InterSystems IRIS - یک پلتفرم جهانی AI/ML بلادرنگ

نویسنده: سرگئی لوکیانچیکوف، مهندس مشاور در InterSystems

تماس‌های محاسباتی AI/ML در زمان واقعی

بیایید با مثال هایی از تجربیات علم داده در InterSystems شروع کنیم:

• پورتال خریدار بارگذاری شده به یک سیستم توصیه آنلاین متصل است. تغییر ساختار تبلیغات در سراسر شبکه خرده فروشی وجود خواهد داشت (برای مثال، به جای یک خط "مسطح" تبلیغات، اکنون از ماتریس "تاکتیک های بخش" استفاده می شود). چه اتفاقی برای موتورهای توصیه می‌افتد؟ ارسال و به روز رسانی داده ها به موتور توصیه چه می شود (حجم داده های ورودی 25000 برابر شده است)؟ چه اتفاقی برای توسعه توصیه ها می افتد (نیاز به کاهش هزار برابر آستانه فیلتر قوانین توصیه به دلیل افزایش هزار برابری تعداد و "محدوده" آنها)؟
• سیستمی برای نظارت بر احتمال بروز نقص در اجزای تجهیزات وجود دارد. یک سیستم کنترل فرآیند خودکار به سیستم نظارت متصل شد و هزاران پارامتر فرآیند تکنولوژیکی را در هر ثانیه مخابره می کرد. چه اتفاقی برای سیستم نظارتی می‌افتد که قبلاً روی «نمونه‌های دستی» کار می‌کرد (آیا می‌تواند نظارت بر احتمال ثانیه به ثانیه را ارائه دهد)؟ چه اتفاقی می‌افتد اگر یک بلوک جدید از چند صد ستون در داده‌های ورودی با قرائت‌هایی از حسگرهایی که اخیراً به سیستم کنترل فرآیند اضافه شده‌اند ظاهر شود (آیا برای گنجاندن داده‌های حسگرهای جدید در تجزیه و تحلیل لازم است و برای چه مدت سیستم نظارت متوقف شود؟ )؟
• مجموعه ای از مکانیسم های AI/ML (توصیه، نظارت، پیش بینی) ایجاد شده است که از نتایج کار یکدیگر استفاده می کند. چند ساعت کار در ماه برای تطبیق عملکرد این مجموعه با تغییرات داده های ورودی نیاز است؟ زمانی که مجموعه تصمیم‌گیری مدیریت از آن پشتیبانی می‌کند، «کاهش سرعت» کلی چیست (تعداد وقوع اطلاعات جدید پشتیبانی در آن نسبت به فراوانی وقوع داده‌های ورودی جدید)؟

با خلاصه کردن این و بسیاری از مثال‌های دیگر، به فرمول‌بندی چالش‌هایی رسیده‌ایم که هنگام حرکت به سمت استفاده از یادگیری ماشین و مکانیسم‌های هوش مصنوعی در زمان واقعی ایجاد می‌شوند:

• آیا ما از سرعت ایجاد و انطباق (با وضعیت در حال تغییر) پیشرفت های AI/ML در شرکت خود راضی هستیم؟
• راه‌حل‌های AI/ML که استفاده می‌کنیم چقدر از مدیریت بی‌درنگ کسب‌وکار پشتیبانی می‌کنند؟
• آیا راه‌حل‌های AI/ML که ما استفاده می‌کنیم، می‌توانند به‌طور مستقل (بدون توسعه‌دهندگان) با تغییرات در داده‌ها و شیوه‌های مدیریت کسب‌وکار سازگار شوند؟

مقاله ما مروری کامل بر قابلیت‌های پلتفرم InterSystems IRIS از نظر پشتیبانی جهانی برای استقرار مکانیزم‌های AI/ML، مونتاژ (ادغام) راه‌حل‌های AI/ML، و آموزش (تست) راه‌حل‌های AI/ML به صورت فشرده است. جریان های داده ما در این مقاله به تحقیقات بازار، مطالعات موردی راه‌حل‌های AI/ML، و جنبه‌های مفهومی آنچه پلتفرم هوش مصنوعی/ML بلادرنگ می‌گوییم، خواهیم پرداخت.

آنچه ما از نظرسنجی ها می دانیم: برنامه های کاربردی بلادرنگ

یافته ها نظر سنجیکه در سال 800 توسط Lightbend در میان تقریبا 2019 متخصص فناوری اطلاعات انجام شد، برای خود صحبت می کنند:

شکل 1 مصرف کنندگان پیشرو داده های بلادرنگ

اجازه دهید بخش های مهمی از گزارش نتایج این نظرسنجی را در ترجمه خود نقل کنیم:

«... روند محبوبیت ابزارهای یکپارچه‌سازی جریان‌های داده و در عین حال، پشتیبانی از محاسبات در کانتینرها، پاسخی هم افزایی به درخواست بازار برای پیشنهاد پاسخگوتر، منطقی‌تر و پویاتر از راه‌حل‌های مؤثر ارائه می‌دهد. جریان داده اطلاعات را سریعتر از داده های بسته سنتی منتقل می کند. علاوه بر این، توانایی اعمال سریع روش‌های محاسباتی، مانند توصیه‌های مبتنی بر هوش مصنوعی/ML، ایجاد مزیت‌های رقابتی از طریق افزایش رضایت مشتری است. رقابت برای چابکی همچنین بر همه نقش‌ها در پارادایم DevOps تأثیر می‌گذارد - توسعه و استقرار برنامه‌ها را کارآمدتر می‌کند. ... هشتصد و چهار متخصص فناوری اطلاعات در مورد استفاده از جریان داده در سازمان خود اطلاعاتی ارائه کردند. پاسخ دهندگان عمدتاً در کشورهای غربی (41٪ در اروپا و 37٪ در آمریکای شمالی) قرار داشتند و تقریباً به طور مساوی بین شرکت های کوچک، متوسط ​​و بزرگ توزیع شدند. ...

... هوش مصنوعی هیپ نیست. پنجاه و هشت درصد از کسانی که قبلاً از پردازش جریان داده در برنامه های کاربردی AI/ML بهره وری استفاده می کردند تأیید می کنند که استفاده آنها از AI/ML بیشترین رشد را در سال آینده (در مقایسه با سایر برنامه ها) خواهد داشت.

