InterSystems IRIS - એક સાર્વત્રિક રીઅલ-ટાઇમ AI/ML પ્લેટફોર્મ

લેખક: સેર્ગેઈ લુક્યાન્ચિકોવ, ઇન્ટરસિસ્ટમ્સના કન્સલ્ટિંગ એન્જિનિયર

રીઅલ-ટાઇમ AI/ML કમ્પ્યુટિંગ કૉલ્સ

ચાલો ઇન્ટરસિસ્ટમ્સમાં ડેટા સાયન્સ પ્રેક્ટિસના અનુભવમાંથી ઉદાહરણો સાથે પ્રારંભ કરીએ:

• લોડ થયેલ ખરીદદાર પોર્ટલ ઓનલાઈન ભલામણ સિસ્ટમ સાથે જોડાયેલ છે. સમગ્ર રિટેલ નેટવર્કમાં પ્રમોશનનું પુનર્ગઠન કરવામાં આવશે (ઉદાહરણ તરીકે, પ્રમોશનની "ફ્લેટ" લાઇનને બદલે, હવે "સેગમેન્ટ-ટેક્ટિક્સ" મેટ્રિક્સનો ઉપયોગ કરવામાં આવશે). ભલામણ એન્જિનનું શું થાય છે? ભલામણ એન્જિનમાં ડેટા સબમિટ અને અપડેટ કરવાનું શું થાય છે (ઇનપુટ ડેટાનું પ્રમાણ 25000 ગણું વધી ગયું છે)? ભલામણોના વિકાસનું શું થાય છે (તેમની સંખ્યા અને "શ્રેણી" માં હજાર ગણો વધારો થવાને કારણે ભલામણ નિયમોના ફિલ્ટરિંગ થ્રેશોલ્ડને હજાર ગણો ઘટાડવાની જરૂર છે)?
• સાધનસામગ્રીના ઘટકોમાં વિકસતી ખામીઓની સંભાવના પર દેખરેખ રાખવા માટેની સિસ્ટમ છે. એક સ્વયંસંચાલિત પ્રક્રિયા નિયંત્રણ સિસ્ટમ મોનિટરિંગ સિસ્ટમ સાથે જોડાયેલ હતી, જે દર સેકન્ડે હજારો તકનીકી પ્રક્રિયા પરિમાણોને પ્રસારિત કરે છે. મોનિટરિંગ સિસ્ટમનું શું થાય છે જેણે અગાઉ "મેન્યુઅલ સેમ્પલ" પર કામ કર્યું હતું (શું તે સેકન્ડ-બાય-સેકન્ડ પ્રોબેબિલિટી મોનિટરિંગ પ્રદાન કરવામાં સક્ષમ છે)? જો પ્રોસેસ કંટ્રોલ સિસ્ટમમાં તાજેતરમાં ઉમેરવામાં આવેલા સેન્સર્સના રીડિંગ્સ સાથે ઇનપુટ ડેટામાં કેટલાક સો કૉલમનો નવો બ્લોક દેખાય તો શું થશે (શું તે જરૂરી રહેશે અને વિશ્લેષણમાં નવા સેન્સરમાંથી ડેટા શામેલ કરવા માટે મોનિટરિંગ સિસ્ટમને કેટલા સમય માટે બંધ કરવી? )?
• AI/ML મિકેનિઝમ્સનો સમૂહ (ભલામણ, દેખરેખ, આગાહી) બનાવવામાં આવ્યો છે જે એકબીજાના કાર્યના પરિણામોનો ઉપયોગ કરે છે. આ કોમ્પ્લેક્સની કામગીરીને ઇનપુટ ડેટામાં ફેરફાર સાથે અનુકૂલિત કરવા માટે દર મહિને કેટલા માનવ-કલાકની જરૂર પડે છે? જ્યારે મેનેજમેન્ટ નિર્ણય-નિર્ધારણ સંકુલ (નવા ઇનપુટ ડેટાની ઘટનાની આવર્તન સાથે સંબંધિત નવી સહાયક માહિતીની ઘટનાની આવર્તન) દ્વારા સમર્થિત હોય ત્યારે સામાન્ય "મંદી" શું છે?

આ અને અન્ય ઘણા ઉદાહરણોનો સારાંશ આપતાં, અમે વાસ્તવિક સમયમાં મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ મિકેનિઝમ્સના ઉપયોગ તરફ આગળ વધતી વખતે ઊભી થતી પડકારોની રચના કરવા આવ્યા છીએ:

• શું અમે અમારી કંપનીમાં AI/ML વિકાસના સર્જન અને અનુકૂલનની ઝડપથી સંતુષ્ટ છીએ?
• અમે જે AI/ML સોલ્યુશન્સનો ઉપયોગ કરીએ છીએ તે રીઅલ-ટાઇમ બિઝનેસ મેનેજમેન્ટને કેટલું સમર્થન આપે છે?
• અમે જે AI/ML સોલ્યુશન્સનો ઉપયોગ કરીએ છીએ તે સ્વતંત્ર રીતે (વિકાસકર્તાઓ વિના) ડેટા અને બિઝનેસ મેનેજમેન્ટ પ્રેક્ટિસમાં થતા ફેરફારોને સ્વીકારવા સક્ષમ છે?

અમારો લેખ એઆઈ/એમએલ મિકેનિઝમ્સની જમાવટ, એઆઈ/એમએલ સોલ્યુશન્સની એસેમ્બલી (એકીકરણ) અને સઘન પર એઆઈ/એમએલ સોલ્યુશન્સની તાલીમ (પરીક્ષણ) માટે સાર્વત્રિક સમર્થનના સંદર્ભમાં ઇન્ટરસિસ્ટમ્સ આઈઆરઆઈએસ પ્લેટફોર્મની ક્ષમતાઓની સંપૂર્ણ ઝાંખી છે. ડેટા સ્ટ્રીમ્સ. અમે આ લેખમાં માર્કેટ રિસર્ચ, AI/ML સોલ્યુશન્સના કેસ સ્ટડીઝ અને જેને આપણે રીઅલ-ટાઇમ AI/ML પ્લેટફોર્મ કહીએ છીએ તેના વૈચારિક પાસાઓ જોઈશું.

સર્વેક્ષણોમાંથી આપણે શું જાણીએ છીએ: રીઅલ-ટાઇમ એપ્લિકેશન

રિઝલ્ટ સર્વેક્ષણLightbend દ્વારા 800 માં લગભગ 2019 IT વ્યાવસાયિકો વચ્ચે હાથ ધરવામાં આવ્યું હતું, પોતાના માટે બોલો:

આકૃતિ 1 રીઅલ-ટાઇમ ડેટાના અગ્રણી ગ્રાહકો

ચાલો અમારા અનુવાદમાં આ સર્વેક્ષણના પરિણામો પરના અહેવાલના મહત્વપૂર્ણ ટુકડાઓ ટાંકીએ:

"... ડેટા સ્ટ્રીમ્સને એકીકૃત કરવા માટેના સાધનોની લોકપ્રિયતામાં વલણો અને, તે જ સમયે, કન્ટેનરમાં કમ્પ્યુટિંગને ટેકો આપવાથી અસરકારક ઉકેલોના વધુ પ્રતિભાવશીલ, તર્કસંગત, ગતિશીલ દરખાસ્ત માટે બજારની વિનંતીને સિનર્જિસ્ટિક પ્રતિસાદ મળે છે. સ્ટ્રીમિંગ ડેટા પરંપરાગત પેકેટ ડેટા કરતાં વધુ ઝડપથી માહિતીનું પરિવહન કરે છે. આમાં કોમ્પ્યુટેશનલ પદ્ધતિઓ ઝડપથી લાગુ કરવાની ક્ષમતા ઉમેરવામાં આવી છે, જેમ કે, ઉદાહરણ તરીકે, AI/ML-આધારિત ભલામણો, વધેલા ગ્રાહક સંતોષ દ્વારા સ્પર્ધાત્મક લાભો બનાવવા. ચપળતા માટેની રેસ DevOps પેરાડાઈમમાં તમામ ભૂમિકાઓને પણ અસર કરે છે - એપ્લિકેશન ડેવલપમેન્ટ અને જમાવટને વધુ કાર્યક્ષમ બનાવે છે. … આઠસો અને ચાર આઇટી પ્રોફેશનલ્સે તેમની સંસ્થાઓમાં ડેટા ફ્લોના ઉપયોગ અંગે માહિતી પૂરી પાડી હતી. ઉત્તરદાતાઓ મુખ્યત્વે પશ્ચિમી દેશોમાં સ્થિત હતા (યુરોપમાં 41% અને ઉત્તર અમેરિકામાં 37%) અને તેઓ નાની, મધ્યમ અને મોટી કંપનીઓ વચ્ચે લગભગ સમાનરૂપે વહેંચાયેલા હતા. ...

... આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ હાઇપ નથી. ઉત્પાદકતા AI/ML એપ્લિકેશન્સમાં ડેટા સ્ટ્રીમ પ્રોસેસિંગનો ઉપયોગ કરનારાઓમાંથી અઠ્ઠાવન ટકા પુષ્ટિ કરે છે કે આગામી વર્ષમાં (અન્ય એપ્લિકેશન્સની તુલનામાં) તેમના AI/MLના ઉપયોગમાં સૌથી વધુ વૃદ્ધિ જોવા મળશે.

• મોટાભાગના ઉત્તરદાતાઓ અનુસાર, AI/ML દૃશ્યોમાં ડેટા સ્ટ્રીમનો ઉપયોગ આવતા વર્ષમાં સૌથી વધુ વૃદ્ધિ જોવા મળશે.
• AI/ML માં એપ્લિકેશનો માત્ર પ્રમાણમાં નવા પ્રકારનાં દૃશ્યોને કારણે જ નહીં, પરંતુ પરંપરાગત દૃશ્યોને કારણે પણ વધશે જેમાં વાસ્તવિક સમયનો ડેટા વધુને વધુ ઉપયોગમાં લેવાય છે.
• AI/ML ઉપરાંત, IoT ડેટા પાઇપલાઇન્સના વપરાશકર્તાઓમાં ઉત્સાહનું સ્તર પ્રભાવશાળી છે - 48% જેઓએ પહેલેથી જ IoT ડેટાને એકીકૃત કર્યો છે તેઓ કહે છે કે આ ડેટા પરના દૃશ્ય અમલીકરણમાં નજીકના ભવિષ્યમાં નોંધપાત્ર વધારો જોવા મળશે. ..."

આ એકદમ રસપ્રદ સર્વેક્ષણમાંથી, તે સ્પષ્ટ છે કે ડેટા સ્ટ્રીમના વપરાશમાં અગ્રણી તરીકે મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ દૃશ્યોની ધારણા પહેલેથી જ "માર્ગ પર છે." પરંતુ એક સમાન મહત્વપૂર્ણ અવલોકન એ DevOps ના લેન્સ દ્વારા રીઅલ-ટાઇમ AI/ML ની ​​ધારણા છે: અહીં આપણે પહેલેથી જ "સંપૂર્ણ સુલભ ડેટા સેટ સાથે નિકાલજોગ AI/ML" ની હજુ પણ પ્રભાવશાળી સંસ્કૃતિના પરિવર્તન વિશે વાત કરવાનું શરૂ કરી શકીએ છીએ.

રીઅલ-ટાઇમ AI/ML પ્લેટફોર્મ ખ્યાલ

રીઅલ-ટાઇમ AI/ML માટે એક લાક્ષણિક એપ્લિકેશન ક્ષેત્ર ઉત્પાદનમાં પ્રક્રિયા નિયંત્રણ છે. તેણીના ઉદાહરણનો ઉપયોગ કરીને અને અગાઉના વિચારોને ધ્યાનમાં રાખીને, અમે રીઅલ-ટાઇમ AI/ML પ્લેટફોર્મનો ખ્યાલ ઘડીશું.
પ્રક્રિયા નિયંત્રણમાં કૃત્રિમ બુદ્ધિમત્તા અને મશીન લર્નિંગનો ઉપયોગ ઘણી સુવિધાઓ ધરાવે છે:

• તકનીકી પ્રક્રિયાની સ્થિતિ પરનો ડેટા સઘન રીતે પ્રાપ્ત થાય છે: ઉચ્ચ આવર્તન સાથે અને પરિમાણોની વિશાળ શ્રેણી માટે (પ્રક્રિયા નિયંત્રણ સિસ્ટમમાંથી પ્રતિ સેકન્ડમાં હજારો પેરામીટર મૂલ્યો પ્રસારિત થાય છે)
• ખામીઓની ઓળખ પરનો ડેટા, તેમના વિકાસ પરના ડેટાનો ઉલ્લેખ ન કરવા માટે, તેનાથી વિપરીત, દુર્લભ અને અનિયમિત છે, જે ખામીઓનું અપૂરતું ટાઇપીકરણ અને સમયસર તેમના સ્થાનિકીકરણ દ્વારા વર્ગીકૃત થયેલ છે (ઘણી વખત કાગળના રેકોર્ડ્સ દ્વારા રજૂ કરવામાં આવે છે)
• વ્યવહારિક દૃષ્ટિકોણથી, પ્રશિક્ષણ અને મોડેલ લાગુ કરવા માટે સ્રોત ડેટાની માત્ર "સંબંધિતતાની વિન્ડો" ઉપલબ્ધ છે, જે પ્રક્રિયા પરિમાણોના છેલ્લા વાંચેલા મૂલ્યો સાથે સમાપ્ત થતા વાજબી સ્લાઇડિંગ અંતરાલ પર તકનીકી પ્રક્રિયાની ગતિશીલતાને પ્રતિબિંબિત કરે છે.

