InterSystems IRIS - منصة عالمية للذكاء الاصطناعي/تعلم الآلة في الوقت الحقيقي

المؤلف: سيرجي لوكيانتشيكوف، مهندس استشاري في InterSystems

مكالمات حوسبة AI/ML في الوقت الفعلي

لنبدأ بأمثلة من تجربة ممارسة علوم البيانات في InterSystems:

• ترتبط بوابة المشتري المحملة بنظام التوصية عبر الإنترنت. ستكون هناك إعادة هيكلة للعروض الترويجية عبر شبكة البيع بالتجزئة (على سبيل المثال، بدلاً من خط العروض الترويجية "المسطح"، سيتم الآن استخدام مصفوفة "تكتيكات القطاع"). ماذا يحدث لمحركات التوصية؟ ماذا يحدث عند تقديم البيانات وتحديثها إلى محرك التوصيات (زاد حجم البيانات المدخلة بمقدار 25000 مرة)؟ ماذا يحدث لتطوير التوصيات (الحاجة إلى تقليل عتبة التصفية لقواعد التوصية بمقدار ألف ضعف بسبب زيادة عددها و"نطاقها" ألف ضعف)؟
• يوجد نظام لرصد احتمالية ظهور عيوب في مكونات المعدات. تم توصيل نظام التحكم الآلي في العملية بنظام المراقبة، حيث يقوم بنقل الآلاف من معلمات العملية التكنولوجية في كل ثانية. ماذا يحدث لنظام المراقبة الذي كان يعمل سابقًا على "العينات اليدوية" (هل هو قادر على توفير مراقبة احتمالية ثانيةً بثانية)؟ ماذا سيحدث إذا ظهرت كتلة جديدة مكونة من عدة مئات من الأعمدة في بيانات الإدخال مع قراءات من أجهزة الاستشعار التي تمت إضافتها مؤخرًا إلى نظام التحكم في العمليات (هل سيكون من الضروري ومدة إيقاف نظام المراقبة تضمين البيانات من أجهزة الاستشعار الجديدة في التحليل؟ )؟
• تم إنشاء مجموعة من آليات الذكاء الاصطناعي/التعلم الآلي (التوصية والمراقبة والتنبؤ) التي تستخدم نتائج عمل بعضها البعض. ما هو عدد ساعات العمل المطلوبة كل شهر لتكييف تشغيل هذا المجمع مع التغيرات في البيانات المدخلة؟ ما هو "التباطؤ" العام عندما يدعمه مجمع صنع القرار الإداري (تكرار حدوث معلومات داعمة جديدة فيه نسبة إلى تكرار ظهور بيانات المدخلات الجديدة)؟

بتلخيص هذه الأمثلة وغيرها الكثير، توصلنا إلى صياغة التحديات التي تنشأ عند الانتقال إلى استخدام آليات التعلم الآلي والذكاء الاصطناعي في الوقت الفعلي:

• هل نحن راضون عن سرعة الإنشاء والتكيف (مع الوضع المتغير) لتطورات الذكاء الاصطناعي/التعلم الآلي في شركتنا؟
• إلى أي مدى تدعم حلول الذكاء الاصطناعي/التعلم الآلي التي نستخدمها إدارة الأعمال في الوقت الفعلي؟
• هل حلول الذكاء الاصطناعي/تعلم الآلة التي نستخدمها قادرة على التكيف بشكل مستقل (بدون مطورين) مع التغيرات في ممارسات البيانات وإدارة الأعمال؟

مقالتنا عبارة عن نظرة عامة شاملة على قدرات منصة InterSystems IRIS من حيث الدعم العالمي لنشر آليات الذكاء الاصطناعي/تعلم الآلة، وتجميع (تكامل) حلول الذكاء الاصطناعي/تعلم الآلة، والتدريب (اختبار) حلول الذكاء الاصطناعي/تعلم الآلة على نطاق مكثف. تدفقات البيانات. سنلقي نظرة على أبحاث السوق، ودراسات الحالة لحلول الذكاء الاصطناعي/التعلم الآلي، والجوانب المفاهيمية لما نسميه منصة الذكاء الاصطناعي/التعلم الآلي في الوقت الفعلي في هذه المقالة.

ما نعرفه من الدراسات الاستقصائية: التطبيقات في الوقت الحقيقي

النتائج مسحتم إجراؤها بين ما يقرب من 800 متخصص في تكنولوجيا المعلومات في عام 2019 بواسطة Lightbend، وهم يتحدثون عن أنفسهم:

الشكل 1: كبار مستهلكي البيانات في الوقت الفعلي

دعونا نقتبس أجزاء مهمة من التقرير عن نتائج هذا الاستطلاع في ترجمتنا:

"... توفر الاتجاهات السائدة في شعبية أدوات دمج تدفقات البيانات، وفي الوقت نفسه، دعم الحوسبة في الحاويات، استجابة تآزرية لطلب السوق من أجل اقتراح أكثر استجابة وعقلانية وديناميكية للحلول الفعالة. ينقل دفق البيانات المعلومات بشكل أسرع من حزم البيانات التقليدية. تضاف إلى ذلك القدرة على تطبيق الأساليب الحسابية بسرعة، مثل التوصيات المستندة إلى الذكاء الاصطناعي/التعلم الآلي، مما يخلق مزايا تنافسية من خلال زيادة رضا العملاء. يؤثر السباق من أجل سرعة الحركة أيضًا على جميع الأدوار في نموذج DevOps - مما يجعل تطوير التطبيقات ونشرها أكثر كفاءة. ... قدم ثمانمائة وأربعة متخصصين في تكنولوجيا المعلومات معلومات حول استخدام تدفقات البيانات في مؤسساتهم. كان المجيبون موجودين في الغالب في الدول الغربية (41% في أوروبا و37% في أمريكا الشمالية) وتم توزيعهم بالتساوي تقريبًا بين الشركات الصغيرة والمتوسطة والكبيرة. ...

... الذكاء الاصطناعي ليس ضجيجا. يؤكد ثمانية وخمسون بالمائة من أولئك الذين يستخدمون بالفعل معالجة تدفق البيانات في تطبيقات الذكاء الاصطناعي/تعلم الآلة الإنتاجية أن استخدامهم للذكاء الاصطناعي/تعلم الآلة سيشهد أكبر نمو في العام المقبل (مقارنة بالتطبيقات الأخرى).

