጊዜ የተቀናበረ መድረክ InterSystems IRIS
• በ InterSystems IRIS መድረክ የሚተላለፉ መረጃዎችን፣ ኮድ እና የቁጥጥር እርምጃዎችን ("ውሳኔዎች") በመጠቀም በሂሳብ ሞዴሊንግ አካባቢዎች የሚከናወኑ ተከታታይ (የራስ) ስልጠና (የቀጠለ ስልጠና፣ ሲቲ) የ AI/ML ስልቶች

ከማሽን መማር እና አርቴፊሻል ኢንተለጀንስ ጋር በተገናኘ የመድረክ ችሎታዎች በትክክል ወደ እነዚህ ቡድኖች መመደብ ድንገተኛ አይደለም። ዘዴያዊ ዘዴን እንጥቀስ ህትመት ለዚህ ምደባ ሃሳባዊ መሰረት የሚሰጠው ጉግል በኛ ትርጉም፡-

"... በአሁኑ ጊዜ ታዋቂ የሆነው የዴቭኦፕስ ጽንሰ-ሐሳብ የትላልቅ የመረጃ ሥርዓቶችን ልማት እና አሠራር ያጠቃልላል። ይህንን ጽንሰ-ሐሳብ የመተግበር ጥቅሞች የእድገት ዑደቶች ቆይታ መቀነስ, ፈጣን እድገትን ማሰማራት እና በመልቀቂያ እቅድ ውስጥ ተለዋዋጭነት ናቸው. እነዚህን ጥቅሞች ለማግኘት፣ DevOps ቢያንስ ሁለት ልምዶችን መተግበርን ያካትታል፡-

• ቀጣይነት ያለው ውህደት (CI)
• ቀጣይነት ያለው አቅርቦት (ሲዲ)

አስተማማኝ እና ውጤታማ የ AI/ML መፍትሄዎችን መገጣጠም ለማረጋገጥ እነዚህ ልምዶች በ AI/ML መድረኮች ላይም ይተገበራሉ።

AI/ML መድረኮች ከሌሎች የመረጃ ሥርዓቶች በሚከተሉት ገጽታዎች ይለያያሉ።

• የቡድን ብቃቶች፡ የ AI/ML መፍትሄን በሚፈጥሩበት ጊዜ ቡድኑ አብዛኛውን ጊዜ የመረጃ ሳይንቲስቶችን ወይም በመረጃ ምርምር መስክ የተሰማሩ "የአካዳሚክ" ባለሙያዎች የውሂብ ትንታኔን የሚያካሂዱ፣ የሚያዳብሩ እና ሞዴሎችን የሚፈትኑ ናቸው። እነዚህ የቡድን አባላት ፕሮፌሽናል የምርት ኮድ ገንቢዎች ላይሆኑ ይችላሉ።
• ልማት፡ AI/ML ሞተሮች በተፈጥሮ ውስጥ የሙከራ ናቸው። አንድን ችግር በጣም ቀልጣፋ በሆነ መንገድ ለመፍታት የተለያዩ የግብአት ተለዋዋጮችን፣ ስልተ ቀመሮችን፣ የሞዴሊንግ ዘዴዎችን እና የሞዴል መለኪያዎችን በማጣመር ማለፍ አስፈላጊ ነው። የእንደዚህ አይነት ፍለጋ ውስብስብነት "የሰራውን / ያልሰራውን" በመፈለግ ላይ ነው, የትዕይንት ክፍሎችን እንደገና ማባዛትን ማረጋገጥ, ለተደጋጋሚ አተገባበር አጠቃላይ እድገቶች.
• መሞከር፡ AI/ML ሞተሮችን መሞከር ከሌሎች እድገቶች ሰፋ ያለ የፍተሻ ሙከራዎችን ይፈልጋል። ከመደበኛ አሃድ እና ውህደት ፈተናዎች በተጨማሪ የመረጃ ትክክለኛነት እና ሞዴሉን ወደ ስልጠና እና ቁጥጥር ናሙናዎች የመተግበር ውጤቶች ጥራት ይሞከራሉ።
• ማሰማራት፡ የ AI/ML መፍትሄዎችን መዘርጋት አንድ ጊዜ የሰለጠነ ሞዴል በሚጠቀሙ ግምታዊ አገልግሎቶች ብቻ የተገደበ አይደለም። AI/ML መፍትሄዎች በራስ ሰር የሞዴል ስልጠና እና አተገባበርን በሚያከናውኑ ባለብዙ ደረጃ የቧንቧ መስመሮች ዙሪያ የተገነቡ ናቸው። እንደነዚህ ያሉ የቧንቧ መስመሮችን መዘርጋት ሞዴሎችን ማሰልጠን እና መሞከር እንዲችሉ በዳታ ሳይንቲስቶች በእጅ የሚሰሩ ቀላል ያልሆኑ ድርጊቶችን በራስ ሰር ማድረግን ያካትታል።
• ምርታማነት፡ AI/ML ሞተሮች ምርታማነት ሊያጡ የሚችሉት በተቀላጠፈ ፕሮግራሚንግ ብቻ ሳይሆን በየጊዜው በሚለዋወጠው የግብአት መረጃ ባህሪ ምክንያት ነው። በሌላ አነጋገር የ AI/ML አሠራሮች አፈጻጸም ከተለመዱት እድገቶች አፈጻጸም ሰፋ ባሉ ምክንያቶች የተነሳ ሊቀንስ ይችላል። የኛን AI/ML ሞተሮቻችንን (ኦንላይን) አፈጻጸም የመከታተል አስፈላጊነትን ያስከትላል፣ እንዲሁም የአፈጻጸም አመልካቾች የሚጠበቁትን ካላሟሉ ማንቂያዎችን መላክ ወይም ውጤቶችን ውድቅ ማድረግ።

የ AI/ML መድረኮች ከሌሎች የመረጃ ሥርዓቶች ጋር ተመሳሳይ ናቸው፣ ሁለቱም ተከታታይ የኮድ ውህደት ከስሪት ቁጥጥር፣ የክፍል ሙከራ፣ የውህደት ሙከራ እና ቀጣይነት ያለው የእድገት ማሰማራት ያስፈልጋቸዋል። ነገር ግን፣ በ AI/ML ጉዳይ፣ በርካታ አስፈላጊ ልዩነቶች አሉ፡-

• CI (ቀጣይነት ያለው ውህደት) ከአሁን በኋላ የተዘረጉ አካላትን ኮድ በመሞከር እና በማረጋገጥ ላይ ብቻ የተገደበ አይደለም - እንዲሁም መፈተሽ እና ማረጋገጥ ውሂብ እና AI/ML ሞዴሎችን ያካትታል።
• ሲዲ (ቀጣይ ማድረስ/ማሰማራት፣ ተከታታይ ማሰማራት) ፓኬጆችን ወይም አገልግሎቶችን በመጻፍ እና በመልቀቅ ላይ ብቻ የተገደበ ሳይሆን የ AI/ML መፍትሄዎችን ለማቀናበር፣ ለማሰልጠን እና ተግባራዊ ለማድረግ የሚያስችል መድረክን ያመለክታል።
• ሲቲ (የማያቋርጥ ስልጠና፣ ተከታታይ ስልጠና) አዲስ አካል ነው። የጽሁፉ ደራሲ፡- ከዴቭኦፕስ ባህላዊ ፅንሰ-ሀሳብ ጋር በተያያዘ አዲስ አካል፣ እሱም ሲቲ፣ እንደ ደንቡ፣ ቀጣይነት ያለው ሙከራ]፣ በ AI/ML መድረኮች ውስጥ የተፈጠረ፣ የስልጠና እና AIን የመተግበር ስልቶችን በራስ ገዝ የማስተዳደር ኃላፊነት አለበት። / ML ሞዴሎች. ..."

