Mae InterSystems IRIS yn blatfform AI/ML amser real cyffredinol

Awdur: Sergey Lukyanchikov, peiriannydd ymgynghorol yn InterSystems

Galwadau cyfrifiadura AI/ML amser real

Gadewch i ni ddechrau gydag enghreifftiau o brofiad ymarfer Gwyddor Data yn InterSystems:

• Mae porth y prynwr wedi'i lwytho wedi'i gysylltu â system argymell ar-lein. Bydd ail-strwythuro hyrwyddiadau ar draws y rhwydwaith manwerthu (er enghraifft, yn lle llinell “wastad” o hyrwyddiadau, bydd matrics “tactegau segment” yn cael ei ddefnyddio nawr). Beth sy'n digwydd i beiriannau argymell? Beth sy'n digwydd i gyflwyno a diweddaru data i'r peiriant argymhellion (mae cyfaint y data mewnbwn wedi cynyddu 25000 o weithiau)? Beth sy'n digwydd i ddatblygiad argymhellion (yr angen i leihau trothwy hidlo'r rheolau argymell filwaith oherwydd cynnydd milwaith yn eu nifer a'u “hystod”)?
• Mae system ar gyfer monitro'r tebygolrwydd y bydd diffygion yn datblygu mewn cydrannau offer. Roedd system rheoli prosesau awtomataidd wedi'i chysylltu â'r system fonitro, gan drosglwyddo miloedd o baramedrau prosesau technolegol bob eiliad. Beth sy'n digwydd i'r system fonitro a fu'n gweithio ar “samplau llaw” yn flaenorol (a yw'n gallu darparu monitro tebygolrwydd eiliad wrth eiliad)? Beth fydd yn digwydd os bydd bloc newydd o rai cannoedd o golofnau yn ymddangos yn y data mewnbwn gyda darlleniadau o synwyryddion wedi'u hychwanegu'n ddiweddar at y system rheoli prosesau (a fydd angen ac am ba mor hir i atal y system fonitro i gynnwys data o synwyryddion newydd yn y dadansoddiad )?
• Mae set o fecanweithiau AI/ML (argymhelliad, monitro, rhagweld) wedi’u creu sy’n defnyddio canlyniadau gwaith ei gilydd. Faint o oriau gwaith sydd eu hangen bob mis i addasu gweithrediad y cyfadeilad hwn i newidiadau mewn data mewnbwn? Beth yw'r “arafu” cyffredinol pan gaiff ei ategu gan y cymhleth gwneud penderfyniadau rheoli (amlder y wybodaeth ategol newydd sydd ynddo o'i gymharu ag amlder data mewnbwn newydd)?

Wrth grynhoi’r enghreifftiau hyn a llawer o enghreifftiau eraill, rydym wedi dod at lunio’r heriau sy’n codi wrth symud at ddefnyddio peirianwaith dysgu a mecanweithiau deallusrwydd artiffisial mewn amser real:

• A ydym yn fodlon â chyflymder creu ac addasu (i'r sefyllfa newidiol) o ddatblygiadau AI/ML yn ein cwmni?
• I ba raddau mae'r atebion AI/ML a ddefnyddiwn yn cefnogi rheolaeth busnes amser real?
• A yw'r atebion AI/ML a ddefnyddiwn yn gallu addasu'n annibynnol (heb ddatblygwyr) i newidiadau mewn arferion rheoli data a busnes?

Mae ein herthygl yn drosolwg trylwyr o alluoedd platfform InterSystems IRIS o ran cefnogaeth gyffredinol ar gyfer defnyddio mecanweithiau AI / ML, cydosod (integreiddio) datrysiadau AI / ML, a hyfforddi (profi) datrysiadau AI / ML ar ddwys. ffrydiau data. Byddwn yn edrych ar ymchwil marchnad, astudiaethau achos o atebion AI/ML, ac agweddau cysyniadol ar yr hyn a alwn yn blatfform AI/ML amser real yn yr erthygl hon.

Yr hyn a wyddom o arolygon: cymwysiadau amser real

Canfyddiadau pôla gynhaliwyd ymhlith bron i 800 o weithwyr proffesiynol TG yn 2019 gan Lightbend, siarad drostynt eu hunain:

Ffigur 1 Defnyddwyr blaenllaw o ddata amser real

Gadewch inni ddyfynnu darnau pwysig o’r adroddiad ar ganlyniadau’r arolwg hwn yn ein cyfieithiad:

“... Mae tueddiadau ym mhoblogrwydd offer ar gyfer integreiddio ffrydiau data ac, ar yr un pryd, cefnogi cyfrifiadura mewn cynwysyddion yn darparu ymateb synergaidd i gais y farchnad am gynnig mwy ymatebol, rhesymegol, deinamig o atebion effeithiol. Mae ffrydio data yn trosglwyddo gwybodaeth yn gyflymach na data pecyn traddodiadol. Yn ychwanegol at hyn mae'r gallu i gymhwyso dulliau cyfrifiannol yn gyflym, megis, er enghraifft, argymhellion seiliedig ar AI/ML, gan greu manteision cystadleuol trwy gynyddu boddhad cwsmeriaid. Mae'r ras am ystwythder hefyd yn effeithio ar bob rôl ym batrwm DevOps - gan wneud datblygu a defnyddio cymwysiadau yn fwy effeithlon. … Darparodd wyth cant a phedwar o weithwyr TG proffesiynol wybodaeth am y defnydd o lif data yn eu sefydliadau. Roedd yr ymatebwyr wedi'u lleoli'n bennaf yng ngwledydd y Gorllewin (41% yn Ewrop a 37% yng Ngogledd America) ac roeddent wedi'u dosbarthu bron yn gyfartal rhwng cwmnïau bach, canolig a mawr. ...

... Nid yw deallusrwydd artiffisial yn hype. Mae pum deg wyth y cant o'r rhai sydd eisoes yn defnyddio prosesu llif data mewn cymwysiadau AI/ML cynhyrchiant yn cadarnhau y bydd eu defnydd o AI/ML yn gweld y twf mwyaf yn y flwyddyn nesaf (o gymharu â chymwysiadau eraill).

• Yn ôl mwyafrif yr ymatebwyr, y defnydd o ffrydiau data mewn senarios AI/ML fydd yn gweld y twf mwyaf yn y flwyddyn nesaf.
• Bydd ceisiadau mewn AI/ML yn tyfu nid yn unig oherwydd mathau cymharol newydd o senarios, ond hefyd oherwydd senarios traddodiadol lle mae data amser real yn cael ei ddefnyddio fwyfwy.
• Yn ogystal ag AI/ML, mae lefel y brwdfrydedd ymhlith defnyddwyr piblinellau data IoT yn drawiadol - dywed 48% o'r rhai sydd eisoes wedi integreiddio data IoT y bydd gweithredu senarios ar y data hwn yn gweld cynnydd sylweddol yn y dyfodol agos. ..."