• طبق گفته اکثر پاسخ دهندگان، استفاده از جریان های داده در سناریوهای AI/ML بیشترین رشد را در سال آینده خواهد داشت.
• برنامه های کاربردی در AI/ML نه تنها به دلیل سناریوهای نسبتاً جدید، بلکه به دلیل سناریوهای سنتی که در آن داده های بلادرنگ به طور فزاینده ای استفاده می شود، رشد خواهند کرد.
• علاوه بر هوش مصنوعی / ML، سطح اشتیاق در میان کاربران خطوط لوله داده اینترنت اشیا قابل توجه است - 48٪ از کسانی که قبلاً داده های اینترنت اشیا را ادغام کرده اند می گویند که اجرای سناریو روی این داده ها در آینده نزدیک افزایش قابل توجهی خواهد داشت. ..."

از این نظرسنجی نسبتاً جالب، واضح است که درک سناریوهای یادگیری ماشین و هوش مصنوعی به عنوان رهبران مصرف جریان‌های داده در حال حاضر «در راه است». اما یک مشاهدات به همان اندازه مهم، درک AI/ML بلادرنگ از طریق لنز DevOps است: در اینجا می‌توانیم در مورد تغییر فرهنگ هنوز غالب «AI/ML یکبار مصرف با مجموعه داده‌های کاملاً در دسترس» صحبت کنیم.

مفهوم پلتفرم هوش مصنوعی/ML بلادرنگ

یکی از حوزه های کاربردی معمول برای هوش مصنوعی/ML بلادرنگ، کنترل فرآیند در تولید است. با استفاده از مثال او و با در نظر گرفتن افکار قبلی، مفهوم پلتفرم AI/ML بلادرنگ را فرموله خواهیم کرد.
استفاده از هوش مصنوعی و یادگیری ماشین در کنترل فرآیند دارای تعدادی ویژگی است:

• داده ها در مورد وضعیت فرآیند فن آوری به شدت دریافت می شود: با فرکانس بالا و برای طیف گسترده ای از پارامترها (تا ده ها هزار مقدار پارامتر در هر ثانیه از سیستم کنترل فرآیند منتقل می شود)
• برعکس، داده های مربوط به شناسایی نقص ها، نه به ذکر داده های مربوط به توسعه آنها، کمیاب و نامنظم هستند، که با نوع ناکافی نقص ها و محلی سازی آنها در زمان مشخص می شود (اغلب توسط سوابق کاغذی نشان داده می شود).
• از نقطه نظر عملی، تنها یک "پنجره ارتباط" از داده های منبع برای آموزش و به کارگیری مدل ها در دسترس است، که پویایی فرآیند فن آوری را در یک بازه لغزشی معقول منعکس می کند که با آخرین مقادیر خوانده شده پارامترهای فرآیند خاتمه می یابد.

این ویژگی‌ها ما را وادار می‌کنند، علاوه بر دریافت و پردازش اولیه در زمان واقعی «سیگنال ورودی پهنای باند» فشرده از فرآیند فن‌آوری، اعمال، آموزش و کنترل کیفیت نتایج هوش مصنوعی را (به طور موازی) انجام دهیم. مدل های ML - همچنین در زمان واقعی. «قاب» که مدل‌های ما در پنجره کشویی مربوطه «می‌بینند» دائماً در حال تغییر است - و با آن، کیفیت نتایج کار مدل‌های AI/ML که در گذشته بر روی یکی از «قاب‌ها» آموزش دیده‌اند نیز تغییر می‌کند. . اگر کیفیت نتایج کار مدل‌های AI/ML بدتر شود (مثلاً: مقدار خطای طبقه‌بندی «هنجار هشدار» فراتر از محدودیت‌هایی است که ما تعریف کرده‌ایم)، آموزش اضافی مدل‌ها باید به طور خودکار راه‌اندازی شود. یک "قاب" فعلی تر - و انتخاب لحظه برای راه اندازی آموزش اضافی مدل ها باید نحوه مدت زمان آموزش و پویایی بدتر شدن کیفیت کار نسخه فعلی مدل ها را در نظر بگیرد (از آنجا که نسخه‌های فعلی مدل‌ها تا زمانی که مدل‌ها آموزش می‌بینند، و تا زمانی که نسخه‌های «تازه آموزش‌دیده» آن‌ها شکل بگیرد، همچنان استفاده می‌شوند).

InterSystems IRIS دارای قابلیت های پلت فرم کلیدی برای فعال کردن راه حل های AI/ML برای کنترل فرآیند در زمان واقعی است. این قابلیت ها را می توان به سه گروه اصلی تقسیم کرد:

• استقرار مداوم (استقرار/تحویل مستمر، CD) مکانیسم‌های جدید یا تطبیق‌شده AI/ML موجود در یک راه‌حل سازنده که در زمان واقعی بر روی پلتفرم InterSystems IRIS کار می‌کند.
• ادغام پیوسته (CI) در یک راه حل مولد واحد از جریان های داده های فرآیند فناوری ورودی، صف های داده برای کاربرد/آموزش/کنترل کیفیت مکانیزم های AI/ML و تبادل داده ها/کد/کنش های کنترل با محیط های مدل سازی ریاضی، هماهنگ شده در زمان واقعی پلت فرم InterSystems IRIS
• آموزش مداوم (خود) (آموزش مستمر، CT) مکانیسم‌های AI/ML، انجام شده در محیط‌های مدل‌سازی ریاضی با استفاده از داده‌ها، کد و اقدامات کنترلی («تصمیم‌های گرفته شده») که توسط پلتفرم InterSystems IRIS ارسال می‌شود.

طبقه بندی قابلیت های پلت فرم در رابطه با یادگیری ماشین و هوش مصنوعی دقیقاً به این گروه ها تصادفی نیست. اجازه دهید روش شناسی را نقل کنیم انتشار گوگل که مبنای مفهومی این طبقه بندی را در ترجمه ما ارائه می دهد:

«... مفهوم DevOps که این روزها محبوب است، توسعه و بهره برداری از سیستم های اطلاعاتی در مقیاس بزرگ را پوشش می دهد. از مزایای اجرای این مفهوم می توان به کاهش مدت چرخه های توسعه، استقرار سریع تر توسعه ها و انعطاف پذیری در برنامه ریزی انتشار اشاره کرد. برای دستیابی به این مزایا، DevOps شامل اجرای حداقل دو روش است:

• ادغام پیوسته (CI)
• تحویل مستمر (CD)

این شیوه‌ها همچنین برای پلتفرم‌های AI/ML اعمال می‌شود تا از مونتاژ قابل اعتماد و کارآمد راه‌حل‌های مولد AI/ML اطمینان حاصل شود.