የማሽን መማር እና በእውነተኛ ጊዜ መረጃ ላይ የሚሰሩ አርቴፊሻል ኢንተለጀንስ ሰፋ ያሉ መሳሪያዎች እና ብቃቶች (ከኮድ ልማት እስከ የሂሳብ ሞዴሊንግ አከባቢዎችን ማቀናጀት) ፣ በሁሉም ተግባራዊ እና ርዕሰ ጉዳዮች መካከል መቀራረብ ፣ ይበልጥ ቀልጣፋ የሰው ልጅ ድርጅት እና ብቃት እንደሚያስፈልግ መግለፅ እንችላለን ። የማሽን ሀብቶች.

የእውነተኛ ጊዜ ሁኔታ-በምግብ ፓምፖች ውስጥ ጉድለቶች መፈጠርን ማወቅ

የሂደቱን መቆጣጠሪያ ቦታ እንደ ምሳሌ መጠቀሙን በመቀጠል አንድ የተወሰነ ችግርን ያስቡ (ቀደም ሲል በመጀመሪያ ላይ ጠቅሰናል): በሂደት መለኪያ ዋጋዎች ፍሰት ላይ በመመርኮዝ በፓምፕ ውስጥ ያሉ ጉድለቶች እድገትን በእውነተኛ ጊዜ መከታተል አለብን። እና ስለተታወቁ ጉድለቶች ከጥገና ሰራተኞች ሪፖርቶች.

ምስል 2 ጉድለቶችን እድገትን ለመከታተል የችግር አወጣጥ

በተግባር በዚህ መንገድ የሚቀርቡት የአብዛኛዎቹ ተግባራት ባህሪ የመረጃ ደረሰኝ መደበኛነት እና ቅልጥፍና (ኤፒሲኤስ) ከተለያዩ ዓይነቶች ጉድለቶች ወቅታዊ እና መደበኛ ያልሆነ ክስተት (እና ምዝገባ) ዳራ ላይ መታሰብ አለበት። በሌላ አነጋገር ከሂደቱ ቁጥጥር ስርዓት የተገኘው መረጃ በሴኮንድ አንድ ጊዜ ይደርሳል, ትክክለኛ እና ትክክለኛ ነው, እና ስለ ጉድለቶች ማስታወሻዎች በኬሚካላዊ እርሳስ የተሰሩ ማስታወሻዎች በአውደ ጥናቱ ውስጥ በአጠቃላይ ማስታወሻ ደብተር ውስጥ ቀኑን የሚያመለክት ነው (ለምሳሌ: "12.01 - ወደ ሽፋኑ ውስጥ መፍሰስ). ከ 3 ኛ መሸፈኛ ጎን ").

ስለዚህ, የችግሩን አጻጻፍ በሚከተለው አስፈላጊ ገደብ ማሟላት እንችላለን-የአንድ የተወሰነ አይነት ጉድለት አንድ "ስያሜ" ብቻ አለን (ማለትም የአንድ የተወሰነ አይነት ጉድለት ምሳሌ በሂደት መቆጣጠሪያው መረጃ ይወከላል). ስርዓት በአንድ የተወሰነ ቀን - እና የዚህ ልዩ ዓይነት ጉድለት ተጨማሪ ምሳሌዎች የሉንም። ይህ ገደብ ወዲያውኑ ከክላሲካል ማሽን መማሪያ (ክትትል የሚደረግ ትምህርት) ወሰን በላይ ይወስደናል, ለዚህም ብዙ "መለያዎች" መኖር አለበት.

ምስል 3 ጉድለቶችን እድገት የመከታተል ተግባር ማብራሪያ

በእጃችን ያለውን ብቸኛ “መለያ” እንደምንም “ማባዛት” እንችላለን? አዎ አንቺላለን. የፓምፑ ወቅታዊ ሁኔታ ከተመዘገቡ ጉድለቶች ጋር ተመሳሳይነት ባለው ደረጃ ይገለጻል. የቁጥር ዘዴዎችን ሳይጠቀሙ እንኳን ፣ በእይታ ግንዛቤ ደረጃ ፣ ከሂደቱ ቁጥጥር ስርዓት የሚመጡትን የውሂብ እሴቶች ተለዋዋጭነት በመመልከት ፣ ብዙ መማር ይችላሉ-

ምስል 4 የፓምፕ ሁኔታ ተለዋዋጭነት የአንድ የተወሰነ አይነት ጉድለት "ምልክት" ዳራ ላይ

ግን የእይታ ግንዛቤ (ቢያንስ አሁን) በፍጥነት በሚለዋወጠው ሁኔታችን ውስጥ የ"መለያ" አመንጪ አይደለም። የስታቲስቲክስ ሙከራን በመጠቀም የአሁኑን የፓምፕ ሁኔታ ከተዘገቡት ጉድለቶች ጋር ያለውን ተመሳሳይነት እንገመግማለን.

ምስል 5 በመጪው መረጃ ላይ የስታቲስቲካዊ ሙከራን ከ "ስያሜ" ዳራ አንጻር መተግበር

የስታቲስቲክስ ሙከራ ከሂደቱ ቁጥጥር ስርዓት በተቀበሉት “ፍሰት ፓኬት” ውስጥ የቴክኖሎጂ ሂደት መለኪያዎች እሴቶች ያላቸው መዝገቦች የአንድ የተወሰነ ዓይነት ጉድለት ካለው “መለያ” መዝገቦች ጋር ተመሳሳይ የመሆን እድሉን ይወስናል። የእስታቲስቲካዊ ፈተናን በመተግበር ምክንያት የሚሰላው የፕሮባቢሊቲ እሴት (ስታቲስቲካዊ ተመሳሳይነት ኢንዴክስ) ወደ 0 ወይም 1 እሴት ይቀየራል፣ ተመሳሳይነት በሚመረምረው ፓኬት ውስጥ ላለው እያንዳንዱ መዝገብ ለማሽን መማር “መለያ” ይሆናል። ማለትም አዲስ የተቀበለውን የፓምፕ ግዛት መዛግብት በስታቲስቲክስ ሙከራ ካደረግን በኋላ፣ (ሀ) ይህንን ፓኬጅ የ AI/ML ሞዴልን ለማሰልጠን በተዘጋጀው የስልጠና ስብስብ ላይ ለመጨመር እና (ለ) የጥራት ቁጥጥርን ለማካሄድ እድሉ አለን ። ወደዚህ ጥቅል ሲጠቀሙ የአምሳያው የአሁኑ ስሪት።