O’r arolwg eithaf diddorol hwn, mae’n amlwg bod y canfyddiad o ddysgu peirianyddol a senarios deallusrwydd artiffisial fel arweinwyr yn y defnydd o ffrydiau data eisoes “ar y ffordd.” Ond sylw yr un mor bwysig yw’r canfyddiad o AI/ML amser real trwy lens DevOps: yma gallwn eisoes ddechrau siarad am drawsnewid y diwylliant tra-arglwyddiaethol o hyd o “AI/ML tafladwy gyda set ddata gwbl hygyrch.”

Cysyniad platfform AI/ML amser real

Un maes cymhwysiad nodweddiadol ar gyfer AI/ML amser real yw rheoli prosesau gweithgynhyrchu. Gan ddefnyddio ei hesiampl a chan ystyried meddyliau blaenorol, byddwn yn llunio'r cysyniad o lwyfan AI/ML amser real.
Mae gan y defnydd o ddeallusrwydd artiffisial a dysgu â pheiriant wrth reoli prosesau nifer o nodweddion:

• Derbynnir data ar gyflwr y broses dechnolegol yn ddwys: gydag amlder uchel ac ar gyfer ystod eang o baramedrau (hyd at ddegau o filoedd o werthoedd paramedr a drosglwyddir yr eiliad o'r system rheoli prosesau)
• Mae data ar adnabod diffygion, heb sôn am ddata ar eu datblygiad, i'r gwrthwyneb, yn brin ac yn afreolaidd, wedi'u nodweddu gan nodweddu diffygion yn annigonol a'u lleoleiddio mewn amser (a gynrychiolir yn aml gan gofnodion papur)
• O safbwynt ymarferol, dim ond “ffenestr perthnasedd” o'r data ffynhonnell sydd ar gael ar gyfer hyfforddi a chymhwyso modelau, gan adlewyrchu dynameg y broses dechnolegol dros gyfnod llithro rhesymol sy'n dod i ben gyda gwerthoedd darllen olaf paramedrau'r broses.

Mae'r nodweddion hyn yn ein gorfodi, yn ogystal â derbyn a phrosesu sylfaenol mewn amser real y “signal mewnbwn band eang” dwys o'r broses dechnolegol, i berfformio (cyfochrog) cymhwyso, hyfforddiant a rheoli ansawdd canlyniadau'r AI / Modelau ML - hefyd mewn amser real. Mae’r “ffrâm” y mae ein modelau yn ei “weld” yn y ffenestr symudol o berthnasedd yn newid yn gyson – a chyda hynny, mae ansawdd canlyniadau gwaith modelau AI/ML a hyfforddwyd ar un o’r “fframiau” yn y gorffennol hefyd yn newid. . Os bydd ansawdd canlyniadau gwaith modelau AI/ML yn gwaethygu (er enghraifft: mae gwerth y gwall dosbarthu “larwm-norm” wedi mynd y tu hwnt i'r terfynau a ddiffiniwyd gennym), dylid lansio hyfforddiant ychwanegol ar y modelau yn awtomatig. “ffrâm” mwy cyfredol - a dylai’r amser a ddewisir i lansio hyfforddiant ychwanegol ar y modelau ystyried sut mae hyd yr hyfforddiant ei hun, a deinameg y dirywiad yn ansawdd gwaith y fersiwn gyfredol o’r modelau (ers mae'r fersiynau cyfredol o'r modelau yn parhau i gael eu defnyddio tra bod y modelau'n cael eu hyfforddi, a hyd nes y bydd eu fersiynau “newydd eu hyfforddi” yn cael eu ffurfio).

Mae gan InterSystems IRIS alluoedd platfform allweddol i alluogi datrysiadau AI/ML ar gyfer rheoli prosesau amser real. Gellir rhannu'r galluoedd hyn yn dri phrif grŵp:

• Defnydd parhaus (Defnyddio/Cyflwyno'n Barhaus, CD) o fecanweithiau AI/ML presennol neu wedi'u haddasu i ddatrysiad cynhyrchiol sy'n gweithredu mewn amser real ar blatfform IRIS InterSystems
• Integreiddio Parhaus (CI) i un datrysiad cynhyrchiol o ffrydiau data prosesau technolegol sy'n dod i mewn, ciwiau data ar gyfer cymhwyso / hyfforddiant / rheoli ansawdd mecanweithiau AI / ML a chyfnewid data / cod / gweithredoedd rheoli ag amgylcheddau modelu mathemategol, wedi'u trefnu mewn amser real platfform InterSystems IRIS
• Hyfforddiant parhaus (hunan) (Hyfforddiant Parhaus, CT) o fecanweithiau AI/ML, a gyflawnir mewn amgylcheddau modelu mathemategol gan ddefnyddio data, cod a chamau rheoli (“penderfyniadau a wnaed”) a drosglwyddir gan blatfform IRIS InterSystems

Nid yw dosbarthu galluoedd platfform mewn perthynas â dysgu peiriannau a deallusrwydd artiffisial yn union y grwpiau hyn yn ddamweiniol. Gadewch inni ddyfynnu'r fethodoleg cyhoeddi Google, sy'n darparu sail gysyniadol ar gyfer y dosbarthiad hwn, yn ein cyfieithiad:

“... Mae cysyniad DevOps, sy'n boblogaidd y dyddiau hyn, yn ymdrin â datblygu a gweithredu systemau gwybodaeth ar raddfa fawr. Manteision gweithredu'r cysyniad hwn yw lleihau hyd cylchoedd datblygu, defnyddio datblygiadau'n gyflymach, a hyblygrwydd wrth gynllunio rhyddhau. Er mwyn cyflawni'r buddion hyn, mae DevOps yn golygu gweithredu o leiaf ddau bractis:

• Integreiddio Parhaus (CI)
• Dosbarthu Parhaus (CD)

Mae'r arferion hyn hefyd yn berthnasol i lwyfannau AI/ML i sicrhau cydosodiad dibynadwy a pherfformiwr o atebion AI/ML cynhyrchiol.