આ સુવિધાઓ અમને ટેક્નોલોજીકલ પ્રક્રિયામાંથી સઘન "બ્રૉડબેન્ડ ઇનપુટ સિગ્નલ" ના વાસ્તવિક સમયમાં પ્રાપ્ત કરવા અને મૂળભૂત પ્રક્રિયા કરવા ઉપરાંત, AI/ના પરિણામોની એપ્લિકેશન, તાલીમ અને ગુણવત્તા નિયંત્રણ (સમાંતરમાં) કરવા દબાણ કરે છે. ML મોડલ - વાસ્તવિક સમયમાં પણ. સુસંગતતાની સ્લાઇડિંગ વિન્ડોમાં અમારા મૉડલો જે "જુએ છે" તે "ફ્રેમ" સતત બદલાતી રહે છે - અને તેની સાથે, ભૂતકાળમાં "ફ્રેમ"માંથી એક પર પ્રશિક્ષિત AI/ML મોડલ્સના કાર્યના પરિણામોની ગુણવત્તા પણ બદલાય છે. . જો AI/ML મોડેલોના કામના પરિણામોની ગુણવત્તા બગડે છે (ઉદાહરણ તરીકે: "એલાર્મ-નોર્મ" વર્ગીકરણ ભૂલનું મૂલ્ય અમે વ્યાખ્યાયિત કરેલી મર્યાદાઓથી આગળ વધી ગયું છે), તો મોડલ્સની વધારાની તાલીમ આપમેળે શરૂ થવી જોઈએ. વધુ વર્તમાન "ફ્રેમ" - અને મોડલ્સની વધારાની તાલીમ શરૂ કરવા માટેના ક્ષણની પસંદગીએ ધ્યાનમાં લેવું જોઈએ કે તાલીમની અવધિ પોતે કેવી છે, અને મોડલ્સના વર્તમાન સંસ્કરણના કાર્યની ગુણવત્તામાં બગાડની ગતિશીલતા (ત્યારથી મોડલ્સની વર્તમાન આવૃત્તિઓ જ્યારે મોડલને તાલીમ આપવામાં આવે છે અને જ્યાં સુધી તેઓના "નવા પ્રશિક્ષિત" સંસ્કરણો ન બને ત્યાં સુધી ઉપયોગમાં લેવાનું ચાલુ રાખે છે).

InterSystems IRIS પાસે રીઅલ-ટાઇમ પ્રોસેસ કંટ્રોલ માટે AI/ML સોલ્યુશન્સ સક્ષમ કરવા માટે ચાવીરૂપ પ્લેટફોર્મ ક્ષમતાઓ છે. આ ક્ષમતાઓને ત્રણ મુખ્ય જૂથોમાં વિભાજિત કરી શકાય છે:

• InterSystems IRIS પ્લેટફોર્મ પર રીઅલ ટાઇમમાં કાર્યરત ઉત્પાદક સોલ્યુશનમાં નવી અથવા અનુકૂલિત વર્તમાન AI/ML મિકેનિઝમ્સની સતત જમાવટ (સતત જમાવટ/ડિલિવરી, CD)
• ઇનકમિંગ ટેક્નોલોજિકલ પ્રક્રિયા ડેટા સ્ટ્રીમ્સના એક ઉત્પાદક ઉકેલમાં સતત એકીકરણ (CI), AI/ML મિકેનિઝમ્સના એપ્લિકેશન/તાલીમ/ગુણવત્તા નિયંત્રણ માટે ડેટા કતાર અને ગાણિતિક મોડેલિંગ વાતાવરણ સાથે ડેટા/કોડ/નિયંત્રણ ક્રિયાઓના વિનિમય, વાસ્તવિક સમયમાં ગોઠવવામાં આવે છે. પ્લેટફોર્મ InterSystems IRIS
• AI/ML મિકેનિઝમ્સની સતત (સ્વ-) તાલીમ (સતત તાલીમ, CT), ડેટા, કોડ અને નિયંત્રણ ક્રિયાઓ ("નિર્ણયો લેવામાં") નો ઉપયોગ કરીને ગાણિતિક મોડેલિંગ વાતાવરણમાં કરવામાં આવે છે, જે ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મ દ્વારા પ્રસારિત થાય છે.

મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સનાં સંબંધમાં પ્લેટફોર્મ ક્ષમતાઓનું વર્ગીકરણ ચોક્કસપણે આ જૂથોમાં આકસ્મિક નથી. ચાલો પદ્ધતિસરના અવતરણ કરીએ પ્રકાશન Google, જે આ વર્ગીકરણ માટે વૈચારિક આધાર પૂરો પાડે છે, અમારા અનુવાદમાં:

“... DevOps કોન્સેપ્ટ, જે આજકાલ લોકપ્રિય છે, તે મોટા પાયે માહિતી પ્રણાલીઓના વિકાસ અને સંચાલનને આવરી લે છે. આ વિભાવનાના અમલીકરણના ફાયદા વિકાસ ચક્રની અવધિમાં ઘટાડો, વિકાસની ઝડપી જમાવટ અને પ્રકાશન આયોજનમાં સુગમતા છે. આ લાભો હાંસલ કરવા માટે, DevOps ઓછામાં ઓછા બે પ્રેક્ટિસના અમલીકરણનો સમાવેશ કરે છે:

• સતત એકીકરણ (CI)
• સતત ડિલિવરી (સીડી)

ઉત્પાદક AI/ML સોલ્યુશન્સની વિશ્વસનીય અને પ્રભાવશાળી એસેમ્બલી સુનિશ્ચિત કરવા માટે આ પદ્ધતિઓ AI/ML પ્લેટફોર્મ પર પણ લાગુ પડે છે.

AI/ML પ્લેટફોર્મ અન્ય માહિતી સિસ્ટમોથી નીચેના પાસાઓમાં અલગ પડે છે:

• ટીમની યોગ્યતાઓ: AI/ML સોલ્યુશન બનાવતી વખતે, ટીમમાં સામાન્ય રીતે ડેટા સંશોધનના ક્ષેત્રમાં ડેટા વૈજ્ઞાનિકો અથવા "શૈક્ષણિક" નિષ્ણાતોનો સમાવેશ થાય છે જેઓ ડેટા વિશ્લેષણ કરે છે, મોડેલો વિકસાવે છે અને પરીક્ષણ કરે છે. આ ટીમના સભ્યો વ્યાવસાયિક ઉત્પાદક કોડ વિકાસકર્તાઓ ન હોઈ શકે.
• વિકાસ: AI/ML એન્જિન પ્રાયોગિક પ્રકૃતિના છે. સૌથી કાર્યક્ષમ રીતે સમસ્યાને ઉકેલવા માટે, ઇનપુટ વેરીએબલ, અલ્ગોરિધમ્સ, મોડેલિંગ પદ્ધતિઓ અને મોડેલ પરિમાણોના વિવિધ સંયોજનોમાંથી પસાર થવું જરૂરી છે. આવી શોધની જટિલતા "શું કામ કર્યું/ન કર્યું" ને શોધવામાં, એપિસોડ્સની પુનઃઉત્પાદનક્ષમતા, પુનરાવર્તિત અમલીકરણ માટે વિકાસનું સામાન્યીકરણ સુનિશ્ચિત કરવામાં આવેલું છે.
• પરીક્ષણ: AI/ML એન્જીનનું પરીક્ષણ કરવા માટે મોટાભાગના અન્ય વિકાસ કરતાં પરીક્ષણોની વિશાળ શ્રેણીની જરૂર છે. પ્રમાણભૂત એકમ અને એકીકરણ પરીક્ષણો ઉપરાંત, માહિતીની માન્યતા અને મોડેલને તાલીમ અને નિયંત્રણ નમૂનાઓ પર લાગુ કરવાના પરિણામોની ગુણવત્તાની ચકાસણી કરવામાં આવે છે.
• જમાવટ: એઆઈ/એમએલ સોલ્યુશન્સની જમાવટ માત્ર એક વખત પ્રશિક્ષિત મોડેલનો ઉપયોગ કરતી આગાહી સેવાઓ સુધી મર્યાદિત નથી. AI/ML સોલ્યુશન્સ મલ્ટી-સ્ટેજ પાઇપલાઇન્સની આસપાસ બાંધવામાં આવે છે જે ઓટોમેટેડ મોડલ તાલીમ અને એપ્લિકેશન કરે છે. આવી પાઈપલાઈનનો ઉપયોગ કરીને મોડલને તાલીમ આપવા અને પરીક્ષણ કરવા માટે સક્ષમ થવા માટે ડેટા વૈજ્ઞાનિકો દ્વારા પરંપરાગત રીતે મેન્યુઅલી કરવામાં આવતી બિન-તુચ્છ ક્રિયાઓને સ્વચાલિત કરવાનો સમાવેશ થાય છે.
• ઉત્પાદકતા: AI/ML એન્જિનમાં માત્ર બિનકાર્યક્ષમ પ્રોગ્રામિંગને કારણે જ નહીં, પરંતુ ઇનપુટ ડેટાની સતત બદલાતી પ્રકૃતિને કારણે પણ ઉત્પાદકતાનો અભાવ હોઈ શકે છે. બીજા શબ્દોમાં કહીએ તો, AI/ML મિકેનિઝમ્સનું પ્રદર્શન પરંપરાગત વિકાસની કામગીરી કરતાં વિશાળ શ્રેણીના કારણોને લીધે ઘટી શકે છે. જે અમારા AI/ML એન્જિનોના પ્રદર્શનને મોનિટર કરવાની (ઓનલાઈન) જરૂરિયાત તરફ દોરી જાય છે, તેમજ જો પર્ફોર્મન્સ ઈન્ડિકેટર્સ અપેક્ષાઓ પૂરી ન કરતા હોય તો ચેતવણીઓ મોકલો અથવા પરિણામોને નકારી કાઢો.