ምስል 6 የማሽን መማሪያ ሞዴልን ወደ ገቢ ውሂብ በመተግበር ላይ ካለው ጉድለት "መለያ" ጀርባ ጋር

ከቀደምታችን በአንዱ ዌብናሮች የ InterSystems IRIS የመሳሪያ ስርዓት የአምሳያ ውጤቶችን አስተማማኝነት የሚቆጣጠሩ እና የሞዴል መለኪያዎችን የሚያስተካክሉ የንግድ ሂደቶችን ያለማቋረጥ በማከናወን ማንኛውንም AI / ML ዘዴን እንዴት ተግባራዊ ለማድረግ እንደሚፈቅድ እናሳያለን እና እንገልፃለን። የእኛን ሁኔታ ምሳሌ በፖምፖች ስንተገብር በዌቢናር ወቅት የቀረቡትን ሁሉንም የ InterSystems IRIS ተግባራትን እንጠቀማለን - በመተንተን ሂደት ውስጥ እንደ የመፍትሄችን አካል ሳይሆን ክላሲካል ቁጥጥር የሚደረግበት ትምህርት ሳይሆን የማጠናከሪያ ትምህርት ፣ ይህም ለስልጠና ሞዴሎች ምርጫን በራስ-ሰር ያስተዳድራል። . የሥልጠናው ናሙና ሁለቱንም የስታቲስቲክስ ፈተና እና የአምሳያው የአሁኑን ስሪት - ማለትም ሁለቱንም የስታቲስቲክስ ፈተና (የመመሳሰያ ኢንዴክስ ወደ 0 ወይም 1 ከተለወጠ በኋላ) እና ሞዴሉ ውጤቱን ካመጣ በኋላ “የማወቂያ ስምምነት” የሚነሳባቸውን መዝገቦች ይዟል። እንደዚህ ባሉ መዝገቦች ላይ 1. የአምሳያው አዲስ ስልጠና በሚሰጥበት ጊዜ, በተረጋገጠበት ጊዜ (አዲሱ የሰለጠነ ሞዴል በራሱ የስልጠና ናሙና ላይ ይተገበራል, የመጀመሪያ ደረጃ ስታቲስቲካዊ ሙከራን ይጠቀምበታል), ውጤቱን ከሂደቱ በኋላ "ያላቆየው" 1. በስታቲስቲክስ ፈተና (በስልጠናው ውስጥ ባለው ቋሚ መገኘት ምክንያት ጉድለት ከዋናው "መለያ" የመዝገብ ናሙና) ከስልጠናው ስብስብ ውስጥ ይወገዳሉ, እና የአምሳያው አዲስ ስሪት ከ "መለያ" ይማራል. ጉድለት እና ከዥረቱ "የተያዙ" መዝገቦች።

ምስል 7 በ InterSystems IRIS ውስጥ የ AI/ML ስሌቶችን ሮቦት ማድረግ

በ InterSystems IRIS ውስጥ በአካባቢያዊ ስሌቶች ወቅት የተገኘውን የመለየት ጥራት ላይ አንድ ዓይነት “ሁለተኛ አስተያየት” የሚያስፈልግ ከሆነ ፣ የደመና አገልግሎቶችን በመጠቀም የቁጥጥር ዳታ ስብስብ ላይ ሞዴሎችን ለማሰልጠን እና ለመተግበር አማካሪ ሂደት ተፈጠረ (ለምሳሌ ፣ ማይክሮሶፍት Azure፣ Amazon Web Services፣ Google Cloud Platform፣ ወዘተ.)

ምስል 8 ሁለተኛ አስተያየት ከ Microsoft Azure በ InterSystems IRIS የተቀናበረ

በ InterSystems IRIS ውስጥ ያለን የሁኔታዎች ተምሳሌት የተቀየሰው እንደ ወኪል ላይ የተመሠረተ የትንታኔ ሂደቶች ከመሳሪያው ነገር (ፓምፕ) ፣ ከሂሳባዊ ሞዴሊንግ አከባቢዎች (ፓይቶን ፣ አር እና ጁሊያ) ጋር መስተጋብር መፍጠር እና ሁሉንም የተሳተፉ AI/ ራስን መማርን ያረጋግጣል ። ML ስልቶች - በእውነተኛ ጊዜ የውሂብ ዥረቶች ላይ።

ምስል 9 በ InterSystems IRIS ውስጥ የእውነተኛ ጊዜ AI/ML መፍትሄ ዋና ተግባር

የእኛ ፕሮቶታይፕ ተግባራዊ ውጤት፡-

• በአምሳያው የታወቀው የናሙና ጉድለት (ጥር 12)፡-

• በአምሳያው ያልተካተተ በማደግ ላይ ያለ ጉድለት (ሴፕቴምበር 11፣ ጉድለቱ ራሱ በጥገና ቡድኑ የተገለጸው ከሁለት ቀናት በኋላ መስከረም 13)፡-

ተመሳሳይ ጉድለት በርካታ ክፍሎች የያዙ እውነተኛ ውሂብ ላይ ማስመሰል የእኛ መፍትሔ, InterSystems IRIS መድረክ ላይ ተግባራዊ, እኛን የጥገና ቡድን ተገኝቷል በፊት በርካታ ቀናት የዚህ አይነት ጉድለቶች ልማት ለመለየት ያስችላል መሆኑን አሳይቷል.

InterSystems IRIS - ሁለንተናዊ የእውነተኛ ጊዜ AI/ML ማስላት መድረክ

የInterSystems IRIS መድረክ የእውነተኛ ጊዜ የውሂብ መፍትሄዎችን ማጎልበት፣ ማሰማራት እና ስራን ያቃልላል። InterSystems IRIS የግብይት እና የትንታኔ ውሂብ ሂደትን በአንድ ጊዜ ማከናወን ይችላል። በበርካታ ሞዴሎች (ግንኙነት፣ ተዋረዳዊ፣ ነገር እና ሰነድ ጨምሮ) የተመሳሰለ የውሂብ እይታዎችን መደገፍ; ሰፊ የመረጃ ምንጮችን እና የግለሰብ አፕሊኬሽኖችን ለማዋሃድ እንደ መድረክ መስራት; በተዋቀረ እና ባልተዋቀረ መረጃ ላይ የላቀ ቅጽበታዊ ትንታኔዎችን ያቅርቡ። InterSystems IRIS እንዲሁም ውጫዊ የትንታኔ መሳሪያዎችን ለመጠቀም ስልቶችን ያቀርባል እና ተለዋዋጭ በሆነ ደመና ውስጥ እና በአካባቢው አገልጋዮች ላይ ማስተናገጃ ጥምረት ይፈቅዳል።

በInterSystems IRIS መድረክ ላይ የተገነቡ አፕሊኬሽኖች በተለያዩ ኢንዱስትሪዎች ውስጥ ተሰማርተዋል፣ ኩባንያዎች ከስልታዊ እና ተግባራዊ እይታ አንፃር ጉልህ ኢኮኖሚያዊ ጥቅሞችን እንዲገነዘቡ በመርዳት፣ በመረጃ ላይ የተመሰረተ የውሳኔ አሰጣጥን በመጨመር እና በክስተቱ፣ በመተንተን እና በድርጊት መካከል ያለውን ክፍተት በማጣጣም ነው።