Mae llwyfannau AI/ML yn wahanol i systemau gwybodaeth eraill yn yr agweddau canlynol:

• Cymwyseddau tîm: Wrth greu datrysiad AI/ML, mae'r tîm fel arfer yn cynnwys gwyddonwyr data neu arbenigwyr “academaidd” ym maes ymchwil data sy'n dadansoddi data, yn datblygu ac yn profi modelau. Efallai na fydd yr aelodau tîm hyn yn ddatblygwyr cod cynhyrchiol proffesiynol.
• Datblygiad: Mae peiriannau AI/ML yn arbrofol eu natur. Er mwyn datrys problem yn y ffordd fwyaf effeithlon, mae angen mynd trwy gyfuniadau amrywiol o newidynnau mewnbwn, algorithmau, dulliau modelu a pharamedrau model. Mae cymhlethdod chwiliad o’r fath yn gorwedd wrth olrhain “yr hyn a weithiodd/na weithiodd”, gan sicrhau atgynhyrchu episodau, cyffredinoli datblygiadau ar gyfer gweithredu dro ar ôl tro.
• Profi: Mae profi peiriannau AI/ML yn gofyn am ystod ehangach o brofion na'r rhan fwyaf o ddatblygiadau eraill. Yn ogystal â phrofion uned ac integreiddio safonol, profir dilysrwydd data ac ansawdd canlyniadau cymhwyso'r model i samplau hyfforddi a rheoli.
• Defnydd: Nid yw defnyddio datrysiadau AI/ML wedi'i gyfyngu i wasanaethau rhagfynegol sy'n defnyddio model a hyfforddwyd unwaith. Mae datrysiadau AI/ML wedi'u hadeiladu o amgylch piblinellau aml-gam sy'n perfformio hyfforddiant a chymhwyso model awtomataidd. Mae defnyddio piblinellau o'r fath yn golygu awtomeiddio gweithredoedd nad ydynt yn ddibwys a gyflawnir yn draddodiadol â llaw gan wyddonwyr data er mwyn gallu hyfforddi a phrofi modelau.
• Cynhyrchiant: Gall peiriannau AI/ML ddiffyg cynhyrchiant nid yn unig oherwydd rhaglennu aneffeithlon, ond hefyd oherwydd bod natur y data mewnbwn yn newid yn gyson. Mewn geiriau eraill, gall perfformiad mecanweithiau AI/ML ddiraddio oherwydd ystod ehangach o resymau na pherfformiad datblygiadau confensiynol. Sy'n arwain at yr angen i fonitro (ar-lein) perfformiad ein peiriannau AI/ML, yn ogystal ag anfon rhybuddion neu wrthod canlyniadau os nad yw dangosyddion perfformiad yn bodloni disgwyliadau.

Mae llwyfannau AI/ML yn debyg i systemau gwybodaeth eraill yn yr ystyr bod y ddau yn gofyn am integreiddio cod parhaus â rheoli fersiynau, profi unedau, profi integreiddio, a defnyddio datblygiad parhaus. Fodd bynnag, yn achos AI/ML, mae yna nifer o wahaniaethau pwysig:

• Nid yw CI (Integreiddio Parhaus) bellach yn gyfyngedig i brofi a dilysu cod y cydrannau a ddefnyddir - mae hefyd yn cynnwys profi a dilysu data a modelau AI/ML.
• Nid yw CD (Cyflwyno/Defnyddio Parhaus, defnydd parhaus) yn gyfyngedig i ysgrifennu a rhyddhau pecynnau neu wasanaethau, ond mae'n awgrymu llwyfan ar gyfer cyfansoddi, hyfforddi a chymhwyso datrysiadau AI/ML.
• Mae CT (Hyfforddiant Parhaus, hyfforddiant parhaus) yn elfen newydd [tua. awdur yr erthygl: elfen newydd mewn perthynas â'r cysyniad traddodiadol o DevOps, lle mae CT, fel rheol, yn Brofion Parhaus], yn gynhenid ​​​​mewn llwyfannau AI / ML, yn gyfrifol am reolaeth ymreolaethol y mecanweithiau ar gyfer hyfforddi a chymhwyso AI Modelau /ML. ..."

Gallwn ddatgan bod dysgu peirianyddol a deallusrwydd artiffisial wrth weithio ar ddata amser real yn gofyn am set ehangach o offer a chymwyseddau (o ddatblygu cod i offeryniaeth amgylcheddau modelu mathemategol), integreiddio agosach rhwng pob maes swyddogaethol a phwnc, trefniadaeth ddynol a phwnc yn fwy effeithlon. adnoddau peiriant.

Senario amser real: cydnabod datblygiad diffygion mewn pympiau porthiant

Gan barhau i ddefnyddio'r ardal rheoli prosesau fel enghraifft, ystyriwch broblem benodol (a grybwyllwyd gennym eisoes ar y dechrau): mae angen inni ddarparu monitro amser real o ddatblygiad diffygion mewn pympiau yn seiliedig ar lif gwerthoedd paramedr proses ac adroddiadau gan bersonél atgyweirio am ddiffygion a nodwyd.

Ffigur 2 Ffurfio problemau ar gyfer monitro datblygiad diffygion

Nodwedd ymarferol o’r rhan fwyaf o’r tasgau a osodir yn y modd hwn yn ymarferol yw bod yn rhaid ystyried rheoleidd-dra ac effeithlonrwydd derbyn data (APCS) yn erbyn cefndir y digwyddiad (a chofrestru) o wahanol fathau o ddiffygion ysbeidiol ac afreolaidd. Mewn geiriau eraill: mae data o'r system rheoli prosesau yn cyrraedd unwaith yr eiliad, yn gywir ac yn gywir, a gwneir nodiadau am ddiffygion gyda phensil cemegol yn nodi'r dyddiad mewn llyfr nodiadau cyffredinol yn y gweithdy (er enghraifft: “12.01 - gollwng i'r clawr o ochr y 3ydd cyfeiriant”).

Felly, gallwn ategu’r broses o lunio’r broblem gyda’r cyfyngiad pwysig canlynol: dim ond un “label” sydd gennym o ddiffyg o fath penodol (h.y., mae enghraifft o ddiffyg o fath penodol yn cael ei gynrychioli gan ddata o reolaeth y broses system ar ddyddiad penodol - ac nid oes gennym fwy o enghreifftiau o ddiffyg o'r math hwn). Mae'r cyfyngiad hwn ar unwaith yn mynd â ni y tu hwnt i gwmpas dysgu peirianyddol clasurol (dysgu dan oruchwyliaeth), y dylai fod llawer o “dagiau” ar eu cyfer.

