InterSystems IRIS - ardán AI/ML uilíoch fíor-ama

Údar: Sergey Lukyanchikov, innealtóir comhairleach ag InterSystems

Glaonna ríomhaireachta AI/ML fíor-ama

Cuirimis tús le samplaí ón taithí ar chleachtas Eolaíocht Sonraí ag InterSystems:

• Tá tairseach an cheannaitheora luchtaithe ceangailte le córas molta ar líne. Déanfar athstruchtúrú ar phromóisin ar fud an ghréasáin mhiondíola (mar shampla, in ionad líne “réidh” bolscaireachta, bainfear úsáid as maitrís “tactics-segment” anois). Cad a tharlaíonn d'innill mholta? Cad a tharlaíonn do chur isteach agus nuashonrú sonraí chuig an inneall molta (tá méadú 25000 uair tagtha ar líon na sonraí ionchuir)? Cad a tharlaíonn d’fhorbairt moltaí (an gá atá le tairseach scagtha na rialacha moltaí a laghdú faoi mhíle mar gheall ar mhéadú faoi mhíle ar a líon agus ar a “raon”)?
• Tá córas ann chun monatóireacht a dhéanamh ar an dóchúlacht go dtiocfaidh lochtanna ar chomhpháirteanna trealaimh. Bhí córas rialaithe próisis uathoibrithe ceangailte leis an gcóras monatóireachta, ag tarchur na mílte paraiméadair próiseas teicneolaíochta gach soicind. Cad a tharlaíonn don chóras monatóireachta a d’oibrigh roimhe seo ar “shamplaí láimhe” (an bhfuil sé in ann monatóireacht dóchúlachta soicind ar soicind a sholáthar)? Cad a tharlóidh má fheictear bloc nua cúpla céad colún sna sonraí ionchuir le léamha ó bhraiteoirí a cuireadh leis an gcóras rialaithe próisis le déanaí (an mbeidh sé riachtanach agus cé chomh fada agus a stopfar an córas monatóireachta chun sonraí ó bhraiteoirí nua a chur san áireamh san anailís? )?
• Cruthaíodh sraith meicníochtaí AI/ML (moladh, monatóireacht, réamhaisnéis) a úsáideann torthaí obair a chéile. Cé mhéad uaireanta oibre atá ag teastáil gach mí chun oibriú an choimpléasc seo a oiriúnú d'athruithe ar shonraí ionchuir? Cad é an “moilliú” ginearálta nuair a thacaítear leis ag an gcoimpléasc cinnteoireachta bainistíochta (minicíocht na faisnéise tacaíochta nua atá ann i gcoibhneas le minicíocht na sonraí ionchuir nua)?

Agus achoimre á dhéanamh againn orthu seo agus go leor samplaí eile, thángamar ar fhoirmiú na ndúshlán a thagann chun cinn agus muid ag bogadh chuig úsáid meicníochtaí meaisínfhoghlama agus hintleachta saorga i bhfíor-am:

• An bhfuil muid sásta le luas cruthú agus oiriúnú (don chás athraitheach) na bhforbairtí AI/ML inár gcuideachta?
• Cé mhéad a thacaíonn na réitigh AI/ML a úsáidimid le bainistíocht gnó fíor-ama?
• An bhfuil na réitigh AI/ML a úsáidimid in ann oiriúnú go neamhspleách (gan fhorbróirí) d'athruithe ar chleachtais bhainistíochta sonraí agus ghnó?

Is forbhreathnú críochnúil é ár n-alt ar chumais ardán IRIS InterSystems i dtéarmaí tacaíochta uilíoch d’imscaradh meicníochtaí AI/ML, cóimeáil (comhtháthú) réitigh AI/ML, agus oiliúint (tástáil) réitigh AI/ML ar dhian-réitigh. sruthanna sonraí. Breathnóimid ar thaighde margaidh, cás-staidéir ar réitigh AI/ML, agus gnéithe coincheapúla den rud ar a dtugaimid ardán AI/ML fíor-ama san Airteagal seo.

A bhfuil ar eolas againn ó shuirbhéanna: feidhmchláir fíor-ama

Torthaí vótaíochtarna stiúradh i measc beagnach 800 gairmí TF in 2019 ag Lightbend, labhair ar a son féin:

Fíor 1 Príomhthomhaltóirí sonraí fíor-ama

Luaimis blúirí tábhachtacha den tuarascáil ar thorthaí an tsuirbhé seo inár n-aistriúchán:

“... Soláthraíonn treochtaí sa tóir atá ar uirlisí chun sruthanna sonraí a chomhtháthú agus, ag an am céanna, chun tacú le ríomhaireacht i gcoimeádáin freagairt sineirgisteacha d’iarratas an mhargaidh ar thogra níos freagraí, níos réasúnach agus níos dinimiciúla ar réitigh éifeachtacha. Aistríonn sruthú sonraí faisnéis níos tapúla ná sonraí paicéad traidisiúnta. Ina theannta sin tá an cumas modhanna ríomhaireachtúla a chur i bhfeidhm go tapa, mar shampla, moltaí bunaithe ar AI/ML, ag cruthú buntáistí iomaíochta trí shástacht mhéadaithe na gcustaiméirí. Bíonn tionchar freisin ag an rás le haghaidh aclaíocht ar gach ról i bparaidím DevOps - rud a fhágann go mbeidh forbairt feidhmchláir agus imscaradh níos éifeachtaí. … Chuir ocht gcéad agus ceithre ghairmí TF faisnéis ar fáil maidir le húsáid sreafaí sonraí ina n-eagraíochtaí. Bhí na freagróirí lonnaithe go príomha i dtíortha an Iarthair (41% san Eoraip agus 37% i Meiriceá Thuaidh) agus bhí siad dáileadh beagnach cothrom idir cuideachtaí beaga, meánmhéide agus cuideachtaí móra. ...

... Ní hype í intleacht shaorga. Deimhníonn caoga a hocht faoin gcéad díobh siúd a úsáideann próiseáil srutha sonraí cheana féin i bhfeidhmchláir táirgiúlachta AI/ML go dtiocfaidh an fás is mó ar úsáid AI/ML an bhliain seo chugainn (i gcomparáid le feidhmchláir eile).

• De réir fhormhór na bhfreagróirí, is in úsáid sruthanna sonraí i gcásanna AI/ML a bheidh an fás is mó sa bhliain seo chugainn.
• Ní hamháin go dtiocfaidh fás ar iarratais in AI/ML mar gheall ar chineálacha nua cásanna, ach freisin mar gheall ar chásanna traidisiúnta ina bhfuil níos mó úsáide á baint as sonraí fíor-ama.
• Chomh maith le AI/ML, tá an leibhéal díograise i measc úsáideoirí píblínte sonraí IoT suntasach - deir 48% díobh siúd a bhfuil sonraí IoT comhtháite acu cheana féin go dtiocfaidh méadú suntasach ar chur i bhfeidhm cásanna ar na sonraí seo go luath amach anseo. ..."