ምስል 10 InterSystems IRIS አርክቴክቸር በእውነተኛ ጊዜ AI/ML አውድ ውስጥ

ልክ እንደ ቀደመው ንድፍ, ከታች ያለው ንድፍ አዲሱን "የመጋጠሚያ ስርዓት" (ሲዲ / CI / ሲቲ) በመድረክ የሥራ አካላት መካከል ካለው የመረጃ ፍሰት ንድፍ ጋር ያጣምራል. ምስሉ የሚጀምረው በማክሮሜካኒዝም ሲዲ እና በማክሮሜካኒዝም CI እና CT ይቀጥላል።

ምስል 11 የመረጃ ዲያግራም በ InterSystems IRIS መድረክ በ AI/ML አካላት መካከል ይፈስሳል

በ InterSystems IRIS ውስጥ ያለው የሲዲ አሠራር ምንነት፡ የመድረክ ተጠቃሚዎች (የ AI/ML መፍትሔዎች ገንቢዎች) ነባሩን ማስማማት እና/ወይም አዲስ AI/ML እድገቶችን መፍጠር ለ AI/ML ስልቶች ልዩ ኮድ አርታዒ በመጠቀም፡ ጁፒተር (ሙሉ ስም፡ Jupyter Notebook; ለአጭር ጊዜ, በዚህ አርታኢ ውስጥ የተፈጠሩ ሰነዶች አንዳንዴም ይባላሉ). በጁፒተር ውስጥ አንድ ገንቢ በ InterSystems IRIS ውስጥ ከመቀመጡ በፊት ("ተሰማራ") ከመቀመጡ በፊት (ግራፊክስ በመጠቀም ጨምሮ) አፈፃፀሙን (ግራፊክስን መጠቀምን ጨምሮ) የመፃፍ፣ የማረም እና የማረጋገጥ እድል አለው። በዚህ መንገድ የተፈጠረ አዲስ ልማት መሰረታዊ ማረም ብቻ እንደሚቀበል ግልፅ ነው (በተለይ ጁፒተር ከእውነተኛ ጊዜ የውሂብ ጅረቶች ጋር ስለማይሰራ) - ይህ በነገሮች ቅደም ተከተል ነው ፣ ምክንያቱም በጁፒተር ውስጥ የእድገት ዋና ውጤት። የአንድ የተለየ AI / ML አሠራር መሠረታዊ አሠራር ማረጋገጫ ነው (“በመረጃ ናሙና ላይ የሚጠበቀውን ውጤት ያሳያል”)። በተመሳሳይ ፣ በጁፒተር ውስጥ ከማረምዎ በፊት ቀድሞውኑ በመድረኩ ውስጥ የተቀመጠ ዘዴ (የሚከተሉትን ማክሮ-ሜካኒዝም ይመልከቱ) ወደ “ቅድመ-ፕላትፎርም” ቅጽ “ተመለስ” ሊፈልግ ይችላል (ከፋይሎች ላይ መረጃን ማንበብ ፣ ከጠረጴዛዎች ይልቅ በ xDBC በኩል ከመረጃ ጋር መሥራት ፣ ከግሎባል ጋር ቀጥተኛ መስተጋብር - ባለብዙ-ልኬት ውሂብ ድርድሮች ኢንተር ሲስተምስ IRIS - ወዘተ.).

በ InterSystems IRIS ውስጥ የሲዲ አተገባበር አስፈላጊ ገጽታ፡ በመድረክ እና በጁፒተር መካከል ባለ ሁለት አቅጣጫ ውህደት ተተግብሯል፣ ይህም በ Python፣ R እና Julia ውስጥ ያሉ ይዘቶች ወደ መድረክ እንዲተላለፉ (እና በመቀጠልም በመድረክ ውስጥ እንዲሰሩ) (ሦስቱም ፕሮግራሚንግ ናቸው። ቋንቋዎች በተዛማጅ መሪ ክፍት ምንጭ ቋንቋዎች)) ምንጭ የሂሳብ ሞዴሊንግ አካባቢዎች)። ስለዚህ የ AI/ML ይዘት ገንቢዎች በሚያውቁት የጁፒተር አርታኢ ውስጥ በመስራት በ Python ፣ R ፣ Julia ውስጥ ከሚገኙ የታወቁ ቤተ-መጻሕፍት እና መሰረታዊ ማረም (አስፈላጊ ከሆነ) በመድረክ ውስጥ የዚህን ይዘት "ቀጣይነት ማሰማራትን" ለማካሄድ እድሉ አላቸው። ከመድረክ ውጭ .

በ InterSystems IRIS ውስጥ ወደ CI ማክሮ ዘዴ እንሂድ። ሥዕላዊ መግለጫው የ “እውነተኛ ጊዜ ሮቦትራይዘር” ማክሮ ሂደትን ያሳያል (ውስብስብ የውሂብ አወቃቀሮች ፣ የንግድ ሂደቶች እና በሂሳብ ቋንቋዎች የተቀነባበሩ የኮድ ቁርጥራጮች እና ObjectScript - የ InterSystems IRIS የአፍ መፍቻ ቋንቋ)። የዚህ የማክሮ ሂደት ተግባር ለ AI / ML አሠራሮች (በእውነተኛ ጊዜ ወደ መድረክ በሚተላለፉ የመረጃ ዥረቶች ላይ በመመርኮዝ) አስፈላጊ የሆኑትን የመረጃ ወረፋዎች መጠበቅ ነው ፣ ስለ አተገባበር ቅደም ተከተል እና ስለ AI / “አዛማጅ” ውሳኔዎች ። የኤምኤል ስልቶች (እነሱም “የሒሳብ ስልተ ቀመሮች”፣ “ሞዴሎች”፣ወዘተ - እንደ አፈፃፀሙ እና የቃላት ምርጫዎች ላይ በመመስረት በተለየ ሁኔታ ሊጠሩ ይችላሉ) የ AI / ሥራ ውጤቶችን ለመተንተን የመረጃ አወቃቀሮችን ወቅታዊ ያድርጉት። የኤምኤል ስልቶች (cubes, tables, multidimensional data arays, ወዘተ.) ወዘተ - ለሪፖርቶች, ዳሽቦርዶች, ወዘተ.).