Ffigur 3 Eglurhad o'r dasg o fonitro datblygiad diffygion

A allwn ni rywsut “luosi” yr unig “dag” sydd ar gael inni? Ie gallwn ni. Nodweddir cyflwr presennol y pwmp gan faint o debygrwydd i ddiffygion cofrestredig. Hyd yn oed heb ddefnyddio dulliau meintiol, ar lefel canfyddiad gweledol, trwy arsylwi deinameg gwerthoedd data sy'n dod o'r system rheoli prosesau, gallwch chi eisoes ddysgu llawer:

Ffigur 4 Dynameg cyflwr y pwmp yn erbyn cefndir “marc” o ddiffyg o fath penodol

Ond nid canfyddiad gweledol (am y tro o leiaf) yw'r cynhyrchydd “tagiau” mwyaf addas yn ein senario sy'n newid yn gyflym. Byddwn yn gwerthuso tebygrwydd cyflwr presennol y pwmp i'r diffygion a adroddwyd gan ddefnyddio prawf ystadegol.

Ffigur 5 Cymhwyso prawf ystadegol i ddata sy'n dod i mewn yn erbyn cefndir “label” diffyg

Mae prawf ystadegol yn pennu'r tebygolrwydd bod y cofnodion â gwerthoedd paramedrau'r broses dechnolegol yn y "pecyn llif" a dderbynnir o'r system rheoli prosesau yn debyg i gofnodion y “tag” o ddiffyg o fath penodol. Mae'r gwerth tebygolrwydd (mynegai tebygrwydd ystadegol) a gyfrifwyd o ganlyniad i gymhwyso prawf ystadegol yn cael ei drawsnewid i werth o 0 neu 1, gan ddod yn “label” ar gyfer dysgu peirianyddol ym mhob cofnod penodol yn y pecyn sy'n cael ei archwilio am debygrwydd. Hynny yw, ar ôl prosesu pecyn o gofnodion cyflwr pwmp sydd newydd ei dderbyn gyda phrawf ystadegol, mae gennym gyfle i (a) ychwanegu'r pecyn hwn at y set hyfforddi ar gyfer hyfforddi'r model AI/ML a (b) rheoli ansawdd y fersiwn gyfredol y model wrth ei ddefnyddio i'r pecyn hwn.

Ffigur 6 Cymhwyso model dysgu peirianyddol i ddata sy'n dod i mewn yn erbyn cefndir “label” diffyg

Yn un o'n blaenorol gweminarau Rydym yn dangos ac yn esbonio sut mae platfform InterSystems IRIS yn caniatáu ichi weithredu unrhyw fecanwaith AI/ML ar ffurf gweithredu prosesau busnes yn barhaus sy'n monitro dibynadwyedd canlyniadau modelu ac yn addasu paramedrau model. Wrth weithredu prototeip o'n senario gyda phympiau, rydym yn defnyddio'r holl ymarferoldeb InterSystems IRIS a gyflwynwyd yn ystod y weminar - gweithredu yn y broses dadansoddwr fel rhan o'n datrysiad nid dysgu clasurol dan oruchwyliaeth, ond yn hytrach dysgu atgyfnerthu, sy'n rheoli'r dewis ar gyfer modelau hyfforddi yn awtomatig. . Mae’r sampl hyfforddi yn cynnwys cofnodion lle mae “consensws canfod” yn codi ar ôl cymhwyso’r prawf ystadegol a’r fersiwn gyfredol o’r model - h.y., y prawf ystadegol (ar ôl trawsnewid y mynegai tebygrwydd i 0 neu 1) a’r model a gynhyrchodd y canlyniad ar gofnodion o'r fath 1. Yn ystod hyfforddiant newydd ar y model, yn ystod ei ddilysu (mae'r model sydd newydd ei hyfforddi'n cael ei gymhwyso i'w sampl hyfforddi ei hun, gan gymhwyso prawf ystadegol ymlaen llaw iddo), cofnodion “na gadwodd” canlyniad 1 ar ôl ei brosesu erbyn y prawf ystadegol (oherwydd presenoldeb cyson yn yr hyfforddiant mae sampl o gofnodion o “label” gwreiddiol y diffyg), yn cael eu tynnu o'r set hyfforddi, ac mae fersiwn newydd o'r model yn dysgu o “label” y nam ynghyd â'r cofnodion “a gedwir” o'r ffrwd.

Ffigur 7 Roboteiddio cyfrifiadau AI/ML yn InterSystems IRIS

Os oes angen math o “ail farn” ar ansawdd y canfod a gafwyd yn ystod cyfrifiadau lleol yn InterSystems IRIS, crëir proses gynghorydd i berfformio hyfforddiant a chymhwyso modelau ar set ddata reoli gan ddefnyddio gwasanaethau cwmwl (er enghraifft, Microsoft Azure, Amazon Web Services, Google Cloud Platform, ac ati):

Ffigur 8 Ail Farn gan Microsoft Azure a drefnwyd gan InterSystems IRIS

Mae prototeip ein senario yn InterSystems IRIS wedi'i gynllunio fel system o brosesau dadansoddol sy'n seiliedig ar asiant sy'n rhyngweithio â gwrthrych offer (pwmp), amgylcheddau modelu mathemategol (Python, R a Julia), ac yn sicrhau hunanddysgu pawb sy'n ymwneud ag AI/ Mecanweithiau ML - ar ffrydiau data amser real .

Ffigur 9 Prif swyddogaeth y datrysiad AI/ML amser real yn InterSystems IRIS

Canlyniad ymarferol ein prototeip:

• Diffyg sampl yn cael ei gydnabod gan y model (Ionawr 12):

• Nam sy'n datblygu a gydnabuwyd gan y model nad oedd wedi'i gynnwys yn y sampl (Medi 11, nodwyd y diffyg ei hun gan y tîm atgyweirio dim ond dau ddiwrnod yn ddiweddarach, ar Fedi 13):

Dangosodd efelychiad ar ddata go iawn sy'n cynnwys sawl pennod o'r un diffyg fod ein datrysiad, a weithredwyd ar lwyfan InterSystems IRIS, yn caniatáu inni nodi datblygiad diffygion o'r math hwn sawl diwrnod cyn iddynt gael eu canfod gan y tîm atgyweirio.

InterSystems IRIS - llwyfan cyfrifiadurol AI/ML amser real cyffredinol

Mae platfform InterSystems IRIS yn symleiddio datblygiad, defnydd a gweithrediad datrysiadau data amser real. Mae InterSystems IRIS yn gallu perfformio prosesu data trafodaethol a dadansoddol ar yr un pryd; cefnogi safbwyntiau data cydamserol yn ôl modelau lluosog (gan gynnwys perthynol, hierarchaidd, gwrthrych a dogfen); gweithredu fel llwyfan ar gyfer integreiddio ystod eang o ffynonellau data a chymwysiadau unigol; darparu dadansoddeg amser real uwch ar ddata strwythuredig a distrwythur. Mae InterSystems IRIS hefyd yn darparu mecanweithiau ar gyfer defnyddio offer dadansoddol allanol ac yn caniatáu cyfuniad hyblyg o westeio yn y cwmwl ac ar weinyddion lleol.

