InterSystems IRIS - একটি সার্বজনীন রিয়েল-টাইম AI/ML প্ল্যাটফর্ম

লেখক: Sergey Lukyanchikov, InterSystems-এর পরামর্শক প্রকৌশলী

রিয়েল-টাইম এআই/এমএল কম্পিউটিং কল

ইন্টারসিস্টেমে ডেটা সায়েন্স অনুশীলনের অভিজ্ঞতা থেকে উদাহরণ দিয়ে শুরু করা যাক:

• লোড করা ক্রেতা পোর্টাল একটি অনলাইন সুপারিশ সিস্টেমের সাথে সংযুক্ত। খুচরা নেটওয়ার্ক জুড়ে প্রচারগুলির একটি পুনর্গঠন হবে (উদাহরণস্বরূপ, প্রচারের একটি "ফ্ল্যাট" লাইনের পরিবর্তে, একটি "সেগমেন্ট-কৌশল" ম্যাট্রিক্স এখন ব্যবহার করা হবে)। সুপারিশ ইঞ্জিন কি হবে? সুপারিশ ইঞ্জিনে ডেটা জমা এবং আপডেট করার ক্ষেত্রে কী ঘটে (ইনপুট ডেটার পরিমাণ 25000 গুণ বেড়েছে)? সুপারিশগুলির বিকাশের কী হবে (তাদের সংখ্যা এবং "পরিসীমা" হাজারগুণ বৃদ্ধির কারণে সুপারিশের নিয়মগুলির ফিল্টারিং থ্রেশহোল্ডকে হাজার গুণ কমাতে হবে)?
• সরঞ্জামের উপাদানগুলিতে ত্রুটিগুলির বিকাশের সম্ভাবনা নিরীক্ষণের জন্য একটি ব্যবস্থা রয়েছে। একটি স্বয়ংক্রিয় প্রক্রিয়া নিয়ন্ত্রণ ব্যবস্থা পর্যবেক্ষণ সিস্টেমের সাথে সংযুক্ত ছিল, যা প্রতি সেকেন্ডে হাজার হাজার প্রযুক্তিগত প্রক্রিয়া পরামিতি প্রেরণ করে। মনিটরিং সিস্টেমের কী হবে যা আগে "ম্যানুয়াল নমুনা" তে কাজ করেছিল (এটি কি সেকেন্ড-বাই-সেকেন্ড সম্ভাব্যতা পর্যবেক্ষণ প্রদান করতে সক্ষম)? প্রক্রিয়া কন্ট্রোল সিস্টেমে সম্প্রতি যোগ করা সেন্সর থেকে রিডিং সহ ইনপুট ডেটাতে কয়েকশত কলামের একটি নতুন ব্লক উপস্থিত হলে কী হবে (এটি প্রয়োজনীয় হবে এবং বিশ্লেষণে নতুন সেন্সর থেকে ডেটা অন্তর্ভুক্ত করার জন্য মনিটরিং সিস্টেমটি কতক্ষণ বন্ধ করতে হবে? )?
• AI/ML মেকানিজমের একটি সেট (সুপারিশ, পর্যবেক্ষণ, পূর্বাভাস) তৈরি করা হয়েছে যা একে অপরের কাজের ফলাফল ব্যবহার করে। ইনপুট ডেটার পরিবর্তনের সাথে এই কমপ্লেক্সের অপারেশনকে মানিয়ে নিতে প্রতি মাসে কত ম্যান-আওয়ারের প্রয়োজন হয়? ম্যানেজমেন্ট ডিসিশন মেকিং কমপ্লেক্স দ্বারা সমর্থিত হলে সাধারণ "মন্থরতা" কী (নতুন ইনপুট ডেটার সংঘটনের কম্পাঙ্কের তুলনায় এতে নতুন সহায়ক তথ্যের উপস্থিতির ফ্রিকোয়েন্সি)?

এই এবং অন্যান্য অনেক উদাহরণের সংক্ষিপ্তসারে, আমরা বাস্তব সময়ে মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তা পদ্ধতির ব্যবহারে যাওয়ার সময় উদ্ভূত চ্যালেঞ্জগুলির প্রণয়নে এসেছি:

• আমরা কি আমাদের কোম্পানিতে এআই/এমএল উন্নয়নের সৃষ্টি এবং অভিযোজন (পরিবর্তিত পরিস্থিতিতে) গতিতে সন্তুষ্ট?
• আমরা যে এআই/এমএল সমাধানগুলি ব্যবহার করি তা রিয়েল-টাইম বিজনেস ম্যানেজমেন্টকে কতটা সমর্থন করে?
• আমরা যে এআই/এমএল সমাধানগুলি ব্যবহার করি তা কি স্বাধীনভাবে (ডেভেলপার ছাড়া) ডেটা এবং ব্যবসায়িক ব্যবস্থাপনা অনুশীলনের পরিবর্তনগুলির সাথে খাপ খাইয়ে নিতে সক্ষম?

আমাদের নিবন্ধটি AI/ML মেকানিজম স্থাপনের জন্য সর্বজনীন সমর্থন, AI/ML সমাধানগুলির সমাবেশ (একীকরণ), এবং নিবিড় উপর AI/ML সমাধানগুলির প্রশিক্ষণ (পরীক্ষা) পরিপ্রেক্ষিতে InterSystems IRIS প্ল্যাটফর্মের ক্ষমতাগুলির একটি পুঙ্খানুপুঙ্খ ওভারভিউ। ডেটা স্ট্রীম আমরা এই নিবন্ধে বাজার গবেষণা, AI/ML সমাধানগুলির কেস স্টাডি এবং আমরা যাকে একটি রিয়েল-টাইম AI/ML প্ল্যাটফর্ম বলি তার ধারণাগত দিকগুলি দেখব।

সমীক্ষা থেকে আমরা যা জানি: রিয়েল-টাইম অ্যাপ্লিকেশন

Результаты জরিপLightbend দ্বারা 800 সালে প্রায় 2019 জন আইটি পেশাদারদের মধ্যে পরিচালিত, নিজেদের জন্য কথা বলুন:

চিত্র 1 রিয়েল-টাইম ডেটার নেতৃস্থানীয় ভোক্তা

আমাদের অনুবাদে এই সমীক্ষার ফলাফলের রিপোর্টের গুরুত্বপূর্ণ অংশগুলি উদ্ধৃত করা যাক:

"... ডেটা স্ট্রিমগুলিকে একীভূত করার জন্য সরঞ্জামগুলির জনপ্রিয়তার প্রবণতা এবং একই সময়ে, কনটেইনারগুলিতে কম্পিউটিংকে সমর্থন করে কার্যকর সমাধানগুলির আরও প্রতিক্রিয়াশীল, যুক্তিসঙ্গত, গতিশীল প্রস্তাবের জন্য বাজারের অনুরোধে একটি সমন্বয়মূলক প্রতিক্রিয়া প্রদান করে৷ স্ট্রিমিং ডেটা প্রথাগত প্যাকেট ডেটার চেয়ে দ্রুত তথ্য স্থানান্তর করে। এর সাথে যোগ করা হয়েছে দ্রুত গণনামূলক পদ্ধতি প্রয়োগ করার ক্ষমতা, যেমন, উদাহরণস্বরূপ, AI/ML-ভিত্তিক সুপারিশ, বর্ধিত গ্রাহক সন্তুষ্টির মাধ্যমে প্রতিযোগিতামূলক সুবিধা তৈরি করা। তত্পরতার জন্য দৌড় DevOps দৃষ্টান্তের সমস্ত ভূমিকাকেও প্রভাবিত করে - অ্যাপ্লিকেশন বিকাশ এবং স্থাপনাকে আরও দক্ষ করে তোলে। … আটশত চারজন আইটি পেশাদার তাদের প্রতিষ্ঠানে ডেটা প্রবাহের ব্যবহার সম্পর্কে তথ্য প্রদান করেছেন। উত্তরদাতারা প্রধানত পশ্চিমা দেশগুলিতে অবস্থিত ছিল (ইউরোপে 41% এবং উত্তর আমেরিকায় 37%) এবং ছোট, মাঝারি এবং বড় কোম্পানিগুলির মধ্যে প্রায় সমানভাবে বিতরণ করা হয়েছিল। ...

... কৃত্রিম বুদ্ধিমত্তা হাইপ নয়। যারা ইতিমধ্যেই উৎপাদনশীলতা AI/ML অ্যাপ্লিকেশনগুলিতে ডেটা স্ট্রিম প্রক্রিয়াকরণ ব্যবহার করছেন তাদের মধ্যে XNUMX শতাংশ নিশ্চিত করে যে তাদের AI/ML ব্যবহার পরের বছরে (অন্যান্য অ্যাপ্লিকেশনের তুলনায়) সবচেয়ে বেশি বৃদ্ধি পাবে।

• উত্তরদাতাদের সংখ্যাগরিষ্ঠের মতে, এআই/এমএল পরিস্থিতিতে ডেটা স্ট্রিমের ব্যবহার পরের বছরে সবচেয়ে বেশি বৃদ্ধি পাবে।
• এআই/এমএল-এ অ্যাপ্লিকেশনগুলি কেবলমাত্র তুলনামূলকভাবে নতুন ধরনের পরিস্থিতির কারণেই নয়, প্রথাগত পরিস্থিতির কারণেও যেখানে রিয়েল-টাইম ডেটা ক্রমবর্ধমানভাবে ব্যবহৃত হয়।
• AI/ML ছাড়াও, IoT ডেটা পাইপলাইনগুলির ব্যবহারকারীদের মধ্যে উত্সাহের স্তরটি চিত্তাকর্ষক - যারা ইতিমধ্যে IoT ডেটা সংহত করেছেন তাদের মধ্যে 48% বলেছেন যে এই ডেটাতে দৃশ্যকল্প বাস্তবায়ন অদূর ভবিষ্যতে একটি উল্লেখযোগ্য বৃদ্ধি দেখতে পাবে। ..."