የ CI አተገባበር አስፈላጊ ገጽታ በተለይ በ InterSystems IRIS ውስጥ: በሁለት አቅጣጫዊ ውህደት በመድረክ እና በሂሳብ ሞዴሊንግ አከባቢዎች መካከል ተተግብሯል, ይህም በፓይዘን, አር እና ጁሊያ ውስጥ በመድረክ ውስጥ የተስተናገደውን ይዘት በየአካባቢያቸው እንዲፈጽሙ እና አፈፃፀሙን እንዲመልሱ ያስችልዎታል. ውጤቶች. ይህ ውህደት በሁለቱም በ "ተርሚናል ሁነታ" (ማለትም, AI / ML ይዘት ወደ አካባቢ ጥሪዎችን የሚያደርግ የ ObjectScript ኮድ የተቀመረ ነው) እና "በንግድ ሂደት ሁነታ" (ማለትም, AI / ML ይዘት እንደ የንግድ ሂደት የተቀየሰ ነው). የግራፊክ አርታዒን በመጠቀም፣ ወይም አንዳንድ ጊዜ ጁፒተርን በመጠቀም፣ ወይም IDE በመጠቀም - IRIS Studio፣ Eclipse፣ Visual Studio Code)። በጁፒተር ውስጥ ለማረም የንግድ ሥራ ሂደቶች መገኘት በ IRIS በ CI ደረጃ እና በጁፒተር በሲዲ ደረጃ መካከል ባለው ግንኙነት ይንጸባረቃል። ከሂሳብ ሞዴሊንግ አከባቢዎች ጋር ስለ ውህደት የበለጠ ዝርዝር መግለጫ ከዚህ በታች ቀርቧል። በዚህ ደረጃ, በእኛ አስተያየት, የመሣሪያ ስርዓቱ የ AI / ML እድገቶችን "ቀጣይ ውህደት" (ከ"ቀጣይ ማሰማራት" የሚመጣው) በእውነተኛ ጊዜ AI / ML መፍትሄዎችን ለመተግበር ሁሉም አስፈላጊ መሳሪያዎች እንዳሉት ለማረጋገጥ በቂ ምክንያት አለ.

እና ዋናው የማክሮ ዘዴ: ሲቲ. ያለሱ, AI / ML መድረክ አይኖርም (ምንም እንኳን "እውነተኛ ጊዜ" በሲዲ / CI በኩል ተግባራዊ ይሆናል). የሲቲ ዋናው የመድረክ ስራ የማሽን መማሪያ እና አርቲፊሻል ኢንተለጀንስ በቀጥታ በሂሳብ ሞዴሊንግ አከባቢዎች የስራ ክፍለ ጊዜዎች: ሞዴሎች, የስርጭት ጠረጴዛዎች, የማትሪክስ ቬክተሮች, የነርቭ ኔትወርኮች ንብርብሮች, ወዘተ. ይህ “ሥራ” በአብዛኛዎቹ ሁኔታዎች በአከባቢዎች ውስጥ የተጠቀሱትን ቅርሶች መፍጠርን ያጠቃልላል (በሞዴሎች ውስጥ ፣ ለምሳሌ ፣ “ፍጥረት” የአምሳያው ዝርዝር መግለጫ እና ከዚያ በኋላ የመለኪያዎቹ እሴቶች ምርጫን ያካትታል ። የአምሳያው “ስልጠና” ተብሎ የሚጠራው) መተግበሪያቸው (ለሞዴሎች-በእነሱ እርዳታ በ “ሞዴል” የዒላማ ተለዋዋጮች - ትንበያዎች ፣ የምድብ አባልነት ፣ የአንድ ክስተት ዕድል ፣ ወዘተ) እና ቀድሞውኑ መሻሻል። የተፈጠሩ እና የተተገበሩ ቅርሶች (ለምሳሌ ፣ በመተግበሪያው ውጤት ላይ በመመርኮዝ የሞዴል ግቤት ተለዋዋጮችን ስብስብ እንደገና መወሰን - የትንበያ ትክክለኛነትን ለማሻሻል እንደ አማራጭ)። የሲቲ ሚናን ለመረዳት ዋናው ነጥብ ከሲዲ እና CI እውነታዎች "ማጠቃለያ" ነው፡ ሲቲ በተወሰኑ አካባቢዎች በተሰጡት አቅም ውስጥ በ AI/ML መፍትሄ ስሌት እና ሒሳባዊ ዝርዝሮች ላይ በማተኮር ሁሉንም ቅርሶች ተግባራዊ ያደርጋል። የ"ግብዓቶችን የማቅረብ" እና "ውጤቶችን የማቅረብ" ሃላፊነት የሲዲ እና የሲአይኤ ሃላፊነት ይሆናል።

የሲቲ አተገባበር አስፈላጊ ገጽታ በተለይ በኢንተር ሲስተምስ አይሪስ ውስጥ፡ ከላይ ከተጠቀሱት የሂሳብ ሞዴሊንግ አካባቢዎች ጋር ያለውን ውህደት በመጠቀም መድረኩ እነዚያን ቅርሶች በሂሳብ አከባቢዎች እና (ከሁሉም በላይ) በእሱ ቁጥጥር ስር ከሚገኙ የስራ ክፍለ ጊዜዎች የማውጣት ችሎታ አለው። ወደ መድረክ ውሂብ ነገሮች ውስጥ እንዲገቡ ያደርጋቸዋል። ለምሳሌ፣ አሁን በሚሰራ የፓይዘን ክፍለ ጊዜ የተፈጠረ የማከፋፈያ ሠንጠረዥ (የፓይዘን ክፍለ ጊዜን ሳያቋርጥ) ወደ መድረኩ ሊተላለፍ ይችላል፣ ለምሳሌ፣ አለምአቀፋዊ (ባለብዙ ኢንተርናሽናል ሲስተምስ IRIS ዳታ ድርድር) - እና ጥቅም ላይ ይውላል። በሌላ AI / ML- ሜካኒካል ስሌት (በሌላ አካባቢ ቋንቋ ውስጥ የተተገበረ - ለምሳሌ ፣ በ R) - ወይም ምናባዊ ሰንጠረዥ። ሌላ ምሳሌ: ከአምሳያው አሠራር "መደበኛ ሁነታ" ጋር በትይዩ (በፓይዘን የስራ ክፍለ ጊዜ) "ራስ-ኤምኤል" በግቤት ውሂቡ ላይ ይከናወናል-የተመቻቸ የግቤት ተለዋዋጮች እና የመለኪያ እሴቶችን በራስ-ሰር መምረጥ። እና ከ “መደበኛ” ስልጠና ጋር ፣ በእውነተኛ ጊዜ ውጤታማ ሞዴል እንዲሁ የእሱን መግለጫ “የማመቻቸት ፕሮፖዛል” ይቀበላል - የግብዓት ተለዋዋጮች ስብስብ የሚለወጡበት ፣ የመለኪያ እሴቶቹ ይለወጣሉ (ከአሁን በኋላ በስልጠና ምክንያት አይደለም) በ Python ውስጥ ፣ ግን እንደ H2O ቁልል ካለው የራሱ “አማራጭ” ሥሪት ጋር በማሰልጠን ምክንያት ፣ አጠቃላይ AI / ኤምኤል መፍትሔው በግቤት ውሂቡ ተፈጥሮ ላይ ያልተጠበቁ ለውጦችን እና እየተቀረጸ ያለውን ክስተት ለመቋቋም ያስችላል። .