Ón suirbhé sách suimiúil seo, tá sé soiléir go bhfuil an dearcadh ar chásanna foghlama meaisín agus hintleachta saorga mar cheannairí i gcaitheamh na sruthanna sonraí “ar an mbealach” cheana féin. Ach breathnadóireacht chomh tábhachtach céanna is ea an dearcadh ar AI/ML fíor-ama trí lionsa DevOps: anseo is féidir linn tosú ag caint cheana féin ar chlaochlú chultúr ceannasach “AI/ML indiúscartha le tacar sonraí atá inrochtana go hiomlán.”

Coincheap ardán AI/ML fíor-ama

Réimse feidhme tipiciúil amháin le haghaidh AI/ML fíor-ama ná rialú próisis i ndéantúsaíocht. Ag baint úsáide as a sampla agus ag cur smaointe roimhe seo san áireamh, cuirfimid le chéile an coincheap d'ardán AI/ML fíor-ama.
Tá roinnt gnéithe ag baint le húsáid na hintleachta saorga agus na meaisínfhoghlama i rialú próisis:

• Faightear sonraí maidir le staid an phróisis theicneolaíoch go dian: le minicíocht ard agus le haghaidh raon leathan paraiméadair (suas le na mílte luachanna paraiméadar a tharchuirtear in aghaidh an tsoicind ón gcóras rialaithe próisis)
• Tá sonraí maidir le lochtanna a aithint, gan trácht ar shonraí faoina bhforbairt, ar a mhalairt, gann agus neamhrialta, arb iad is sainairíonna iad nach bhfuil clóscríobh go leor lochtanna agus a logánú in am (go minic léirithe ag taifid pháipéir)
• Ó thaobh praiticiúil de, níl ach “fuinneog ábharthachta” de na sonraí foinseacha ar fáil le haghaidh oiliúna agus cur i bhfeidhm samhlacha, rud a léiríonn dinimic an phróisis teicneolaíochta thar eatramh sleamhnáin réasúnta a chríochnaíonn le luachanna léite deiridh na bparaiméadar próisis.

Cuireann na gnéithe seo iallach orainn, chomh maith le fáil agus próiseáil bhunúsach i bhfíor-am ar an “comhartha ionchuir leathanbhanda” ón bpróiseas teicneolaíochta, feidhmiú (comhthreomhar) feidhmiú, oiliúint agus rialú cáilíochta thorthaí an AI / Samhlacha ML - freisin i bhfíor-am. Tá an “fráma” a “fheiceann ár múnlaí” sa bhfuinneog sleamhnáin ábhartha ag athrú de shíor - agus leis sin, athraíonn cáilíocht thorthaí na hoibre ar mhúnlaí AI/ML a cuireadh oiliúint ar cheann de na “frámaí” san am a chuaigh thart. . Má thagann meath ar cháilíocht thorthaí na hoibre ar shamhlacha AI/ML (mar shampla: tá luach na hearráide aicmithe “norm aláraim” imithe thar na teorainneacha atá sainmhínithe againn), ba cheart oiliúint bhreise ar na samhlacha a sheoladh go huathoibríoch ar. “fráma” níos reatha - agus ba cheart go gcuirfeadh an rogha nóiméad chun oiliúint bhreise ar na samhlacha a sheoladh a chur san áireamh conas a mhaireann an oiliúint féin, agus dinimic an mheathlaithe i gcáilíocht oibre leagan reatha na múnlaí (ó leantar de na leaganacha reatha de na samhlacha a úsáid agus na samhlacha á n-oiliúint, agus go dtí go gcruthaítear a leaganacha “nua-oilte”).

Tá príomhchumais ardáin ag InterSystems IRIS chun réitigh AI/ML a chumasú le haghaidh rialú próisis fíor-ama. Is féidir na cumais seo a roinnt i dtrí phríomhghrúpa:

• Imscaradh leanúnach (Imscaradh/Seachadadh Leanúnach, CD) de mheicníochtaí AI/ML nua nó oiriúnaithe go réiteach táirgiúil a fheidhmíonn i bhfíor-am ar ardán IRIS InterSystems
• Comhtháthú Leanúnach (CI) i réiteach torthúil amháin de shruthanna sonraí próisis teicneolaíochta atá ag teacht isteach, scuainí sonraí chun meicníochtaí AI/ML a chur i bhfeidhm/oiliúint/rialú cáilíochta agus malartuithe sonraí/cód/gníomhartha rialaithe le timpeallachtaí samhaltaithe matamaitice, arna n-eagrú i bhfíor-am. ardán InterSystems IRIS
• Oiliúint leanúnach (féin) (Oiliúint Leanúnach, CT) ar mheicníochtaí AI/ML, a dhéantar i dtimpeallachtaí samhaltaithe matamaitice ag úsáid sonraí, cód agus gníomhartha rialaithe (“cinntí déanta”) arna dtarchur ag ardán IRIS InterSystems

Ní de thaisme é cumas ardáin maidir le foghlaim meaisín agus hintleachta saorga a aicmiú go beacht sna grúpaí seo. Lig dúinn a lua ar an modheolaíoch foilseachán Google, a sholáthraíonn bunús coincheapúil don rangú seo, inár n-aistriúchán:

“... Clúdaíonn coincheap DevOps, a bhfuil an-tóir air na laethanta seo, forbairt agus oibriú córais faisnéise ar scála mór. Is iad na buntáistí a bhaineann leis an gcoincheap seo a chur i bhfeidhm ná laghdú ar ré na dtimthriallta forbartha, imscaradh níos tapúla ar fhorbairtí, agus solúbthacht i bpleanáil scaoileadh. Chun na tairbhí seo a bhaint amach, is éard atá i gceist le DevOps ná dhá chleachtas ar a laghad a chur i bhfeidhm:

• Comhtháthú Leanúnach (CI)
• Seachadadh Leanúnach (CD)

Baineann na cleachtais seo freisin le hardáin AI/ML lena chinntiú go ndéantar réitigh tháirgiúla AI/ML a thionól atá iontaofa agus feidhmiúil.