پلتفرم‌های AI/ML از جنبه‌های زیر با سایر سیستم‌های اطلاعاتی متفاوت هستند:

• شایستگی‌های تیم: هنگام ایجاد راه‌حل AI/ML، تیم معمولاً شامل دانشمندان داده یا کارشناسان «آکادمیک» در زمینه تحقیقات داده می‌شود که تجزیه و تحلیل داده‌ها، توسعه و آزمایش مدل‌ها را انجام می‌دهند. این اعضای تیم ممکن است توسعه دهندگان کد مولد حرفه ای نباشند.
• توسعه: موتورهای AI/ML ماهیت آزمایشی دارند. برای حل یک مسئله به کارآمدترین روش، لازم است ترکیب های مختلفی از متغیرهای ورودی، الگوریتم ها، روش های مدل سازی و پارامترهای مدل بررسی شود. پیچیدگی چنین جستجویی در ردیابی "آنچه کار کرد / کار نکرد"، اطمینان از تکرارپذیری قسمت ها، تعمیم پیشرفت ها برای پیاده سازی های مکرر نهفته است.
• تست: آزمایش موتورهای AI/ML نسبت به سایر پیشرفت‌ها به طیف وسیع‌تری از آزمایش‌ها نیاز دارد. علاوه بر آزمون‌های واحد استاندارد و ادغام، اعتبار داده‌ها و کیفیت نتایج به‌کارگیری مدل در نمونه‌های آموزشی و کنترلی مورد آزمایش قرار می‌گیرد.
• استقرار: استقرار راه‌حل‌های AI/ML محدود به خدمات پیش‌بینی‌کننده‌ای نیست که از یک مدل یک بار آموزش‌دیده استفاده می‌کنند. راه حل های AI/ML حول خطوط لوله چند مرحله ای ساخته شده اند که آموزش و کاربرد مدل خودکار را انجام می دهند. استقرار چنین خطوط لوله شامل خودکار کردن اقدامات غیر ضروری است که به طور سنتی به صورت دستی توسط دانشمندان داده انجام می شود تا بتوانند مدل ها را آموزش و آزمایش کنند.
• بهره وری: موتورهای AI/ML نه تنها به دلیل برنامه نویسی ناکارآمد، بلکه به دلیل ماهیت دائمی در حال تغییر داده های ورودی نیز می توانند فاقد بهره وری باشند. به عبارت دیگر، عملکرد مکانیسم‌های AI/ML می‌تواند به دلیل طیف وسیع‌تری از دلایل نسبت به عملکرد پیشرفت‌های مرسوم کاهش یابد. که منجر به نیاز به نظارت (آنلاین) عملکرد موتورهای AI/ML ما و همچنین ارسال هشدارها یا رد نتایج در صورتی که شاخص‌های عملکرد انتظارات را برآورده نمی‌کنند، می‌شود.

پلتفرم‌های AI/ML مشابه سایر سیستم‌های اطلاعاتی هستند که هر دو به یکپارچه‌سازی کد پیوسته با کنترل نسخه، آزمایش واحد، آزمایش یکپارچه‌سازی و استقرار توسعه مستمر نیاز دارند. با این حال، در مورد AI/ML، چندین تفاوت مهم وجود دارد:

• CI (ادغام پیوسته) دیگر محدود به آزمایش و اعتبارسنجی کد اجزای مستقر شده نیست - همچنین شامل آزمایش و اعتبارسنجی داده ها و مدل های AI/ML می شود.
• CD (تحویل/ استقرار مداوم، استقرار مستمر) به نوشتن و انتشار بسته‌ها یا خدمات محدود نمی‌شود، بلکه مستلزم بستری برای ترکیب، آموزش و کاربرد راه‌حل‌های AI/ML است.
• CT (تمرین مداوم، آموزش مداوم) یک عنصر جدید است [تقریبا. نویسنده مقاله: یک عنصر جدید در رابطه با مفهوم سنتی DevOps، که در آن CT، به طور معمول، آزمایش مداوم است]، ذاتی پلتفرم های AI/ML، مسئول مدیریت مستقل مکانیسم های آموزش و به کارگیری هوش مصنوعی. مدل های /ML. ..."

می‌توانیم بگوییم که یادگیری ماشین و هوش مصنوعی که بر روی داده‌های بلادرنگ کار می‌کنند به مجموعه گسترده‌تری از ابزارها و شایستگی‌ها (از توسعه کد گرفته تا هماهنگ‌سازی محیط‌های مدل‌سازی ریاضی)، ادغام نزدیک‌تر بین همه حوزه‌های کاربردی و موضوعی، سازماندهی کارآمدتر انسان و منابع ماشینی

سناریوی بلادرنگ: تشخیص ایجاد نقص در پمپ های تغذیه

در ادامه استفاده از منطقه کنترل فرآیند به عنوان مثال، یک مشکل خاص را در نظر بگیرید (که قبلاً در ابتدا به آن اشاره کردیم): ما باید بر اساس جریان مقادیر پارامترهای فرآیند، نظارت در زمان واقعی توسعه عیوب در پمپ ها را ارائه دهیم. و گزارش های پرسنل تعمیر در مورد عیوب شناسایی شده.

شکل 2 فرمول مسئله برای نظارت بر ایجاد نقص

یکی از ویژگی‌های اکثر وظایفی که در عمل به این روش مطرح می‌شوند این است که منظم بودن و کارایی دریافت داده‌ها (APCS) باید در مقابل پس‌زمینه وقوع (و ثبت) اپیزودیک و نامنظم عیوب انواع مختلف در نظر گرفته شود. به عبارت دیگر: داده‌های سیستم کنترل فرآیند یک بار در ثانیه می‌رسند، صحیح و دقیق و یادداشت‌های مربوط به عیوب با مداد شیمیایی که تاریخ را در یک دفترچه عمومی در کارگاه نشان می‌دهد، تهیه می‌شود (به عنوان مثال: 12.01 - نشت در جلد. از سمت یاتاقان 3").

بنابراین، می‌توانیم فرمول‌بندی مسئله را با محدودیت مهم زیر تکمیل کنیم: ما فقط یک "برچسب" از یک نقص از یک نوع خاص داریم (به عنوان مثال، نمونه‌ای از نقص یک نوع خاص با داده‌های کنترل فرآیند نشان داده می‌شود. سیستم در یک تاریخ خاص - و ما نمونه های بیشتری از نقص از این نوع خاص نداریم). این محدودیت بلافاصله ما را از محدوده یادگیری ماشینی کلاسیک (یادگیری نظارت شده) فراتر می‌برد، که باید «برچسب‌های» زیادی برای آن وجود داشته باشد.