AI/ML પ્લેટફોર્મ અન્ય માહિતી પ્રણાલીઓ જેવા જ છે જેમાં બંનેને સંસ્કરણ નિયંત્રણ, એકમ પરીક્ષણ, એકીકરણ પરીક્ષણ અને સતત વિકાસ જમાવટ સાથે સતત કોડ સંકલનની જરૂર છે. જો કે, AI/ML ના કિસ્સામાં, ઘણા મહત્વપૂર્ણ તફાવતો છે:

• CI (સતત એકીકરણ) હવે તૈનાત ઘટકોના કોડના પરીક્ષણ અને માન્ય કરવા સુધી મર્યાદિત નથી - તેમાં ડેટા અને AI/ML મોડલ્સનું પરીક્ષણ અને પ્રમાણીકરણ પણ સામેલ છે.
• સીડી (સતત ડિલિવરી/ડિપ્લોયમેન્ટ, સતત ડિપ્લોયમેન્ટ) એ પેકેજો અથવા સેવાઓને લખવા અને રિલીઝ કરવા સુધી મર્યાદિત નથી, પરંતુ એઆઈ/એમએલ સોલ્યુશન્સની રચના, તાલીમ અને એપ્લિકેશન માટેનું પ્લેટફોર્મ સૂચવે છે.
• સીટી (સતત તાલીમ, સતત તાલીમ) એ એક નવું તત્વ છે [અંદાજે. લેખના લેખક: DevOps ની પરંપરાગત વિભાવનાના સંબંધમાં એક નવું તત્વ, જેમાં CT, એક નિયમ તરીકે, સતત પરીક્ષણ છે], જે AI/ML પ્લેટફોર્મમાં સહજ છે, તાલીમ અને AI લાગુ કરવા માટેની મિકેનિઝમ્સના સ્વાયત્ત સંચાલન માટે જવાબદાર છે. /ML મોડલ. ..."

અમે કહી શકીએ કે રીઅલ-ટાઇમ ડેટા પર કામ કરતી મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે ટૂલ્સ અને ક્ષમતાઓના વ્યાપક સમૂહની જરૂર છે (કોડ ડેવલપમેન્ટથી લઈને ગાણિતિક મોડેલિંગ વાતાવરણના ઓર્કેસ્ટ્રેશન સુધી), તમામ કાર્યાત્મક અને વિષય ક્ષેત્રો વચ્ચે ગાઢ એકીકરણ, માનવ અને વધુ કાર્યક્ષમ સંગઠન. મશીન સંસાધનો.

રીઅલ-ટાઇમ દૃશ્ય: ફીડ પંપમાં ખામીના વિકાસને ઓળખવું

ઉદાહરણ તરીકે પ્રક્રિયા નિયંત્રણ ક્ષેત્રનો ઉપયોગ કરવાનું ચાલુ રાખીને, ચોક્કસ સમસ્યાને ધ્યાનમાં લો (અમે પહેલેથી જ શરૂઆતમાં ઉલ્લેખ કર્યો છે): અમારે પ્રક્રિયા પરિમાણ મૂલ્યોના પ્રવાહના આધારે પંપમાં ખામીના વિકાસનું રીઅલ-ટાઇમ મોનિટરિંગ પ્રદાન કરવાની જરૂર છે. અને ઓળખાયેલ ખામીઓ વિશે સમારકામ કર્મચારીઓના અહેવાલો.

આકૃતિ 2 ખામીઓના વિકાસની દેખરેખ માટે સમસ્યાનું નિર્માણ

વ્યવહારમાં આ રીતે રજૂ કરાયેલા મોટાભાગના કાર્યોની એક વિશેષતા એ છે કે વિવિધ પ્રકારની ખામીઓની એપિસોડિક અને અનિયમિત ઘટના (અને નોંધણી) ની પૃષ્ઠભૂમિ સામે ડેટા પ્રાપ્તિ (APCS) ની નિયમિતતા અને કાર્યક્ષમતા ધ્યાનમાં લેવી આવશ્યક છે. બીજા શબ્દોમાં કહીએ તો: પ્રોસેસ કંટ્રોલ સિસ્ટમમાંથી ડેટા સેકન્ડમાં એકવાર આવે છે, સાચો અને સચોટ હોય છે અને વર્કશોપમાં સામાન્ય નોટબુકમાં તારીખ દર્શાવતી રાસાયણિક પેન્સિલ વડે ખામીઓ વિશેની નોંધો બનાવવામાં આવે છે (ઉદાહરણ તરીકે: “12.01 – કવરમાં લીક 3જી બેરિંગની બાજુમાંથી").

આમ, અમે નીચેની મહત્વપૂર્ણ મર્યાદાઓ સાથે સમસ્યાની રચનાને પૂરક બનાવી શકીએ છીએ: અમારી પાસે ચોક્કસ પ્રકારની ખામીનું માત્ર એક "લેબલ" છે (એટલે ​​​​કે, ચોક્કસ પ્રકારની ખામીનું ઉદાહરણ પ્રક્રિયા નિયંત્રણના ડેટા દ્વારા રજૂ કરવામાં આવે છે. ચોક્કસ તારીખે સિસ્ટમ - અને અમારી પાસે આ ચોક્કસ પ્રકારની ખામીના વધુ ઉદાહરણો નથી). આ મર્યાદા તરત જ અમને ક્લાસિકલ મશીન લર્નિંગ (નિરીક્ષિત શિક્ષણ) ના અવકાશની બહાર લઈ જાય છે, જેના માટે ઘણા બધા "ટૅગ્સ" હોવા જોઈએ.