Tá difríocht idir ardáin AI/ML agus córais faisnéise eile sna gnéithe seo a leanas:

• Inniúlachtaí foirne: Nuair a bhíonn réiteach AI/ML á chruthú, áirítear ar an bhfoireann de ghnáth eolaithe sonraí nó saineolaithe “acadúla” i réimse an taighde sonraí a dhéanann anailís ar shonraí, a fhorbraíonn agus a thástálann samhlacha. Ní fhéadfaidh na baill foirne seo a bheith ina bhforbróirí cód táirgiúla gairmiúla.
• Forbairt: Is inneall turgnamhach iad innill AI/ML. D'fhonn fadhb a réiteach ar an mbealach is éifeachtaí, is gá dul trí chomhcheangail éagsúla d'athróga ionchuir, halgartaim, modhanna samhaltaithe agus paraiméadair mhúnla. Luíonn castacht cuardaigh den sórt sin “cad a d’oibrigh/nár oibrigh” a rianú, in-atáirgtheacht eipeasóidí a chinntiú, forbairtí a ghinearálú le haghaidh cur i bhfeidhm arís agus arís eile.
• Tástáil: Teastaíonn raon níos leithne tástálacha ná formhór na bhforbairtí eile chun innill AI/ML a thástáil. Chomh maith le tástálacha caighdeánacha aonaid agus comhtháthaithe, déantar tástáil ar bhailíocht sonraí agus ar cháilíocht thorthaí an mhúnla a chur i bhfeidhm ar shamplaí oiliúna agus rialaithe.
• Imscaradh: Níl imscaradh réitigh AI/ML teoranta do sheirbhísí réamh-mheasta a úsáideann múnla aon-oilte. Tá réitigh AI/ML bunaithe ar phíblínte ilchéime a dhéanann oiliúint agus cur i bhfeidhm uathoibrithe samhlacha. Is éard atá i gceist le píblínte den sórt sin a imscaradh ná gníomhartha neamhfhánacha a dhéanann eolaithe sonraí go traidisiúnta de láimh a uathoibriú chun a bheith in ann samhlacha a thraenáil agus a thástáil.
• Táirgiúlacht: D’fhéadfadh easpa táirgiúlachta a bheith ag innill AI/ML, ní hamháin mar gheall ar ríomhchlárú neamhéifeachtach, ach freisin mar gheall ar nádúr na sonraí ionchuir atá ag athrú de shíor. I bhfocail eile, is féidir le feidhmíocht mheicníochtaí AI/ML díghrádú mar gheall ar raon níos leithne cúiseanna ná feidhmíocht na ngnáthfhorbairtí. Is é an toradh a bhíonn air sin an gá atá le monatóireacht (ar líne) ar fheidhmíocht ár n-innill AI/ML, chomh maith le foláirimh a sheoladh nó torthaí a dhiúltú mura gcomhlíonann táscairí feidhmíochta ionchais.

Tá ardáin AI/ML cosúil le córais faisnéise eile sa mhéid is go dteastaíonn comhtháthú cód leanúnach le rialú leagan, tástáil aonaid, tástáil chomhtháthaithe, agus imscaradh forbartha leanúnaí araon. Mar sin féin, i gcás AI/ML, tá roinnt difríochtaí tábhachtacha ann:

• Níl CI (Comhtháthú Leanúnach) teoranta a thuilleadh do chód na gcomhpháirteanna imscartha a thástáil agus a bhailíochtú - áirítear leis freisin tástáil agus bailíochtú sonraí agus samhlacha AI/ML.
• Níl CD (Seachadadh/Imscaradh Leanúnach, imscaradh leanúnach) teoranta do phacáistí nó seirbhísí a scríobh agus a scaoileadh, ach ciallaíonn sé ardán le haghaidh comhdhéanamh, oiliúint agus feidhmiú réitigh AI/ML.
• Is gné nua é CT (Oiliúint Leanúnach, oiliúint leanúnach) [thart ar. údar an ailt: gné nua maidir le coincheap traidisiúnta DevOps, ina bhfuil CT, mar riail, mar Thástáil Leanúnach], atá ina cuid dhílis d’ardáin AI/ML, freagrach as bainistiú uathrialach na meicníochtaí oiliúna agus cur i bhfeidhm AI /ML samhlacha. ..."

Is féidir linn a rá go n-éilíonn foghlaim mheaisín agus intleacht shaorga ag obair ar shonraí fíor-ama sraith uirlisí agus inniúlachtaí níos leithne (ó fhorbairt cód go ceolfhoireann timpeallachtaí samhaltaithe matamaitice), comhtháthú níos dlúithe idir gach réimse feidhme agus ábhar, eagrú níos éifeachtaí daonna agus acmhainní meaisín.

Cás fíor-ama: forbairt lochtanna i gcaidéil bheatha a aithint

Leanúint ar aghaidh ag baint úsáide as an limistéar rialaithe próisis mar shampla, a mheas fadhb ar leith (luaite againn cheana féin ag an tús): ní mór dúinn a chur ar fáil monatóireacht fíor-ama ar fhorbairt na lochtanna i caidéil bunaithe ar an sreabhadh luachanna paraiméadair phróiseas agus tuarascálacha ó phearsanra deisiúcháin faoi lochtanna aitheanta.

Fíor 2 Foirmiú fadhbanna chun monatóireacht a dhéanamh ar fhorbairt lochtanna

Gné chleachtais d’fhormhór na dtascanna a dhéantar ar an mbealach seo go praiticiúil is ea nach mór rialtacht agus éifeachtúlacht na sonraí a fháil (APCS) a mheas i gcomhthéacs teagmhas (agus clárú) lochtanna de chineálacha éagsúla agus go neamhrialta. I bhfocail eile: sroicheann sonraí ón gcóras rialaithe próisis uair sa soicind, ceart agus cruinn, agus déantar nótaí faoi lochtanna le peann luaidhe ceimiceach a léiríonn an dáta i leabhar nótaí ginearálta sa cheardlann (mar shampla: “12.01 - sceitheadh ​​isteach sa chlúdach ó thaobh an 3ú imthacaí”).

Mar sin, is féidir linn foirmliú na faidhbe a fhorlíonadh leis an teorannú tábhachtach seo a leanas: níl ach “lipéad” amháin againn ar locht de chineál ar leith (i.e., léirítear sampla de locht de chineál ar leith le sonraí ón rialú próisis. córas ar dháta faoi leith - agus níl níos mó samplaí againn de locht den chineál áirithe seo). Téann an teorannú seo níos faide ná scóip na foghlama meaisín clasaiceach (foghlaim faoi mhaoirseacht), agus ba chóir go mbeadh go leor “clibeanna” ann dó.