Mae cymwysiadau a adeiladwyd ar blatfform IRIS InterSystems yn cael eu defnyddio ar draws amrywiaeth o ddiwydiannau, gan helpu cwmnïau i wireddu buddion economaidd sylweddol o safbwynt strategol a gweithredol, cynyddu penderfyniadau gwybodus a phontio'r bylchau rhwng digwyddiad, dadansoddi a gweithredu.

Ffigur 10 Pensaernïaeth IRIS InterSystems yng nghyd-destun AI/ML amser real

Fel y diagram blaenorol, mae’r diagram isod yn cyfuno’r “system gydgysylltu” newydd (CD/CI/CT) â diagram o’r llif gwybodaeth rhwng elfennau gweithredol y llwyfan. Mae'r delweddu yn dechrau gyda'r CD macromechanism ac yn parhau gyda'r macrofecanweithiau CI a CT.

Ffigur 11 Diagram o lif gwybodaeth rhwng elfennau AI/ML o lwyfan IRIS InterSystems

Hanfod y mecanwaith CD yn InterSystems IRIS: mae defnyddwyr platfform (datblygwyr datrysiadau AI/ML) yn addasu datblygiadau AI/ML presennol a/neu greu datblygiadau AI/ML newydd gan ddefnyddio golygydd cod arbenigol ar gyfer mecanweithiau AI/ML: Jupyter (enw llawn: Jupyter Notebook; er mwyn bod yn gryno, weithiau gelwir dogfennau a grëir yn y golygydd hwn). Yn Jupyter, mae gan ddatblygwr gyfle i ysgrifennu, dadfygio a gwirio perfformiad (gan gynnwys defnyddio graffeg) datblygiad AI/ML penodol cyn iddo gael ei osod (“defnyddio”) yn InterSystems IRIS. Mae'n amlwg y bydd datblygiad newydd a grëwyd yn y modd hwn yn derbyn dadfygio sylfaenol yn unig (gan nad yw Jupyter, yn benodol, yn gweithio gyda ffrydiau data amser real) - mae hyn yn nhrefn pethau, oherwydd prif ganlyniad datblygiad yn Jupyter yw cadarnhad o weithrediad sylfaenol mecanwaith AI / ML ar wahân (“yn dangos y canlyniad disgwyliedig ar sampl data”). Yn yr un modd, efallai y bydd angen “dychweliad” i ffurf “cyn-lwyfan” ar fecanwaith sydd eisoes wedi'i osod yn y platfform (gweler y macro-fecanweithiau canlynol) cyn dadfygio yn Jupyter (darllen data o ffeiliau, gweithio gyda data trwy xDBC yn lle tablau, rhyngweithio uniongyrchol â byd-eang - araeau data amlddimensiwn InterSystems IRIS – ac ati).

Agwedd bwysig ar weithredu CD yn InterSystems IRIS: mae integreiddio deugyfeiriadol wedi'i weithredu rhwng y platfform a Jupyter, gan ganiatáu i gynnwys yn Python, R a Julia gael ei drosglwyddo i'r platfform (ac, wedi hynny, ei brosesu yn y platfform) (mae'r tri yn rhaglennu ieithoedd yn yr ieithoedd ffynhonnell agored blaenllaw cyfatebol) amgylcheddau modelu mathemategol ffynhonnell). Felly, mae datblygwyr cynnwys AI/ML yn cael y cyfle i gynnal “defnydd parhaus” o'r cynnwys hwn yn y platfform, gan weithio yn eu golygydd Jupyter cyfarwydd, gyda llyfrgelloedd cyfarwydd ar gael yn Python, R, Julia, a pherfformio dadfygio sylfaenol (os oes angen) y tu allan i'r platfform.

Gadewch i ni symud ymlaen at fecanwaith macro CI yn InterSystems IRIS. Mae’r diagram yn dangos proses facro’r “robotizer amser real” (cymhleth o strwythurau data, prosesau busnes a darnau o god wedi’u trefnu ganddynt mewn ieithoedd mathemategol ac ObjectScript - iaith ddatblygu frodorol InterSystems IRIS). Tasg y broses facro hon yw cynnal y ciwiau data sy'n angenrheidiol ar gyfer gweithredu mecanweithiau AI/ML (yn seiliedig ar ffrydiau data a drosglwyddir i'r platfform mewn amser real), gwneud penderfyniadau ynghylch dilyniant y cymhwysiad a'r “amrywiaeth” o AI/ Mecanweithiau ML (maent hefyd yn "algorithmau mathemategol", "modelau", ac ati - gellir eu galw'n wahanol yn dibynnu ar fanylion y gweithredu a dewisiadau terminolegol), cadw strwythurau data yn gyfredol ar gyfer dadansoddi canlyniadau gwaith AI/ Mecanweithiau ML (ciwbiau, tablau, araeau data amlddimensiwn, ac ati) ac ati – ar gyfer adroddiadau, dangosfyrddau, ac ati).

Agwedd bwysig ar weithrediad CI yn benodol yn InterSystems IRIS: mae integreiddio deugyfeiriadol wedi'i weithredu rhwng yr amgylcheddau modelu platfform a mathemategol, sy'n eich galluogi i weithredu cynnwys a gynhelir yn y platfform yn Python, R a Julia yn eu hamgylcheddau priodol a derbyn y gweithrediad yn ôl. canlyniadau. Mae'r integreiddiad hwn yn cael ei weithredu yn y “modd terfynell” (h.y., mae cynnwys AI/ML yn cael ei lunio fel cod ObjectScript sy'n gwneud galwadau i'r amgylchedd) ac yn “modd proses fusnes” (hy, mae cynnwys AI/ML yn cael ei lunio fel proses fusnes defnyddio golygydd graffigol, neu weithiau defnyddio Jupyter, neu ddefnyddio IDE - IRIS Studio, Eclipse, Visual Studio Code). Adlewyrchir argaeledd prosesau busnes ar gyfer golygu yn Jupyter trwy'r cysylltiad rhwng IRIS ar lefel CI a Jupyter ar lefel CD. Rhoddir trosolwg manylach o integreiddio ag amgylcheddau modelu mathemategol isod. Ar yr adeg hon, yn ein barn ni, mae pob rheswm i sicrhau bod gan y platfform yr holl offer angenrheidiol ar gyfer gweithredu “integreiddio parhaus” o ddatblygiadau AI / ML (yn dod o “leoli parhaus”) i atebion AI / ML amser real.