આકૃતિ 3 ખામીઓના વિકાસ પર દેખરેખ રાખવાના કાર્યની સ્પષ્ટતા

શું આપણે આપણા નિકાલ પરના એકમાત્ર "ટેગ" ને કોઈક રીતે "ગુણાકાર" કરી શકીએ? હા આપણે કરી શકીયે. પંપની વર્તમાન સ્થિતિ નોંધાયેલ ખામીઓની સમાનતાની ડિગ્રી દ્વારા વર્ગીકૃત થયેલ છે. માત્રાત્મક પદ્ધતિઓનો ઉપયોગ કર્યા વિના પણ, વિઝ્યુઅલ ધારણાના સ્તરે, પ્રક્રિયા નિયંત્રણ સિસ્ટમમાંથી આવતા ડેટા મૂલ્યોની ગતિશીલતાને અવલોકન કરીને, તમે પહેલેથી જ ઘણું શીખી શકો છો:

આકૃતિ 4 આપેલ પ્રકારની ખામીના "ચિહ્ન" ની પૃષ્ઠભૂમિ સામે પંપની સ્થિતિની ગતિશીલતા

પરંતુ વિઝ્યુઅલ પર્સેપ્શન (ઓછામાં ઓછું હમણાં માટે) આપણા ઝડપથી બદલાતા સંજોગોમાં "ટેગ્સ" માટે સૌથી યોગ્ય જનરેટર નથી. અમે આંકડાકીય પરીક્ષણનો ઉપયોગ કરીને નોંધાયેલ ખામીઓ સાથે વર્તમાન પંપની સ્થિતિની સમાનતાનું મૂલ્યાંકન કરીશું.

આકૃતિ 5 ખામી "લેબલ" ની પૃષ્ઠભૂમિ સામે આવતા ડેટા પર આંકડાકીય પરીક્ષણ લાગુ કરવું

આંકડાકીય પરીક્ષણ એ સંભાવનાને નિર્ધારિત કરે છે કે પ્રક્રિયા નિયંત્રણ સિસ્ટમમાંથી પ્રાપ્ત "ફ્લો-પેકેટ" માં તકનીકી પ્રક્રિયા પરિમાણોના મૂલ્યો સાથેના રેકોર્ડ્સ ચોક્કસ પ્રકારના ખામીના "ટેગ" ના રેકોર્ડ્સ જેવા જ છે. આંકડાકીય કસોટી લાગુ કરવાના પરિણામે ગણવામાં આવતી સંભાવના મૂલ્ય (આંકડાકીય સમાનતા સૂચકાંક) 0 અથવા 1ના મૂલ્યમાં રૂપાંતરિત થાય છે, જે સમાનતા માટે તપાસવામાં આવતા પેકેટમાં દરેક વિશિષ્ટ રેકોર્ડમાં મશીન લર્નિંગ માટે "લેબલ" બની જાય છે. એટલે કે, આંકડાકીય પરીક્ષણ સાથે પંપ સ્ટેટ રેકોર્ડ્સના નવા પ્રાપ્ત પેકેજની પ્રક્રિયા કર્યા પછી, અમારી પાસે તક છે કે (a) AI/ML મોડલની તાલીમ માટે આ પેકેજને તાલીમ સેટમાં ઉમેરવા અને (b) ગુણવત્તા નિયંત્રણ હાથ ધરવા. મોડલનું વર્તમાન સંસ્કરણ જ્યારે તેનો આ પેકેજમાં ઉપયોગ કરે છે.

આકૃતિ 6 ખામી "લેબલ" ની પૃષ્ઠભૂમિ સામે ઇનકમિંગ ડેટા પર મશીન લર્નિંગ મોડેલ લાગુ કરવું

અમારા અગાઉના એક માં વેબિનાર અમે બતાવીએ છીએ અને સમજાવીએ છીએ કે કેવી રીતે InterSystems IRIS પ્લેટફોર્મ તમને કોઈપણ AI/ML મિકેનિઝમને સતત એક્ઝિક્યુટ કરતી વ્યાપારી પ્રક્રિયાઓના સ્વરૂપમાં અમલમાં મૂકવાની મંજૂરી આપે છે જે મોડેલિંગ પરિણામોની વિશ્વસનીયતાનું નિરીક્ષણ કરે છે અને મોડેલ પરિમાણોને અનુકૂલિત કરે છે. પંપ સાથેના અમારા દૃશ્યના પ્રોટોટાઇપને અમલમાં મૂકતી વખતે, અમે વેબિનાર દરમિયાન પ્રસ્તુત તમામ ઇન્ટરસિસ્ટમ્સ IRIS કાર્યક્ષમતાનો ઉપયોગ કરીએ છીએ - અમારા ઉકેલના ભાગ રૂપે વિશ્લેષક પ્રક્રિયામાં અમલીકરણ શાસ્ત્રીય દેખરેખ કરાયેલ શિક્ષણ નહીં, પરંતુ મજબૂતીકરણ શિક્ષણ, જે આપમેળે તાલીમ મોડેલોની પસંદગીનું સંચાલન કરે છે. . તાલીમના નમૂનામાં એવા રેકોર્ડ્સ હોય છે કે જેના પર આંકડાકીય કસોટી અને મોડલના વર્તમાન સંસ્કરણ બંને લાગુ કર્યા પછી "શોધ સર્વસંમતિ" ઉદ્ભવે છે - એટલે કે, બંને આંકડાકીય પરીક્ષણ (સમાનતા સૂચકાંકને 0 અથવા 1 માં રૂપાંતરિત કર્યા પછી) અને મોડેલ પરિણામ ઉત્પન્ન કરે છે. આવા રેકોર્ડ્સ પર 1. મોડેલની નવી તાલીમ દરમિયાન, તેની માન્યતા દરમિયાન (નવું પ્રશિક્ષિત મોડેલ તેના પોતાના તાલીમ નમૂના પર લાગુ કરવામાં આવે છે, તેના પર આંકડાકીય પરીક્ષણની પ્રારંભિક અરજી સાથે), રેકોર્ડ કરે છે કે પ્રક્રિયા પછી પરિણામ 1 "જાળવ્યું નથી" આંકડાકીય કસોટી દ્વારા (પ્રશિક્ષણમાં સતત હાજરીને કારણે ખામીના મૂળ "લેબલ" માંથી રેકોર્ડ્સના નમૂના), તાલીમ સમૂહમાંથી દૂર કરવામાં આવે છે, અને મોડેલનું નવું સંસ્કરણ "લેબલ" માંથી શીખે છે. સ્ટ્રીમમાંથી ખામી વત્તા "જાળવેલ" રેકોર્ડ્સ.