Fíor 3 Soiléiriú ar an tasc chun monatóireacht a dhéanamh ar fhorbairt lochtanna

An féidir linn an t-aon “chlib” a “iolrú” ar bhealach éigin? Is féidir linn. Tá staid reatha na caidéil tréithrithe ag an méid cosúlachta le lochtanna cláraithe. Fiú gan úsáid a bhaint as modhanna cainníochtúla, ag leibhéal an dearcadh amhairc, trí bhreathnú ar dhinimic na luachanna sonraí a thagann ón gcóras rialaithe próisis, is féidir leat go leor a fhoghlaim cheana féin:

Fíor 4 Dinimic riocht an chaidéil i gcoinne chúlra “marc” locht de chineál áirithe

Ach ní hé dearcadh amhairc (ar a laghad faoi láthair) an gineadóir “clibeanna” is oiriúnaí inár gcás atá ag athrú go tapa. Déanfaimid measúnú ar chosúlacht riocht reatha an chaidéil leis na lochtanna tuairiscithe ag baint úsáide as tástáil staidrimh.

Fíor 5 Triail staitistiúil a chur i bhfeidhm ar shonraí ag teacht isteach i gcoinne chúlra “lipéad” fabht

Cinneann tástáil staidrimh an dóchúlacht go bhfuil na taifid le luachanna na bparaiméadar próisis teicneolaíochta sa “sreabhphacáiste” a fhaightear ón gcóras rialaithe próisis cosúil leis na taifid ar an “chlib” de locht de chineál áirithe. Tiontaítear an luach dóchúlachta (innéacs cosúlachta staidrimh) a ríomhtar mar thoradh ar thástáil staitistiúil a chur i bhfeidhm go luach 0 nó 1, agus déantar “lipéad” air le haghaidh meaisínfhoghlama i ngach taifead ar leith sa phacáiste atá á scrúdú le haghaidh cosúlachta. Is é sin, tar éis pacáiste nua-fhaighte de thaifid staid chaidéil le tástáil staidrimh a phróiseáil, tá an deis againn (a) an pacáiste seo a chur leis an tacar oiliúna chun an tsamhail AI/ML a oiliúint agus (b) rialú cáilíochta a dhéanamh ar an tsamhail AI/ML. leagan reatha den tsamhail agus é á úsáid don phacáiste seo.

Fíor 6 Samhail meaisínfhoghlama a chur i bhfeidhm ar shonraí ag teacht isteach i gcoinne chúlra “lipéad” fabht

I gceann dár gcuid roimhe seo webinars Léirímid agus mínímid conas a cheadaíonn ardán IRIS InterSystems duit aon mheicníocht AI/ML a chur i bhfeidhm i bhfoirm próisis ghnó a fhorghníomhú go leanúnach a dhéanann monatóireacht ar iontaofacht na dtorthaí samhaltaithe agus chun paraiméadair mhúnla a oiriúnú. Agus fréamhshamhail dár gcás le caidéil á gcur i bhfeidhm againn, bainimid úsáid as feidhmiúlacht IRIS InterSystems go léir a chuirtear i láthair le linn an tseimineáir - ag cur i bhfeidhm sa phróiseas anailísí mar chuid dár réiteach ní foghlaim chlasaiceach faoi mhaoirseacht, ach foghlaim athneartaithe, a bhainistíonn roghnú na samhlacha oiliúna go huathoibríoch. . Tá taifid sa sampla oiliúna ar a n-eascraíonn “comhdhearcadh braite” tar éis an tástáil staidrimh agus an leagan reatha den tsamhail a chur i bhfeidhm - i.e., an tástáil staidrimh (tar éis an t-innéacs cosúlachta a athrú go 0 nó 1) agus an tsamhail a tháirgtear an toradh. maidir le taifid den sórt sin 1. Le linn oiliúna nua na samhla, le linn a bailíochtaithe (cuirtear an tsamhail nua-oilte i bhfeidhm ar a sampla oiliúna féin, agus réamhthástáil staidrimh á cur i bhfeidhm uirthi), taifid “nár choinnigh” toradh 1 tar éis próiseála. de réir na tástála staidrimh (mar gheall ar láithreacht leanúnach san oiliúint, baintear sampla de thaifid ó “lipéad” bunaidh an lochta), den fhoireann oiliúna, agus foghlaimíonn leagan nua den tsamhail ó “lipéad” an fabht móide na taifid “coinnithe” ón sruth.

Fíor 7 Róbaitiú ar ríomhanna AI/ML in InterSystems IRIS

Má tá gá le cineál “dara tuairim” maidir le cáilíocht an bhraite a fhaightear le linn ríomhanna áitiúla in InterSystems IRIS, cruthaítear próiseas comhairleora chun oiliúint agus cur i bhfeidhm samhlacha a dhéanamh ar thacar sonraí rialaithe ag baint úsáide as seirbhísí néal (mar shampla, Microsoft Azure, Amazon Web Services, Google Cloud Platform, etc.):

Fíor 8 An Dara Tuairim ó Microsoft Azure arna stiúradh ag InterSystems IRIS

Tá fréamhshamhail ár gcás in InterSystems IRIS deartha mar chóras bunaithe ar ghníomhaire de phróisis anailíse a idirghníomhaíonn le réad trealaimh (caidéil), timpeallachtaí samhaltaithe matamaitice (Python, R agus Julia), agus a chinntíonn féinfhoghlaim gach duine atá bainteach leis an AI/ Meicníochtaí ML - ar shruthanna sonraí fíor-ama .

Fíor 9 Príomhfheidhmiúlacht an réitigh AI/ML fíor-ama in InterSystems IRIS

Toradh praiticiúil ár fhréamhshamhail:

• Locht samplach aitheanta ag an tsamhail (12 Eanáir):

• Locht forbraíochta a d’aithin an tsamhail nach raibh san áireamh sa sampla (11 Meán Fómhair, d’aithin an fhoireann deisiúcháin an locht féin ach dhá lá ina dhiaidh sin, ar 13 Meán Fómhair):

Léirigh ionsamhladh ar fhíorshonraí ina bhfuil roinnt eipeasóid den locht céanna go gceadaíonn ár réiteach, a cuireadh i bhfeidhm ar ardán IRIS InterSystems, dúinn forbairt lochtanna den chineál seo a aithint roinnt laethanta sula n-aimsíonn an fhoireann deisiúcháin iad.

InterSystems IRIS - ardán ríomhaireachta fíor-ama AI/ML uilíoch

Simplíonn ardán IRIS InterSystems forbairt, imscaradh agus oibriú réitigh sonraí fíor-ama. Tá InterSystems IRIS in ann próiseáil sonraí idirbheartaíochta agus anailíse a dhéanamh ag an am céanna; tacú le tuairimí sonraí sioncronaithe de réir samhlacha iolracha (lena n-áirítear samhlacha coibhneasta, ordlathacha, oibiachta agus doiciméad); gníomhú mar ardán chun raon leathan foinsí sonraí agus feidhmchláir aonair a chomhtháthú; ard-anailísíocht fíor-ama a sholáthar ar shonraí struchtúrtha agus neamhstruchtúrtha. Soláthraíonn InterSystems IRIS meicníochtaí freisin chun uirlisí anailíse seachtracha a úsáid agus ceadaíonn sé comhcheangal solúbtha d’óstáil sa scamall agus ar fhreastalaithe áitiúla.