এই বরং আকর্ষণীয় সমীক্ষা থেকে, এটা স্পষ্ট যে ডেটা স্ট্রিমের খরচে নেতা হিসাবে মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার পরিস্থিতির উপলব্ধি ইতিমধ্যেই "পথে"। কিন্তু একটি সমান গুরুত্বপূর্ণ পর্যবেক্ষণ হল DevOps-এর লেন্সের মাধ্যমে রিয়েল-টাইম AI/ML-এর উপলব্ধি: এখানে আমরা ইতিমধ্যেই "সম্পূর্ণ অ্যাক্সেসযোগ্য ডেটা সেট সহ নিষ্পত্তিযোগ্য AI/ML"-এর এখনও প্রভাবশালী সংস্কৃতির রূপান্তর সম্পর্কে কথা বলতে শুরু করতে পারি।

রিয়েল-টাইম এআই/এমএল প্ল্যাটফর্ম ধারণা

রিয়েল-টাইম AI/ML-এর জন্য একটি সাধারণ প্রয়োগের ক্ষেত্র হল উত্পাদন প্রক্রিয়া নিয়ন্ত্রণ। তার উদাহরণ ব্যবহার করে এবং পূর্ববর্তী চিন্তাভাবনাগুলি বিবেচনায় নিয়ে, আমরা একটি রিয়েল-টাইম AI/ML প্ল্যাটফর্মের ধারণা তৈরি করব।
প্রক্রিয়া নিয়ন্ত্রণে কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিংয়ের ব্যবহারে বেশ কয়েকটি বৈশিষ্ট্য রয়েছে:

• প্রযুক্তিগত প্রক্রিয়ার অবস্থার ডেটা নিবিড়ভাবে প্রাপ্ত হয়: উচ্চ ফ্রিকোয়েন্সি সহ এবং বিস্তৃত পরামিতিগুলির জন্য (প্রক্রিয়া নিয়ন্ত্রণ ব্যবস্থা থেকে প্রতি সেকেন্ডে হাজার হাজার প্যারামিটার মান প্রেরণ করা হয়)
• ত্রুটিগুলি সনাক্তকরণের ডেটা, তাদের বিকাশের ডেটা উল্লেখ না করে, বিপরীতে, দুষ্প্রাপ্য এবং অনিয়মিত, ত্রুটিগুলির অপর্যাপ্ত টাইপকরণ এবং সময়মতো তাদের স্থানীয়করণ দ্বারা চিহ্নিত করা হয় (প্রায়শই কাগজের রেকর্ড দ্বারা প্রতিনিধিত্ব করা হয়)
• একটি ব্যবহারিক দৃষ্টিকোণ থেকে, শুধুমাত্র উত্স ডেটার একটি "প্রাসঙ্গিকতার জানালা" প্রশিক্ষণ এবং মডেল প্রয়োগের জন্য উপলব্ধ, প্রক্রিয়া পরামিতিগুলির শেষ পঠিত মানগুলির সাথে শেষ হওয়া যুক্তিসঙ্গত স্লাইডিং ব্যবধানে প্রযুক্তিগত প্রক্রিয়ার গতিশীলতাকে প্রতিফলিত করে

এই বৈশিষ্ট্যগুলি আমাদেরকে প্রযুক্তিগত প্রক্রিয়া থেকে নিবিড় "ব্রডব্যান্ড ইনপুট সিগন্যাল" এর রিয়েল টাইমে প্রাপ্তি এবং প্রাথমিক প্রক্রিয়াকরণ ছাড়াও, AI/এর ফলাফলের প্রয়োগ, প্রশিক্ষণ এবং মান নিয়ন্ত্রণ করতে (সমান্তরালভাবে) করতে বাধ্য করে। এমএল মডেল - বাস্তব সময়েও। আমাদের মডেলগুলি প্রাসঙ্গিকতার স্লাইডিং উইন্ডোতে "দেখতে" যে "ফ্রেম"টি ক্রমাগত পরিবর্তিত হচ্ছে - এবং এর সাথে, অতীতে একটি "ফ্রেমে" প্রশিক্ষিত AI/ML মডেলগুলির কাজের ফলাফলের গুণমানও পরিবর্তিত হয় . যদি AI/ML মডেলগুলির কাজের ফলাফলের গুণমান খারাপ হয় (উদাহরণস্বরূপ: "অ্যালার্ম-নর্ম" শ্রেণীবিভাগ ত্রুটির মান আমাদের সংজ্ঞায়িত সীমা ছাড়িয়ে গেছে), মডেলগুলির অতিরিক্ত প্রশিক্ষণ স্বয়ংক্রিয়ভাবে চালু করা উচিত একটি আরও বর্তমান "ফ্রেম" - এবং মডেলগুলির অতিরিক্ত প্রশিক্ষণ চালু করার মুহুর্তের পছন্দটি বিবেচনা করা উচিত যে কীভাবে প্রশিক্ষণের সময়কাল নিজেই, এবং মডেলগুলির বর্তমান সংস্করণের কাজের মানের অবনতির গতিশীলতা (যেহেতু মডেলদের প্রশিক্ষিত হওয়ার সময় এবং তাদের "নতুন প্রশিক্ষিত" সংস্করণ তৈরি না হওয়া পর্যন্ত মডেলগুলির বর্তমান সংস্করণগুলি ব্যবহার করা অব্যাহত থাকে)।

রিয়েল-টাইম প্রক্রিয়া নিয়ন্ত্রণের জন্য এআই/এমএল সমাধান সক্ষম করতে ইন্টারসিস্টেমস আইআরআইএস-এর মূল প্ল্যাটফর্মের ক্ষমতা রয়েছে। এই ক্ষমতা তিনটি প্রধান গ্রুপে বিভক্ত করা যেতে পারে:

• ইন্টারসিস্টেমস আইআরআইএস প্ল্যাটফর্মে রিয়েল টাইমে কাজ করা একটি উত্পাদনশীল সমাধানে নতুন বা অভিযোজিত বিদ্যমান এআই/এমএল প্রক্রিয়াগুলির ক্রমাগত স্থাপনা (কন্টিনিউয়াস ডিপ্লয়মেন্ট/ডেলিভারি, সিডি)
• ইনকামিং প্রযুক্তিগত প্রক্রিয়া ডেটা স্ট্রিমগুলির একটি একক উত্পাদনশীল সমাধানে অবিচ্ছিন্ন ইন্টিগ্রেশন (CI), AI/ML মেকানিজমের অ্যাপ্লিকেশন/প্রশিক্ষণ/গুণমান নিয়ন্ত্রণের জন্য ডেটা সারি এবং গাণিতিক মডেলিং পরিবেশের সাথে ডেটা/কোড/নিয়ন্ত্রণ ক্রিয়াগুলির বিনিময়, রিয়েল-টাইমে সাজানো প্ল্যাটফর্ম InterSystems IRIS
• ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্ম দ্বারা প্রেরিত ডেটা, কোড এবং কন্ট্রোল অ্যাকশন ("সিদ্ধান্ত নেওয়া") ব্যবহার করে গাণিতিক মডেলিং পরিবেশে সঞ্চালিত এআই/এমএল মেকানিজমের ক্রমাগত (স্ব-) প্রশিক্ষণ (কন্টিনিউয়াস ট্রেনিং, সিটি)

মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার সাথে সম্পর্কিত প্ল্যাটফর্মের ক্ষমতার শ্রেণীবিভাগ সুনির্দিষ্টভাবে এই গ্রুপগুলিতে দুর্ঘটনাজনক নয়। আমাদের পদ্ধতিগত উদ্ধৃত করা যাক প্রকাশনা Google, যা এই শ্রেণীবিভাগের জন্য একটি ধারণাগত ভিত্তি প্রদান করে, আমাদের অনুবাদে:

“... DevOps ধারণা, আজকাল জনপ্রিয়, বৃহৎ মাপের তথ্য সিস্টেমের বিকাশ এবং অপারেশনকে কভার করে। এই ধারণাটি বাস্তবায়নের সুবিধাগুলি হল উন্নয়ন চক্রের সময়কাল হ্রাস, উন্নয়নের দ্রুত স্থাপনা এবং প্রকাশের পরিকল্পনায় নমনীয়তা। এই সুবিধাগুলি অর্জনের জন্য, DevOps অন্তত দুটি অনুশীলনের বাস্তবায়ন জড়িত:

• ক্রমাগত ইন্টিগ্রেশন (CI)
• ক্রমাগত বিতরণ (সিডি)

উত্পাদনশীল AI/ML সমাধানগুলির নির্ভরযোগ্য এবং কার্যকরী সমাবেশ নিশ্চিত করতে এই অনুশীলনগুলি AI/ML প্ল্যাটফর্মগুলিতেও প্রযোজ্য।

AI/ML প্ল্যাটফর্মগুলি নিম্নলিখিত দিকগুলিতে অন্যান্য তথ্য সিস্টেম থেকে পৃথক:

• দলের দক্ষতা: একটি এআই/এমএল সমাধান তৈরি করার সময়, দলে সাধারণত ডেটা বিজ্ঞানী বা ডেটা গবেষণার ক্ষেত্রে "একাডেমিক" বিশেষজ্ঞদের অন্তর্ভুক্ত থাকে যারা ডেটা বিশ্লেষণ পরিচালনা করে, মডেল তৈরি করে এবং পরীক্ষা করে। এই দলের সদস্যরা পেশাদার উত্পাদনশীল কোড বিকাশকারী নাও হতে পারে।
• বিকাশ: এআই/এমএল ইঞ্জিনগুলি পরীক্ষামূলক প্রকৃতির। সবচেয়ে দক্ষ উপায়ে একটি সমস্যা সমাধান করার জন্য, ইনপুট ভেরিয়েবল, অ্যালগরিদম, মডেলিং পদ্ধতি এবং মডেল প্যারামিটারের বিভিন্ন সমন্বয়ের মধ্য দিয়ে যেতে হবে। এই ধরনের অনুসন্ধানের জটিলতা "কী কাজ করেছে/কাজ করেনি" এর সন্ধান করা, পর্বগুলির পুনরুত্পাদনযোগ্যতা নিশ্চিত করা, পুনরাবৃত্তি বাস্তবায়নের জন্য উন্নয়নের সাধারণীকরণ।
• পরীক্ষা: AI/ML ইঞ্জিন পরীক্ষা করার জন্য অন্যান্য উন্নয়নের তুলনায় বিস্তৃত পরিসরের পরীক্ষা প্রয়োজন। স্ট্যান্ডার্ড ইউনিট এবং ইন্টিগ্রেশন পরীক্ষা ছাড়াও, ডেটা বৈধতা এবং প্রশিক্ষণ এবং নিয়ন্ত্রণ নমুনাগুলিতে মডেল প্রয়োগ করার ফলাফলের গুণমান পরীক্ষা করা হয়।
• স্থাপনা: AI/ML সলিউশনের মোতায়েন শুধুমাত্র ভবিষ্যদ্বাণীমূলক পরিষেবার মধ্যে সীমাবদ্ধ নয় যা একবার-প্রশিক্ষিত মডেল ব্যবহার করে। এআই/এমএল সমাধানগুলি বহু-পর্যায়ের পাইপলাইনগুলির চারপাশে তৈরি করা হয় যা স্বয়ংক্রিয় মডেল প্রশিক্ষণ এবং অ্যাপ্লিকেশন সম্পাদন করে। এই ধরনের পাইপলাইন স্থাপনের মধ্যে অটোমেটিং অ-তুচ্ছ ক্রিয়া জড়িত যা ঐতিহ্যগতভাবে ডেটা বিজ্ঞানীদের দ্বারা ম্যানুয়ালি সম্পাদিত হয় যাতে মডেলগুলিকে প্রশিক্ষণ এবং পরীক্ষা করতে সক্ষম হয়।
• উৎপাদনশীলতা: এআই/এমএল ইঞ্জিনের উৎপাদনশীলতার অভাব হতে পারে শুধুমাত্র অদক্ষ প্রোগ্রামিংয়ের কারণে নয়, ইনপুট ডেটার ক্রমাগত পরিবর্তনশীল প্রকৃতির কারণেও। অন্য কথায়, এআই/এমএল মেকানিজমের কর্মক্ষমতা প্রচলিত উন্নয়নের কর্মক্ষমতার চেয়ে বিস্তৃত কারণের কারণে হ্রাস পেতে পারে। যা আমাদের AI/ML ইঞ্জিনগুলির কর্মক্ষমতা নিরীক্ষণের (অনলাইন) প্রয়োজনের দিকে নিয়ে যায়, সেইসাথে সতর্কতা প্রেরণ বা ফলাফল প্রত্যাখ্যান করে যদি কর্মক্ষমতা সূচকগুলি প্রত্যাশা পূরণ না করে।

এআই/এমএল প্ল্যাটফর্মগুলি অন্যান্য তথ্য ব্যবস্থার মতো যে উভয়ের জন্য সংস্করণ নিয়ন্ত্রণ, ইউনিট পরীক্ষা, ইন্টিগ্রেশন টেস্টিং এবং ক্রমাগত উন্নয়ন স্থাপনার সাথে অবিচ্ছিন্ন কোড ইন্টিগ্রেশন প্রয়োজন। যাইহোক, AI/ML এর ক্ষেত্রে, বেশ কিছু গুরুত্বপূর্ণ পার্থক্য রয়েছে:

• CI (কন্টিনিউয়াস ইন্টিগ্রেশন) এখন আর নিয়োজিত উপাদানগুলির কোড পরীক্ষা এবং যাচাই করার মধ্যে সীমাবদ্ধ নয় - এতে ডেটা এবং AI/ML মডেলগুলি পরীক্ষা এবং যাচাই করাও অন্তর্ভুক্ত রয়েছে।
• সিডি (কন্টিনিউয়াস ডেলিভারি/ডিপ্লয়মেন্ট, ক্রমাগত ডিপ্লোয়মেন্ট) প্যাকেজ বা পরিষেবাগুলি লেখা এবং প্রকাশের মধ্যে সীমাবদ্ধ নয়, তবে AI/ML সমাধানগুলির রচনা, প্রশিক্ষণ এবং প্রয়োগের জন্য একটি প্ল্যাটফর্ম বোঝায়।
• CT (কন্টিনিউয়াস ট্রেনিং, একটানা ট্রেনিং) একটি নতুন উপাদান [প্রায় প্রবন্ধের লেখক: DevOps-এর প্রথাগত ধারণার সাথে সম্পর্কিত একটি নতুন উপাদান, যেখানে CT, একটি নিয়ম হিসাবে, ক্রমাগত পরীক্ষা], AI/ML প্ল্যাটফর্মের অন্তর্নিহিত, প্রশিক্ষণ এবং AI প্রয়োগের প্রক্রিয়াগুলির স্বায়ত্তশাসিত ব্যবস্থাপনার জন্য দায়ী /এমএল মডেল। ..."

আমরা বলতে পারি যে রিয়েল-টাইম ডেটাতে কাজ করা মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার জন্য একটি বিস্তৃত সরঞ্জাম এবং দক্ষতার প্রয়োজন (কোড ডেভেলপমেন্ট থেকে গাণিতিক মডেলিং পরিবেশের অর্কেস্ট্রেশন পর্যন্ত), সমস্ত কার্যকরী এবং বিষয় ক্ষেত্রগুলির মধ্যে ঘনিষ্ঠ একীকরণ, মানুষের আরও দক্ষ সংগঠন এবং মেশিন সম্পদ।

রিয়েল-টাইম দৃশ্যকল্প: ফিড পাম্পে ত্রুটির বিকাশকে স্বীকৃতি দেওয়া

একটি উদাহরণ হিসাবে প্রক্রিয়া নিয়ন্ত্রণ ক্ষেত্রটি ব্যবহার করা অব্যাহত রেখে, একটি নির্দিষ্ট সমস্যা বিবেচনা করুন (আমরা ইতিমধ্যে খুব শুরুতে উল্লেখ করেছি): আমাদের প্রক্রিয়া প্যারামিটার মানগুলির প্রবাহের উপর ভিত্তি করে পাম্পগুলিতে ত্রুটিগুলির বিকাশের রিয়েল-টাইম পর্যবেক্ষণ সরবরাহ করতে হবে এবং চিহ্নিত ত্রুটিগুলি সম্পর্কে মেরামত কর্মীদের কাছ থেকে রিপোর্ট।

চিত্র 2 ত্রুটির উন্নয়ন নিরীক্ষণের জন্য সমস্যা প্রণয়ন

অনুশীলনে এইভাবে উত্থাপিত বেশিরভাগ কাজের একটি বৈশিষ্ট্য হ'ল ডেটা রসিদ (APCS) এর নিয়মিততা এবং দক্ষতাকে বিভিন্ন ধরণের ত্রুটির এপিসোডিক এবং অনিয়মিত ঘটনার (এবং নিবন্ধন) পটভূমিতে বিবেচনা করা উচিত। অন্য কথায়: প্রসেস কন্ট্রোল সিস্টেম থেকে ডেটা সেকেন্ডে একবার আসে, সঠিক এবং নির্ভুল, এবং ত্রুটিগুলি সম্পর্কে নোটগুলি একটি রাসায়নিক পেন্সিল দিয়ে তৈরি করা হয় যা ওয়ার্কশপের একটি সাধারণ নোটবুকে তারিখ নির্দেশ করে (উদাহরণস্বরূপ: “12.01 – কভারে ফুটো 3য় বিয়ারিং এর পাশ থেকে")।

এইভাবে, আমরা নিম্নলিখিত গুরুত্বপূর্ণ সীমাবদ্ধতার সাথে সমস্যার গঠনের পরিপূরক করতে পারি: আমাদের কাছে একটি নির্দিষ্ট ধরণের ত্রুটির শুধুমাত্র একটি "লেবেল" রয়েছে (অর্থাৎ, একটি নির্দিষ্ট ধরণের ত্রুটির উদাহরণ প্রক্রিয়া নিয়ন্ত্রণের ডেটা দ্বারা উপস্থাপিত হয় একটি নির্দিষ্ট তারিখে সিস্টেম - এবং আমাদের কাছে এই নির্দিষ্ট ধরণের ত্রুটির আরও উদাহরণ নেই)। এই সীমাবদ্ধতা অবিলম্বে আমাদের ক্লাসিক্যাল মেশিন লার্নিং (তত্ত্বাবধানে শেখার) সুযোগের বাইরে নিয়ে যায়, যার জন্য প্রচুর "ট্যাগ" থাকা উচিত।

চিত্র 3 ত্রুটির উন্নয়ন নিরীক্ষণের কাজের স্পষ্টীকরণ

আমরা কি একরকম "গুণ" আমাদের নিষ্পত্তিতে একমাত্র "ট্যাগ" করতে পারি? হ্যাঁ আমরা পারি. পাম্পের বর্তমান অবস্থা নিবন্ধিত ত্রুটিগুলির সাথে সাদৃশ্যের ডিগ্রি দ্বারা চিহ্নিত করা হয়। এমনকি পরিমাণগত পদ্ধতি ব্যবহার না করেও, ভিজ্যুয়াল উপলব্ধির স্তরে, প্রক্রিয়া নিয়ন্ত্রণ ব্যবস্থা থেকে আগত ডেটা মানগুলির গতিশীলতা পর্যবেক্ষণ করে, আপনি ইতিমধ্যে অনেক কিছু শিখতে পারেন:

চিত্র 4 প্রদত্ত ধরণের ত্রুটির "চিহ্ন" এর পটভূমিতে পাম্পের অবস্থার গতিশীলতা

কিন্তু চাক্ষুষ উপলব্ধি (অন্তত আপাতত) আমাদের দ্রুত পরিবর্তনশীল পরিস্থিতিতে "ট্যাগ" এর সবচেয়ে উপযুক্ত জেনারেটর নয়। আমরা একটি পরিসংখ্যানগত পরীক্ষা ব্যবহার করে রিপোর্ট করা ত্রুটিগুলির সাথে বর্তমান পাম্পের অবস্থার সাদৃশ্য মূল্যায়ন করব।

চিত্র 5 একটি ত্রুটি "লেবেল" এর পটভূমিতে আগত ডেটাতে একটি পরিসংখ্যানগত পরীক্ষা প্রয়োগ করা

একটি পরিসংখ্যান পরীক্ষা সম্ভাব্যতা নির্ধারণ করে যে প্রসেস কন্ট্রোল সিস্টেম থেকে প্রাপ্ত "ফ্লো-প্যাকেট"-এ প্রযুক্তিগত প্রক্রিয়া প্যারামিটারের মান সহ রেকর্ডগুলি একটি নির্দিষ্ট ধরণের ত্রুটির "ট্যাগ" এর রেকর্ডের অনুরূপ। একটি পরিসংখ্যানগত পরীক্ষা প্রয়োগের ফলে গণনা করা সম্ভাব্যতার মান (পরিসংখ্যানগত সাদৃশ্য সূচক) 0 বা 1-এর মানতে রূপান্তরিত হয়, যা মিলের জন্য পরীক্ষা করা প্যাকেটের প্রতিটি নির্দিষ্ট রেকর্ডে মেশিন লার্নিংয়ের জন্য একটি "লেবেল" হয়ে ওঠে। অর্থাৎ, পরিসংখ্যানগত পরীক্ষা সহ পাম্প স্টেট রেকর্ডের একটি নতুন প্রাপ্ত প্যাকেজ প্রক্রিয়া করার পরে, আমাদের কাছে সুযোগ রয়েছে (ক) এআই/এমএল মডেলের প্রশিক্ষণের জন্য প্রশিক্ষণ সেটে এই প্যাকেজটি যোগ করার এবং (খ) এর মান নিয়ন্ত্রণ করার এই প্যাকেজে এটি ব্যবহার করার সময় মডেলটির বর্তমান সংস্করণ।

চিত্র 6 একটি ত্রুটিযুক্ত "লেবেল" এর পটভূমিতে ইনকামিং ডেটাতে একটি মেশিন লার্নিং মডেল প্রয়োগ করা

আমাদের আগের এক ওয়েবিনার আমরা দেখাই এবং ব্যাখ্যা করি কিভাবে InterSystems IRIS প্ল্যাটফর্ম আপনাকে যেকোন AI/ML মেকানিজম প্রয়োগ করার অনুমতি দেয় ক্রমাগত ব্যবসায়িক প্রক্রিয়াগুলি সম্পাদন করে যা মডেলিং ফলাফলের নির্ভরযোগ্যতা নিরীক্ষণ করে এবং মডেল প্যারামিটারগুলি মানিয়ে নেয়। পাম্পের সাথে আমাদের দৃশ্যের একটি প্রোটোটাইপ বাস্তবায়ন করার সময়, আমরা ওয়েবিনারের সময় উপস্থাপিত সমস্ত ইন্টারসিস্টেম IRIS কার্যকারিতা ব্যবহার করি - আমাদের সমাধানের অংশ হিসাবে বিশ্লেষক প্রক্রিয়াতে প্রয়োগ করা ক্লাসিক্যাল তত্ত্বাবধানে শিক্ষা নয়, বরং শক্তিবৃদ্ধি শিক্ষা, যা স্বয়ংক্রিয়ভাবে প্রশিক্ষণ মডেলের জন্য নির্বাচন পরিচালনা করে। . প্রশিক্ষণের নমুনায় এমন রেকর্ড রয়েছে যার ভিত্তিতে পরিসংখ্যানগত পরীক্ষা এবং মডেলের বর্তমান সংস্করণ উভয় প্রয়োগ করার পরে একটি "সনাক্তকরণ সম্মতি" তৈরি হয় - অর্থাৎ, উভয় পরিসংখ্যান পরীক্ষা (সাদৃশ্য সূচককে 0 বা 1 এ রূপান্তরিত করার পরে) এবং মডেলটি ফলাফল তৈরি করে এই ধরনের রেকর্ডে 1. মডেলের নতুন প্রশিক্ষণের সময়, এটির বৈধতার সময় (নতুন প্রশিক্ষিত মডেলটি তার নিজস্ব প্রশিক্ষণের নমুনায় প্রয়োগ করা হয়, এটিতে একটি পরিসংখ্যান পরীক্ষার প্রাথমিক প্রয়োগের সাথে), প্রক্রিয়াকরণের পরে ফলাফল 1 "ধারণ করেনি" রেকর্ড করে পরিসংখ্যানগত পরীক্ষার মাধ্যমে (প্রশিক্ষণে ক্রমাগত উপস্থিতির কারণে ত্রুটির মূল "লেবেল" থেকে রেকর্ডের নমুনা), প্রশিক্ষণ সেট থেকে সরানো হয় এবং মডেলের একটি নতুন সংস্করণ "লেবেল" থেকে শেখে ত্রুটি প্লাস স্ট্রীম থেকে "রক্ষিত" রেকর্ড.

চিত্র 7 ইন্টারসিস্টেম আইআরআইএস-এ AI/ML গণনার রোবটাইজেশন

ইন্টারসিস্টেম আইআরআইএস-এ স্থানীয় গণনার সময় প্রাপ্ত সনাক্তকরণের গুণমান সম্পর্কে এক ধরণের "দ্বিতীয় মতামত" প্রয়োজন হলে, ক্লাউড পরিষেবাগুলি ব্যবহার করে একটি নিয়ন্ত্রণ ডেটাসেটে মডেলগুলির প্রশিক্ষণ এবং প্রয়োগ করার জন্য একটি উপদেষ্টা প্রক্রিয়া তৈরি করা হয় (উদাহরণস্বরূপ, মাইক্রোসফ্ট Azure, Amazon Web Services, Google Cloud Platform, ইত্যাদি):

চিত্র 8 মাইক্রোসফ্ট Azure থেকে দ্বিতীয় মতামত InterSystems IRIS দ্বারা সংগঠিত

InterSystems IRIS-এ আমাদের দৃশ্যকল্পের প্রোটোটাইপটি বিশ্লেষণমূলক প্রক্রিয়াগুলির একটি এজেন্ট-ভিত্তিক সিস্টেম হিসাবে ডিজাইন করা হয়েছে যা একটি সরঞ্জাম বস্তু (পাম্প), গাণিতিক মডেলিং পরিবেশের (পাইথন, আর এবং জুলিয়া) সাথে যোগাযোগ করে এবং সমস্ত জড়িত AI/এর স্ব-শিক্ষা নিশ্চিত করে। ML মেকানিজম - রিয়েল-টাইম ডেটা স্ট্রিমগুলিতে।

চিত্র 9 ইন্টারসিস্টেম আইআরআইএস-এ রিয়েল-টাইম এআই/এমএল সমাধানের প্রধান কার্যকারিতা

আমাদের প্রোটোটাইপের ব্যবহারিক ফলাফল:

• মডেল দ্বারা স্বীকৃত নমুনা ত্রুটি (জানুয়ারি 12):

• মডেল দ্বারা স্বীকৃত একটি উন্নয়নশীল ত্রুটি যা নমুনায় অন্তর্ভুক্ত ছিল না (সেপ্টেম্বর 11, ত্রুটিটি নিজেই মেরামতকারী দল দ্বারা চিহ্নিত করা হয়েছিল মাত্র দুই দিন পরে, 13 সেপ্টেম্বর):

একই ত্রুটির বেশ কয়েকটি পর্ব সম্বলিত বাস্তব ডেটার সিমুলেশন দেখায় যে আমাদের সমাধান, ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্মে প্রয়োগ করা হয়েছে, মেরামত দলের দ্বারা সনাক্ত করার কয়েক দিন আগে আমাদের এই ধরণের ত্রুটিগুলির বিকাশ সনাক্ত করতে দেয়।

InterSystems IRIS - একটি সার্বজনীন রিয়েল-টাইম AI/ML কম্পিউটিং প্ল্যাটফর্ম

InterSystems IRIS প্ল্যাটফর্ম রিয়েল-টাইম ডেটা সলিউশনের বিকাশ, স্থাপনা এবং অপারেশনকে সহজ করে। InterSystems IRIS একই সাথে লেনদেন এবং বিশ্লেষণাত্মক ডেটা প্রক্রিয়াকরণ করতে সক্ষম; একাধিক মডেলের (রিলেশনাল, হায়ারার্কিক্যাল, অবজেক্ট এবং ডকুমেন্ট সহ); বিস্তৃত ডেটা উত্স এবং পৃথক অ্যাপ্লিকেশনগুলিকে একীভূত করার জন্য একটি প্ল্যাটফর্ম হিসাবে কাজ করে; কাঠামোগত এবং অসংগঠিত ডেটার উপর উন্নত রিয়েল-টাইম বিশ্লেষণ প্রদান করে। InterSystems IRIS এছাড়াও বাহ্যিক বিশ্লেষণাত্মক সরঞ্জাম ব্যবহার করার জন্য প্রক্রিয়া প্রদান করে এবং ক্লাউডে এবং স্থানীয় সার্ভারে হোস্টিংয়ের নমনীয় সমন্বয়ের অনুমতি দেয়।