የእውነተኛ ህይወት ምሳሌን በመጠቀም ከ InterSystems IRIS መድረክ AI/ML ተግባር ጋር የበለጠ እንተዋወቅ።

ከታች ባለው ሥዕል ላይ፣ በስላይድ በግራ በኩል በፓይዘን እና አር ውስጥ የስክሪፕት አፈጻጸሞችን የሚያስፈጽም የንግድ ሥራ አንድ አካል አለ። በ Python እና R. ወዲያውኑ ከኋላቸው በአንድ እና በሌላ ቋንቋ ላይ የይዘት ምሳሌዎች, ወደ ተገቢው አከባቢዎች እንዲተገበሩ ተላልፈዋል. በስተቀኝ መጨረሻ ላይ በስክሪፕት አፈፃፀም ውጤቶች ላይ የተመሰረቱ ምስሎች ናቸው. ከላይ ያሉት ምስላዊ ምስሎች በ IRIS ትንታኔዎች (ውሂቡ ከ Python ወደ InterSystems IRIS የውሂብ መድረክ ተወስዷል እና መድረክን በመጠቀም በዳሽቦርድ ላይ ታይቷል), ከታች በኩል በቀጥታ በ R የስራ ክፍለ ጊዜ እና ከዚያ ወደ ግራፊክ ፋይሎች ተወስደዋል. . አንድ አስፈላጊ ገጽታ በአምሳያው ውስጥ የቀረበው ቁርጥራጭ ሞዴል (የመሳሪያ ግዛቶችን ምደባ) በእውነተኛ ጊዜ ከመሳሪያው አስመሳይ ሂደት የተቀበለውን መረጃ የማሰልጠን ሃላፊነት አለበት ፣ በአምሳያው አተገባበር ወቅት ከሚታየው የጥራት ቁጥጥር ሂደት ትእዛዝ ። በይነተገናኝ ሂደቶች ("ወኪሎች") መልክ የ AI / ኤምኤል መፍትሄ ትግበራ የበለጠ ይብራራል.

ምስል 12 ከፓይዘን፣ አር እና ጁሊያ ጋር በ InterSystems IRIS ውስጥ መስተጋብር

የመድረክ ሂደቶች (እነሱም “የንግድ ሂደቶች” ፣ “ትንታኔያዊ ሂደቶች” ፣ “ቧንቧዎች” ፣ ወዘተ - እንደ አውድ ላይ በመመስረት) በመጀመሪያ ፣ በመድረክ ውስጥ በግራፊክ የንግድ ሂደት አርታኢ ውስጥ ተስተካክለዋል ፣ እና በእንደዚህ ዓይነት የሁለቱም የማገጃ ዲያግራም እና ተዛማጅ AI/ML ዘዴ (የፕሮግራም ኮድ) በአንድ ጊዜ የሚፈጠሩበት መንገድ። “የ AI/ML ዘዴ ተገኝቷል” ስንል በመጀመሪያ ድቅልቅ (በአንድ ሂደት ውስጥ) ማለታችን ነው፡- በሒሳብ ሞዴሊንግ አካባቢ ቋንቋዎች ውስጥ ያለው ይዘት በSQL ውስጥ ካለው ይዘት ጋር የተያያዘ ነው (ቅጥያዎችን ጨምሮ)። የተዋሃደ ኤም.ኤል), በ InterSystems ObjectScript ከሌሎች የሚደገፉ ቋንቋዎች ጋር። ከዚህም በላይ የመድረክ ሂደቱ በተዋረድ የጎጆ ቁርስራሽ መልክ ለ"ማቅረብ" በጣም ሰፊ እድሎችን ይሰጣል (ከዚህ በታች ባለው ሥዕላዊ መግለጫ ላይ እንደሚታየው) ይህም "ሳይወድቁ" በጣም ውስብስብ የሆነውን ይዘት እንኳን በብቃት ለማደራጀት ያስችላል። የግራፊክ ቅርጸት (ወደ "ግራፊክ ያልሆኑ" ቅርጸቶች) » ዘዴዎች / ክፍሎች / ሂደቶች, ወዘተ.). ያም አስፈላጊ ከሆነ (እና በአብዛኛዎቹ ፕሮጀክቶች ውስጥ አስቀድሞ ታይቷል), ሙሉ በሙሉ የ AI / ML መፍትሄ በግራፊክ እራስ-ሰነድ ቅርጸት ሊተገበር ይችላል. እባክዎን ከዚህ በታች ባለው ስዕላዊ መግለጫ ማዕከላዊ ክፍል ውስጥ ከፍ ያለ “የጎጆ ደረጃ”ን የሚወክል ፣ ሞዴሉን ከማሰልጠን ትክክለኛ ሥራ በተጨማሪ ( Python እና R ን በመጠቀም) ተብሎ የሚጠራውን ትንተና ግልፅ መሆኑን ልብ ይበሉ ። የሰለጠነ ሞዴል ROC ጥምዝ ታክሏል, በእይታ (እና በስሌት ደግሞ) የስልጠና ጥራት ለመገምገም ያስችላል - እና ይህ ትንተና በጁሊያ ቋንቋ (በዚህ መሠረት, በጁሊያ የሂሳብ አካባቢ ውስጥ ተፈጽሟል) ውስጥ ተግባራዊ ነው.

ምስል 13 በ InterSystems IRIS ውስጥ የ AI / ML መፍትሄዎች ቅንብር ምስላዊ አካባቢ

ቀደም ሲል እንደተጠቀሰው, የመነሻ ልማት እና (በአንዳንድ ሁኔታዎች) ቀደም ሲል በመድረክ ውስጥ የተተገበሩ AI / ML ስልቶችን ማስተካከል በጁፒተር አርታኢ ውስጥ ከመድረክ ውጭ ሊከናወን ይችላል. ከዚህ በታች ባለው ሥዕላዊ መግለጫ ውስጥ አሁን ያለውን የመድረክ ሂደት (ከላይ ባለው ሥዕላዊ መግለጫው ላይ ካለው ጋር ተመሳሳይ) የማስተካከያ ምሳሌ እናያለን - ሞዴሉን ለማሰልጠን ኃላፊነት ያለው ቁራጭ በጁፒተር ውስጥ እንደዚህ ይመስላል። የፓይዘን ይዘት በቀጥታ በጁፒተር ውስጥ ለማርትዕ፣ ለማረም እና ለግራፊክስ ውፅዓት ይገኛል። ለውጦች (አስፈላጊ ከሆነ) ወደ መድረኩ ሂደት ፈጣን ማመሳሰል፣ ምርታማ ስሪቱን ጨምሮ ሊደረጉ ይችላሉ። አዲስ ይዘት ወደ መድረክ በተመሳሳይ መንገድ ሊተላለፍ ይችላል (አዲስ መድረክ ሂደት በራስ-ሰር ይፈጠራል)።

ምስል 14 የጁፒተር ማስታወሻ ደብተርን በመጠቀም AI/ML ኤንጂን በኢንተር ሲስተምስ IRIS መድረክ ላይ ለማረም

የመድረክ ሂደትን ማስተካከል በግራፊክ ወይም በላፕቶፕ ቅርጸት ብቻ ሳይሆን በ "ጠቅላላ" IDE (የተቀናጀ ልማት አካባቢ) ቅርጸት ሊከናወን ይችላል. እነዚህ አይዲኢዎች IRIS ስቱዲዮ (ቤተኛ IRIS ስቱዲዮ)፣ ቪዥዋል ስቱዲዮ ኮድ (InterSystems IRIS ቅጥያ ለVSCode) እና Eclipse (Atelier plugin) ናቸው። በአንዳንድ ሁኔታዎች፣ ለልማት ቡድን ሦስቱንም አይዲኢዎች በአንድ ጊዜ መጠቀም ይቻላል። ከታች ያለው ሥዕላዊ መግለጫ በ IRIS ስቱዲዮ፣ በቪዥዋል ስቱዲዮ ኮድ እና በግርዶሽ ውስጥ ተመሳሳይ ሂደትን የማረም ምሳሌ ያሳያል። ሁሉም ይዘቶች ለማርትዕ ይገኛሉ፡ Python/R/Julia/SQL፣ ObjectScript እና የንግድ ሂደት።