Déantar feidhmchláir a tógadh ar ardán IRIS InterSystems a imscaradh ar fud tionscail éagsúla, ag cabhrú le cuideachtaí tairbhí eacnamaíocha suntasacha a bhaint amach ó pheirspictíocht straitéiseach agus oibriúcháin, ag méadú cinnteoireacht eolasach agus ag líonadh na bearnaí idir imeacht, anailís agus gníomh.

Fíor 10 Ailtireacht InterSystems IRIS i gcomhthéacs AI/ML fíor-ama

Cosúil leis an léaráid roimhe seo, comhcheanglaíonn an léaráid thíos an “córas comhordanáidí” nua (CD/CI/CT) le léaráid den sreabhadh faisnéise idir gnéithe oibre an ardáin. Tosaíonn an léirshamhlú leis an CD macromechanism agus leanann sé leis na macromeicníochtaí CI agus CT.

Fíor 11 Léaráid de shreafaí faisnéise idir gnéithe AI/ML den ardán IRIS InterSystems

Bunús na meicníochta CD in InterSystems IRIS: déanann úsáideoirí ardán (forbróirí réitigh AI/ML) forbairtí AI/ML atá ann cheana féin a oiriúnú agus/nó forbairtí AI/ML nua a chruthú ag baint úsáide as saineagarthóir cód le haghaidh meicníochtaí AI/ML: Jupyter (ainm iomlán: Jupyter Notebook; Ar mhaithe le gort, tugtar uaireanta freisin ar dhoiciméid a chruthaítear san eagarthóir seo). In Jupyter, tá an deis ag forbróir feidhmíocht sainfhorbairt AI/ML a scríobh, a dhífhabhtú agus a fhíorú (lena n-áirítear úsáid a bhaint as grafaic) sula gcuirtear (“imlonnaithe”) é in InterSystems IRIS. Tá sé soiléir go bhfaighidh forbairt nua a cruthaíodh ar an mbealach seo ach dífhabhtaithe bunúsacha (ós rud é, go háirithe, nach n-oibríonn Iúpatar le sruthanna sonraí fíor-ama) - tá sé seo in ord na rudaí, mar is é an príomh-thoradh ar fhorbairt i Jupyter. is deimhniú é maidir le hinoibritheacht bhunúsach meicníochta AI / ML ar leith (“léiríonn sé an toradh ionchais ar shampla sonraí”). Mar an gcéanna, d’fhéadfadh go mbeadh gá le “rolladh siar” chuig foirm “réamh-ardán” do mheicníocht atá curtha san ardán cheana féin (féach na macra-mheicníochtaí seo a leanas) roimh dhífhabhtú in Iúpatar (sonraí ó chomhaid a léamh, ag obair le sonraí trí xDBC in ionad táblaí, idirghníomhú díreach le domhanda - eagair sonraí iltoiseacha InterSystems IRIS – etc.).

Gné thábhachtach de chur i bhfeidhm CD in InterSystems IRIS: tá comhtháthú déthreoch curtha i bhfeidhm idir an t-ardán agus Jupyter, rud a fhágann gur féidir ábhar i Python, R agus Julia a aistriú chuig an ardán (agus, ina dhiaidh sin, próiseáilte san ardán) (is ríomhchlárú iad na trí cinn ar fad). teangacha sna príomhtheangacha foinse oscailte comhfhreagracha). Mar sin, tá deis ag forbróirí ábhair AI/ML “imscaradh leanúnach” a dhéanamh ar an ábhar seo san ardán, ag obair ina n-eagarthóir eolach ar Jupyter, le leabharlanna a bhfuil aithne orthu ar fáil i Python, R, Julia, agus ag déanamh dífhabhtaithe bunúsach (más gá). lasmuigh den ardán.

A ligean ar bogadh ar aghaidh go dtí an mheicníocht macra CI in InterSystems IRIS. Taispeánann an léaráid próiseas macra an “robotizer fíor-ama” (coimpléasc de struchtúir sonraí, próisis ghnó agus blúirí cód arna n-eagrú acu i dteangacha matamaitice agus ObjectScript - teanga forbartha dúchais InterSystems IRIS). Is é an tasc atá leis an bpróiseas macra seo ná na scuainí sonraí atá riachtanach chun meicníochtaí AI/ML a oibriú a choinneáil (bunaithe ar shruthanna sonraí a tharchuirtear chuig an ardán i bhfíor-am), cinntí a dhéanamh maidir le seicheamh an iarratais agus an “ilchineál” de AI/ Meicníochtaí ML (is “algartam matamaitice” iad freisin, “samhlacha”, etc. – a ghlaoch ar bhealach éagsúil ag brath ar shainiúlachtaí an chur chun feidhme agus roghanna téarmaíochta), struchtúir sonraí a choinneáil cothrom le dáta chun anailís a dhéanamh ar thorthaí obair AI/ Meicníochtaí ML (ciúbanna, táblaí, eagair sonraí iltoiseacha, etc.).

Gné thábhachtach de chur i bhfeidhm CI in InterSystems IRIS: tá comhtháthú déthreoch curtha i bhfeidhm idir timpeallachtaí an ardáin agus samhaltú matamaitice, rud a ligeann duit ábhar a óstáiltear san ardán i Python, R agus Julia a fhorghníomhú ina dtimpeallachtaí faoi seach agus na torthaí forghníomhaithe a fháil ar ais. Cuirtear an comhtháthú seo i bhfeidhm i “mód críochfoirt” (i.e., foirmítear ábhar AI/ML mar chód ObjectScript a dhéanann glaonna ar an gcomhshaol) agus i “mód próisis ghnó” (i.e., foirmítear ábhar AI/ML mar phróiseas gnó ag baint úsáide as eagarthóir grafach, nó uaireanta ag baint úsáide as Jupyter, nó ag baint úsáide as IDE - IRIS Studio, Eclipse, Visual Studio Code). Léirítear infhaighteacht próiseas gnó le haghaidh eagarthóireachta in Iúpatar tríd an gceangal idir IRIS ag leibhéal CI agus Jupyter ag leibhéal an CD. Tá forbhreathnú níos mionsonraithe ar an gcomhtháthú le timpeallachtaí samhaltaithe matamaitice ar fáil thíos. Ag an gcéim seo, inár dtuairim, tá gach cúis ann lena chinntiú go bhfuil na huirlisí riachtanacha go léir ag an ardán chun “comhtháthú leanúnach” forbairtí AI/ML a chur i bhfeidhm (ag teacht ó “imscaradh leanúnach”) i réitigh AI/ML fíor-ama.