شکل 3 روشن شدن وظیفه نظارت بر توسعه نقص

آیا می‌توانیم تنها «برچسب» را که در اختیار داریم «تکثیر» کنیم؟ بله ما میتوانیم. وضعیت فعلی پمپ با درجه شباهت به عیوب ثبت شده مشخص می شود. حتی بدون استفاده از روش‌های کمی، در سطح ادراک بصری، با مشاهده پویایی مقادیر داده‌های دریافتی از سیستم کنترل فرآیند، می‌توانید چیزهای زیادی یاد بگیرید:

شکل 4 دینامیک وضعیت پمپ در پس زمینه "علامت" یک نقص از یک نوع معین

اما ادراک بصری (حداقل در حال حاضر) مناسب ترین مولد "برچسب ها" در سناریوی به سرعت در حال تغییر ما نیست. ما شباهت وضعیت فعلی پمپ را با عیوب گزارش شده با استفاده از یک آزمون آماری ارزیابی خواهیم کرد.

شکل 5 اعمال یک آزمون آماری برای داده های دریافتی در برابر پس زمینه یک "برچسب" نقص

یک آزمون آماری این احتمال را تعیین می کند که سوابق با مقادیر پارامترهای فرآیند فن آوری در "بسته جریان" دریافت شده از سیستم کنترل فرآیند مشابه سوابق "برچسب" یک نوع نقص باشد. مقدار احتمال (شاخص شباهت آماری) محاسبه شده در نتیجه اعمال یک آزمون آماری به مقدار 0 یا 1 تبدیل می شود و به یک "برچسب" برای یادگیری ماشین در هر رکورد خاص در بسته مورد بررسی برای تشابه تبدیل می شود. یعنی پس از پردازش یک بسته جدید دریافتی از سوابق وضعیت پمپ با یک تست آماری، ما این فرصت را داریم که (الف) این بسته را به مجموعه آموزشی آموزش مدل AI/ML اضافه کنیم و (ب) کنترل کیفی را انجام دهیم. نسخه فعلی مدل هنگام استفاده از آن در این بسته.

شکل 6 استفاده از یک مدل یادگیری ماشین برای داده های ورودی در برابر پس زمینه یک "برچسب" نقص

در یکی از قبلی ما وبینارها ما نشان می‌دهیم و توضیح می‌دهیم که چگونه پلت‌فرم InterSystems IRIS به شما امکان می‌دهد هر مکانیزم AI/ML را در قالب اجرای مداوم فرآیندهای تجاری که قابلیت اطمینان نتایج مدل‌سازی را نظارت می‌کند و پارامترهای مدل را تطبیق می‌دهد، پیاده‌سازی کنید. هنگام اجرای نمونه اولیه سناریوی خود با پمپ ها، ما از تمام قابلیت های InterSystems IRIS ارائه شده در وبینار استفاده می کنیم - پیاده سازی در فرآیند تحلیلگر به عنوان بخشی از راه حل ما نه یادگیری کلاسیک نظارت شده، بلکه یادگیری تقویتی، که به طور خودکار انتخاب مدل های آموزشی را مدیریت می کند. . نمونه آموزشی حاوی رکوردهایی است که پس از اعمال هر دو آزمون آماری و نسخه فعلی مدل، یک "اجماع تشخیص" به وجود می آید - یعنی هم آزمون آماری (پس از تبدیل شاخص شباهت به 0 یا 1) و هم مدل نتیجه را ایجاد می کند. در چنین سوابقی 1. در طول آموزش جدید مدل، در طول اعتبار سنجی آن (مدل تازه آموزش داده شده بر روی نمونه آموزشی خودش اعمال می شود، با استفاده اولیه از یک آزمون آماری برای آن)، سوابقی که نتیجه 1 را پس از پردازش "حفظ نکردند" با آزمون آماری (به دلیل حضور مداوم در آموزش نمونه ای از رکوردها از "برچسب" اصلی نقص)، از مجموعه آموزشی حذف می شود و نسخه جدیدی از مدل از "برچسب" یاد می گیرد. نقص به اضافه رکوردهای "حفظ" از جریان.

شکل 7 ربات سازی محاسبات AI/ML در InterSystems IRIS

اگر نیاز به نوعی "نظر دوم" در مورد کیفیت تشخیص به دست آمده در طول محاسبات محلی در InterSystems IRIS وجود داشته باشد، یک فرآیند مشاوره برای انجام آموزش و استفاده از مدل ها بر روی یک مجموعه داده کنترلی با استفاده از سرویس های ابری ایجاد می شود (به عنوان مثال، مایکروسافت Azure، Amazon Web Services، Google Cloud Platform و غیره):

شکل 8 نظر دوم از Microsoft Azure که توسط InterSystems IRIS تنظیم شده است

نمونه اولیه سناریوی ما در InterSystems IRIS به عنوان یک سیستم مبتنی بر عامل از فرآیندهای تحلیلی طراحی شده است که با یک شی تجهیزات (پمپ)، محیط‌های مدل‌سازی ریاضی (پایتون، R و جولیا) در تعامل است و از خودآموزی همه هوش مصنوعی/درگیر اطمینان می‌دهد. مکانیسم‌های ML - در جریان‌های داده بلادرنگ.

شکل 9 عملکرد اصلی راه حل AI/ML بلادرنگ در InterSystems IRIS

نتیجه عملی نمونه اولیه ما:

• نقص نمونه شناسایی شده توسط مدل (12 ژانویه):

• یک نقص در حال توسعه شناسایی شده توسط مدل که در نمونه گنجانده نشده بود (11 سپتامبر، خود نقص توسط تیم تعمیر تنها دو روز بعد، در 13 سپتامبر شناسایی شد):

شبیه‌سازی بر روی داده‌های واقعی حاوی چندین قسمت از یک نقص نشان داد که راه‌حل ما، که بر روی پلتفرم InterSystems IRIS پیاده‌سازی شده است، به ما امکان می‌دهد تا چندین روز قبل از شناسایی عیوب توسط تیم تعمیر، ایجاد نقص‌هایی از این نوع را شناسایی کنیم.