• وفقًا لغالبية المشاركين، فإن استخدام تدفقات البيانات في سيناريوهات الذكاء الاصطناعي/التعلم الآلي سيشهد أكبر نمو في العام المقبل.
• سوف تنمو التطبيقات في الذكاء الاصطناعي/التعلم الآلي ليس فقط بسبب أنواع السيناريوهات الجديدة نسبيًا، ولكن أيضًا بسبب السيناريوهات التقليدية التي يتم فيها استخدام البيانات في الوقت الفعلي بشكل متزايد.
• بالإضافة إلى الذكاء الاصطناعي/التعلم الآلي، فإن مستوى الحماس بين مستخدمي خطوط بيانات إنترنت الأشياء مثير للإعجاب - حيث يقول 48% من أولئك الذين قاموا بالفعل بدمج بيانات إنترنت الأشياء أن تنفيذ السيناريو على هذه البيانات سيشهد زيادة كبيرة في المستقبل القريب. ..."

من هذا الاستطلاع المثير للاهتمام، من الواضح أن تصور سيناريوهات التعلم الآلي والذكاء الاصطناعي كقادة في استهلاك تدفقات البيانات هو بالفعل "في الطريق". لكن الملاحظة التي لا تقل أهمية هي تصور الذكاء الاصطناعي/التعلم الآلي في الوقت الفعلي من خلال عدسة DevOps: هنا يمكننا أن نبدأ بالفعل في الحديث عن تحول الثقافة التي لا تزال سائدة المتمثلة في "الذكاء الاصطناعي/التعلم الآلي القابل للتصرف مع مجموعة بيانات يمكن الوصول إليها بالكامل".

مفهوم منصة AI/ML في الوقت الحقيقي

أحد مجالات التطبيق النموذجية للذكاء الاصطناعي/التعلم الآلي في الوقت الفعلي هو التحكم في العمليات في التصنيع. وباستخدام مثالها ومع الأخذ في الاعتبار الأفكار السابقة، سنقوم بصياغة مفهوم منصة الذكاء الاصطناعي/التعلم الآلي في الوقت الفعلي.
يتميز استخدام الذكاء الاصطناعي والتعلم الآلي في التحكم بالعمليات بعدد من الميزات:

• يتم تلقي البيانات المتعلقة بحالة العملية التكنولوجية بشكل مكثف: بتردد عالٍ ولمجموعة واسعة من المعلمات (ما يصل إلى عشرات الآلاف من قيم المعلمات المرسلة في الثانية من نظام التحكم في العملية)
• على العكس من ذلك، فإن البيانات المتعلقة بتحديد العيوب، ناهيك عن البيانات المتعلقة بتطورها، نادرة وغير منتظمة، وتتميز بعدم كفاية تصنيف العيوب وتوطينها في الوقت المناسب (غالبًا ما يتم تمثيلها بسجلات ورقية).
• من الناحية العملية، لا تتوفر سوى "نافذة ذات صلة" ببيانات المصدر للتدريب وتطبيق النماذج، مما يعكس ديناميكيات العملية التكنولوجية على مدى فترة انزلاق معقولة تنتهي بقيم القراءة الأخيرة لمعلمات العملية

هذه الميزات تجبرنا، بالإضافة إلى الاستقبال والمعالجة الأساسية في الوقت الحقيقي لـ "إشارة إدخال النطاق العريض" المكثفة من العملية التكنولوجية، على إجراء (بالتوازي) التطبيق والتدريب ومراقبة الجودة لنتائج الذكاء الاصطناعي / نماذج ML - أيضًا في الوقت الفعلي. "الإطار" الذي "تراه" نماذجنا في النافذة المنزلقة ذات الصلة يتغير باستمرار - ومعه تتغير أيضًا جودة نتائج عمل نماذج الذكاء الاصطناعي/التعلم الآلي التي تم تدريبها على أحد "الإطارات" في الماضي . إذا تدهورت جودة نتائج عمل نماذج الذكاء الاصطناعي/التعلم الآلي (على سبيل المثال: تجاوزت قيمة خطأ التصنيف "معيار الإنذار" الحدود التي حددناها)، فيجب إطلاق تدريب إضافي للنماذج تلقائيًا "إطار" أكثر حداثة - واختيار لحظة إطلاق تدريب إضافي للنماذج يجب أن يأخذ في الاعتبار مدة التدريب نفسه، وديناميكيات التدهور في جودة عمل الإصدار الحالي من النماذج (منذ ويستمر استخدام الإصدارات الحالية من النماذج أثناء تدريب النماذج، وحتى يتم تشكيل نسخها "المدربة حديثًا".

تتمتع InterSystems IRIS بقدرات أساسية على النظام الأساسي لتمكين حلول الذكاء الاصطناعي/التعلم الآلي للتحكم في العمليات في الوقت الفعلي. ويمكن تقسيم هذه القدرات إلى ثلاث مجموعات رئيسية:

• النشر المستمر (النشر/التسليم المستمر، القرص المضغوط) لآليات الذكاء الاصطناعي/تعلم الآلة الجديدة أو المعدلة في حل إنتاجي يعمل في الوقت الفعلي على منصة InterSystems IRIS
• التكامل المستمر (CI) في حل إنتاجي واحد لتدفقات بيانات العمليات التكنولوجية الواردة، وقوائم انتظار البيانات للتطبيق/التدريب/مراقبة الجودة لآليات الذكاء الاصطناعي/التعلم الآلي وتبادل البيانات/الكود/إجراءات التحكم مع بيئات النمذجة الرياضية، بشكل منسق في الوقت الفعلي منصة InterSystems IRIS
• التدريب المستمر (الذاتي) (التدريب المستمر، CT) لآليات الذكاء الاصطناعي/التعلم الآلي، الذي يتم إجراؤه في بيئات النمذجة الرياضية باستخدام البيانات والتعليمات البرمجية وإجراءات التحكم ("القرارات المتخذة") المنقولة بواسطة منصة InterSystems IRIS

إن تصنيف قدرات النظام الأساسي فيما يتعلق بالتعلم الآلي والذكاء الاصطناعي في هذه المجموعات على وجه التحديد ليس من قبيل الصدفة. دعونا نقتبس المنهجية النشر جوجل، الذي يقدم الأساس المفاهيمي لهذا التصنيف، في ترجمتنا:

"... يغطي مفهوم DevOps، الشائع هذه الأيام، تطوير وتشغيل أنظمة معلومات واسعة النطاق. تتمثل مزايا تنفيذ هذا المفهوم في تقليل مدة دورات التطوير، ونشر التطويرات بشكل أسرع، والمرونة في تخطيط الإصدار. لتحقيق هذه الفوائد، تتضمن DevOps تنفيذ ممارستين على الأقل:

• التكامل المستمر (CI)
• التسليم المستمر (CD)

تنطبق هذه الممارسات أيضًا على منصات الذكاء الاصطناعي/التعلم الآلي لضمان التجميع الموثوق والأداء لحلول الذكاء الاصطناعي/تعلم الآلة الإنتاجية.