આકૃતિ 7 InterSystems IRIS માં AI/ML ગણતરીઓનું રોબોટાઇઝેશન

જો InterSystems IRIS માં સ્થાનિક ગણતરીઓ દરમિયાન મેળવેલી તપાસની ગુણવત્તા પર "બીજા અભિપ્રાય" ની જરૂર હોય, તો ક્લાઉડ સેવાઓનો ઉપયોગ કરીને નિયંત્રણ ડેટાસેટ પર મોડેલોની તાલીમ અને એપ્લિકેશન કરવા માટે સલાહકાર પ્રક્રિયા બનાવવામાં આવે છે (ઉદાહરણ તરીકે, Microsoft Azure, Amazon વેબ સેવાઓ , Google Cloud Platform, વગેરે):

આકૃતિ 8 માઈક્રોસોફ્ટ એઝ્યુર તરફથી સેકન્ડ ઓપિનિયન ઈન્ટરસિસ્ટમ્સ આઈઆરઆઈએસ દ્વારા ગોઠવવામાં આવે છે

ઇન્ટરસિસ્ટમ્સ IRIS માં અમારા દૃશ્યનો પ્રોટોટાઇપ વિશ્લેષણાત્મક પ્રક્રિયાઓની એજન્ટ-આધારિત સિસ્ટમ તરીકે ડિઝાઇન કરવામાં આવ્યો છે જે સાધનસામગ્રી (પંપ), ગાણિતિક મોડેલિંગ વાતાવરણ (પાયથોન, આર અને જુલિયા) સાથે ક્રિયાપ્રતિક્રિયા કરે છે અને તમામ સામેલ AI/ની સ્વ-શિક્ષણની ખાતરી કરે છે. ML મિકેનિઝમ્સ - રીઅલ-ટાઇમ ડેટા સ્ટ્રીમ્સ પર.

આકૃતિ 9 ઇન્ટરસિસ્ટમ્સ IRIS માં રીઅલ-ટાઇમ AI/ML સોલ્યુશનની મુખ્ય કાર્યક્ષમતા

અમારા પ્રોટોટાઇપનું વ્યવહારુ પરિણામ:

• નમૂનાની ખામી મોડેલ દ્વારા ઓળખવામાં આવી (12 જાન્યુઆરી):

• મોડેલ દ્વારા ઓળખાતી વિકાસશીલ ખામી કે જે નમૂનામાં સામેલ ન હતી (11 સપ્ટેમ્બર, 13 સપ્ટેમ્બરના રોજ, માત્ર બે દિવસ પછી, સમારકામ ટીમ દ્વારા ખામીને ઓળખવામાં આવી હતી):

સમાન ખામીના કેટલાક એપિસોડ ધરાવતા વાસ્તવિક ડેટા પરના સિમ્યુલેશન દર્શાવે છે કે ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મ પર અમલમાં આવેલ અમારું સોલ્યુશન, અમને આ પ્રકારની ખામીઓના વિકાસને રિપેર ટીમ દ્વારા શોધાય તેના ઘણા દિવસો પહેલા ઓળખવાની મંજૂરી આપે છે.

ઇન્ટરસિસ્ટમ્સ IRIS - એક સાર્વત્રિક રીઅલ-ટાઇમ AI/ML કમ્પ્યુટિંગ પ્લેટફોર્મ

InterSystems IRIS પ્લેટફોર્મ રીઅલ-ટાઇમ ડેટા સોલ્યુશન્સના વિકાસ, જમાવટ અને કામગીરીને સરળ બનાવે છે. InterSystems IRIS એકસાથે વ્યવહાર અને વિશ્લેષણાત્મક ડેટા પ્રોસેસિંગ કરવા સક્ષમ છે; બહુવિધ મોડલ્સ (રિલેશનલ, હાયરાર્કિકલ, ઑબ્જેક્ટ અને દસ્તાવેજ સહિત); ડેટા સ્ત્રોતો અને વ્યક્તિગત એપ્લિકેશનોની વિશાળ શ્રેણીને એકીકૃત કરવા માટે પ્લેટફોર્મ તરીકે કાર્ય કરો; સ્ટ્રક્ચર્ડ અને અનસ્ટ્રક્ચર્ડ ડેટા પર અદ્યતન રીઅલ-ટાઇમ એનાલિટિક્સ પ્રદાન કરો. ઇન્ટરસિસ્ટમ્સ IRIS બાહ્ય વિશ્લેષણાત્મક સાધનોનો ઉપયોગ કરવા માટેની પદ્ધતિઓ પણ પ્રદાન કરે છે અને ક્લાઉડ અને સ્થાનિક સર્વર્સ પર હોસ્ટિંગના લવચીક સંયોજનને મંજૂરી આપે છે.

InterSystems IRIS પ્લેટફોર્મ પર બનેલ એપ્લિકેશનો વિવિધ ઉદ્યોગોમાં તૈનાત કરવામાં આવે છે, કંપનીઓને વ્યૂહાત્મક અને ઓપરેશનલ પરિપ્રેક્ષ્યથી નોંધપાત્ર આર્થિક લાભો પ્રાપ્ત કરવામાં મદદ કરે છે, જાણકાર નિર્ણય લેવામાં વધારો કરે છે અને ઘટના, વિશ્લેષણ અને ક્રિયા વચ્ચેના અંતરને દૂર કરે છે.

આકૃતિ 10 રીઅલ-ટાઇમ AI/ML ના સંદર્ભમાં ઇન્ટરસિસ્ટમ્સ IRIS આર્કિટેક્ચર

અગાઉના ડાયાગ્રામની જેમ, નીચેનો આકૃતિ નવી “સંકલન પ્રણાલી” (CD/CI/CT) ને પ્લેટફોર્મના કાર્યકારી તત્વો વચ્ચે માહિતીના પ્રવાહના ડાયાગ્રામ સાથે જોડે છે. વિઝ્યુલાઇઝેશન મેક્રોમિકેનિઝમ સીડીથી શરૂ થાય છે અને મેક્રોમિકેનિઝમ્સ CI અને CT સાથે ચાલુ રહે છે.

આકૃતિ 11 ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મના AI/ML તત્વો વચ્ચે માહિતીના પ્રવાહનો આકૃતિ

ઇન્ટરસિસ્ટમ્સ IRIS માં સીડી મિકેનિઝમનો સાર: પ્લેટફોર્મ યુઝર્સ (AI/ML સોલ્યુશન્સના ડેવલપર્સ) AI/ML મિકેનિઝમ્સ માટે વિશિષ્ટ કોડ એડિટરનો ઉપયોગ કરીને વર્તમાનને અનુકૂલન કરે છે અને/અથવા નવા AI/ML વિકાસ બનાવે છે: Jupyter (પૂરું નામ: Jupyter Notebook; સંક્ષિપ્તતા માટે, આ સંપાદકમાં બનાવેલ દસ્તાવેજો પણ ક્યારેક કહેવામાં આવે છે). Jupyter માં, વિકાસકર્તાને InterSystems IRIS માં મુકવામાં આવે તે પહેલાં ચોક્કસ AI/ML ડેવલપમેન્ટનું પ્રદર્શન (ગ્રાફિક્સનો ઉપયોગ સહિત) લખવા, ડિબગ કરવાની અને ચકાસવાની તક હોય છે. તે સ્પષ્ટ છે કે આ રીતે બનાવવામાં આવેલ નવો વિકાસ ફક્ત મૂળભૂત ડીબગીંગ પ્રાપ્ત કરશે (કારણ કે, ખાસ કરીને, જ્યુપીટર રીઅલ-ટાઇમ ડેટા સ્ટ્રીમ્સ સાથે કામ કરતું નથી) - આ વસ્તુઓના ક્રમમાં છે, કારણ કે જ્યુપીટરમાં વિકાસનું મુખ્ય પરિણામ અલગ AI/ML મિકેનિઝમની મૂળભૂત કાર્યક્ષમતાની પુષ્ટિ છે ("ડેટા નમૂના પર અપેક્ષિત પરિણામ બતાવે છે"). એ જ રીતે, Jupyter માં ડીબગીંગ કરતા પહેલા પ્લેટફોર્મમાં પહેલેથી જ મૂકેલ મિકેનિઝમ (નીચેની મેક્રો-મિકેનિઝમ્સ જુઓ) માટે "પ્રી-પ્લેટફોર્મ" ફોર્મમાં "રોલબેક" ની જરૂર પડી શકે છે (ફાઈલોમાંથી ડેટા વાંચવું, કોષ્ટકોને બદલે xDBC દ્વારા ડેટા સાથે કામ કરવું, વૈશ્વિક લોકો સાથે સીધી ક્રિયાપ્રતિક્રિયા - બહુપરીમાણીય ડેટા એરે ઇન્ટરસિસ્ટમ્સ IRIS – વગેરે).