ምስል 15 በተለያዩ አይዲኤዎች ውስጥ የኢንተር ሲስተምስ IRIS የንግድ ሂደት እድገት

በንግድ ሂደት ቋንቋ (BPL) ውስጥ የኢንተር ሲስተምስ IRIS የንግድ ሂደቶችን ለመግለፅ እና ለማስፈፀም የሚረዱ መሳሪያዎች ልዩ መጠቀስ አለባቸው። BPL በንግድ ሂደቶች ውስጥ “ዝግጁ-የተሰራ ውህደት ክፍሎችን” (እንቅስቃሴዎችን) ለመጠቀም ያስችለዋል - በእውነቱ ፣ “ቀጣይ ውህደት” በ InterSystems IRIS ውስጥ ተግባራዊ ነው ለማለት በቂ ምክንያት ይሰጣል። ዝግጁ የሆኑ የንግድ ሥራ ሂደቶች አካላት (በመካከላቸው ያሉ ተግባራት እና ግንኙነቶች) የ AI/ML መፍትሄን ለመሰብሰብ ኃይለኛ ማፋጠን ናቸው። እና ስብሰባዎች ብቻ አይደሉም: በተለያየ AI / ML እድገቶች እና ስልቶች መካከል በመካከላቸው ላሉት እንቅስቃሴዎች እና ግንኙነቶች ምስጋና ይግባቸውና እንደ ሁኔታው ​​​​በእውነተኛ ጊዜ ውሳኔዎችን ማድረግ የሚችል “ራስ ወዳድ የአስተዳደር ሽፋን” ይነሳል።

ምስል 16 በ InterSystems IRIS መድረክ ላይ ለተከታታይ ውህደት (CI) ዝግጁ የሆኑ የንግድ ሂደት አካላት

የኤጀንት ሲስተሞች ጽንሰ-ሀሳብ (“ባለብዙ-ወኪል ሲስተሞች” በመባልም ይታወቃል) በሮቦት አሰራር ውስጥ ጠንካራ አቋም ያለው ሲሆን የኢንተር ሲስተምስ አይሪስ መድረክ በ"ምርት-ሂደት" ግንባታ በኩል ይደግፈዋል። እያንዳንዱን ሂደት ለጠቅላላው መፍትሄ አስፈላጊ የሆነውን “የማዘጋጀት” ያልተገደበ እድሎች በተጨማሪ ፣ የመድረክ ሂደቶችን ስርዓት በ “ኤጀንሲ” ንብረት መሰጠት እጅግ በጣም ያልተረጋጉ አስመሳይ ክስተቶች (የማህበራዊ ባህሪ) ውጤታማ መፍትሄዎችን ለመፍጠር ያስችልዎታል ። ባዮሲስቶች, በከፊል ሊታዩ የሚችሉ የቴክኖሎጂ ሂደቶች, ወዘተ).

ምስል 16 በ InterSystems IRIS ውስጥ የ AI/ML መፍትሄ እንደ ወኪል ላይ የተመሰረተ የንግድ ስራ ሂደት አሰራር

የኢንተር ሲስተምስ IRIS ግምገማችንን እንቀጥላለን ሁሉንም የእውነተኛ ጊዜ ችግሮችን ለመፍታት የመድረክን ተግባራዊ አጠቃቀም ታሪክ (ለአንዳንዶቹ የኢንተርኔት ሲስተም AI/ML ምርጥ ተሞክሮዎች በቂ የሆነ ዝርዝር መግቢያ በ InterSystems IRIS በአንድ ይገኛል። የእኛ የቀድሞ ዌብናሮች).

በቀድሞው ሥዕላዊ መግለጫዎች ላይ ትኩስ ፣ ከዚህ በታች የወኪሉ ስርዓት የበለጠ ዝርዝር ሥዕል አለ። ስዕሉ አንድ አይነት ፕሮቶታይፕ ያሳያል, ሁሉም አራቱ ወኪል ሂደቶች ይታያሉ, በመካከላቸው ያለው ግንኙነት በእቅድ ይሳባሉ: ጄኔሬተር - በመሳሪያዎች ዳሳሾች የውሂብ መፈጠርን ያካሂዳል, BUFFER - የውሂብ ወረፋዎችን ይቆጣጠራል, አናሊዘር - የማሽን መማር እራሱን ያከናውናል, ክትትል - ይቆጣጠራል. የማሽን መማሪያ ጥራት እና ሞዴሉን እንደገና የማሰልጠን አስፈላጊነትን በተመለከተ ምልክት ያቀርባል።

ምስል 17 በ InterSystems IRIS ውስጥ በወኪል ላይ የተመሰረተ የንግድ ሂደት ስርዓት የ AI/ML መፍትሄ ቅንብር

ከዚህ በታች ያለው ሥዕላዊ መግለጫ ለተወሰነ ጊዜ የሌላ የሮቦት ፕሮቶታይፕ (የጽሑፎችን ስሜታዊ ቀለም እውቅና) በራስ ገዝ አሠራር ያሳያል። በላይኛው ክፍል ውስጥ የሞዴል ስልጠና የጥራት አመልካች ዝግመተ ለውጥ (ጥራት እያደገ ነው) ፣ በታችኛው ክፍል ውስጥ የአምሳያው አተገባበር የጥራት አመልካች እና የተደጋጋሚ ስልጠና እውነታዎች (ቀይ ጭረቶች) ናቸው ። እንደሚመለከቱት ፣ መፍትሄው እራሱን በብቃት እና በራስ ገዝ ተምሯል ፣ እና በተሰጠው የጥራት ደረጃ ይሰራል (የጥራት ውጤት ዋጋዎች ከ 80% በታች አይወድቁም)።

ምስል 18 ተከታታይ (ራስን) ስልጠና (ሲቲ) በኢንተር ሲስተምስ አይሪስ መድረክ ላይ

እንዲሁም "ራስ-ኤምኤል" ቀደም ብለን ጠቅሰናል, ነገር ግን ከዚህ በታች ያለው ንድፍ የሌላውን ምሳሌ በመጠቀም የዚህን ተግባር አጠቃቀም በዝርዝር ያሳያል. የንግድ ሥራ ሂደት ቁርጥራጭ ግራፊክ ዲያግራም በ H2O ቁልል ውስጥ ሞዴሊንግ እንዲሠራ የሚያደርገውን እንቅስቃሴ ያሳያል ፣ የዚህ ሞዴሊንግ ውጤቶችን ያሳያል (በንፅፅር ስዕላዊ መግለጫው መሠረት በውጤቱ ሞዴል ላይ “ሰው ሰራሽ” ሞዴሎች ላይ ግልፅ የበላይነት ። የ ROC ኩርባዎች, እንዲሁም በዋናው የውሂብ ስብስብ ውስጥ የሚገኙትን "በጣም ተፅዕኖ ፈጣሪዎች" በራስ ሰር መለየት). እዚህ ላይ አንድ አስፈላጊ ነጥብ በ "አውቶ-ኤምኤል" በኩል የተገኘውን ጊዜ እና የባለሙያ ሀብቶችን መቆጠብ ነው-የእኛ መድረክ ሂደት በግማሽ ደቂቃ ውስጥ የሚያከናውነው (የተመቻቸ ሞዴልን መፈለግ እና ማሰልጠን) አንድ ባለሙያ ከአንድ ሳምንት እስከ አንድ ወር ሊወስድ ይችላል.