InterSystems IRIS প্ল্যাটফর্মে নির্মিত অ্যাপ্লিকেশনগুলি বিভিন্ন শিল্প জুড়ে মোতায়েন করা হয়, কোম্পানিগুলিকে একটি কৌশলগত এবং কর্মক্ষম দৃষ্টিকোণ থেকে উল্লেখযোগ্য অর্থনৈতিক সুবিধা উপলব্ধি করতে সাহায্য করে, জ্ঞাত সিদ্ধান্ত গ্রহণ বৃদ্ধি করে এবং ঘটনা, বিশ্লেষণ এবং কর্মের মধ্যে ব্যবধান পূরণ করে।

চিত্র 10 রিয়েল-টাইম এআই/এমএল প্রসঙ্গে ইন্টারসিস্টেম আইআরআইএস আর্কিটেকচার

পূর্ববর্তী চিত্রের মতো, নীচের চিত্রটি প্ল্যাটফর্মের কার্যকারী উপাদানগুলির মধ্যে তথ্য প্রবাহের একটি চিত্রের সাথে নতুন "সমন্বয় ব্যবস্থা" (CD/CI/CT) একত্রিত করেছে। ভিজ্যুয়ালাইজেশন ম্যাক্রোমেকানিজম সিডি দিয়ে শুরু হয় এবং ম্যাক্রোমেকানিজম CI এবং CT দিয়ে চলতে থাকে।

চিত্র 11 ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্মের এআই/এমএল উপাদানগুলির মধ্যে তথ্য প্রবাহের চিত্র

ইন্টারসিস্টেমস আইআরআইএস-এ সিডি মেকানিজমের সারমর্ম: প্ল্যাটফর্ম ব্যবহারকারীরা (এআই/এমএল সমাধানের বিকাশকারী) বিদ্যমান মানিয়ে নেয় এবং/অথবা এআই/এমএল মেকানিজমের জন্য একটি বিশেষ কোড এডিটর ব্যবহার করে নতুন এআই/এমএল ডেভেলপমেন্ট তৈরি করে: জুপিটার (পুরো নাম: জুপিটার নোটবুক; সংক্ষিপ্ততার জন্য, এই সম্পাদকে তৈরি নথিগুলিকে কখনও কখনও বলা হয়)। Jupyter-এ, একজন ডেভেলপার ইন্টারসিস্টেম IRIS-এ স্থাপন করার আগে ("নিয়োজিত") একটি নির্দিষ্ট AI/ML ডেভেলপমেন্টের কর্মক্ষমতা (গ্রাফিক্স ব্যবহার সহ) লিখতে, ডিবাগ করার এবং যাচাই করার সুযোগ পান। এটা স্পষ্ট যে এইভাবে তৈরি করা একটি নতুন বিকাশ শুধুমাত্র মৌলিক ডিবাগিং পাবে (যেহেতু, বিশেষ করে, জুপিটার রিয়েল-টাইম ডেটা স্ট্রিমগুলির সাথে কাজ করে না) - এটি জিনিসের ক্রম অনুসারে, কারণ জুপিটারে বিকাশের প্রধান ফলাফল এটি একটি পৃথক AI/ML প্রক্রিয়ার মৌলিক কার্যক্ষমতার নিশ্চিতকরণ ("ডেটা নমুনায় প্রত্যাশিত ফলাফল দেখায়")। একইভাবে, জুপিটারে ডিবাগ করার আগে প্ল্যাটফর্মে ইতিমধ্যেই রাখা একটি প্রক্রিয়া (নিম্নলিখিত ম্যাক্রো-মেকানিজমগুলি দেখুন) একটি "প্রি-প্ল্যাটফর্ম" ফর্মে একটি "রোলব্যাক" প্রয়োজন হতে পারে (ফাইল থেকে ডেটা পড়া, টেবিলের পরিবর্তে xDBC এর মাধ্যমে ডেটা নিয়ে কাজ করা, বিশ্ববাসীর সাথে সরাসরি মিথস্ক্রিয়া - বহুমাত্রিক ডেটা অ্যারে ইন্টারসিস্টেম আইআরআইএস – ইত্যাদি)।

ইন্টারসিস্টেমস আইআরআইএস-এ সিডি বাস্তবায়নের একটি গুরুত্বপূর্ণ দিক: প্ল্যাটফর্ম এবং জুপিটারের মধ্যে দ্বিমুখী একীকরণ প্রয়োগ করা হয়েছে, যার ফলে পাইথন, আর এবং জুলিয়ার বিষয়বস্তু প্ল্যাটফর্মে স্থানান্তরিত হতে পারে (এবং, পরবর্তীকালে, প্ল্যাটফর্মে প্রক্রিয়া করা হয়) (তিনটিই প্রোগ্রামিং। সংশ্লিষ্ট নেতৃস্থানীয় ওপেন-সোর্স ভাষায় ভাষা)। উৎস গাণিতিক মডেলিং পরিবেশ)। এইভাবে, AI/ML কন্টেন্ট ডেভেলপারদের কাছে প্ল্যাটফর্মে এই বিষয়বস্তুর "নিরবিচ্ছিন্ন স্থাপনা" চালানোর সুযোগ রয়েছে, তাদের পরিচিত জুপিটার এডিটরে কাজ করে, পাইথন, আর, জুলিয়াতে উপলব্ধ পরিচিত লাইব্রেরিগুলির সাথে এবং মৌলিক ডিবাগিং (প্রয়োজনে) সম্পাদন করার সুযোগ রয়েছে। প্ল্যাটফর্মের বাইরে।

ইন্টারসিস্টেম IRIS-এ CI ম্যাক্রো মেকানিজমের দিকে এগিয়ে যাওয়া যাক। চিত্রটি "রিয়েল-টাইম রোবোটাইজার" এর ম্যাক্রো প্রক্রিয়া দেখায় (গাণিতিক ভাষা এবং অবজেক্টস্ক্রিপ্ট - ইন্টারসিস্টেম আইআরআইএস-এর নেটিভ ডেভেলপমেন্ট ল্যাঙ্গুয়েজ-এ তাদের দ্বারা সাজানো ডেটা স্ট্রাকচার, ব্যবসায়িক প্রক্রিয়া এবং কোড টুকরোগুলির একটি জটিল)। এই ম্যাক্রো প্রক্রিয়ার কাজ হল AI/ML মেকানিজম (রিয়েল টাইমে প্ল্যাটফর্মে প্রেরিত ডেটা স্ট্রিমের উপর ভিত্তি করে) ক্রিয়াকলাপের জন্য প্রয়োজনীয় ডেটা সারি বজায় রাখা, অ্যাপ্লিকেশনের ক্রম এবং AI/এর "ভাণ্ডার" সম্পর্কে সিদ্ধান্ত নেওয়া। এমএল মেকানিজম (এগুলি "গাণিতিক অ্যালগরিদম", "মডেল" ইত্যাদিও। - বাস্তবায়নের সুনির্দিষ্ট এবং পরিভাষাগত পছন্দগুলির উপর নির্ভর করে আলাদাভাবে বলা যেতে পারে), AI/এর কাজের ফলাফল বিশ্লেষণের জন্য ডেটা স্ট্রাকচার আপ টু ডেট রাখুন ML মেকানিজম (কিউব, টেবিল, মাল্টিডাইমেনশনাল ডেটা অ্যারে, ইত্যাদি) ইত্যাদি। – রিপোর্ট, ড্যাশবোর্ড ইত্যাদির জন্য।

InterSystems IRIS-এ CI বাস্তবায়নের একটি গুরুত্বপূর্ণ দিক: প্ল্যাটফর্ম এবং গাণিতিক মডেলিং পরিবেশের মধ্যে দ্বিমুখী একীকরণ প্রয়োগ করা হয়েছে, যা আপনাকে Python, R এবং Julia-এ প্ল্যাটফর্মে হোস্ট করা বিষয়বস্তু তাদের নিজ নিজ পরিবেশে কার্যকর করতে এবং সম্পাদনের ফলাফল ফিরে পেতে দেয়। এই ইন্টিগ্রেশনটি "টার্মিনাল মোড" (অর্থাৎ, AI/ML বিষয়বস্তুকে অবজেক্টস্ক্রিপ্ট কোড হিসাবে প্রণয়ন করা হয় যা পরিবেশে কল করে) এবং "ব্যবসায়িক প্রক্রিয়া মোডে" (যেমন, AI/ML বিষয়বস্তু একটি ব্যবসায়িক প্রক্রিয়া হিসাবে প্রণয়ন করা হয়) উভয় ক্ষেত্রেই প্রয়োগ করা হয়। একটি গ্রাফিকাল সম্পাদক ব্যবহার করে, বা কখনও কখনও Jupyter ব্যবহার করে, বা একটি IDE ব্যবহার করে - IRIS স্টুডিও, Eclipse, Visual Studio Code)। Jupyter-এ সম্পাদনার জন্য ব্যবসায়িক প্রক্রিয়ার প্রাপ্যতা CI স্তরে IRIS এবং CD স্তরে Jupyter-এর মধ্যে সংযোগের মাধ্যমে প্রতিফলিত হয়। গাণিতিক মডেলিং পরিবেশের সাথে একীকরণের আরও বিশদ বিবরণ নীচে দেওয়া হয়েছে। এই পর্যায়ে, আমাদের মতে, রিয়েল-টাইম এআই/এমএল সমাধানগুলিতে AI/ML উন্নয়নের ("নিরন্তর স্থাপনা" থেকে আসা) "নিরবিচ্ছিন্ন একীকরণ" বাস্তবায়নের জন্য প্ল্যাটফর্মে সমস্ত প্রয়োজনীয় সরঞ্জাম রয়েছে তা নিশ্চিত করার প্রতিটি কারণ রয়েছে।