تختلف منصات الذكاء الاصطناعي والتعلم الآلي عن أنظمة المعلومات الأخرى في الجوانب التالية:

• كفاءات الفريق: عند إنشاء حل الذكاء الاصطناعي/التعلم الآلي، عادةً ما يضم الفريق علماء بيانات أو خبراء "أكاديميين" في مجال أبحاث البيانات الذين يقومون بتحليل البيانات وتطوير النماذج واختبارها. قد لا يكون أعضاء الفريق هؤلاء مطوري أكواد إنتاجية محترفين.
• التطوير: تعتبر محركات الذكاء الاصطناعي/تعلم الآلة تجريبية بطبيعتها. من أجل حل مشكلة ما بأكثر الطرق فعالية، من الضروري المرور عبر مجموعات مختلفة من متغيرات الإدخال والخوارزميات وطرق النمذجة ومعلمات النموذج. ويكمن تعقيد هذا البحث في تتبع "ما نجح وما لم ينجح"، وضمان استنساخ الحلقات، وتعميم التطورات للتطبيقات المتكررة.
• الاختبار: يتطلب اختبار محركات الذكاء الاصطناعي/تعلم الآلة نطاقًا أوسع من الاختبارات مقارنة بمعظم التطورات الأخرى. بالإضافة إلى اختبارات الوحدة القياسية والتكامل، يتم اختبار صحة البيانات وجودة نتائج تطبيق النموذج على عينات التدريب والمراقبة.
• النشر: لا يقتصر نشر حلول الذكاء الاصطناعي/التعلم الآلي على الخدمات التنبؤية التي تستخدم نموذجًا تم تدريبه مرة واحدة. تم تصميم حلول الذكاء الاصطناعي/تعلم الآلة حول خطوط أنابيب متعددة المراحل تؤدي تدريبًا وتطبيقًا آليًا للنموذج. ويتضمن نشر مثل هذه المسارات أتمتة الإجراءات غير التافهة التي يتم إجراؤها يدويًا بواسطة علماء البيانات حتى يتمكنوا من تدريب النماذج واختبارها.
• الإنتاجية: قد تفتقر محركات الذكاء الاصطناعي/تعلم الآلة إلى الإنتاجية ليس فقط بسبب البرمجة غير الفعالة، ولكن أيضًا بسبب الطبيعة المتغيرة باستمرار للبيانات المدخلة. بمعنى آخر، يمكن أن يتدهور أداء آليات الذكاء الاصطناعي/التعلم الآلي نتيجة لمجموعة واسعة من الأسباب مقارنة بأداء التطورات التقليدية. مما يؤدي إلى ضرورة مراقبة (عبر الإنترنت) أداء محركات الذكاء الاصطناعي والتعلم الآلي الخاصة بنا، بالإضافة إلى إرسال تنبيهات أو رفض النتائج إذا كانت مؤشرات الأداء لا تلبي التوقعات.

تشبه منصات AI/ML أنظمة المعلومات الأخرى حيث يتطلب كلاهما تكاملًا مستمرًا للتعليمات البرمجية مع التحكم في الإصدار واختبار الوحدة واختبار التكامل ونشر التطوير المستمر. ومع ذلك، في حالة الذكاء الاصطناعي/التعلم الآلي، هناك عدة اختلافات مهمة:

• لم يعد CI (التكامل المستمر) مقتصرًا على اختبار كود المكونات المنشورة والتحقق من صحتها - بل يشمل أيضًا اختبار البيانات والتحقق من صحتها ونماذج الذكاء الاصطناعي/تعلم الآلة.
• لا يقتصر CD (التسليم/النشر المستمر، النشر المستمر) على كتابة وإصدار الحزم أو الخدمات، ولكنه يتضمن منصة لتكوين حلول الذكاء الاصطناعي/تعلم الآلة والتدريب عليها وتطبيقها.
• CT (التدريب المستمر، التدريب المستمر) هو عنصر جديد [تقريبًا. مؤلف المقال: عنصر جديد فيما يتعلق بالمفهوم التقليدي لـ DevOps، حيث يكون CT، كقاعدة عامة، اختبارًا مستمرًا]، متأصلًا في منصات الذكاء الاصطناعي/تعلم الآلة، وهو المسؤول عن الإدارة المستقلة لآليات التدريب وتطبيق الذكاء الاصطناعي / نماذج مل. ..."

يمكننا القول أن التعلم الآلي والذكاء الاصطناعي اللذين يعملان على البيانات في الوقت الفعلي يتطلبان مجموعة أوسع من الأدوات والكفاءات (من تطوير التعليمات البرمجية إلى تنسيق بيئات النمذجة الرياضية)، وتكامل أوثق بين جميع المجالات الوظيفية والموضوعية، وتنظيم أكثر كفاءة للبشرية والإنسانية. موارد الآلة.

السيناريو في الوقت الحقيقي: التعرف على تطور العيوب في مضخات التغذية

الاستمرار في استخدام منطقة التحكم في العملية كمثال، والنظر في مشكلة محددة (ذكرناها بالفعل في البداية): نحتاج إلى توفير مراقبة في الوقت الحقيقي لتطور العيوب في المضخات بناءً على تدفق قيم معلمات العملية وتقارير من موظفي الإصلاح حول العيوب التي تم تحديدها.

الشكل 2: صياغة المشكلة لرصد تطور العيوب

من سمات معظم المهام المطروحة بهذه الطريقة عمليًا أن انتظام وكفاءة استلام البيانات (APCS) يجب أن يؤخذ في الاعتبار على خلفية حدوث (وتسجيل) العيوب من مختلف الأنواع بشكل عرضي وغير منتظم. بمعنى آخر: البيانات من نظام التحكم في العمليات تصل مرة واحدة في الثانية، صحيحة ودقيقة، ويتم تدوين ملاحظات حول العيوب بقلم رصاص كيميائي يشير إلى التاريخ في دفتر عام في الورشة (على سبيل المثال: "12.01 - تسرب إلى الغلاف" من جانب المحمل الثالث").

وبالتالي، يمكننا استكمال صياغة المشكلة بالقيد المهم التالي: لدينا "تسمية" واحدة فقط لعيب من نوع معين (أي مثال لعيب من نوع معين يتم تمثيله ببيانات من التحكم في العملية النظام في تاريخ محدد - وليس لدينا المزيد من الأمثلة على خلل من هذا النوع بالذات). يأخذنا هذا القيد على الفور إلى ما هو أبعد من نطاق التعلم الآلي الكلاسيكي (التعلم الخاضع للإشراف)، والذي يجب أن يكون له الكثير من "العلامات".