InterSystems IRIS - یک پلت فرم جهانی محاسبات AI/ML بلادرنگ

پلت فرم InterSystems IRIS توسعه، استقرار و بهره برداری از راه حل های داده بلادرنگ را ساده می کند. InterSystems IRIS قادر به انجام همزمان پردازش داده های تراکنشی و تحلیلی است. پشتیبانی از نماهای داده های همگام شده با توجه به مدل های متعدد (از جمله رابطه ای، سلسله مراتبی، شی و سند). به عنوان یک پلت فرم برای ادغام طیف گسترده ای از منابع داده و برنامه های کاربردی فردی عمل کنید. ارائه تجزیه و تحلیل بلادرنگ پیشرفته بر روی داده های ساختاریافته و بدون ساختار. InterSystems IRIS همچنین مکانیسم‌هایی را برای استفاده از ابزارهای تحلیلی خارجی فراهم می‌کند و امکان ترکیب انعطاف‌پذیر میزبانی در فضای ابری و سرورهای محلی را فراهم می‌کند.

برنامه های کاربردی ساخته شده بر روی پلت فرم InterSystems IRIS در صنایع مختلف مستقر شده اند و به شرکت ها کمک می کنند تا مزایای اقتصادی قابل توجهی را از منظر استراتژیک و عملیاتی درک کنند، تصمیم گیری آگاهانه را افزایش داده و شکاف های بین رویداد، تجزیه و تحلیل و اقدام را پر می کنند.

شکل 10 معماری IRIS InterSystems در زمینه AI/ML بلادرنگ

مانند نمودار قبلی، نمودار زیر "سیستم مختصات" جدید (CD/CI/CT) را با نموداری از جریان اطلاعات بین عناصر کار پلت فرم ترکیب می کند. تجسم با ماکرومکانیسم CD شروع می شود و با ماکرومکانیسم CI و CT ادامه می یابد.

شکل 11 نمودار جریان اطلاعات بین عناصر AI/ML پلت فرم InterSystems IRIS

ماهیت مکانیسم CD در InterSystems IRIS: کاربران پلتفرم (توسعه دهندگان راه حل های AI/ML) با استفاده از یک ویرایشگر کد تخصصی برای مکانیسم های AI/ML، پیشرفت های موجود را تطبیق داده و/یا ایجاد می کنند. برای اختصار، اسناد ایجاد شده در این ویرایشگر نیز گاهی اوقات نامیده می شود). در Jupyter، یک توسعه‌دهنده این فرصت را دارد که قبل از قرار دادن ("استقرار") در InterSystems IRIS عملکرد (از جمله استفاده از گرافیک) یک توسعه AI/ML خاص را بنویسد، اشکال‌زدایی و تأیید کند. واضح است که توسعه جدیدی که به این روش ایجاد شده است فقط اشکال زدایی اولیه را دریافت می کند (زیرا به ویژه Jupyter با جریان های داده بلادرنگ کار نمی کند) - این در دستور کار است ، زیرا نتیجه اصلی توسعه در Jupyter است. تأیید عملکرد اساسی یک مکانیسم AI / ML جداگانه است ("نتیجه مورد انتظار را در یک نمونه داده نشان می دهد"). به طور مشابه، مکانیزمی که قبلاً در پلتفرم قرار داده شده است (مکانیسم‌های کلان زیر را ببینید) قبل از اشکال‌زدایی در Jupyter ممکن است به «بازگشت» به فرم «پیش پلتفرم» نیاز داشته باشد (خواندن داده‌ها از فایل‌ها، کار با داده‌ها از طریق xDBC به جای جداول، تعامل مستقیم با جهانی ها - آرایه های داده چند بعدی InterSystems IRIS - و غیره).

یک جنبه مهم از پیاده سازی CD در InterSystems IRIS: یکپارچه سازی دو طرفه بین پلتفرم و Jupyter پیاده سازی شده است که به محتوای Python، R و Julia اجازه می دهد تا به پلتفرم منتقل شود (و متعاقباً در پلتفرم پردازش شود) (هر سه برنامه نویس هستند. زبان‌ها در زبان‌های متن‌باز پیشرو مربوطه) محیط‌های مدل‌سازی ریاضی منبع). بنابراین، توسعه‌دهندگان محتوای AI/ML این فرصت را دارند که «استقرار مستمر» این محتوا را در پلتفرم، کار در ویرایشگر آشنای Jupyter، با کتابخانه‌های آشنای موجود در Python، R، Julia و انجام اشکال‌زدایی اولیه (در صورت لزوم) انجام دهند. خارج از سکو .

بیایید به مکانیسم ماکرو CI در InterSystems IRIS برویم. این نمودار فرآیند کلان "ربات ساز بلادرنگ" را نشان می دهد (مجموعه ای از ساختارهای داده، فرآیندهای تجاری و قطعات کد که توسط آنها به زبان های ریاضی و ObjectScript - زبان توسعه بومی InterSystems IRIS تنظیم شده است). وظیفه این فرآیند کلان حفظ صف های داده لازم برای عملکرد مکانیسم های AI / ML (بر اساس جریان های داده ارسال شده به پلت فرم در زمان واقعی)، تصمیم گیری در مورد توالی کاربرد و "مجموعه" AI / است. مکانیسم‌های ML (همچنین «الگوریتم‌های ریاضی»، «مدل‌ها» و غیره هستند - بسته به ویژگی‌های پیاده‌سازی و ترجیحات اصطلاحی می‌توان آنها را متفاوت نامید)، ساختارهای داده را برای تجزیه و تحلیل نتایج کار هوش مصنوعی به‌روز نگه می‌دارد. مکانیسم‌های ML (مکعب‌ها، جداول، آرایه‌های داده چند بعدی، و غیره) و غیره – برای گزارش‌ها، داشبوردها و غیره.

یکی از جنبه های مهم پیاده سازی CI در InterSystems IRIS: ادغام دو طرفه بین پلتفرم و محیط های مدل سازی ریاضی پیاده سازی شده است که به شما امکان می دهد محتوای میزبانی شده در پلتفرم را در پایتون، R و جولیا در محیط های مربوطه خود اجرا کنید و نتایج اجرا را پس بگیرید. این ادغام هم در "حالت ترمینال" (یعنی محتوای AI/ML به عنوان کد ObjectScript فرموله می شود که با محیط تماس برقرار می کند) و هم در "حالت فرآیند تجاری" (یعنی محتوای AI/ML به عنوان یک فرآیند تجاری فرموله می شود) اجرا می شود. با استفاده از یک ویرایشگر گرافیکی، یا گاهی اوقات با استفاده از Jupyter، یا با استفاده از یک IDE - IRIS Studio، Eclipse، Visual Studio Code). در دسترس بودن فرآیندهای تجاری برای ویرایش در Jupyter از طریق ارتباط بین IRIS در سطح CI و Jupyter در سطح CD منعکس می شود. مروری دقیق تر از ادغام با محیط های مدل سازی ریاضی در زیر ارائه شده است. در این مرحله، به نظر ما، هر دلیلی برای اطمینان از اینکه پلتفرم دارای تمام ابزارهای لازم برای اجرای «ادغام مداوم» پیشرفت‌های AI/ML (که از «استقرار مستمر») به راه‌حل‌های AI/ML بلادرنگ می‌آید، وجود دارد.