এবং প্রধান ম্যাক্রো মেকানিজম: সিটি। এটি ছাড়া, কোন AI/ML প্ল্যাটফর্ম থাকবে না (যদিও "রিয়েল টাইম" CD/CI এর মাধ্যমে বাস্তবায়িত হবে)। সিটির সারমর্ম হল গাণিতিক মডেলিং পরিবেশের কাজের সেশনে সরাসরি মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার "আর্টিফ্যাক্টস" নিয়ে প্লাটফর্মের কাজ: মডেল, ডিস্ট্রিবিউশন টেবিল, ম্যাট্রিক্স ভেক্টর, নিউরাল নেটওয়ার্কের স্তর ইত্যাদি। এই "কাজ", বেশিরভাগ ক্ষেত্রে, পরিবেশে উল্লিখিত শিল্পকর্মগুলি তৈরি করে (মডেলের ক্ষেত্রে, উদাহরণস্বরূপ, "সৃষ্টি" মডেলের স্পেসিফিকেশন সেট করা এবং এর পরামিতিগুলির মানগুলির পরবর্তী নির্বাচন নিয়ে গঠিত - মডেলের তথাকথিত "প্রশিক্ষণ"), তাদের আবেদন (মডেলগুলির জন্য: লক্ষ্য ভেরিয়েবলের "মডেল" মানগুলির সাহায্যে গণনা - পূর্বাভাস, বিভাগের সদস্যপদ, একটি ইভেন্টের সম্ভাবনা ইত্যাদি) এবং ইতিমধ্যে উন্নতি তৈরি এবং প্রয়োগকৃত শিল্পকর্ম (উদাহরণস্বরূপ, অ্যাপ্লিকেশনের ফলাফলের উপর ভিত্তি করে মডেল ইনপুট ভেরিয়েবলের একটি সেট পুনরায় সংজ্ঞায়িত করা - একটি বিকল্প হিসাবে পূর্বাভাসের সঠিকতা উন্নত করার জন্য)। CT এর ভূমিকা বোঝার মূল বিষয় হল CD এবং CI এর বাস্তবতা থেকে এর "বিমূর্ততা": CT নির্দিষ্ট পরিবেশের দ্বারা প্রদত্ত ক্ষমতাগুলির মধ্যে AI/ML সমাধানের গণনাগত এবং গাণিতিক সুনির্দিষ্টতার উপর ফোকাস করে সমস্ত শিল্পকর্ম বাস্তবায়ন করবে। "ইনপুট প্রদান" এবং "আউটপুট প্রদান" এর দায়িত্ব হবে CD এবং CI এর।

বিশেষ করে ইন্টারসিস্টেম আইআরআইএস-এ CT বাস্তবায়নের একটি গুরুত্বপূর্ণ দিক: উপরে উল্লিখিত গাণিতিক মডেলিং পরিবেশের সাথে একীকরণ ব্যবহার করে, প্ল্যাটফর্মটি গাণিতিক পরিবেশে তার নিয়ন্ত্রণে চলমান কাজের সেশনগুলি থেকে সেই নিদর্শনগুলিকে বের করার ক্ষমতা রাখে এবং (সবচেয়ে গুরুত্বপূর্ণ) পালা। প্ল্যাটফর্ম ডেটা অবজেক্টে তাদের। উদাহরণস্বরূপ, একটি ডিস্ট্রিবিউশন টেবিল যা সবেমাত্র একটি কার্যকরী পাইথন সেশনে তৈরি করা হয়েছে (পাইথন সেশন বন্ধ না করে) প্ল্যাটফর্মে স্থানান্তর করা যেতে পারে, উদাহরণস্বরূপ, একটি গ্লোবাল (একটি বহুমাত্রিক ইন্টারসিস্টেম IRIS ডেটা অ্যারে) - এবং ব্যবহৃত অন্য AI/ML- পদ্ধতিতে গণনার জন্য (অন্য পরিবেশের ভাষায় প্রয়োগ করা হয়েছে - উদাহরণস্বরূপ, R-এ) - বা একটি ভার্চুয়াল টেবিল। আরেকটি উদাহরণ: মডেলের অপারেশনের "সাধারণ মোড" এর সমান্তরালে (পাইথন ওয়ার্কিং সেশনে), "অটো-এমএল" এর ইনপুট ডেটাতে সঞ্চালিত হয়: সর্বোত্তম ইনপুট ভেরিয়েবল এবং প্যারামিটার মানগুলির স্বয়ংক্রিয় নির্বাচন। এবং "নিয়মিত" প্রশিক্ষণের সাথে, বাস্তব সময়ে একটি উত্পাদনশীল মডেল তার স্পেসিফিকেশনের "অপ্টিমাইজেশনের জন্য প্রস্তাব"ও পায় - যেখানে ইনপুট ভেরিয়েবলের সেট পরিবর্তিত হয়, প্যারামিটারের মানগুলি পরিবর্তিত হয় (প্রশিক্ষণের ফলে আর নয় পাইথনে, কিন্তু নিজেই একটি “বিকল্প”” সংস্করণের প্রশিক্ষণের ফলে, যেমন H2O স্ট্যাক), সামগ্রিক AI/ML সমাধানকে স্বায়ত্তশাসিতভাবে ইনপুট ডেটার প্রকৃতিতে অপ্রত্যাশিত পরিবর্তনের সাথে মোকাবিলা করার অনুমতি দেয় এবং মডেল করা হচ্ছে .

আসুন বাস্তব জীবনের প্রোটোটাইপের উদাহরণ ব্যবহার করে ইন্টারসিস্টেম আইআরআইএস-এর প্ল্যাটফর্ম AI/ML কার্যকারিতার সাথে আরও বিস্তারিতভাবে পরিচিত হই।

নীচের চিত্রটিতে, স্লাইডের বাম দিকে ব্যবসায়িক প্রক্রিয়ার একটি অংশ রয়েছে যা পাইথন এবং আর-এ স্ক্রিপ্টগুলি কার্যকর করে। কেন্দ্রীয় অংশে যথাক্রমে এই স্ক্রিপ্টগুলির কিছু সম্পাদনের ভিজ্যুয়াল লগ রয়েছে, Python এবং R-এ। অবিলম্বে তাদের পিছনে এক এবং অন্য ভাষার বিষয়বস্তুর উদাহরণ, উপযুক্ত পরিবেশে সম্পাদনের জন্য স্থানান্তরিত করা হয়েছে। ডানদিকে শেষে স্ক্রিপ্ট সম্পাদনের ফলাফলের উপর ভিত্তি করে ভিজ্যুয়ালাইজেশন রয়েছে। উপরের ভিজ্যুয়ালাইজেশনগুলি আইআরআইএস অ্যানালিটিক্সে তৈরি করা হয়েছিল (ডাটা পাইথন থেকে ইন্টারসিস্টেমস আইআরআইএস ডেটা প্ল্যাটফর্মে নেওয়া হয়েছিল এবং প্ল্যাটফর্ম ব্যবহার করে একটি ড্যাশবোর্ডে প্রদর্শিত হয়েছিল), নীচে সরাসরি R ওয়ার্ক সেশনে তৈরি হয়েছিল এবং সেখান থেকে গ্রাফিক ফাইলগুলিতে আউটপুট হয়েছিল। . একটি গুরুত্বপূর্ণ দিক: প্রোটোটাইপে উপস্থাপিত খণ্ডটি মডেলকে প্রশিক্ষণের জন্য দায়ী (উপকরণের অবস্থার শ্রেণীবিভাগ) সরঞ্জাম সিমুলেটর প্রক্রিয়া থেকে বাস্তব সময়ে প্রাপ্ত ডেটার উপর, মডেলের প্রয়োগের সময় পরিলক্ষিত শ্রেণিবিন্যাস মান মনিটর প্রক্রিয়া থেকে আদেশের ভিত্তিতে। ইন্টারঅ্যাকটিং প্রসেস ("এজেন্ট") এর একটি সেট আকারে একটি AI/ML সমাধানের বাস্তবায়ন আরও আলোচনা করা হবে।

চিত্র 12 ইন্টারসিস্টেম আইআরআইএস-এ পাইথন, আর এবং জুলিয়ার সাথে মিথস্ক্রিয়া

প্ল্যাটফর্ম প্রক্রিয়াগুলি (এগুলি "ব্যবসায়িক প্রক্রিয়া", "বিশ্লেষণমূলক প্রক্রিয়া", "পাইপলাইন" ইত্যাদি - প্রেক্ষাপটের উপর নির্ভর করে), প্রথমত, প্ল্যাটফর্মের গ্রাফিকাল ব্যবসায়িক প্রক্রিয়া সম্পাদকে সম্পাদনা করা হয় এবং এই ধরনের যেভাবে এর ব্লক ডায়াগ্রাম এবং সংশ্লিষ্ট এআই/এমএল মেকানিজম (প্রোগ্রাম কোড) উভয়ই একই সাথে তৈরি করা হয়। যখন আমরা বলি যে "একটি AI/ML মেকানিজম প্রাপ্ত হয়েছে," আমরা প্রাথমিকভাবে বোঝাই হাইব্রিডিটি (একটি প্রক্রিয়ার মধ্যে): গাণিতিক মডেলিং পরিবেশের ভাষাগুলির বিষয়বস্তু SQL-এর বিষয়বস্তুর সংলগ্ন (এ থেকে এক্সটেনশন সহ ইন্টিগ্রেটেডএমএল), অন্যান্য সমর্থিত ভাষার সাথে ইন্টারসিস্টেম অবজেক্টস্ক্রিপ্টে। অধিকন্তু, প্ল্যাটফর্ম প্রক্রিয়াটি ক্রমানুসারে নেস্টেড টুকরোগুলির আকারে "রেন্ডারিং" করার জন্য খুব বিস্তৃত সুযোগ প্রদান করে (নিচের চিত্রের উদাহরণে দেখা যায়), যা আপনাকে কার্যকরভাবে এমনকি খুব জটিল বিষয়বস্তুকে "পড়ে না গিয়ে" সংগঠিত করতে দেয়। গ্রাফিকাল ফরম্যাটের ("নন-গ্রাফিক্যাল" ফরম্যাটে)। » পদ্ধতি/ক্লাস/প্রক্রিয়া, ইত্যাদি)। অর্থাৎ, যদি প্রয়োজন হয় (এবং এটি বেশিরভাগ প্রকল্পে পূর্বাভাস দেওয়া হয়), একেবারে সম্পূর্ণ AI/ML সমাধানটি একটি গ্রাফিকাল স্ব-নথিপত্র বিন্যাসে প্রয়োগ করা যেতে পারে। অনুগ্রহ করে মনে রাখবেন যে নীচের চিত্রের কেন্দ্রীয় অংশে, যা একটি উচ্চতর "নীড়ের স্তর" প্রতিনিধিত্ব করে, এটি স্পষ্ট যে মডেলটিকে প্রশিক্ষণের প্রকৃত কাজ ছাড়াও (পাইথন এবং আর ব্যবহার করে), তথাকথিত একটি বিশ্লেষণ প্রশিক্ষিত মডেলের ROC বক্ররেখা যোগ করা হয়েছে, যা চাক্ষুষভাবে (এবং গণনাগতভাবেও) প্রশিক্ষণের গুণমানকে মূল্যায়ন করার অনুমতি দেয় - এবং এই বিশ্লেষণটি জুলিয়া ভাষায় প্রয়োগ করা হয় (তদনুসারে, জুলিয়া গাণিতিক পরিবেশে)।