الشكل 3: توضيح مهمة مراقبة تطور العيوب

هل يمكننا بطريقة ما "مضاعفة" "العلامة" الوحيدة المتاحة لنا؟ نعم نستطيع. تتميز الحالة الحالية للمضخة بدرجة التشابه مع العيوب المسجلة. حتى بدون استخدام الأساليب الكمية، على مستوى الإدراك البصري، من خلال مراقبة ديناميكيات قيم البيانات القادمة من نظام التحكم في العمليات، يمكنك بالفعل تعلم الكثير:

الشكل 4: ديناميكيات حالة المضخة على خلفية "علامة" عيب من نوع معين

لكن الإدراك البصري (على الأقل في الوقت الحالي) ليس المولد الأنسب لـ "العلامات" في السيناريو الذي يتغير بسرعة. سنقوم بتقييم مدى تشابه حالة المضخة الحالية مع العيوب المبلغ عنها باستخدام اختبار إحصائي.

الشكل 5: تطبيق اختبار إحصائي على البيانات الواردة على خلفية "تسمية" الخلل

يحدد الاختبار الإحصائي احتمالية أن تكون السجلات ذات قيم معلمات العملية التكنولوجية في "حزمة التدفق" المستلمة من نظام التحكم في العمليات مشابهة لسجلات "علامة" عيب من نوع معين. يتم تحويل قيمة الاحتمالية (مؤشر التشابه الإحصائي) المحسوبة نتيجة تطبيق اختبار إحصائي إلى قيمة 0 أو 1، لتصبح "ملصقًا" للتعلم الآلي في كل سجل محدد في الحزمة التي يتم فحصها للتأكد من التشابه. أي أنه بعد معالجة الحزمة المستلمة حديثًا من سجلات حالة المضخة باستخدام اختبار إحصائي، لدينا الفرصة لـ (أ) إضافة هذه الحزمة إلى مجموعة التدريب لتدريب نموذج الذكاء الاصطناعي/تعلم الآلة و (ب) إجراء مراقبة جودة الإصدار الحالي من النموذج عند استخدامه لهذه الحزمة.

الشكل 6 تطبيق نموذج التعلم الآلي على البيانات الواردة على خلفية "تسمية" عيب

في واحدة من سابقة لدينا ندوات عبر الإنترنت نعرض ونشرح كيف تسمح لك منصة InterSystems IRIS بتنفيذ أي آلية للذكاء الاصطناعي/التعلم الآلي في شكل عمليات تنفيذ أعمال مستمرة تراقب موثوقية نتائج النمذجة وتكييف معلمات النموذج. عند تنفيذ نموذج أولي لسيناريونا باستخدام المضخات، نستخدم جميع وظائف InterSystems IRIS المقدمة خلال الندوة عبر الويب - التنفيذ في عملية المحلل كجزء من حلنا وليس التعلم الكلاسيكي الخاضع للإشراف، بل التعلم المعزز، الذي يدير اختيار نماذج التدريب تلقائيًا . تحتوي عينة التدريب على سجلات ينشأ عليها "إجماع الكشف" بعد تطبيق كل من الاختبار الإحصائي والإصدار الحالي للنموذج - أي أن كلا من الاختبار الإحصائي (بعد تحويل مؤشر التشابه إلى 0 أو 1) والنموذج أنتجا النتيجة على هذه السجلات 1. أثناء التدريب الجديد للنموذج، أثناء التحقق من صحته (يتم تطبيق النموذج المدرب حديثًا على عينة التدريب الخاصة به، مع التطبيق الأولي للاختبار الإحصائي عليه)، السجلات التي "لم يتم الاحتفاظ بها" النتيجة 1 بعد المعالجة بواسطة الاختبار الإحصائي (بسبب التواجد المستمر في التدريب لعينة من السجلات من "الملصق" الأصلي للخلل)، تتم إزالتها من مجموعة التدريب، ويتعلم إصدار جديد من النموذج من "الملصق" الخاص بالخلل عيب بالإضافة إلى السجلات "المحتفظ بها" من الدفق.

الشكل 7: أتمتة حسابات الذكاء الاصطناعي/تعلم الآلة في InterSystems IRIS

إذا كانت هناك حاجة إلى نوع من "الرأي الثاني" بشأن جودة الاكتشاف الذي يتم الحصول عليه أثناء العمليات الحسابية المحلية في InterSystems IRIS، فسيتم إنشاء عملية استشارية لإجراء التدريب وتطبيق النماذج على مجموعة بيانات التحكم باستخدام الخدمات السحابية (على سبيل المثال، Microsoft Azure، وAmazon Web Services، وGoogle Cloud Platform، وما إلى ذلك):

الشكل 8: الرأي الثاني من Microsoft Azure بتنسيق من InterSystems IRIS

تم تصميم النموذج الأولي للسيناريو الخاص بنا في InterSystems IRIS كنظام قائم على الوكيل للعمليات التحليلية التي تتفاعل مع كائن المعدات (المضخة)، وبيئات النمذجة الرياضية (Python، وR، وJulia)، وتضمن التعلم الذاتي لجميع المشاركين في الذكاء الاصطناعي/ آليات ML - على تدفقات البيانات في الوقت الحقيقي.

الشكل 9: الوظيفة الرئيسية لحل AI/ML في الوقت الفعلي في InterSystems IRIS

النتيجة العملية لنموذجنا الأولي:

• عيب العينة المعترف به بواسطة النموذج (12 يناير):

• عيب متطور تم التعرف عليه بواسطة النموذج ولم يتم تضمينه في العينة (11 سبتمبر، تم التعرف على الخلل نفسه من قبل فريق الإصلاح بعد يومين فقط، في 13 سبتمبر):

أظهرت المحاكاة على بيانات حقيقية تحتوي على عدة حلقات من نفس الخلل أن حلنا، المطبق على منصة InterSystems IRIS، يسمح لنا بالتعرف على تطور العيوب من هذا النوع قبل عدة أيام من اكتشافها من قبل فريق الإصلاح.

InterSystems IRIS - منصة حوسبة عالمية تعمل بالذكاء الاصطناعي/تعلم الآلة في الوقت الفعلي

تعمل منصة InterSystems IRIS على تبسيط تطوير ونشر وتشغيل حلول البيانات في الوقت الحقيقي. InterSystems IRIS قادر على إجراء معالجة بيانات المعاملات والتحليل في وقت واحد؛ دعم عروض البيانات المتزامنة وفقًا لنماذج متعددة (بما في ذلك العلائقية والتسلسل الهرمي والكائن والمستند)؛ العمل كمنصة لدمج مجموعة واسعة من مصادر البيانات والتطبيقات الفردية؛ توفير تحليلات متقدمة في الوقت الفعلي للبيانات المنظمة وغير المنظمة. يوفر InterSystems IRIS أيضًا آليات لاستخدام الأدوات التحليلية الخارجية ويسمح بمزيج مرن من الاستضافة في السحابة وعلى الخوادم المحلية.