و مکانیسم ماکرو اصلی: CT. بدون آن، هیچ پلت فرم AI/ML وجود نخواهد داشت (اگرچه "زمان واقعی" از طریق CD/CI پیاده سازی خواهد شد). ماهیت CT کار پلتفرم با "مصنوعات" یادگیری ماشین و هوش مصنوعی به طور مستقیم در جلسات کاری محیط های مدل سازی ریاضی است: مدل ها، جداول توزیع، بردارهای ماتریس، لایه های شبکه های عصبی و غیره. این "کار" در بیشتر موارد شامل ایجاد مصنوعات ذکر شده در محیط ها است (برای مثال در مورد مدل ها، "ایجاد" شامل تنظیم مشخصات مدل و انتخاب بعدی مقادیر پارامترهای آن است - به اصطلاح "آموزش" مدل)، کاربرد آنها (برای مدل ها: محاسبه با کمک آنها مقادیر "مدل" متغیرهای هدف - پیش بینی ها، عضویت در دسته، احتمال یک رویداد و غیره) و بهبود وضعیت قبلی مصنوعات ایجاد و اعمال می شود (به عنوان مثال، تعریف مجدد مجموعه ای از متغیرهای ورودی مدل بر اساس نتایج برنامه - به منظور بهبود دقت پیش بینی، به عنوان یک گزینه). نکته کلیدی در درک نقش CT "انتزاع" آن از واقعیت های CD و CI است: CT تمام مصنوعات را با تمرکز بر ویژگی های محاسباتی و ریاضی راه حل AI/ML در داخل قابلیت های ارائه شده توسط محیط های خاص اجرا می کند. مسئولیت «ارائه ورودی» و «ارائه خروجی» بر عهده CD و CI خواهد بود.

یکی از جنبه‌های مهم اجرای CT به طور خاص در InterSystems IRIS: با استفاده از ادغام با محیط‌های مدل‌سازی ریاضی که قبلاً در بالا ذکر شد، این پلتفرم توانایی استخراج آن مصنوعات را از جلسات کاری تحت کنترل خود در محیط‌های ریاضی و (مهمتر از همه) چرخش دارد. آنها را به اشیاء داده پلت فرم. به عنوان مثال، یک جدول توزیع که به تازگی در یک جلسه پایتون در حال کار ایجاد شده است، می تواند (بدون توقف جلسه پایتون) به پلتفرم، به عنوان مثال، به شکل جهانی (آرایه داده IRIS چند بعدی InterSystems) - و استفاده شود. برای محاسبات در مکانیزم AI/ML- دیگری (که در زبان محیط دیگری پیاده سازی شده است - به عنوان مثال در R) - یا یک جدول مجازی. مثال دیگر: به موازات "حالت عادی" عملکرد مدل (در جلسه کاری پایتون)، "auto-ML" روی داده های ورودی آن انجام می شود: انتخاب خودکار متغیرهای ورودی بهینه و مقادیر پارامتر. و همراه با آموزش "عادی"، یک مدل تولیدی در زمان واقعی "پیشنهاد بهینه سازی" مشخصات خود را نیز دریافت می کند - که در آن مجموعه متغیرهای ورودی تغییر می کند، مقادیر پارامتر تغییر می کند (دیگر در نتیجه آموزش نیست. در پایتون، اما در نتیجه آموزش با یک نسخه «جایگزین» از خودش، مانند پشته H2O، به راه حل کلی AI/ML اجازه می دهد تا به طور مستقل با تغییرات غیرمنتظره در ماهیت داده های ورودی و پدیده های مدل سازی شده مقابله کند. .

بیایید با استفاده از مثالی از نمونه اولیه واقعی، با پلتفرم عملکرد AI/ML InterSystems IRIS با جزئیات بیشتری آشنا شویم.

در نمودار زیر در سمت چپ اسلاید بخشی از فرآیند تجاری وجود دارد که اجرای اسکریپت ها را در پایتون و R پیاده سازی می کند. در قسمت مرکزی به ترتیب گزارش های تصویری اجرای برخی از این اسکریپت ها وجود دارد. در پایتون و R. بلافاصله در پشت آنها نمونه هایی از محتوا در یک زبان و زبان دیگر وجود دارد که برای اجرا به محیط های مناسب منتقل شده اند. در انتهای سمت راست تجسم هایی بر اساس نتایج اجرای اسکریپت وجود دارد. تجسم‌های بالا در IRIS Analytics ساخته شده‌اند (داده‌ها از پایتون به پلتفرم داده InterSystems IRIS گرفته شده و با استفاده از پلتفرم روی داشبورد نمایش داده می‌شوند)، در پایین مستقیماً در جلسه کاری R ساخته شده و از آنجا به فایل‌های گرافیکی خروجی داده می‌شود. . یک جنبه مهم: قطعه ارائه شده در نمونه اولیه مسئول آموزش مدل (طبقه بندی حالت های تجهیزات) بر روی داده های دریافت شده در زمان واقعی از فرآیند شبیه ساز تجهیزات، بر اساس دستور فرآیند نظارت بر کیفیت طبقه بندی مشاهده شده در طول کاربرد مدل است. اجرای یک راه حل AI/ML در قالب مجموعه ای از فرآیندهای تعاملی ("عامل") بیشتر مورد بحث قرار خواهد گرفت.