Agus an príomh-mheicníocht macra: CT. Gan é, ní bheidh aon ardán AI/ML (cé go gcuirfear “fíor-am” i bhfeidhm trí CD/CI). Is é croílár CT obair an ardáin le “déantáin” foghlama meaisín agus intleacht shaorga go díreach i seisiúin oibre de thimpeallachtaí samhaltaithe matamaitice: samhlacha, táblaí dáileacháin, veicteoirí maitrís, sraitheanna de líonraí néaracha, etc. Is éard atá sa "obair", i bhformhór na gcásanna, na déantáin luaite a chruthú i dtimpeallachtaí (i gcás samhlacha, mar shampla, is éard atá i "cruthú" sonraíocht an mhúnla a shocrú agus luachanna a pharaiméadair a roghnú ina dhiaidh sin - “oiliúint” na samhla mar a thugtar air), a gcur i bhfeidhm (do mhúnlaí: ríomh lena cabhair ó luachanna “múnla” na n-athróg sprice - réamhaisnéisí, ballraíocht i gcatagóirí, dóchúlacht imeachta, etc.) agus feabhsú cheana féin déantáin chruthaithe agus fheidhmithe (mar shampla, sraith athróg ionchuir samhail a ath-shainmhíniú bunaithe ar thorthaí an iarratais - chun cruinneas réamhaisnéise a fheabhsú, mar rogha). Is é an príomhphointe chun ról CT a thuiscint ná “asbhaint” ó réaltachtaí CD agus CI: Cuirfidh CT na déantáin go léir i bhfeidhm, ag díriú ar shonraí ríomhaireachta agus matamaitice an réitigh AI/ML laistigh de na cumais a sholáthraíonn timpeallachtaí ar leith. Is ar CD agus CI a bheidh an fhreagracht “ionchuir a sholáthar” agus “aschuir a sheachadadh”.

Gné thábhachtach de chur i bhfeidhm CT go sonrach in InterSystems IRIS: trí úsáid a bhaint as an gcomhtháthú le timpeallachtaí samhaltaithe matamaitice a luadh thuas, tá an cumas ag an ardán na déantáin sin a bhaint as seisiúin oibre atá á reáchtáil faoina rialú i dtimpeallachtaí matamaitice agus (is tábhachtaí) cas. iad isteach i réada sonraí ardán. Mar shampla, is féidir tábla dáileacháin atá díreach cruthaithe i seisiún oibre Python a aistriú (gan stop a chur leis an seisiún Python) chuig an ardán i bhfoirm, mar shampla, domhanda (eagar sonraí iltoiseach InterSystems IRIS) - agus a úsáid. le haghaidh ríomhaireachtaí i meicníocht AI/ML- eile (arna chur i bhfeidhm i dteanga timpeallachta eile - mar shampla, in R) - nó tábla fíorúil. Sampla eile: ag an am céanna le “gnáth mód” oibríocht an mhúnla (i seisiún oibre Python), déantar “auto-ML” ar a shonraí ionchuir: roghnú uathoibríoch na n-athróg ionchuir is fearr agus na luachanna paraiméadar. Agus in éineacht leis an oiliúint “rialta”, faigheann samhail tháirgiúil i bhfíor-am “togra le haghaidh leas iomlán a bhaint” dá sonraíocht - ina n-athraíonn sraith na n-athróg ionchuir, athraíonn luachanna na bparaiméadar (ní mar thoradh ar oiliúint a thuilleadh). i Python, ach mar thoradh ar oiliúint le leagan “eile”” de féin, mar an chruach H2O), rud a ligeann don réiteach iomlán AI/ML dul i ngleic go neamhspleách le hathruithe gan choinne i nádúr na sonraí ionchuir agus na feiniméin atá á samhaltú. .

Cuirimis aithne níos mine ar fheidhmiúlacht ardán AI/ML InterSystems IRIS, ag baint úsáide as an sampla de fhréamhshamhail fíor-saoil.

Sa léaráid thíos, ar thaobh na láimhe clé den sleamhnán tá cuid den phróiseas gnó a chuireann feidhmiú scripteanna i Python agus R. Sa chuid lárnach tá logaí amhairc ar fhorghníomhú cuid de na scripteanna seo, faoi seach, in Python agus R. Díreach taobh thiar díobh tá samplaí d'inneachar ar theanga amháin agus ar theanga eile, a aistrítear lena chur i gcrích go dtí na timpeallachtaí cuí. Ag an deireadh ar dheis tá léirshamhlú bunaithe ar thorthaí fhorghníomhú scripte. Rinneadh na léirshamhlú ag an mbarr ar IRIS Analytics (tógadh sonraí ó Python isteach san ardán sonraí InterSystems IRIS agus taispeánadh iad ar phainéal ag baint úsáide as an ardán), ag an mbun rinneadh go díreach sa seisiún oibre R agus aschuir as sin go comhaid grafacha . Gné thábhachtach: tá an blúire a chuirtear i láthair sa fhréamhshamhail freagrach as oiliúint a chur ar an tsamhail (aicmiú staid an trealaimh) ar shonraí a fhaightear i bhfíor-am ón bpróiseas ionsamhlóra trealaimh, ar ordú ón bpróiseas monatóireachta cáilíochta aicmithe a breathnaíodh le linn chur i bhfeidhm an mhúnla. Déanfar tuilleadh plé ar chur i bhfeidhm réiteach AI/ML i bhfoirm sraith próiseas idirghníomhaithe (“gníomhairí”).