يتم نشر التطبيقات المبنية على منصة InterSystems IRIS عبر مجموعة متنوعة من الصناعات، مما يساعد الشركات على تحقيق فوائد اقتصادية كبيرة من منظور استراتيجي وتشغيلي، وزيادة عملية اتخاذ القرارات المستنيرة وسد الفجوات بين الحدث والتحليل والعمل.

الشكل 10: بنية InterSystems IRIS في سياق الذكاء الاصطناعي/التعلم الآلي في الوقت الفعلي

مثل الرسم البياني السابق، يجمع الرسم البياني أدناه بين "نظام الإحداثيات" الجديد (CD/CI/CT) مع رسم تخطيطي لتدفق المعلومات بين عناصر العمل في المنصة. يبدأ التصور بالقرص المضغوط للميكانيكية الكبيرة ويستمر مع الميكانيكا الكبيرة CI وCT.

الشكل 11: رسم تخطيطي لتدفق المعلومات بين عناصر الذكاء الاصطناعي/تعلم الآلة في منصة InterSystems IRIS

جوهر آلية القرص المضغوط في InterSystems IRIS: يقوم مستخدمو النظام الأساسي (مطورو حلول الذكاء الاصطناعي/تعلم الآلة) بتكييف و/أو إنشاء تطورات جديدة للذكاء الاصطناعي/تعلم الآلة باستخدام محرر أكواد متخصص لآليات الذكاء الاصطناعي/تعلم الآلة: Jupyter (الاسم الكامل: Jupyter Notebook؛ للإيجاز، يتم أيضًا استدعاء المستندات التي تم إنشاؤها في هذا المحرر أحيانًا). في Jupyter، يتمتع المطور بفرصة الكتابة وتصحيح الأخطاء والتحقق من الأداء (بما في ذلك استخدام الرسومات) لتطوير AI/ML محدد قبل وضعه ("نشره") في InterSystems IRIS. من الواضح أن التطوير الجديد الذي تم إنشاؤه بهذه الطريقة سيتلقى تصحيح الأخطاء الأساسي فقط (نظرًا لأن Jupyter، على وجه الخصوص، لا يعمل مع تدفقات البيانات في الوقت الفعلي) - وهذا في ترتيب الأشياء، لأن النتيجة الرئيسية للتطوير في Jupyter هو تأكيد على قابلية التشغيل الأساسية لآلية الذكاء الاصطناعي/تعلم الآلة المنفصلة ("يظهر النتيجة المتوقعة على عينة بيانات"). وبالمثل، فإن الآلية الموضوعة بالفعل في النظام الأساسي (انظر آليات الماكرو التالية) قبل تصحيح الأخطاء في Jupyter قد تتطلب "العودة" إلى نموذج "ما قبل النظام الأساسي" (قراءة البيانات من الملفات، والعمل مع البيانات من خلال xDBC بدلاً من الجداول، التفاعل المباشر مع العوالم - صفائف البيانات متعددة الأبعاد InterSystems IRIS - وما إلى ذلك).

جانب مهم من تنفيذ القرص المضغوط في InterSystems IRIS: تم تنفيذ التكامل ثنائي الاتجاه بين النظام الأساسي وJupyter، مما يسمح بنقل المحتوى في Python وR وJulia إلى النظام الأساسي (وبالتالي معالجته في النظام الأساسي) (الثلاثة جميعًا عبارة عن برمجة اللغات في اللغات الرائدة مفتوحة المصدر المقابلة).بيئات النمذجة الرياضية المصدر). وبالتالي، يتمتع مطورو محتوى AI/ML بفرصة تنفيذ "النشر المستمر" لهذا المحتوى في النظام الأساسي، والعمل في محرر Jupyter المألوف لديهم، مع المكتبات المألوفة المتوفرة في Python وR وJulia وإجراء تصحيح الأخطاء الأساسي (إذا لزم الأمر). خارج المنصة .

دعنا ننتقل إلى آلية الماكرو CI في InterSystems IRIS. يوضح الرسم البياني العملية الكلية لـ "Robotizer في الوقت الفعلي" (مجموعة معقدة من هياكل البيانات والعمليات التجارية وأجزاء التعليمات البرمجية التي يتم تنسيقها باللغات الرياضية وObjectScript - لغة التطوير الأصلية لشركة InterSystems IRIS). تتمثل مهمة عملية الماكرو هذه في الحفاظ على قوائم انتظار البيانات اللازمة لتشغيل آليات الذكاء الاصطناعي/التعلم الآلي (استنادًا إلى تدفقات البيانات المرسلة إلى النظام الأساسي في الوقت الفعلي)، واتخاذ القرارات بشأن تسلسل التطبيق و"تشكيلة" الذكاء الاصطناعي/التعلم الآلي. آليات تعلم الآلة (وهي أيضًا "خوارزميات رياضية"، و"نماذج"، وما إلى ذلك - يمكن تسميتها بشكل مختلف اعتمادًا على تفاصيل التنفيذ وتفضيلات المصطلحات)، تحافظ على تحديث هياكل البيانات لتحليل نتائج عمل الذكاء الاصطناعي/ آليات تعلم الآلة (مكعبات، جداول، مصفوفات بيانات متعددة الأبعاد، إلخ.) إلخ – للتقارير ولوحات المعلومات وما إلى ذلك).

جانب مهم من تنفيذ CI في InterSystems IRIS: تم تنفيذ التكامل ثنائي الاتجاه بين النظام الأساسي وبيئات النمذجة الرياضية، مما يسمح لك بتنفيذ المحتوى المستضاف في النظام الأساسي في Python وR وJulia في البيئات الخاصة بهم واستعادة نتائج التنفيذ. يتم تنفيذ هذا التكامل في "الوضع الطرفي" (أي، تتم صياغة محتوى AI/ML كرمز ObjectScript الذي يقوم بإجراء مكالمات إلى البيئة) وفي "وضع عملية الأعمال" (أي، تتم صياغة محتوى AI/ML كعملية أعمال باستخدام محرر رسومي، أو أحيانًا باستخدام Jupyter، أو باستخدام IDE - IRIS Studio، Eclipse، Visual Studio Code). ينعكس توفر العمليات التجارية للتحرير في Jupyter من خلال الاتصال بين IRIS على مستوى CI وJupyter على مستوى القرص المضغوط. يتم توفير نظرة عامة أكثر تفصيلاً حول التكامل مع بيئات النمذجة الرياضية أدناه. في هذه المرحلة، في رأينا، هناك كل الأسباب للتأكد من أن المنصة لديها جميع الأدوات اللازمة لتنفيذ "التكامل المستمر" لتطورات الذكاء الاصطناعي/تعلم الآلة (القادمة من "النشر المستمر") في حلول الذكاء الاصطناعي/تعلم الآلة في الوقت الفعلي.