ምስል 19 በ InterSystems IRIS መድረክ ላይ "ራስ-ኤምኤል" ወደ AI/ML መፍትሄ ማዋሃድ

ከታች ያለው ንድፍ ነጥቡን በጥቂቱ ስቶታል፣ ነገር ግን የእውነተኛ ጊዜ ችግሮች እየተፈቱ ያሉትን ክፍሎች ታሪክ ለመጨረስ ጥሩ መንገድ ነው፡ በ InterSystems IRIS መድረክ አቅም ሁሉ፣ የሥልጠና ሞዴሎች በእሱ ቁጥጥር ስር መሆናቸውን እናስታውስዎታለን። የግዴታ አይደለም. መድረኩ በመሣሪያ ስርዓት ቁጥጥር ስር በሌለው መሳሪያ የሰለጠነውን የአምሳያው PMML ዝርዝር መግለጫ ከውጭ መቀበል ይችላል - እና ይህንን ሞዴል ከውጭ ከገባበት ጊዜ ጀምሮ በእውነተኛ ጊዜ ይተግብሩ። PMML ዝርዝሮች. ምንም እንኳን አብዛኛዎቹ የተለመዱ ቅርሶች ይህንን ቢፈቅዱም ሁሉም AI / ML ቅርሶች ወደ PMML ዝርዝር ሊቀንስ እንደማይችሉ ግምት ውስጥ ማስገባት አስፈላጊ ነው. ስለዚህ የኢንተር ሲስተምስ አይሪስ መድረክ “open loop” ነው እና ለተጠቃሚዎች “የመድረክ ባርነት” ማለት አይደለም።

ምስል 20 በ InterSystems IRIS መድረክ ላይ "ራስ-ኤምኤል" ወደ AI/ML መፍትሄ ማዋሃድ

በአርቴፊሻል ኢንተለጀንስ እና በእውነተኛ ጊዜ የማሽን ትምህርት አውቶማቲክ ውስጥ ትልቅ ጠቀሜታ ያላቸውን የ InterSystems IRIS (ለግልጽነት ፣ ከሂደቱ ቁጥጥር ጋር በተያያዘ) ተጨማሪ የመሳሪያ ስርዓት ጥቅሞችን እንዘርዝር ።

• ከማንኛውም የመረጃ ምንጮች እና ሸማቾች (የሂደት ቁጥጥር ስርዓት/ SCADA፣ መሳሪያ፣ MRO፣ ኢአርፒ፣ ወዘተ) ጋር የመዋሃድ መሳሪያዎች ተዘጋጅተዋል።
• አብሮገነብ ባለብዙ ሞዴል DBMS ከፍተኛ አፈጻጸም ላለው የግብይት እና የትንታኔ ሂደት (ድብልቅ ግብይት/አናሊቲካል ፕሮሰሲንግ፣ኤችቲኤፒ) ለማንኛውም የቴክኖሎጂ ሂደት መረጃ መጠን።
• በፓይዘን፣ አር፣ ጁሊያ ላይ ተመስርተው የ AI/ML ሞተሮችን ለትክክለኛ ጊዜ መፍትሄዎች ያለማቋረጥ ለማሰማራት የማዳበር መሳሪያዎች
• ተለዋዋጭ የንግድ ሂደቶች ለቀጣይ ውህደት እና (ራስን) የእውነተኛ ጊዜ AI/ML የመፍትሄ ሞተሮች መማር
• አብሮገነብ የቢዝነስ ኢንተለጀንስ መሳሪያዎች የሂደት ውሂብን እና የ AI/ML መፍትሄ ውጤቶችን ለማየት
• የኤፒአይ አስተዳደር የቁጥጥር ስርዓቶችን / SCADAን ፣ የመረጃ እና የትንታኔ ስርዓቶችን ለማስኬድ የ AI / ML መፍትሄ ውጤቶችን ለማቅረብ ፣ ማንቂያዎችን ለመላክ ፣ ወዘተ.

በ InterSystems IRIS መድረክ ላይ AI/ML መፍትሄዎች አሁን ካለው የአይቲ መሠረተ ልማት ጋር በቀላሉ ይጣጣማሉ። የ InterSystems IRIS መድረክ ስህተትን የሚቋቋሙ እና አደጋን የሚቋቋሙ ውቅሮችን በመደገፍ እና በምናባዊ አካባቢዎች፣ በአካላዊ ሰርቨሮች፣ በግል እና በህዝባዊ ደመናዎች እና በዶከር ኮንቴይነሮች ላይ ተለዋዋጭ ማሰማራትን በመደገፍ የ AI/ML መፍትሄዎችን ከፍተኛ አስተማማኝነት ያረጋግጣል።

ስለዚህ፣ InterSystems IRIS ሁለንተናዊ የእውነተኛ ጊዜ AI/ML ማስላት መድረክ ነው። የእኛ መድረክ ሁለንተናዊነት በተግባር የተረጋገጠው በተተገበሩ ስሌቶች ውስብስብነት ላይ ገደቦች በሌሉበት ፣ የ InterSystems IRIS ከተለያዩ ኢንዱስትሪዎች የሚመጡ ሁኔታዎችን የማቀናጀት ችሎታ (በእውነተኛ ጊዜ) እና ልዩ የመላመድ ችሎታ። ማንኛውም የመሣሪያ ስርዓት ተግባራት እና ስልቶች ለተጠቃሚዎች ልዩ ፍላጎቶች።

ምስል 21 InterSystems IRIS - ሁለንተናዊ የእውነተኛ ጊዜ AI/ML ማስላት መድረክ

እዚህ ላይ የቀረበውን ይዘት ከሚፈልጉ አንባቢዎቻችን ጋር የበለጠ ጠቃሚ ግንኙነት ለማግኘት እራስዎን በማንበብ ብቻ እንዳትገድቡ እና "በቀጥታ" ውይይቱን እንዲቀጥሉ እንመክራለን። ከኩባንያዎ ዝርዝር ሁኔታ ጋር በተዛመደ የእውነተኛ ጊዜ AI / ML ሁኔታዎችን በማዘጋጀት ድጋፍ ለመስጠት ደስተኞች ነን ፣ በ InterSystems IRIS መድረክ ላይ የጋራ ፕሮቶታይፕን ማከናወን ፣ አርቴፊሻል ኢንተለጀንስ እና የማሽን መማርን ለማስተዋወቅ የሚያስችል ፍኖተ ካርታ በመቅረጽ እና በተግባር ላይ ማዋል ወደ እርስዎ የምርት እና የአስተዳደር ሂደቶች. የእኛ AI/ML ባለሙያ ቡድን አድራሻ ኢሜይል - [ኢሜል የተጠበቀ].

ምንጭ: hab.com