A'r prif fecanwaith macro: CT. Hebddo, ni fydd platfform AI/ML (er y bydd “amser real” yn cael ei weithredu trwy CD/CI). Hanfod CT yw gwaith y platfform gydag “arteffactau” dysgu peirianyddol a deallusrwydd artiffisial yn uniongyrchol mewn sesiynau gwaith o amgylcheddau modelu mathemategol: modelau, tablau dosbarthu, fectorau matrics, haenau o rwydweithiau niwral, ac ati. Mae'r "gwaith" hwn, yn y rhan fwyaf o achosion, yn cynnwys creu'r arteffactau a grybwyllir mewn amgylcheddau (yn achos modelau, er enghraifft, mae "creu" yn cynnwys gosod manyleb y model a dewis dilynol gwerthoedd ei baramedrau - “hyfforddiant” y model fel y'i gelwir), eu cymhwysiad (ar gyfer modelau: cyfrifo gyda'u cymorth o werthoedd "model" o newidynnau targed - rhagolygon, aelodaeth categori, tebygolrwydd digwyddiad, ac ati) a gwella eisoes creu arteffactau a'u cymhwyso (er enghraifft, ailddiffinio set o newidynnau mewnbwn model yn seiliedig ar ganlyniadau'r cais - er mwyn gwella cywirdeb rhagweld, fel opsiwn). Y pwynt allweddol wrth ddeall rôl CT yw ei “dynnu” o realiti CD a CI: Bydd CT yn gweithredu pob arteffact, gan ganolbwyntio ar fanylion cyfrifiannol a mathemategol y datrysiad AI/ML o fewn y galluoedd a ddarperir gan amgylcheddau penodol. Bydd y cyfrifoldeb am “ddarparu mewnbynnau” a “chyflawni allbynnau” yn gyfrifoldeb CD a CI.

Agwedd bwysig ar weithredu CT yn benodol yn InterSystems IRIS: gan ddefnyddio'r integreiddio ag amgylcheddau modelu mathemategol a grybwyllwyd eisoes uchod, mae gan y platfform y gallu i dynnu'r union arteffactau hynny o sesiynau gwaith sy'n rhedeg o dan ei reolaeth mewn amgylcheddau mathemategol ac (yn bwysicaf oll) tro nhw i mewn i wrthrychau data platfform. Er enghraifft, gall tabl dosbarthu sydd newydd gael ei greu mewn sesiwn Python gweithredol gael ei drosglwyddo (heb atal y sesiwn Python) i'r platfform ar ffurf, er enghraifft, byd-eang (arae data IRIS InterSystems aml-ddimensiwn) - a'i ddefnyddio ar gyfer cyfrifiadau mewn mecanwaith AI/ML- arall (a weithredir yn iaith amgylchedd arall - er enghraifft, yn R) - neu dabl rhithwir. Enghraifft arall: ochr yn ochr â "modd arferol" gweithrediad y model (yn sesiwn waith Python), cynhelir "auto-ML" ar ei ddata mewnbwn: dewis awtomatig o'r newidynnau mewnbwn gorau posibl a gwerthoedd paramedr. Ac ynghyd â'r hyfforddiant “rheolaidd”, mae model cynhyrchiol mewn amser real hefyd yn derbyn “cynnig ar gyfer optimeiddio” o'i fanyleb - lle mae'r set o newidynnau mewnbwn yn newid, mae'r gwerthoedd paramedr yn newid (ddim bellach o ganlyniad i hyfforddiant yn Python, ond o ganlyniad i hyfforddiant gyda fersiwn “amgen” ” ohono'i hun, fel y pentwr H2O), gan ganiatáu i'r datrysiad AI/ML cyffredinol ymdopi'n annibynnol â newidiadau annisgwyl yn natur y data mewnbwn a'r ffenomenau sy'n cael eu modelu .

Dewch i ni ymgyfarwyddo'n fwy manwl ag ymarferoldeb platfform AI/ML InterSystems IRIS, gan ddefnyddio'r enghraifft o brototeip bywyd go iawn.

Yn y diagram isod, ar ochr chwith y sleid mae rhan o'r broses fusnes sy'n gweithredu cyflawni sgriptiau yn Python ac R. Yn y rhan ganolog mae logiau gweledol o gyflawni rhai o'r sgriptiau hyn, yn y drefn honno, yn Python ac R. Yn union y tu ôl iddynt mae enghreifftiau o gynnwys ar un iaith ac iaith arall, wedi'i drosglwyddo i'w weithredu i'r amgylcheddau priodol. Ar y diwedd ar y dde mae delweddiadau yn seiliedig ar ganlyniadau gweithredu sgript. Gwnaethpwyd y delweddiadau ar y brig ar IRIS Analytics (cymerwyd data o Python i lwyfan data InterSystems IRIS a'i arddangos ar ddangosfwrdd gan ddefnyddio'r platfform), ar y gwaelod fe'u gwnaed yn uniongyrchol yn y sesiwn waith R ac allbwn oddi yno i ffeiliau graffeg . Agwedd bwysig: mae'r darn a gyflwynir yn y prototeip yn gyfrifol am hyfforddi'r model (dosbarthiad cyflyrau offer) ar ddata a dderbynnir mewn amser real o'r broses efelychydd offer, ar orchymyn y broses monitro ansawdd dosbarthu a welwyd wrth gymhwyso'r model. Bydd gweithredu datrysiad AI/ML ar ffurf set o brosesau rhyngweithiol (“asiantau”) yn cael ei drafod ymhellach.