وآلية الماكرو الرئيسية: CT. بدونها، لن يكون هناك منصة AI/ML (على الرغم من أنه سيتم تنفيذ "الوقت الحقيقي" من خلال CD/CI). جوهر CT هو عمل المنصة مع "الأدوات" للتعلم الآلي والذكاء الاصطناعي مباشرة في جلسات عمل بيئات النمذجة الرياضية: النماذج، وجداول التوزيع، ومتجهات المصفوفة، وطبقات الشبكات العصبية، وما إلى ذلك. يتكون هذا "العمل"، في معظم الحالات، من إنشاء المصنوعات اليدوية المذكورة في البيئات (في حالة النماذج، على سبيل المثال، يتكون "الإنشاء" من تحديد مواصفات النموذج والاختيار اللاحق لقيم معلماته - ما يسمى بـ "تدريب" النموذج)، وتطبيقها (بالنسبة للنماذج: الحساب بمساعدتها قيم "النموذج" للمتغيرات المستهدفة - التوقعات، وعضوية الفئة، واحتمال وقوع حدث، وما إلى ذلك) وتحسين بالفعل العناصر التي تم إنشاؤها وتطبيقها (على سبيل المثال، إعادة تعريف مجموعة من متغيرات إدخال النموذج بناءً على نتائج التطبيق - من أجل تحسين دقة التنبؤ، كخيار). النقطة الأساسية في فهم دور تكنولوجيا المعلومات هي "تجريدها" من واقع CD وCI: سوف تقوم تكنولوجيا المعلومات بتنفيذ جميع المصنوعات، مع التركيز على التفاصيل الحسابية والرياضية لحل الذكاء الاصطناعي/التعلم الآلي ضمن القدرات التي توفرها بيئات محددة. وستكون مسؤولية "توفير المدخلات" و"إنجاز المخرجات" من مسؤولية المديرين التنفيذيين وCI.

جانب مهم من تنفيذ CT على وجه التحديد في InterSystems IRIS: باستخدام التكامل مع بيئات النمذجة الرياضية المذكورة أعلاه، تتمتع المنصة بالقدرة على استخراج تلك القطع الأثرية ذاتها من جلسات العمل التي تجري تحت سيطرتها في البيئات الرياضية و(الأهم من ذلك) تحويلها لهم في كائنات بيانات النظام الأساسي. على سبيل المثال، يمكن نقل جدول التوزيع الذي تم إنشاؤه للتو في جلسة عمل Python (دون إيقاف جلسة Python) إلى النظام الأساسي في شكل، على سبيل المثال، عالمي (صفيف بيانات InterSystems IRIS متعدد الأبعاد) - واستخدامه لإجراء العمليات الحسابية في آلية AI/ML أخرى (يتم تنفيذها بلغة بيئة أخرى - على سبيل المثال، في R) - أو جدول افتراضي. مثال آخر: بالتوازي مع "الوضع العادي" لتشغيل النموذج (في جلسة عمل Python)، يتم تنفيذ "Auto-ML" على بيانات الإدخال الخاصة به: الاختيار التلقائي لمتغيرات الإدخال المثلى وقيم المعلمات. وإلى جانب التدريب "العادي"، يتلقى النموذج الإنتاجي في الوقت الفعلي أيضًا "اقتراحًا لتحسين" مواصفاته - حيث تتغير مجموعة متغيرات الإدخال، وتتغير قيم المعلمات (لم تعد نتيجة للتدريب في بايثون، ولكن كنتيجة للتدريب باستخدام نسخة "بديلة" من نفسها، مثل مكدس H2O)، مما يسمح للحل الشامل للذكاء الاصطناعي/التعلم الآلي بالتعامل بشكل مستقل مع التغييرات غير المتوقعة في طبيعة بيانات الإدخال والظواهر التي يتم تصميمها .

دعنا نتعرف بمزيد من التفاصيل على وظيفة AI/ML الخاصة بالمنصة الخاصة بـ InterSystems IRIS، باستخدام مثال النموذج الأولي الواقعي.

في الرسم البياني أدناه، يوجد على الجانب الأيسر من الشريحة جزء من عملية الأعمال التي تنفذ تنفيذ البرامج النصية في Python وR. وفي الجزء الأوسط توجد سجلات مرئية لتنفيذ بعض هذه البرامج النصية، على التوالي، في Python و R. وخلفهم مباشرة توجد أمثلة لمحتوى بلغة أخرى، تم نقلها للتنفيذ في البيئات المناسبة. في النهاية على اليمين توجد تصورات تعتمد على نتائج تنفيذ البرنامج النصي. تم إجراء التصورات في الأعلى على IRIS Analytics (تم أخذ البيانات من Python إلى منصة بيانات InterSystems IRIS وعرضها على لوحة المعلومات باستخدام النظام الأساسي)، وفي الأسفل تم إجراؤها مباشرة في جلسة عمل R وإخراجها من هناك إلى ملفات رسومية . جانب مهم: الجزء المقدم في النموذج الأولي مسؤول عن تدريب النموذج (تصنيف حالات المعدات) على البيانات الواردة في الوقت الحقيقي من عملية محاكاة المعدات، بناءً على أمر من عملية مراقبة جودة التصنيف التي تمت ملاحظتها أثناء تطبيق النموذج. ستتم مناقشة تنفيذ حل الذكاء الاصطناعي/تعلم الآلة في شكل مجموعة من العمليات المتفاعلة ("الوكلاء") بشكل أكبر.