চিত্র 13 ইন্টারসিস্টেম আইআরআইএস-এ এআই/এমএল সমাধানগুলির রচনার জন্য ভিজ্যুয়াল পরিবেশ

আগেই উল্লেখ করা হয়েছে, প্ল্যাটফর্মে ইতিমধ্যেই বাস্তবায়িত AI/ML মেকানিজমের প্রাথমিক বিকাশ এবং (কিছু ক্ষেত্রে) অভিযোজন প্ল্যাটফর্মের বাইরে জুপিটার সম্পাদকে করা হবে/ করা যেতে পারে। নীচের চিত্রটিতে আমরা একটি বিদ্যমান প্ল্যাটফর্ম প্রক্রিয়াকে অভিযোজিত করার একটি উদাহরণ দেখতে পাচ্ছি (উপরের চিত্রের মতোই) - এইভাবে মডেলটিকে প্রশিক্ষণের জন্য দায়ী অংশটি জুপিটারের মতো দেখাচ্ছে৷ পাইথন বিষয়বস্তু সরাসরি Jupyter-এ সম্পাদনা, ডিবাগিং এবং গ্রাফিক্স আউটপুটের জন্য উপলব্ধ। প্ল্যাটফর্ম প্রক্রিয়ায় তাৎক্ষণিক সিঙ্ক্রোনাইজেশনের মাধ্যমে পরিবর্তন (যদি প্রয়োজন হয়) করা যেতে পারে, এর উৎপাদনশীল সংস্করণ সহ। নতুন বিষয়বস্তু একইভাবে প্ল্যাটফর্মে স্থানান্তর করা যেতে পারে (একটি নতুন প্ল্যাটফর্ম প্রক্রিয়া স্বয়ংক্রিয়ভাবে তৈরি হয়)।

চিত্র 14 InterSystems IRIS প্ল্যাটফর্মে AI/ML ইঞ্জিন সম্পাদনা করতে Jupyter Notebook ব্যবহার করে

একটি প্ল্যাটফর্ম প্রক্রিয়ার অভিযোজন শুধুমাত্র একটি গ্রাফিকাল বা ল্যাপটপ বিন্যাসে নয় - তবে "টোটাল" IDE (ইন্টিগ্রেটেড ডেভেলপমেন্ট এনভায়রনমেন্ট) বিন্যাসেও সঞ্চালিত হতে পারে। এই IDE গুলি হল IRIS স্টুডিও (নেটিভ IRIS স্টুডিও), ভিজ্যুয়াল স্টুডিও কোড (VSCode এর জন্য InterSystems IRIS এক্সটেনশন) এবং Eclipse (Atelier প্লাগইন)। কিছু ক্ষেত্রে, একটি উন্নয়ন দলের পক্ষে তিনটি আইডিই একই সাথে ব্যবহার করা সম্ভব। নীচের চিত্রটি IRIS স্টুডিওতে, ভিজ্যুয়াল স্টুডিও কোড এবং Eclipse-এ একই প্রক্রিয়া সম্পাদনার একটি উদাহরণ দেখায়। সম্পূর্ণরূপে সমস্ত সামগ্রী সম্পাদনার জন্য উপলব্ধ: পাইথন/আর/জুলিয়া/এসকিউএল, অবজেক্টস্ক্রিপ্ট এবং ব্যবসায়িক প্রক্রিয়া।

চিত্র 15 বিভিন্ন IDE-তে ইন্টারসিস্টেম IRIS ব্যবসায়িক প্রক্রিয়ার বিকাশ

বিজনেস প্রসেস ল্যাঙ্গুয়েজে (BPL) ইন্টারসিস্টেমস আইআরআইএস ব্যবসায়িক প্রক্রিয়া বর্ণনা ও সম্পাদনের সরঞ্জামগুলি বিশেষ উল্লেখের দাবি রাখে। বিপিএল ব্যবসায়িক প্রক্রিয়াগুলিতে "রেডিমেড ইন্টিগ্রেশন কম্পোনেন্টস" (ক্রিয়াকলাপ) ব্যবহার করা সম্ভব করে - যা প্রকৃতপক্ষে, ইন্টারসিস্টেম আইআরআইএস-এ "নিরবিচ্ছিন্ন একীকরণ" বাস্তবায়িত হওয়ার প্রতিটি কারণ দেয়। রেডিমেড বিজনেস প্রসেস কম্পোনেন্ট (এগুলির মধ্যে ক্রিয়াকলাপ এবং সংযোগ) একটি AI/ML সমাধান একত্রিত করার জন্য একটি শক্তিশালী ত্বরণকারী। এবং শুধুমাত্র সমাবেশগুলিই নয়: ভিন্ন AI/ML উন্নয়ন এবং প্রক্রিয়াগুলির উপর তাদের মধ্যে ক্রিয়াকলাপ এবং সংযোগের জন্য ধন্যবাদ, একটি "স্বায়ত্তশাসিত ব্যবস্থাপনা স্তর" তৈরি হয়, যা বাস্তব সময়ে পরিস্থিতি অনুযায়ী সিদ্ধান্ত নিতে সক্ষম।

চিত্র 16 ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্মে ক্রমাগত একীকরণের (সিআই) জন্য প্রস্তুত ব্যবসায়িক প্রক্রিয়া উপাদান

এজেন্ট সিস্টেমের ধারণা ("মাল্টি-এজেন্ট সিস্টেম" নামেও পরিচিত) রোবটাইজেশনে একটি শক্তিশালী অবস্থান রয়েছে এবং ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্ম এটিকে "প্রোডাক্ট-প্রক্রিয়া" নির্মাণের মাধ্যমে অর্গানিকভাবে সমর্থন করে। সামগ্রিক সমাধানের জন্য প্রয়োজনীয় কার্যকারিতা সহ প্রতিটি প্রক্রিয়ার "স্টাফিং" করার সীমাহীন সম্ভাবনার পাশাপাশি, "এজেন্সি" এর সম্পত্তির সাথে প্ল্যাটফর্ম প্রক্রিয়াগুলির সিস্টেমকে অনুমোদন করা আপনাকে অত্যন্ত অস্থির সিমুলেটেড ঘটনাগুলির জন্য কার্যকর সমাধান তৈরি করতে দেয় (সামাজিক আচরণ বায়োসিস্টেম, আংশিকভাবে পর্যবেক্ষণযোগ্য প্রযুক্তিগত প্রক্রিয়া, ইত্যাদি)।

চিত্র 16 ইন্টারসিস্টেম আইআরআইএস-এ এজেন্ট-ভিত্তিক ব্যবসায়িক প্রক্রিয়া সিস্টেম হিসাবে একটি এআই/এমএল সমাধানের অপারেশন

আমরা রিয়েল-টাইম সমস্যাগুলির সম্পূর্ণ ক্লাস সমাধানের জন্য প্ল্যাটফর্মের প্রয়োগের ব্যবহার সম্পর্কে একটি গল্প সহ ইন্টারসিস্টেম আইআরআইএস-এর আমাদের পর্যালোচনা চালিয়ে যাচ্ছি (ইন্টারসিস্টেমস আইআরআইএস-এ প্ল্যাটফর্ম এআই/এমএলের কিছু সেরা অনুশীলনের একটি মোটামুটি বিশদ পরিচিতি পাওয়া যেতে পারে। আমাদের আগের ওয়েবিনার).