Ffigur 12 Rhyngweithio â Python, R a Julia yn InterSystems IRIS

Prosesau platfform (maent hefyd yn “brosesau busnes”, “prosesau dadansoddol”, “piblinellau”, ac ati - yn dibynnu ar y cyd-destun), yn gyntaf oll, yn cael eu golygu yn y golygydd prosesau busnes graffigol yn y platfform ei hun, ac yn y fath fodd. ffordd y mae ei ddiagram bloc a'r mecanwaith AI/ML cyfatebol (cod rhaglen) yn cael eu creu ar yr un pryd. Pan ddywedwn fod “mecanwaith AI/ML yn cael ei sicrhau,” rydym yn golygu hybridedd i ddechrau (o fewn un broses): mae cynnwys yn ieithoedd amgylcheddau modelu mathemategol yn gyfagos i gynnwys yn SQL (gan gynnwys estyniadau o IntegredigML), yn InterSystems ObjectScript, gydag ieithoedd eraill a gefnogir. Ar ben hynny, mae'r broses blatfform yn darparu cyfleoedd eang iawn ar gyfer “rendr” ar ffurf darnau wedi'u nythu'n hierarchaidd (fel y gwelir yn yr enghraifft yn y diagram isod), sy'n eich galluogi i drefnu cynnwys hyd yn oed yn gymhleth iawn yn effeithiol heb “cwympo allan” byth. y fformat graffigol (i fformatau “nad ydynt yn graffigol”) » dulliau/dosbarthiadau/gweithdrefnau, ac ati). Hynny yw, os oes angen (ac fe'i rhagwelir yn y rhan fwyaf o brosiectau), gellir gweithredu'r datrysiad AI/ML cyfan mewn fformat hunan-ddogfennu graffigol. Sylwch, yn rhan ganolog y diagram isod, sy'n cynrychioli “lefel nythu” uwch, ei bod yn amlwg, yn ogystal â'r gwaith gwirioneddol o hyfforddi'r model (gan ddefnyddio Python ac R), dadansoddiad o'r hyn a elwir yn Ychwanegir cromlin ROC o'r model hyfforddedig, gan ganiatáu yn weledol (ac yn gyfrifiadol hefyd) werthuso ansawdd yr hyfforddiant - a gweithredir y dadansoddiad hwn yn iaith Julia (a weithredir, yn unol â hynny, yn amgylchedd mathemategol Julia).

Ffigur 13 Amgylchedd gweledol ar gyfer cyfansoddiad datrysiadau AI/ML yn InterSystems IRIS

Fel y soniwyd yn gynharach, bydd datblygiad cychwynnol ac (mewn rhai achosion) mecanweithiau AI/ML a weithredwyd eisoes yn y platfform yn cael ei wneud y tu allan i'r platfform yn golygydd Jupyter. Yn y diagram isod fe welwn enghraifft o addasu proses platfform sy'n bodoli eisoes (yr un peth ag yn y diagram uchod) - dyma sut olwg sydd ar y darn sy'n gyfrifol am hyfforddi'r model yn Jupyter. Mae cynnwys Python ar gael ar gyfer golygu, dadfygio, ac allbwn graffeg yn uniongyrchol yn Jupyter. Gellir gwneud newidiadau (os oes angen) gyda chydamseru ar unwaith i'r broses platfform, gan gynnwys ei fersiwn cynhyrchiol. Gellir trosglwyddo cynnwys newydd i'r platfform mewn ffordd debyg (cynhyrchir proses platfform newydd yn awtomatig).

Ffigur 14 Defnyddio Jupyter Notebook i olygu'r injan AI/ML yn y platfform InterSystems IRIS

Gellir addasu proses llwyfan nid yn unig mewn fformat graffigol neu liniadur - ond hefyd yn y fformat IDE (Amgylchedd Datblygu Integredig) “cyfanswm”. Y IDEs hyn yw IRIS Studio (stiwdio IRIS brodorol), Visual Studio Code (estyniad InterSystems IRIS ar gyfer VSCode) ac Eclipse (atelen Atelier). Mewn rhai achosion, mae'n bosibl i dîm datblygu ddefnyddio'r tri DRhA ar yr un pryd. Mae'r diagram isod yn dangos enghraifft o olygu'r un broses yn stiwdio IRIS, yn Visual Studio Code ac yn Eclipse. Mae'r holl gynnwys ar gael i'w olygu: Python/R/Julia/SQL, ObjectScript, a phroses fusnes.

Ffigur 15 Datblygu proses fusnes IRIS InterSystems mewn gwahanol DRhA

Mae'r offer ar gyfer disgrifio a gweithredu prosesau busnes InterSystems IRIS yn yr Iaith Prosesau Busnes (BPL) yn haeddu sylw arbennig. Mae BPL yn ei gwneud hi'n bosibl defnyddio “cydrannau integreiddio parod” (gweithgareddau) mewn prosesau busnes - sydd, mewn gwirionedd, yn rhoi pob rheswm i ddweud bod “integreiddio parhaus” yn cael ei weithredu yn InterSystems IRIS. Mae cydrannau prosesau busnes parod (gweithgareddau a chysylltiadau rhyngddynt) yn gyflymydd pwerus ar gyfer cydosod datrysiad AI/ML. Ac nid yn unig gwasanaethau: diolch i'r gweithgareddau a'r cysylltiadau rhyngddynt dros ddatblygiadau a mecanweithiau AI/ML gwahanol, mae “haen reoli ymreolaethol” yn codi, sy'n gallu gwneud penderfyniadau yn ôl y sefyllfa, mewn amser real.

Ffigur 16 Cydrannau prosesau busnes parod ar gyfer integreiddio parhaus (CI) ar lwyfan InterSystems IRIS

Mae gan y cysyniad o systemau asiant (a elwir hefyd yn “systemau aml-asiant”) safle cryf mewn roboteiddio, ac mae platfform InterSystems IRIS yn ei gefnogi'n organig trwy'r lluniad “proses cynnyrch”. Yn ogystal â'r posibiliadau diderfyn ar gyfer “stwffio” pob proses gyda'r ymarferoldeb angenrheidiol ar gyfer yr ateb cyffredinol, mae cynysgaeddu'r system o brosesau platfform ag eiddo "asiantaeth" yn caniatáu ichi greu atebion effeithiol ar gyfer ffenomenau efelychiedig hynod ansefydlog (ymddygiad cymdeithasol / biosystemau, prosesau technolegol y gellir eu gweld yn rhannol, ac ati).

Ffigur 16 Gweithredu datrysiad AI/ML fel system prosesau busnes seiliedig ar asiant yn InterSystems IRIS

Rydym yn parhau â'n hadolygiad o InterSystems IRIS gyda stori am y defnydd cymhwysol o'r platfform ar gyfer datrys dosbarthiadau cyfan o broblemau amser real (gellir dod o hyd i gyflwyniad eithaf manwl i rai o arferion gorau platfform AI/ML ar InterSystems IRIS mewn un o'n blaenorol gweminarau).

Yn boeth ar sodlau'r diagram blaenorol, isod mae diagram manylach o'r system asiant. Mae'r diagram yn dangos yr un prototeip, mae pob un o'r pedair proses asiant yn weladwy, mae'r perthnasoedd rhyngddynt yn cael eu llunio'n sgematig: GENERATOR - prosesau creu data gan synwyryddion offer, BUFFER - rheoli ciwiau data, DADANSODDIAD - yn perfformio dysgu peiriant ei hun, MONITOR - yn monitro'r ansawdd dysgu peirianyddol ac yn cyflwyno neges am yr angen i ailhyfforddi'r model.