الشكل 12: التفاعل مع Python وR وJulia في InterSystems IRIS

عمليات النظام الأساسي (وهي أيضًا "عمليات الأعمال"، و"العمليات التحليلية"، و"خطوط الأنابيب"، وما إلى ذلك - اعتمادًا على السياق)، يتم تحريرها أولاً في محرر عمليات الأعمال الرسومية في النظام الأساسي نفسه، وفي مثل هذا الطريقة التي يتم بها إنشاء كل من المخطط التفصيلي الخاص به وآلية AI/ML المقابلة (رمز البرنامج) في وقت واحد. عندما نقول أنه "تم الحصول على آلية AI/ML"، فإننا نعني في البداية التهجين (ضمن عملية واحدة): المحتوى الموجود في لغات بيئات النمذجة الرياضية مجاور للمحتوى في SQL (بما في ذلك الامتدادات من متكاملML)، في InterSystems ObjectScript، مع اللغات الأخرى المدعومة. علاوة على ذلك، توفر عملية النظام الأساسي فرصًا واسعة جدًا "للعرض" في شكل أجزاء متداخلة هرميًا (كما يمكن رؤيته في المثال في الرسم البياني أدناه)، مما يسمح لك بتنظيم المحتوى المعقد بشكل فعال دون "السقوط" على الإطلاق. للتنسيق الرسومي (إلى تنسيقات "غير رسومية"). » الأساليب/الفئات/الإجراءات، وما إلى ذلك). وهذا يعني أنه إذا لزم الأمر (وهو أمر متوقع في معظم المشاريع)، فيمكن تنفيذ حل الذكاء الاصطناعي/تعلم الآلة بالكامل بتنسيق توثيق ذاتي رسومي. يرجى ملاحظة أنه في الجزء المركزي من الرسم البياني أدناه، والذي يمثل "مستوى تداخل" أعلى، من الواضح أنه بالإضافة إلى العمل الفعلي لتدريب النموذج (باستخدام Python وR)، يتم إجراء تحليل لما يسمى تمت إضافة منحنى ROC للنموذج المُدرب، مما يسمح بتقييم جودة التدريب بصريًا (وحسابيًا أيضًا) - ويتم تنفيذ هذا التحليل بلغة جوليا (يتم تنفيذه، وفقًا لذلك، في بيئة جوليا الرياضية).

الشكل 13: البيئة المرئية لتكوين حلول الذكاء الاصطناعي/تعلم الآلة في InterSystems IRIS

كما ذكرنا سابقًا، فإن التطوير الأولي و(في بعض الحالات) تكييف آليات الذكاء الاصطناعي/التعلم الآلي التي تم تنفيذها بالفعل في النظام الأساسي سيتم/يمكن إجراؤها خارج النظام الأساسي في محرر Jupyter. في الرسم البياني أدناه، نرى مثالاً على تكييف عملية النظام الأساسي الحالية (كما هو الحال في الرسم البياني أعلاه) - هكذا يبدو الجزء المسؤول عن تدريب النموذج في Jupyter. محتوى Python متاح للتحرير وتصحيح الأخطاء وإخراج الرسومات مباشرةً في Jupyter. يمكن إجراء التغييرات (إذا لزم الأمر) من خلال المزامنة الفورية في عملية النظام الأساسي، بما في ذلك نسختها الإنتاجية. يمكن نقل المحتوى الجديد إلى النظام الأساسي بطريقة مماثلة (يتم إنشاء عملية النظام الأساسي الجديد تلقائيًا).

الشكل 14: استخدام Jupyter Notebook لتحرير محرك AI/ML في منصة InterSystems IRIS

يمكن إجراء تكييف عملية النظام الأساسي ليس فقط بتنسيق رسومي أو كمبيوتر محمول - ولكن أيضًا بتنسيق IDE (بيئة التطوير المتكاملة) "الإجمالي". بيئات التطوير المتكاملة هذه هي IRIS Studio (استوديو IRIS الأصلي)، وVisual Studio Code (امتداد InterSystems IRIS لـ VSCode) وEclipse (المكون الإضافي Atelier). في بعض الحالات، من الممكن أن يستخدم فريق التطوير جميع بيئات التطوير المتكاملة الثلاثة في وقت واحد. يوضح الرسم البياني أدناه مثالاً على تحرير نفس العملية في IRIS studio وفي Visual Studio Code وفي Eclipse. بالتأكيد كل المحتوى متاح للتحرير: Python/R/Julia/SQL، وObjectScript، والعمليات التجارية.

الشكل 15: تطوير عملية أعمال InterSystems IRIS في مختلف بيئات التطوير المتكاملة

تستحق أدوات وصف وتنفيذ عمليات InterSystems IRIS التجارية بلغة عمليات الأعمال (BPL) إشارة خاصة. يتيح BPL استخدام "مكونات التكامل الجاهزة" (الأنشطة) في العمليات التجارية - وهو ما يعطي في الواقع كل الأسباب للقول بأن "التكامل المستمر" يتم تنفيذه في InterSystems IRIS. تعد مكونات العمليات التجارية الجاهزة (الأنشطة والاتصالات فيما بينها) بمثابة مُسرِّع قوي لتجميع حل الذكاء الاصطناعي/التعلم الآلي. وليس فقط التجميعات: فبفضل الأنشطة والاتصالات بينها عبر تطورات وآليات متباينة للذكاء الاصطناعي/التعلم الآلي، تنشأ "طبقة إدارة مستقلة"، قادرة على اتخاذ القرارات وفقًا للموقف، في الوقت الفعلي.

الشكل 16: مكونات عمليات الأعمال الجاهزة للتكامل المستمر (CI) على منصة InterSystems IRIS

يتمتع مفهوم أنظمة الوكلاء (المعروف أيضًا باسم "الأنظمة متعددة الوكلاء") بمكانة قوية في مجال الروبوتات، وتدعمه منصة InterSystems IRIS بشكل عضوي من خلال بناء "عملية المنتج". بالإضافة إلى الإمكانيات غير المحدودة "لحشو" كل عملية بالوظيفة اللازمة للحل الشامل، فإن منح نظام عمليات المنصة خاصية "الوكالة" يسمح لك بإنشاء حلول فعالة لظواهر محاكاة غير مستقرة للغاية (سلوك اجتماعي/ النظم الحيوية، والعمليات التكنولوجية التي يمكن ملاحظتها جزئيا، وما إلى ذلك).

الشكل 16 تشغيل حل AI/ML كنظام عمليات أعمال قائم على الوكيل في InterSystems IRIS

نواصل مراجعتنا لـ InterSystems IRIS بقصة حول الاستخدام التطبيقي للنظام الأساسي لحل فئات كاملة من المشكلات في الوقت الفعلي (يمكن العثور على مقدمة مفصلة إلى حد ما لبعض أفضل ممارسات النظام الأساسي AI/ML على InterSystems IRIS في أحد من سابقتنا ندوات عبر الإنترنت).

في أعقاب الرسم التخطيطي السابق، يوجد أدناه رسم تخطيطي أكثر تفصيلاً لنظام الوكيل. يُظهر الرسم التخطيطي نفس النموذج الأولي، وجميع عمليات الوكيل الأربعة مرئية، ويتم رسم العلاقات بينها بشكل تخطيطي: المولد - يعالج إنشاء البيانات بواسطة أجهزة استشعار المعدات، المخزن المؤقت - يدير قوائم انتظار البيانات، المحلل - ينفذ التعلم الآلي نفسه، المراقب - يراقب جودة التعلم الآلي ويرسل إشارة حول الحاجة إلى إعادة تدريب النموذج.