ઇન્ટરસિસ્ટમ્સ IRIS માં સીડી અમલીકરણનું એક મહત્વપૂર્ણ પાસું: પ્લેટફોર્મ અને જ્યુપીટર વચ્ચે દ્વિપક્ષીય સંકલન લાગુ કરવામાં આવ્યું છે, જે પાયથોન, આર અને જુલિયામાં સામગ્રીને પ્લેટફોર્મ પર સ્થાનાંતરિત કરવાની મંજૂરી આપે છે (અને, ત્યારબાદ, પ્લેટફોર્મમાં પ્રક્રિયા કરવામાં આવે છે) (ત્રણેય પ્રોગ્રામિંગ છે. અનુરૂપ અગ્રણી ઓપન-સોર્સ ભાષાઓમાં ભાષાઓ). સ્ત્રોત ગાણિતિક મોડેલિંગ વાતાવરણ). આમ, AI/ML કન્ટેન્ટ ડેવલપર્સ પાસે પ્લેટફોર્મમાં આ સામગ્રીની "સતત જમાવટ" કરવાની તક છે, તેમના પરિચિત Jupyter એડિટરમાં કામ કરીને, Python, R, Juliaમાં ઉપલબ્ધ પરિચિત લાઇબ્રેરીઓ સાથે, અને મૂળભૂત ડિબગીંગ કરવા (જો જરૂરી હોય તો) પ્લેટફોર્મની બહાર.

ચાલો InterSystems IRIS માં CI મેક્રો મિકેનિઝમ પર આગળ વધીએ. ડાયાગ્રામ "રીઅલ-ટાઇમ રોબોટાઇઝર" ની મેક્રો પ્રક્રિયા બતાવે છે (ડેટા સ્ટ્રક્ચર્સ, બિઝનેસ પ્રક્રિયાઓ અને કોડ ટુકડાઓનું એક સંકુલ તેમના દ્વારા ગાણિતિક ભાષાઓ અને ઑબ્જેક્ટસ્ક્રિપ્ટ - ઇન્ટરસિસ્ટમ્સ IRIS ની મૂળ વિકાસ ભાષામાં ગોઠવવામાં આવે છે). આ મેક્રો પ્રક્રિયાનું કાર્ય એઆઈ/એમએલ મિકેનિઝમ્સના સંચાલન માટે જરૂરી ડેટા કતારોને જાળવી રાખવાનું છે (વાસ્તવિક સમયમાં પ્લેટફોર્મ પર પ્રસારિત ડેટા સ્ટ્રીમ્સ પર આધારિત), એપ્લિકેશનના ક્રમ અને AI/ના "વર્ગીકરણ" વિશે નિર્ણયો લેવા. ML મિકેનિઝમ્સ (તે "ગાણિતિક અલ્ગોરિધમ્સ", "મોડલ્સ" વગેરે પણ છે. - અમલીકરણની વિશિષ્ટતાઓ અને પરિભાષા પસંદગીઓના આધારે અલગ રીતે કહી શકાય), AI/ના કાર્યના પરિણામોનું વિશ્લેષણ કરવા માટે ડેટા સ્ટ્રક્ચર્સને અદ્યતન રાખો. ML મિકેનિઝમ્સ (ક્યુબ્સ, કોષ્ટકો, બહુપરીમાણીય ડેટા એરે, વગેરે) વગેરે. – રિપોર્ટ્સ, ડેશબોર્ડ્સ વગેરે માટે).

ઇન્ટરસિસ્ટમ્સ IRIS માં CI અમલીકરણનું એક મહત્વપૂર્ણ પાસું: પ્લેટફોર્મ અને ગાણિતિક મોડેલિંગ વાતાવરણ વચ્ચે દ્વિપક્ષીય સંકલન લાગુ કરવામાં આવ્યું છે, જે તમને Python, R અને જુલિયામાં પ્લેટફોર્મમાં હોસ્ટ કરેલી સામગ્રીને તેમના સંબંધિત વાતાવરણમાં એક્ઝિક્યુટ કરવાની અને એક્ઝેક્યુશન પરિણામો પાછા મેળવવાની મંજૂરી આપે છે. આ એકીકરણ "ટર્મિનલ મોડ" (એટલે ​​​​કે, AI/ML સામગ્રીને ઑબ્જેક્ટસ્ક્રિપ્ટ કોડ તરીકે ઘડવામાં આવે છે જે પર્યાવરણને કૉલ કરે છે) અને "વ્યવસાય પ્રક્રિયા મોડ" (એટલે ​​​​કે, AI/ML સામગ્રીને વ્યવસાય પ્રક્રિયા તરીકે ઘડવામાં આવે છે) બંનેમાં લાગુ કરવામાં આવે છે. ગ્રાફિકલ એડિટરનો ઉપયોગ કરીને, અથવા ક્યારેક જ્યુપીટરનો ઉપયોગ કરીને, અથવા IDE - IRIS સ્ટુડિયો, એક્લિપ્સ, વિઝ્યુઅલ સ્ટુડિયો કોડનો ઉપયોગ કરીને). Jupyter માં સંપાદન માટે વ્યવસાયિક પ્રક્રિયાઓની ઉપલબ્ધતા CI સ્તરે IRIS અને CD સ્તર પર Jupyter વચ્ચેના જોડાણ દ્વારા પ્રતિબિંબિત થાય છે. ગાણિતિક મોડેલિંગ વાતાવરણ સાથે એકીકરણની વધુ વિગતવાર ઝાંખી નીચે આપેલ છે. આ તબક્કે, અમારા મતે, રિયલ-ટાઇમ AI/ML સોલ્યુશન્સમાં AI/ML વિકાસ ("સતત જમાવટ"માંથી આવતા)ના "સતત એકીકરણ" ને અમલમાં મૂકવા માટે પ્લેટફોર્મ પાસે તમામ જરૂરી સાધનો છે તેની ખાતરી કરવા માટેનું દરેક કારણ છે.