شکل 12 تعامل با پایتون، R و جولیا در InterSystems IRIS

فرآیندهای پلتفرم (آنها همچنین "فرایندهای تجاری"، "فرایندهای تحلیلی"، "خطوط لوله" و غیره هستند - بسته به زمینه، اول از همه، در ویرایشگر فرآیند تجاری گرافیکی در خود پلت فرم ویرایش می شوند، و در چنین مواردی روشی که هم دیاگرام بلوک آن و هم مکانیزم AI/ML مربوطه (کد برنامه) به طور همزمان ایجاد می شود. هنگامی که می گوییم "یک مکانیسم AI/ML به دست می آید"، در ابتدا به معنای ترکیبی (در یک فرآیند) است: محتوا در زبان های محیط های مدل سازی ریاضی در مجاورت محتوا در SQL است (از جمله پسوندهای از IntegratedML)، در InterSystems ObjectScript، با سایر زبان های پشتیبانی شده. علاوه بر این، فرآیند پلتفرم فرصت‌های بسیار گسترده‌ای را برای «رندر کردن» در قالب قطعات تودرتوی سلسله مراتبی (همانطور که در مثال در نمودار زیر مشاهده می‌شود) فراهم می‌کند، که به شما امکان می‌دهد تا به طور مؤثر محتوای بسیار پیچیده را بدون «افتادن» سازمان‌دهی کنید. از قالب گرافیکی (به فرمت های "غیر گرافیکی"). » روش ها / کلاس ها / رویه ها و غیره). یعنی در صورت لزوم (و در اکثر پروژه‌ها پیش‌بینی می‌شود)، می‌توان مطلقاً کل راه‌حل AI/ML را در قالب گرافیکی خود مستندسازی پیاده‌سازی کرد. لطفاً توجه داشته باشید که در بخش مرکزی نمودار زیر، که نشان دهنده یک "سطح تودرتو" بالاتر است، واضح است که علاوه بر کار واقعی آموزش مدل (با استفاده از Python و R)، تجزیه و تحلیل به اصطلاح منحنی ROC مدل آموزش‌دیده اضافه می‌شود و امکان ارزیابی بصری (و همچنین محاسباتی) کیفیت آموزش را فراهم می‌کند - و این تجزیه و تحلیل در زبان جولیا اجرا می‌شود (بر این اساس در محیط ریاضی جولیا اجرا می‌شود).

شکل 13 محیط بصری برای ترکیب راه حل های AI/ML در InterSystems IRIS

همانطور که قبلا ذکر شد، توسعه اولیه و (در برخی موارد) انطباق مکانیزم‌های AI/ML که قبلاً در پلتفرم پیاده‌سازی شده‌اند، می‌تواند در خارج از پلتفرم در ویرایشگر Jupyter انجام شود. در نمودار زیر نمونه ای از تطبیق یک فرآیند پلت فرم موجود را می بینیم (همانطور که در نمودار بالا) - اینگونه است که قطعه ای که مسئول آموزش مدل است در Jupyter به نظر می رسد. محتوای پایتون برای ویرایش، اشکال زدایی و خروجی گرافیکی مستقیماً در Jupyter در دسترس است. تغییرات (در صورت لزوم) را می توان با همگام سازی فوری در فرآیند پلت فرم، از جمله نسخه تولیدی آن، ایجاد کرد. محتوای جدید را می توان به روشی مشابه به پلتفرم منتقل کرد (فرآیند پلت فرم جدید به طور خودکار تولید می شود).

شکل 14 استفاده از Jupyter Notebook برای ویرایش موتور AI/ML در پلت فرم InterSystems IRIS

انطباق یک فرآیند پلت فرم را می توان نه تنها در قالب گرافیکی یا لپ تاپ - بلکه در قالب "کل" IDE (محیط توسعه یکپارچه) انجام داد. این IDE ها عبارتند از IRIS Studio (استودیوی بومی IRIS)، Visual Studio Code (برنامه افزودنی InterSystems IRIS برای VSCode) و Eclipse (افزونه آتلیه). در برخی موارد، این امکان وجود دارد که یک تیم توسعه از هر سه IDE به طور همزمان استفاده کند. نمودار زیر نمونه ای از ویرایش همان فرآیند را در استودیو IRIS، در Visual Studio Code و در Eclipse نشان می دهد. کاملاً تمام محتوا برای ویرایش در دسترس است: Python/R/Julia/SQL، ObjectScript، و فرآیند تجاری.

شکل 15 توسعه فرآیند تجاری IRIS InterSystems در IDE های مختلف

ابزارهای توصیف و اجرای فرآیندهای تجاری InterSystems IRIS در زبان فرآیند تجاری (BPL) شایسته ذکر ویژه هستند. BPL امکان استفاده از "مولفه های یکپارچه سازی آماده" (فعالیت ها) را در فرآیندهای تجاری فراهم می کند - که در واقع، دلایل زیادی برای گفتن اینکه "ادغام پیوسته" در InterSystems IRIS پیاده سازی شده است. اجزای آماده فرآیند کسب و کار (فعالیت ها و ارتباطات بین آنها) یک شتاب دهنده قدرتمند برای مونتاژ یک راه حل AI/ML هستند. و نه تنها مجموعه‌ها: به لطف فعالیت‌ها و ارتباطات بین آنها بر روی پیشرفت‌ها و مکانیسم‌های متفاوت AI/ML، یک "لایه مدیریت مستقل" بوجود می‌آید که قادر به تصمیم‌گیری بر اساس موقعیت و در زمان واقعی است.

شکل 16 اجزای فرآیند کسب و کار آماده برای یکپارچه سازی مداوم (CI) در پلت فرم InterSystems IRIS

مفهوم سیستم عامل (همچنین به عنوان "سیستم های چند عاملی" شناخته می شود) در ربات سازی جایگاهی قوی دارد و پلت فرم InterSystems IRIS به طور ارگانیک از طریق ساختار "فرایند محصول" از آن پشتیبانی می کند. علاوه بر امکانات نامحدود برای "پر کردن" هر فرآیند با عملکرد لازم برای راه حل کلی، اعطای سیستم فرآیندهای پلت فرم به ویژگی "آژانس" به شما امکان می دهد راه حل های موثری برای پدیده های شبیه سازی شده بسیار ناپایدار ایجاد کنید (رفتار اجتماعی / بیوسیستم ها، فرآیندهای فناوری تا حدی قابل مشاهده و غیره).

شکل 16 عملکرد یک راه حل AI/ML به عنوان یک سیستم فرآیند تجاری مبتنی بر عامل در InterSystems IRIS

ما بررسی خود را از InterSystems IRIS با داستانی در مورد استفاده کاربردی از پلتفرم برای حل کل کلاس‌های مسائل بلادرنگ ادامه می‌دهیم (مقدمه نسبتاً مفصلی برای برخی از بهترین شیوه‌های پلتفرم AI/ML در InterSystems IRIS را می‌توان در یکی یافت. قبلی ما وبینارها).

داغ در پاشنه نمودار قبلی، در زیر نمودار دقیق تری از سیستم عامل ارائه شده است. نمودار یک نمونه اولیه را نشان می دهد، هر چهار فرآیند عامل قابل مشاهده هستند، روابط بین آنها به صورت شماتیک ترسیم شده است: GENERATOR - ایجاد داده ها را توسط سنسورهای تجهیزات پردازش می کند، BUFFER - صف های داده را مدیریت می کند، ANALYZER - یادگیری ماشین را انجام می دهد، MONITOR - نظارت بر کیفیت یادگیری ماشین و سیگنالی در مورد نیاز به آموزش مجدد مدل ارسال می کند.