Fíor 12 Idirghníomhaíocht le Python, R agus Julia in InterSystems IRIS

Próisis ardáin (is “próisis ghnó”, “próisis anailíse”, “píblínte”, etc. - ag brath ar an gcomhthéacs) iad freisin, a chuirtear in eagar san eagarthóir grafach próisis ghnó san ardán féin, agus ina leithéid de chás. an chaoi a gcruthaítear a blocléaráid agus an mheicníocht chomhfhreagrach AI/ML (cód cláir) ag an am céanna. Nuair a deirimid go bhfaightear “meicníocht AI/ML,” is éard atá i gceist againn ar dtús ná hibrideacht (laistigh de phróiseas amháin): tá ábhar i dteangacha na timpeallachtaí samhaltaithe matamaitice cóngarach d’inneachar i SQL (lena n-áirítear síntí ó ComhtháiteML), in InterSystems ObjectScript, le teangacha eile a dtacaítear leo. Ina theannta sin, cuireann próiseas an ardáin deiseanna an-leathan ar fáil do “rindreáil” i bhfoirm blúirí neadaithe ordlathach (mar atá le feiceáil sa sampla sa léaráid thíos), a ligeann duit fiú ábhar an-chasta a eagrú go héifeachtach gan “titim amach” riamh. » modhanna/ranganna/gnáthaimh, etc.). Is é sin, más gá (agus tá sé tuartha i bhformhór na dtionscadal), is féidir an réiteach AI/ML iomlán a chur i bhfeidhm i bhformáid ghrafach féindoiciméadaithe. Tabhair faoi deara le do thoil go bhfuil sé soiléir sa chuid lárnach den léaráid thíos, a léiríonn “leibhéal neadaithe” níos airde, chomh maith leis an obair iarbhír a bhaineann le hoiliúint a chur ar an tsamhail (ag baint úsáide as Python agus R), anailís ar an modh ar a dtugtar Cuirtear cuar ROC den tsamhail oilte leis, rud a ligeann do cháilíocht na hoiliúna a mheas go radhairc (agus go ríomhaireacht freisin) - agus cuirtear an anailís seo i bhfeidhm i dteanga Julia (arna fhorghníomhú, dá réir sin, i dtimpeallacht matamaitice Julia).

Fíor 13 Timpeallacht amhairc maidir le comhdhéanamh réitigh AI/ML in InterSystems IRIS

Mar a luadh cheana, déanfar forbairt tosaigh agus (i gcásanna áirithe) na meicníochtaí AI/ML atá curtha i bhfeidhm cheana féin san ardán lasmuigh den ardán in eagarthóir Jupyter. Sa léaráid thíos feicimid sampla de phróiseas ardáin atá ann cheana féin a oiriúnú (mar an gcéanna leis an léaráid thuas) - is é seo an chaoi a bhfuil cuma ar an blúire atá freagrach as an tsamhail a oiliúint i Iúpatar. Tá ábhar Python ar fáil le haghaidh eagarthóireachta, dífhabhtaithe, agus aschur grafaic go díreach in Jupyter. Is féidir athruithe (más gá) a dhéanamh le sioncrónú toirt isteach sa phróiseas ardán, lena n-áirítear a leagan táirgiúil. Is féidir ábhar nua a aistriú chuig an ardán ar bhealach comhchosúil (gintear próiseas ardáin nua go huathoibríoch).

Fíor 14 Leabhar nótaí Jupyter a úsáid chun an t-inneall AI/ML a chur in eagar san ardán InterSystems IRIS

Is féidir próiseas ardáin a oiriúnú ní hamháin i bhformáid ghrafach nó ríomhaire glúine - ach freisin san fhormáid “iomlán” IDE (Timpeallacht Forbartha Chomhtháite). Is iad na IDEanna seo ná IRIS Studio (stiúideo dúchais IRIS), Visual Studio Code (síneadh IRIS InterSystems do VSCode) agus Eclipse (breiseán Atelier). I gcásanna áirithe, is féidir le foireann forbartha na trí IDE a úsáid go comhuaineach. Taispeánann an léaráid thíos sampla d’eagarthóireacht ar an bpróiseas céanna i stiúideo IRIS, in Visual Studio Code agus in Eclipse. Tá an t-ábhar ar fad ar fáil le haghaidh eagarthóireachta: Python/R/Julia/SQL, ObjectScript, agus próiseas gnó.

Fíor 15 Forbairt ar phróiseas gnó IRIS InterSystems i IDEanna éagsúla

Tá tagairt ar leith tuillte ag na huirlisí chun próisis ghnó InterSystems IRIS sa Teanga Próisis Ghnó (BPL) a thuairisciú agus a chur i gcrích. Fágann BPL gur féidir “comhpháirteanna comhtháthaithe réidh” (gníomhaíochtaí) a úsáid i bpróisis ghnó - rud a thugann gach cúis le rá go gcuirtear “comhtháthú leanúnach” i bhfeidhm in InterSystems IRIS. Is luasaire cumhachtach iad comhpháirteanna próisis ghnó réamhdhéanta (gníomhaíochtaí agus naisc eatarthu) chun réiteach AI/ML a chur le chéile. Agus ní hamháin tionóil: a bhuí leis na gníomhaíochtaí agus na naisc eatarthu thar fhorbairtí agus meicníochtaí difreálach AI/ML, tagann “ciseal bainistíochta uathrialaitheach” chun cinn, atá in ann cinntí a dhéanamh de réir an cháis, i bhfíor-am.

Fíor 16 Comhpháirteanna próisis ghnó réidh le haghaidh comhtháthú leanúnach (CI) ar ardán IRIS InterSystems

Tá seasamh láidir ag coincheap na gcóras oibreán (ar a dtugtar “córais ilghníomhaire freisin”) i róbaitiú, agus tacaíonn ardán IRIS InterSystems go horgánach leis tríd an tógáil “táirge-phróiseas”. Chomh maith leis na féidearthachtaí neamhtheoranta chun gach próiseas a “líonadh” leis an bhfeidhmiúlacht atá riachtanach don réiteach iomlán, má thugann an t-airí “gníomhaireacht” don chóras próisis ardáin is féidir leat réitigh éifeachtacha a chruthú le haghaidh feiniméin ionsamhlaithe atá thar a bheith éagobhsaí (iompar sóisialta / gníomhaireachta). bithchórais, próisis teicneolaíochta inbhraite go páirteach, etc.).

Fíor 16 Réiteach AI/ML a oibriú mar chóras próisis ghnó bunaithe ar ghníomhaire in InterSystems IRIS

Leanaimid lenár n-athbhreithniú ar InterSystems IRIS le scéal faoi úsáid fheidhmeach an ardáin chun ranganna iomlána fadhbanna fíor-ama a réiteach (is féidir réamhrá measartha mionsonraithe ar chuid de na cleachtais is fearr a bhaineann le hardán AI/ML ar InterSystems IRIS a fháil i gceann amháin). dár roimhe webinars).

Te ar shála an léaráid roimhe seo, thíos tá léaráid níos mionsonraithe den chóras gníomhaire. Taispeánann an léaráid an fhréamhshamhail chéanna, tá na ceithre phróiseas gníomhairí go léir le feiceáil, déantar na caidrimh eatarthu a tharraingt go scéimreach: GENERATOR - próisis cruthú sonraí ag braiteoirí trealaimh, BUFFER - bainistíonn scuainí sonraí, ANAILÍSÍ - déanann sé foghlaim meaisín féin, MONATÓIREACHT - déanann sé monatóireacht ar an cáilíocht na meaisínfhoghlama agus cuireann sé comhartha isteach faoin ngá atá leis an tsamhail a athoiliúint.