الشكل 17 تكوين حل AI/ML في شكل نظام عمليات أعمال قائم على الوكيل في InterSystems IRIS

يوضح الرسم البياني أدناه الأداء المستقل لنموذج روبوتي آخر (التعرف على التلوين العاطفي للنصوص) لبعض الوقت. في الجزء العلوي يوجد تطور مؤشر جودة التدريب النموذجي (الجودة آخذة في النمو)، في الجزء السفلي توجد ديناميكيات مؤشر جودة تطبيق النموذج وحقائق التدريب المتكرر (الخطوط الحمراء). كما ترون، فقد تعلم الحل نفسه بكفاءة وبشكل مستقل، ويعمل على مستوى جودة معين (لا تقل قيم نقاط الجودة عن 80٪).

الشكل 18: التدريب المستمر (الذاتي) (CT) على منصة InterSystems IRIS

لقد ذكرنا أيضًا "Auto-ML" سابقًا، لكن الرسم البياني أدناه يوضح استخدام هذه الوظيفة بالتفصيل باستخدام مثال نموذج أولي آخر. يُظهر الرسم البياني لجزء من عملية الأعمال النشاط الذي يؤدي إلى النمذجة في مكدس H2O، ويُظهر نتائج هذه النمذجة (الهيمنة الواضحة للنموذج الناتج على النماذج "التي من صنع الإنسان"، وفقًا للمخطط المقارن لـ منحنيات ROC، بالإضافة إلى التحديد الآلي لـ "المتغيرات الأكثر تأثيرًا" المتوفرة في مجموعة البيانات الأصلية). النقطة المهمة هنا هي توفير الوقت وموارد الخبراء التي يتم تحقيقها من خلال "التعلم الآلي التلقائي": ما تفعله عملية منصتنا في نصف دقيقة (العثور على النموذج الأمثل وتدريبه) يمكن أن يستغرق خبيرًا من أسبوع إلى شهر.

الشكل 19 دمج "التعلم الآلي التلقائي" في حل الذكاء الاصطناعي/تعلم الآلة على منصة InterSystems IRIS

الرسم البياني أدناه يغفل هذه النقطة قليلاً، ولكنه طريقة جيدة لإنهاء القصة حول فئات المشكلات في الوقت الفعلي التي يتم حلها: نذكرك أنه مع كل إمكانيات منصة InterSystems IRIS، فإن نماذج التدريب الخاضعة لسيطرتها هي ليس إلزاميا. يمكن للمنصة أن تتلقى من الخارج ما يسمى بمواصفات PMML للنموذج، المدربة في أداة لا تخضع لسيطرة المنصة - وتطبيق هذا النموذج في الوقت الحقيقي من لحظة استيراده مواصفات PMML. من المهم أن نأخذ في الاعتبار أنه لا يمكن اختزال جميع عناصر الذكاء الاصطناعي/تعلم الآلة إلى مواصفات PMML، حتى لو كانت معظم العناصر الأكثر شيوعًا تسمح بذلك. وبالتالي، فإن منصة InterSystems IRIS هي "حلقة مفتوحة" ولا تعني "عبودية المنصة" للمستخدمين.

الشكل 20 دمج "التعلم الآلي التلقائي" في حل الذكاء الاصطناعي/تعلم الآلة على منصة InterSystems IRIS

دعونا ندرج مزايا النظام الأساسي الإضافية لـ InterSystems IRIS (من أجل الوضوح، فيما يتعلق بالتحكم في العمليات)، والتي لها أهمية كبيرة في أتمتة الذكاء الاصطناعي والتعلم الآلي في الوقت الفعلي:

• تطوير أدوات التكامل مع أي مصادر بيانات ومستهلكين (نظام التحكم في العمليات/SCADA، المعدات، MRO، ERP، إلخ.)
• مدمج نظام إدارة قواعد البيانات متعدد النماذج للمعاملات والمعالجة التحليلية عالية الأداء (المعاملات الهجينة/المعالجة التحليلية، HTAP) لأي حجم من بيانات العمليات التكنولوجية
• أدوات التطوير للنشر المستمر لمحركات الذكاء الاصطناعي/التعلم الآلي للحلول في الوقت الفعلي استنادًا إلى Python وR وJulia
• عمليات الأعمال التكيفية للتكامل المستمر والتعلم (الذاتي) لمحركات حلول الذكاء الاصطناعي/تعلم الآلة في الوقت الفعلي
• أدوات ذكاء الأعمال المدمجة لتصور بيانات العملية ونتائج حل الذكاء الاصطناعي/تعلم الآلة
• إدارة واجهة برمجة التطبيقات لتقديم نتائج حل AI/ML لأنظمة التحكم في العمليات/SCADA وأنظمة المعلومات والتحليلات وإرسال التنبيهات وما إلى ذلك.

تتلاءم حلول الذكاء الاصطناعي/تعلم الآلة على منصة InterSystems IRIS بسهولة مع البنية التحتية الحالية لتكنولوجيا المعلومات. تضمن منصة InterSystems IRIS موثوقية عالية لحلول الذكاء الاصطناعي/التعلم الآلي من خلال دعم التكوينات المتسامحة مع الأخطاء والكوارث والنشر المرن في البيئات الافتراضية، وعلى الخوادم المادية، وفي السحابات الخاصة والعامة، وحاويات Docker.

وبالتالي، تعد InterSystems IRIS منصة حوسبة عالمية تعمل بالذكاء الاصطناعي/تعلم الآلة في الوقت الفعلي. تم تأكيد عالمية منصتنا عمليًا من خلال عدم وجود قيود فعلية على مدى تعقيد الحسابات المنفذة، وقدرة InterSystems IRIS على الجمع (في الوقت الفعلي) بين معالجة السيناريوهات من مجموعة واسعة من الصناعات، والقدرة الاستثنائية على التكيف أي وظائف وآليات للمنصة تلبي الاحتياجات المحددة للمستخدمين.

الشكل 21: InterSystems IRIS - منصة حوسبة عالمية تعمل بالذكاء الاصطناعي/تعلم الآلة في الوقت الفعلي

للحصول على تفاعل أكثر موضوعية مع قرائنا المهتمين بالمواد المعروضة هنا، نوصي بعدم الاقتصار على قراءتها ومواصلة الحوار "مباشرًا". يسعدنا تقديم الدعم في صياغة سيناريوهات الذكاء الاصطناعي/تعلم الآلة في الوقت الفعلي فيما يتعلق بتفاصيل شركتك، وإجراء نماذج أولية مشتركة على منصة InterSystems IRIS، وصياغة وتنفيذ خارطة طريق لإدخال الذكاء الاصطناعي والتعلم الآلي في عمليات الإنتاج والإدارة الخاصة بك. البريد الإلكتروني للاتصال بفريق خبراء الذكاء الاصطناعي/تعلم الآلة – [البريد الإلكتروني محمي].

المصدر: www.habr.com