شکل 17 ترکیب راه حل AI/ML در قالب یک سیستم فرآیند تجاری مبتنی بر عامل در InterSystems IRIS

نمودار زیر عملکرد مستقل یک نمونه اولیه رباتیک دیگر (تشخیص رنگ‌آمیزی احساسی متون) را برای مدتی نشان می‌دهد. در قسمت بالا تکامل شاخص کیفیت آموزش مدل (کیفیت در حال رشد است)، در قسمت پایین پویایی شاخص کیفیت کاربرد مدل و حقایق آموزش مکرر (راه راه های قرمز) است. همانطور که می بینید، راه حل خود را به طور موثر و مستقل آموخته است و در سطح کیفی معینی عمل می کند (مقادیر امتیاز کیفیت کمتر از 80٪ نیست).

شکل 18 آموزش (خود) مستمر (CT) در پلت فرم InterSystems IRIS

ما همچنین قبلاً به "auto-ML" اشاره کردیم، اما نمودار زیر استفاده از این عملکرد را با استفاده از مثال نمونه اولیه دیگر به تفصیل نشان می دهد. نمودار گرافیکی یک قطعه از یک فرآیند کسب و کار، فعالیتی را نشان می دهد که باعث ایجاد مدل سازی در پشته H2O می شود، نتایج این مدل سازی را نشان می دهد (بر اساس نمودار مقایسه ای، تسلط واضح مدل حاصل بر مدل های "ساخت بشر" منحنی های ROC، و همچنین شناسایی خودکار "متغیرهای تاثیرگذار" موجود در مجموعه داده های اصلی). نکته مهم در اینجا صرفه جویی در زمان و منابع متخصص است که از طریق "خودکار ML" به دست می آید: کاری که فرآیند پلت فرم ما در نیم دقیقه انجام می دهد (یافتن و آموزش مدل بهینه) می تواند یک متخصص از یک هفته تا یک ماه طول بکشد.

شکل 19 ادغام "auto-ML" در راه حل AI/ML در پلت فرم InterSystems IRIS

نمودار زیر کمی موضوع را نادیده می‌گیرد، اما راه خوبی برای پایان دادن به داستان در مورد کلاس‌های حل مشکلات بلادرنگ است: یادآور می‌شویم که با تمام قابلیت‌های پلتفرم InterSystems IRIS، مدل‌های آموزشی تحت کنترل آن است. غیر اجباری. این پلتفرم می‌تواند مشخصات به اصطلاح PMML مدل را که در ابزاری که تحت کنترل پلتفرم نیست آموزش دیده از خارج دریافت کند - و این مدل را از لحظه وارد کردن به صورت بلادرنگ اعمال کند. مشخصات PMML. توجه به این نکته مهم است که همه مصنوعات AI/ML را نمی توان به مشخصات PMML کاهش داد، حتی اگر اکثر مصنوعات رایج این امکان را داشته باشند. بنابراین، پلت فرم InterSystems IRIS "حلقه باز" است و به معنای "بردگی پلت فرم" برای کاربران نیست.

شکل 20 ادغام "auto-ML" در راه حل AI/ML در پلت فرم InterSystems IRIS

اجازه دهید مزایای پلتفرم اضافی InterSystems IRIS (برای وضوح، در رابطه با کنترل فرآیند) را فهرست کنیم که در اتوماسیون هوش مصنوعی و یادگیری ماشین بلادرنگ اهمیت زیادی دارند:

• ابزارهای یکپارچه سازی توسعه یافته با هر منبع داده و مصرف کننده (سیستم کنترل فرآیند/SCADA، تجهیزات، MRO، ERP و غیره)
• داخلی DBMS چند مدلی برای پردازش تراکنشی و تحلیلی با کارایی بالا (تراکنش هیبریدی/ پردازش تحلیلی، HTAP) هر حجمی از داده‌های فرآیند تکنولوژیکی
• ابزارهای توسعه برای استقرار مداوم موتورهای AI/ML برای راه حل های بلادرنگ مبتنی بر Python، R، Julia
• فرآیندهای تجاری تطبیقی ​​برای ادغام مداوم و (خود) یادگیری موتورهای راه حل AI/ML بلادرنگ
• ابزارهای هوش تجاری داخلی برای تجسم داده های فرآیند و نتایج یک راه حل AI/ML
• مدیریت API برای ارائه نتایج راه حل AI / ML به سیستم های کنترل فرآیند / SCADA، اطلاعات و سیستم های تحلیلی، ارسال هشدار و غیره.

راه حل های AI/ML در پلت فرم InterSystems IRIS به راحتی در زیرساخت های فناوری اطلاعات موجود قرار می گیرند. پلت فرم InterSystems IRIS با پشتیبانی از پیکربندی های مقاوم در برابر خطا و فاجعه و استقرار انعطاف پذیر در محیط های مجازی، روی سرورهای فیزیکی، در ابرهای خصوصی و عمومی و کانتینرهای Docker، قابلیت اطمینان بالای راه حل های AI/ML را تضمین می کند.

بنابراین، InterSystems IRIS یک پلت فرم محاسباتی AI/ML بلادرنگ جهانی است. جهانی بودن پلتفرم ما در عمل با عدم وجود محدودیت های عملی در مورد پیچیدگی محاسبات اجرا شده، توانایی InterSystems IRIS برای ترکیب پردازش (در زمان واقعی) سناریوها از طیف گسترده ای از صنایع، و سازگاری استثنایی تأیید شده است. هر گونه عملکرد و مکانیسم پلت فرم برای نیازهای خاص کاربران.

شکل 21 InterSystems IRIS - یک پلت فرم جهانی محاسبات AI/ML بلادرنگ

برای تعامل بیشتر با خوانندگان ما که به مطالب ارائه شده در اینجا علاقه مند هستند، توصیه می کنیم خود را محدود به خواندن آن نکنید و گفتگو را به صورت زنده ادامه دهید. ما خوشحال خواهیم شد که با فرمول‌بندی سناریوهای AI/ML بلادرنگ در رابطه با ویژگی‌های شرکت شما، انجام نمونه‌سازی مشترک بر روی پلتفرم InterSystems IRIS، تدوین و پیاده‌سازی نقشه راه در عمل برای معرفی هوش مصنوعی و یادگیری ماشین، پشتیبانی ارائه دهیم. به فرآیندهای تولید و مدیریت شما. ایمیل تماس با تیم متخصص AI/ML ما - [ایمیل محافظت شده].

منبع: www.habr.com