Ffigur 17 Cyfansoddiad datrysiad AI/ML ar ffurf system prosesau busnes seiliedig ar asiant yn InterSystems IRIS

Mae'r diagram isod yn dangos gweithrediad ymreolaethol prototeip robotig arall (cydnabyddiaeth o liw emosiynol testunau) ers peth amser. Yn y rhan uchaf mae esblygiad dangosydd ansawdd hyfforddiant model (mae ansawdd yn tyfu), yn y rhan isaf mae dynameg y dangosydd ansawdd o gymhwyso model a ffeithiau hyfforddiant dro ar ôl tro (streipiau coch). Fel y gwelwch, mae'r ateb wedi dysgu ei hun yn effeithlon ac yn annibynnol, ac mae'n gweithredu ar lefel ansawdd benodol (nid yw gwerthoedd sgôr ansawdd yn disgyn o dan 80%).

Ffigur 18 Hyfforddiant parhaus (hunan) (CT) ar blatfform IRIS InterSystems

Soniasom hefyd am “auto-ML” yn gynharach, ond mae'r diagram isod yn dangos y defnydd o'r swyddogaeth hon yn fanwl gan ddefnyddio enghraifft o brototeip arall. Mae’r diagram graffigol o ddarn o broses fusnes yn dangos y gweithgaredd sy’n sbarduno’r modelu yn y stac H2O, yn dangos canlyniadau’r modelu hwn (goruchafiaeth glir y model canlyniadol dros fodelau “o waith dyn”, yn ôl y diagram cymharol o cromliniau ROC, yn ogystal ag adnabod yn awtomataidd y “newidynnau mwyaf dylanwadol” sydd ar gael yn y set ddata wreiddiol). Pwynt pwysig yma yw arbed amser ac adnoddau arbenigol a gyflawnir trwy “auto-ML”: gall yr hyn y mae ein proses platfform yn ei wneud mewn hanner munud (dod o hyd i'r model gorau posibl a'i hyfforddi) gymryd arbenigwr o wythnos i fis.

Ffigur 19 Integreiddio “auto-ML” i ddatrysiad AI/ML ar blatfform IRIS InterSystems

Mae'r diagram isod yn methu'r pwynt ychydig, ond mae'n ffordd dda o ddod â'r stori i ben am y dosbarthiadau o broblemau amser real sy'n cael eu datrys: rydym yn eich atgoffa, gyda holl alluoedd platfform InterSystems IRIS, bod modelau hyfforddi o dan ei reolaeth yn ddim yn orfodol. Gall y platfform dderbyn o'r tu allan yr hyn a elwir yn fanyleb PMML y model, wedi'i hyfforddi mewn offeryn nad yw o dan reolaeth y platfform - a chymhwyso'r model hwn mewn amser real o'r eiliad y caiff ei fewnforio Manylebau PMML. Mae'n bwysig cymryd i ystyriaeth na ellir lleihau pob arteffact AI/ML i fanyleb PMML, hyd yn oed os yw'r rhan fwyaf o'r arteffactau mwyaf cyffredin yn caniatáu hyn. Felly, mae platfform InterSystems IRIS yn “ddolen agored” ac nid yw'n golygu “caethwasiaeth platfform” i ddefnyddwyr.

Ffigur 20 Integreiddio “auto-ML” i ddatrysiad AI/ML ar blatfform IRIS InterSystems

Gadewch inni restru manteision platfform ychwanegol InterSystems IRIS (er eglurder, mewn perthynas â rheoli prosesau), sydd o bwysigrwydd mawr yn awtomeiddio deallusrwydd artiffisial a dysgu peiriant amser real:

• Datblygu offer integreiddio ag unrhyw ffynonellau data a defnyddwyr (system rheoli prosesau / SCADA, offer, MRO, ERP, ac ati)
• Adeiledig DBMS aml-fodel ar gyfer prosesu trafodion a dadansoddol perfformiad uchel (Trafodion Hybrid/Prosesu Dadansoddol, HTAP) o unrhyw swm o ddata prosesau technolegol
• Offer datblygu ar gyfer defnyddio peiriannau AI / ML yn barhaus ar gyfer datrysiadau amser real yn seiliedig ar Python, R, Julia
• Prosesau busnes addasol ar gyfer integreiddio parhaus a (hunan-)ddysgu peiriannau datrysiadau AI/ML amser real
• Offer Cudd-wybodaeth Busnes adeiledig ar gyfer delweddu data proses a chanlyniadau datrysiad AI/ML
• Rheoli API ar gyfer cyflwyno canlyniadau'r datrysiad AI/ML i systemau rheoli prosesau/SCADA, systemau gwybodaeth a dadansoddol, anfon rhybuddion, ac ati.

Mae datrysiadau AI/ML ar blatfform IRIS InterSystems yn ffitio'n hawdd i'r seilwaith TG presennol. Mae platfform InterSystems IRIS yn sicrhau dibynadwyedd uchel datrysiadau AI / ML trwy gefnogi ffurfweddiadau goddefgar a thrychinebau a defnydd hyblyg mewn amgylcheddau rhithwir, ar weinyddion ffisegol, mewn cymylau preifat a chyhoeddus, a chynwysyddion Docker.

Felly, mae InterSystems IRIS yn blatfform cyfrifiadurol AI/ML amser real cyffredinol. Mae cyffredinolrwydd ein platfform yn cael ei gadarnhau'n ymarferol gan absenoldeb cyfyngiadau de facto ar gymhlethdod cyfrifiadau a weithredwyd, gallu InterSystems IRIS i gyfuno (mewn amser real) prosesu senarios o amrywiaeth eang o ddiwydiannau, a gallu eithriadol i addasu. unrhyw swyddogaethau llwyfan a mecanweithiau i anghenion penodol defnyddwyr.

Ffigur 21 InterSystems IRIS - llwyfan cyfrifiadurol AI/ML amser real cyffredinol

Ar gyfer rhyngweithio mwy sylweddol â'r rhai o'n darllenwyr sydd â diddordeb yn y deunydd a gyflwynir yma, rydym yn argymell peidio â chyfyngu'ch hun i'w ddarllen a pharhau â'r ddeialog “yn fyw.” Byddwn yn hapus i ddarparu cefnogaeth gyda llunio senarios AI/ML amser real mewn perthynas â manylion eich cwmni, perfformio prototeipio ar y cyd ar blatfform IRIS InterSystems, llunio a gweithredu map ffordd yn ymarferol ar gyfer cyflwyno deallusrwydd artiffisial a dysgu peirianyddol. i mewn i'ch prosesau cynhyrchu a rheoli. E-bost Cyswllt ein Tîm Arbenigol AI/ML - [e-bost wedi'i warchod].

Ffynhonnell: hab.com