Fíor 17 Comhdhéanamh réitigh AI/ML i bhfoirm córais próisis ghnó bunaithe ar ghníomhaire in InterSystems IRIS

Léiríonn an léaráid thíos feidhmiú uathrialach fhréamhshamhail róbatach eile (aitheantas ar dhathú mothúchánach téacsanna) le tamall anuas. Sa chuid uachtarach tá éabhlóid an táscaire cáilíochta oiliúna múnla (tá cáilíocht ag fás), sa chuid íochtarach tá dinimic an táscaire cáilíochta maidir le cur i bhfeidhm múnla agus fíricí na hoiliúna arís agus arís eile (stripes dearga). Mar a fheiceann tú, d'fhoghlaim an réiteach é féin go héifeachtach agus go neamhspleách, agus oibríonn sé ar leibhéal cáilíochta ar leith (ní thiteann luachanna scór cáilíochta faoi bhun 80%).

Fíor 18 Oiliúint leanúnach (féin) (CT) ar ardán IRIS InterSystems

Luaíomar “auto-ML” níos luaithe freisin, ach taispeánann an léaráid thíos úsáid na feidhme seo go mion ag baint úsáide as sampla fréamhshamhail eile. Taispeánann an léaráid ghrafach de bhlúire de phróiseas gnó an ghníomhaíocht a spreagann an samhaltú sa chruach H2O, taispeánann sé torthaí an tsamhaltaithe seo (ceannasacht soiléir na samhla a bhíonn mar thoradh air ar mhúnlaí “déanta de dhéantús an duine”, de réir na léaráide comparáide de Cuar ROC, chomh maith le sainaithint uathoibrithe na “n-athróg is mó tionchair” atá ar fáil sa bhunthacar sonraí). Pointe tábhachtach anseo is ea an t-am agus na hacmhainní saineolacha a shábháil a bhaintear amach trí “uath-ML”: féadfaidh an méid a dhéanann ár bpróiseas ardáin i leath nóiméad (an tsamhail is fearr a aimsiú agus a oiliúint) saineolaí a thógáil ó sheachtain go mí.

Fíor 19 “uath-ML” a chomhtháthú le réiteach AI/ML ar ardán IRIS InterSystems

Is beag a chailleann an léaráid thíos an pointe, ach is bealach maith é chun deireadh a chur leis an scéal faoi na haicmí fadhbanna fíor-ama atá á réiteach: cuirimid i gcuimhne duit, le cumais uile ardán InterSystems IRIS, go bhfuil samhlacha oiliúna faoina rialú. ní éigeantach. Is féidir leis an ardán sonraíocht PMML mar a thugtar air den mhúnla a fháil ón taobh amuigh, oilte in uirlis nach bhfuil faoi rialú an ardáin - agus an múnla seo a chur i bhfeidhm i bhfíor-am ón nóiméad a allmhairítear é. Sonraíochtaí PMML. Tá sé tábhachtach a chur san áireamh nach féidir gach déantán AI/ML a laghdú go sonraíocht PMML, fiú má cheadaíonn an chuid is mó de na déantáin is coitianta é seo. Mar sin, is “lúb oscailte” é ardán IRIS InterSystems agus ní chiallaíonn sé “sclábhaíocht ardáin” d’úsáideoirí.

Fíor 20 “uath-ML” a chomhtháthú le réiteach AI/ML ar ardán IRIS InterSystems

Déanaimis liosta de na buntáistí ardán breise a bhaineann le InterSystems IRIS (ar mhaithe le soiléireacht, maidir le rialú próisis), a bhfuil tábhacht mhór ag baint leo in uathoibriú na hintleachta saorga agus na meaisínfhoghlama fíor-ama:

• Uirlisí comhtháthaithe forbartha le haon fhoinsí sonraí agus tomhaltóirí (córas rialaithe próisis/SCADA, trealamh, MRO, ERP, etc.)
• Tógtha DBMS ilshamhail do phróiseáil ardfheidhmíochta idirbheartaíochta agus anailíseach (Idirbheart Hibrid/Próiseáil Anailíseach, HTAP) ar aon toirt de shonraí próisis teicneolaíochta
• Uirlisí forbartha chun innill AI/ML a imscaradh go leanúnach le haghaidh réitigh fíor-ama bunaithe ar Python, R, Julia
• Próisis ghnó oiriúnaitheacha le haghaidh comhtháthú leanúnach agus (féin)fhoghlaim inneall réitigh AI/ML fíor-ama
• Uirlisí Faisnéise Gnó ionsuite chun sonraí próisis agus torthaí réiteach AI/ML a léirshamhlú
• Bainistíocht API chun torthaí an réitigh AI/ML a sheachadadh ar chórais rialaithe próisis/SCADA, córais faisnéise agus anailíse, foláirimh a sheoladh, etc.

Tagann réitigh AI/ML ar ardán IRIS InterSystems go héasca leis an mbonneagar TF atá ann cheana féin. Cinntíonn ardán InterSystems IRIS ard-iontaofacht réitigh AI/ML trí thacú le cumraíochtaí fabht-fhulangacha agus tubaistí-fhulangacha agus imscaradh solúbtha i dtimpeallachtaí fíorúla, ar fhreastalaithe fisiceacha, i scamaill phríobháideacha agus phoiblí, agus i gcoimeádáin Docker.

Mar sin, is ardán ríomhaireachta fíor-ama AI/ML uilíoch é InterSystems IRIS. Deimhnítear go praiticiúil uilíocht ár n-ardán trí easpa srianta de facto ar chastacht na n-áireamh curtha i bhfeidhm, cumas InterSystems IRIS chun cásanna a phróiseáil (i bhfíor-am) cásanna ó raon leathan tionscal a chomhcheangal, agus inoiriúnaitheacht eisceachtúil na n-áireamh. aon fheidhmeanna agus meicníochtaí ardáin de réir riachtanais shonracha na n-úsáideoirí.

Fíor 21 InterSystems IRIS - ardán ríomhaireachta fíor-ama AI/ML uilíoch

Chun idirghníomhaíocht níos substaintiúla a bheith agat leo siúd dár léitheoirí a bhfuil suim acu san ábhar a chuirtear i láthair anseo, molaimid gan tú féin a theorannú chun é a léamh agus leanúint leis an idirphlé “beo.” Beimid sásta tacaíocht a sholáthar le foirmiú cásanna fíor-ama AI/ML maidir le sonraí do chuideachta, comhfhréamhshamhail a dhéanamh ar ardán IRIS InterSystems, plean oibre a cheapadh agus a chur i bhfeidhm go praiticiúil chun hintleacht shaorga agus meaisínfhoghlaim a thabhairt isteach. isteach i do phróisis táirgthe agus bainistíochta. Ríomhphost Teagmhála ár bhFoireann Saineolaithe AI/ML - [ríomhphost faoi chosaint].

Foinse: will.com