পূর্ববর্তী ডায়াগ্রামের হিলের উপর গরম, নীচে এজেন্ট সিস্টেমের আরও বিশদ চিত্র। চিত্রটি একই প্রোটোটাইপ দেখায়, চারটি এজেন্ট প্রক্রিয়া দৃশ্যমান, তাদের মধ্যে সম্পর্কগুলি পরিকল্পিতভাবে আঁকা হয়েছে: জেনারেটর - সরঞ্জাম সেন্সর দ্বারা ডেটা তৈরির প্রক্রিয়া করে, বাফার - ডেটা সারিগুলি পরিচালনা করে, বিশ্লেষক - নিজেই মেশিন লার্নিং সম্পাদন করে, মনিটর - পর্যবেক্ষণ করে মেশিন লার্নিংয়ের গুণমান এবং মডেলটিকে পুনরায় প্রশিক্ষণের প্রয়োজনীয়তা সম্পর্কে একটি সংকেত জমা দেয়।

চিত্র 17 ইন্টারসিস্টেম আইআরআইএস-এ এজেন্ট-ভিত্তিক ব্যবসায়িক প্রক্রিয়া পদ্ধতির আকারে একটি এআই/এমএল সমাধানের রচনা

নীচের চিত্রটি কিছু সময়ের জন্য অন্য রোবোটিক প্রোটোটাইপের স্বায়ত্তশাসিত কার্যকারিতা (টেক্সটের আবেগময় রঙের স্বীকৃতি) চিত্রিত করে। উপরের অংশে রয়েছে মডেল প্রশিক্ষণের গুণমান সূচকের বিবর্তন (মান বাড়ছে), নীচের অংশে রয়েছে মডেল প্রয়োগের গুণমান নির্দেশকের গতিশীলতা এবং বারবার প্রশিক্ষণের তথ্য (লাল স্ট্রাইপ)। আপনি দেখতে পাচ্ছেন, সমাধানটি নিজেকে দক্ষতার সাথে এবং স্বায়ত্তশাসিতভাবে শিখেছে এবং একটি প্রদত্ত মানের স্তরে কাজ করে (মানের স্কোরের মান 80% এর নিচে পড়ে না)।

চিত্র 18 ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্মে ক্রমাগত (স্ব-) প্রশিক্ষণ (সিটি)

আমরা "অটো-এমএল" এর আগেও উল্লেখ করেছি, কিন্তু নীচের চিত্রটি অন্য প্রোটোটাইপের উদাহরণ ব্যবহার করে বিস্তারিতভাবে এই কার্যকারিতার ব্যবহার দেখায়। একটি ব্যবসায়িক প্রক্রিয়ার একটি খণ্ডের গ্রাফিকাল চিত্রটি H2O স্ট্যাকে মডেলিংকে ট্রিগার করে এমন কার্যকলাপ দেখায়, এই মডেলিংয়ের ফলাফলগুলি দেখায় (এর তুলনামূলক চিত্র অনুসারে "মানব-নির্মিত" মডেলগুলির উপর ফলাফলের মডেলের স্পষ্ট আধিপত্য। ROC বক্ররেখা, সেইসাথে মূল ডেটা সেটে উপলব্ধ "সবচেয়ে প্রভাবশালী ভেরিয়েবল" এর স্বয়ংক্রিয় সনাক্তকরণ)। এখানে একটি গুরুত্বপূর্ণ বিষয় হল সময় এবং বিশেষজ্ঞ সম্পদের সঞ্চয় যা "অটো-এমএল" এর মাধ্যমে অর্জন করা হয়: আমাদের প্ল্যাটফর্ম প্রক্রিয়াটি আধা মিনিটে কী করে (সর্বোত্তম মডেলটি খুঁজে বের করা এবং প্রশিক্ষণ দেওয়া) একজন বিশেষজ্ঞকে এক সপ্তাহ থেকে এক মাস পর্যন্ত সময় নিতে পারে।

চিত্র 19 ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্মে একটি এআই/এমএল সমাধানে "অটো-এমএল" এর ইন্টিগ্রেশন

নীচের চিত্রটি বিন্দুটি কিছুটা মিস করেছে, তবে এটি বাস্তব-সময়ের সমস্যার সমাধান হওয়ার বিষয়ে গল্পটি শেষ করার একটি ভাল উপায়: আমরা আপনাকে স্মরণ করিয়ে দিচ্ছি যে ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্মের সমস্ত ক্ষমতা সহ, প্রশিক্ষণ মডেলগুলি এর নিয়ন্ত্রণে রয়েছে বাধ্যতামূলক না. প্ল্যাটফর্মটি বাইরে থেকে মডেলটির তথাকথিত PMML স্পেসিফিকেশন পেতে পারে, প্ল্যাটফর্মের নিয়ন্ত্রণে নয় এমন একটি টুলে প্রশিক্ষিত - এবং এই মডেলটি আমদানি করার মুহুর্ত থেকে বাস্তব সময়ে প্রয়োগ করতে পারে PMML স্পেসিফিকেশন. এটি বিবেচনা করা গুরুত্বপূর্ণ যে সমস্ত AI/ML শিল্পকর্মগুলিকে PMML স্পেসিফিকেশনে হ্রাস করা যায় না, এমনকি যদি বেশিরভাগ সাধারণ শিল্পকর্ম এটির অনুমতি দেয়। সুতরাং, ইন্টারসিস্টেমস আইআরআইএস প্ল্যাটফর্মটি "ওপেন লুপ" এবং ব্যবহারকারীদের জন্য "প্ল্যাটফর্ম দাসত্ব" বোঝায় না।

চিত্র 20 ইন্টারসিস্টেম আইআরআইএস প্ল্যাটফর্মে একটি এআই/এমএল সমাধানে "অটো-এমএল" এর ইন্টিগ্রেশন

ইন্টারসিস্টেমস আইআরআইএস-এর অতিরিক্ত প্ল্যাটফর্ম সুবিধার তালিকা করা যাক (প্রক্রিয়া নিয়ন্ত্রণের ক্ষেত্রে স্পষ্টতার জন্য), যা কৃত্রিম বুদ্ধিমত্তা এবং রিয়েল-টাইম মেশিন লার্নিংয়ের অটোমেশনে অত্যন্ত গুরুত্বপূর্ণ:

• যেকোন ডেটা উৎস এবং ভোক্তাদের (প্রসেস কন্ট্রোল সিস্টেম/এসসিএডিএ, ইকুইপমেন্ট, এমআরও, ইআরপি, ইত্যাদি) সাথে ইন্টিগ্রেশন টুল ডেভেলপ করা হয়েছে।
• অন্তর্নির্মিত মাল্টি-মডেল ডিবিএমএস প্রযুক্তিগত প্রক্রিয়া ডেটার যেকোন ভলিউমের উচ্চ-কর্মক্ষমতা লেনদেন এবং বিশ্লেষণাত্মক প্রক্রিয়াকরণের জন্য (হাইব্রিড লেনদেন/বিশ্লেষণীয় প্রক্রিয়াকরণ, HTAP)
• পাইথন, আর, জুলিয়ার উপর ভিত্তি করে রিয়েল-টাইম সমাধানের জন্য এআই/এমএল ইঞ্জিনগুলির ক্রমাগত স্থাপনার জন্য উন্নয়ন সরঞ্জাম
• অবিচ্ছিন্ন একীকরণ এবং (স্ব-) রিয়েল-টাইম এআই/এমএল সমাধান ইঞ্জিন শেখার জন্য অভিযোজিত ব্যবসায়িক প্রক্রিয়া
• বিল্ট-ইন বিজনেস ইন্টেলিজেন্স টুলস ভিজ্যুয়ালাইজ করার জন্য প্রসেস ডেটা এবং একটি এআই/এমএল সমাধানের ফলাফল
• API ব্যবস্থাপনা কন্ট্রোল সিস্টেম/SCADA, তথ্য এবং বিশ্লেষণাত্মক সিস্টেম, সতর্কবার্তা পাঠানো ইত্যাদিতে AI/ML সমাধানের ফলাফল প্রদানের জন্য।

ইন্টারসিস্টেমস আইআরআইএস প্ল্যাটফর্মে এআই/এমএল সমাধানগুলি সহজেই বিদ্যমান আইটি অবকাঠামোতে ফিট করে। InterSystems IRIS প্ল্যাটফর্ম ত্রুটি-সহনশীল এবং দুর্যোগ-সহনশীল কনফিগারেশন এবং ভার্চুয়াল পরিবেশে, ফিজিক্যাল সার্ভারে, ব্যক্তিগত এবং পাবলিক ক্লাউড এবং ডকার কন্টেনারে নমনীয় স্থাপনার সমর্থন করে AI/ML সমাধানগুলির উচ্চ নির্ভরযোগ্যতা নিশ্চিত করে।

সুতরাং, InterSystems IRIS হল একটি সার্বজনীন রিয়েল-টাইম AI/ML কম্পিউটিং প্ল্যাটফর্ম। বাস্তবায়িত গণনার জটিলতার উপর বাস্তবিক বিধিনিষেধের অনুপস্থিতি, বিভিন্ন ধরণের শিল্প থেকে পরিস্থিতির প্রক্রিয়াকরণ (বাস্তব সময়ে) একত্রিত করার ইন্টারসিস্টেমস আইআরআইএস-এর ক্ষমতা এবং এর ব্যতিক্রমী অভিযোজনযোগ্যতা দ্বারা বাস্তবে আমাদের প্ল্যাটফর্মের সার্বজনীনতা নিশ্চিত করা হয়। কোনো প্ল্যাটফর্ম ফাংশন এবং প্রক্রিয়া ব্যবহারকারীদের নির্দিষ্ট প্রয়োজন.

চিত্র 21 ইন্টারসিস্টেম IRIS - একটি সার্বজনীন রিয়েল-টাইম AI/ML কম্পিউটিং প্ল্যাটফর্ম

আমাদের পাঠকদের যারা এখানে উপস্থাপিত বিষয়বস্তুতে আগ্রহী তাদের সাথে আরও গুরুত্বপূর্ণ মিথস্ক্রিয়া করার জন্য, আমরা আপনাকে এটি পড়ার মধ্যে সীমাবদ্ধ না রাখার এবং "লাইভ" সংলাপ চালিয়ে যাওয়ার পরামর্শ দিই। আমরা আপনার কোম্পানির সুনির্দিষ্ট বিষয়ে রিয়েল-টাইম এআই/এমএল পরিস্থিতি তৈরি করতে, ইন্টারসিস্টেমস আইআরআইএস প্ল্যাটফর্মে যৌথ প্রোটোটাইপিং করতে, কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং প্রবর্তনের জন্য একটি রোডম্যাপ প্রণয়ন এবং বাস্তবে প্রয়োগ করতে পেরে খুশি হব। আপনার উত্পাদন এবং ব্যবস্থাপনা প্রক্রিয়ার মধ্যে। আমাদের AI/ML বিশেষজ্ঞ দলের যোগাযোগের ইমেল - [ইমেল সুরক্ষিত].

উত্স: www.habr.com