અને મુખ્ય મેક્રો મિકેનિઝમ: સીટી. તેના વિના, ત્યાં કોઈ AI/ML પ્લેટફોર્મ હશે નહીં (જોકે "રીઅલ ટાઇમ" CD/CI દ્વારા લાગુ કરવામાં આવશે). સીટીનો સાર એ મશીન લર્નિંગ અને આર્ટિફિશિયલ ઇન્ટેલિજન્સનાં "આર્ટિફેક્ટ્સ" સાથેના પ્લેટફોર્મનું કાર્ય છે જે ગાણિતિક મોડેલિંગ વાતાવરણના કાર્યકારી સત્રોમાં સીધા જ છે: મોડલ, વિતરણ કોષ્ટકો, મેટ્રિક્સ વેક્ટર્સ, ન્યુરલ નેટવર્ક્સના સ્તરો, વગેરે. આ "કાર્ય", મોટાભાગના કિસ્સાઓમાં, પર્યાવરણમાં ઉલ્લેખિત કલાકૃતિઓ બનાવવાનો સમાવેશ કરે છે (મોડેલના કિસ્સામાં, ઉદાહરણ તરીકે, "નિર્માણ" એ મોડેલની સ્પષ્ટીકરણ અને તેના પરિમાણોના મૂલ્યોની અનુગામી પસંદગીનો સમાવેશ થાય છે - મોડલની કહેવાતી "તાલીમ"), તેમની એપ્લિકેશન (મોડેલ માટે: લક્ષ્ય ચલોના "મોડેલ" મૂલ્યોની તેમની સહાયથી ગણતરી - આગાહી, શ્રેણી સભ્યપદ, ઇવેન્ટની સંભાવના, વગેરે) અને પહેલેથી જ સુધારણા બનાવેલ અને લાગુ કલાકૃતિઓ (ઉદાહરણ તરીકે, એપ્લિકેશનના પરિણામોના આધારે મોડેલ ઇનપુટ ચલોના સમૂહને પુનઃવ્યાખ્યાયિત કરવું - એક વિકલ્પ તરીકે આગાહીની સચોટતા સુધારવા માટે). સીટીની ભૂમિકાને સમજવામાં મુખ્ય મુદ્દો સીડી અને સીઆઈની વાસ્તવિકતાઓમાંથી તેનું "એબ્સ્ટ્રેક્શન" છે: સીટી ચોક્કસ વાતાવરણ દ્વારા પૂરી પાડવામાં આવેલ ક્ષમતાઓમાં AI/ML સોલ્યુશનના કોમ્પ્યુટેશનલ અને ગાણિતિક વિશિષ્ટતાઓ પર ધ્યાન કેન્દ્રિત કરીને તમામ કલાકૃતિઓને અમલમાં મૂકશે. "ઇનપુટ આપવા" અને "આઉટપુટ પહોંચાડવા" માટેની જવાબદારી CD અને CIની રહેશે.

ખાસ કરીને ઈન્ટરસિસ્ટમ્સ IRIS માં સીટીના અમલીકરણનું એક મહત્વનું પાસું: ઉપર ઉલ્લેખિત ગાણિતિક મોડેલિંગ વાતાવરણ સાથેના એકીકરણનો ઉપયોગ કરીને, પ્લેટફોર્મ પાસે ગાણિતિક વાતાવરણમાં તેના નિયંત્રણ હેઠળ ચાલતા કાર્ય સત્રોમાંથી તે ખૂબ જ કલાકૃતિઓ કાઢવાની ક્ષમતા છે અને (સૌથી અગત્યનું) વળાંક. તેમને પ્લેટફોર્મ ડેટા ઑબ્જેક્ટ્સમાં. ઉદાહરણ તરીકે, એક વિતરણ કોષ્ટક કે જે હમણાં જ કાર્યકારી પાયથોન સત્રમાં બનાવવામાં આવ્યું છે (પાયથોન સત્રને રોક્યા વિના) પ્લેટફોર્મ પર સ્થાનાંતરિત કરી શકાય છે, ઉદાહરણ તરીકે, વૈશ્વિક (એક બહુપરીમાણીય ઇન્ટરસિસ્ટમ્સ IRIS ડેટા એરે) - અને ઉપયોગમાં લેવાય છે. અન્ય AI/ML- મિકેનિઝમમાં ગણતરીઓ માટે (બીજા પર્યાવરણની ભાષામાં અમલમાં મૂકાયેલ - ઉદાહરણ તરીકે, R માં) - અથવા વર્ચ્યુઅલ ટેબલ. બીજું ઉદાહરણ: મોડેલના ઓપરેશનના "સામાન્ય મોડ" સાથે સમાંતર (પાયથોન કાર્યકારી સત્રમાં), "ઓટો-એમએલ" તેના ઇનપુટ ડેટા પર હાથ ધરવામાં આવે છે: શ્રેષ્ઠ ઇનપુટ ચલો અને પરિમાણ મૂલ્યોની સ્વચાલિત પસંદગી. અને "નિયમિત" તાલીમ સાથે, વાસ્તવિક સમયમાં એક ઉત્પાદક મોડેલ તેના સ્પષ્ટીકરણ માટે "ઓપ્ટિમાઇઝેશન માટે દરખાસ્ત" પણ મેળવે છે - જેમાં ઇનપુટ ચલોનો સમૂહ બદલાય છે, પરિમાણ મૂલ્યો બદલાય છે (તાલીમના પરિણામે હવે નહીં પાયથોનમાં, પરંતુ H2O સ્ટેક જેવા પોતાના "વૈકલ્પિક" " સંસ્કરણ સાથેની તાલીમના પરિણામે, એકંદર AI/ML સોલ્યુશનને ઇનપુટ ડેટાની પ્રકૃતિમાં અણધાર્યા ફેરફારોનો સ્વાયત્તપણે સામનો કરવાની મંજૂરી આપે છે અને મોડેલ બનાવવામાં આવી રહેલી ઘટનાઓ .

ચાલો વાસ્તવિક જીવનના પ્રોટોટાઇપના ઉદાહરણનો ઉપયોગ કરીને ઇન્ટરસિસ્ટમ્સ IRIS ના પ્લેટફોર્મ AI/ML કાર્યક્ષમતા સાથે વધુ વિગતવાર પરિચિત થઈએ.

નીચેના ચિત્રમાં, સ્લાઇડની ડાબી બાજુએ વ્યવસાય પ્રક્રિયાનો એક ભાગ છે જે પાયથોન અને આરમાં સ્ક્રિપ્ટના અમલીકરણને અમલમાં મૂકે છે. મધ્ય ભાગમાં અનુક્રમે આમાંથી કેટલીક સ્ક્રિપ્ટોના અમલના વિઝ્યુઅલ લૉગ્સ છે, Python અને R માં. તેમની તરત જ પાછળ એક અને બીજી ભાષા પરની સામગ્રીના ઉદાહરણો છે, જે યોગ્ય વાતાવરણમાં અમલ માટે ટ્રાન્સફર કરવામાં આવે છે. જમણી બાજુના અંતમાં સ્ક્રિપ્ટ એક્ઝેક્યુશનના પરિણામો પર આધારિત વિઝ્યુલાઇઝેશન છે. ટોચ પરના વિઝ્યુલાઇઝેશન IRIS એનાલિટિક્સ પર બનાવવામાં આવ્યા હતા (Python માંથી InterSystems IRIS ડેટા પ્લેટફોર્મમાં ડેટા લેવામાં આવ્યો હતો અને પ્લેટફોર્મનો ઉપયોગ કરીને ડેશબોર્ડ પર પ્રદર્શિત કરવામાં આવ્યો હતો), તળિયે સીધા R વર્ક સેશનમાં બનાવવામાં આવ્યા હતા અને ત્યાંથી ગ્રાફિક ફાઇલોમાં આઉટપુટ કરવામાં આવ્યું હતું. . એક અગત્યનું પાસું: પ્રોટોટાઇપમાં પ્રસ્તુત ફ્રેગમેન્ટ મોડેલની એપ્લિકેશન દરમિયાન અવલોકન કરાયેલ વર્ગીકરણ ગુણવત્તા મોનિટર પ્રક્રિયાના આદેશ પર, સાધન સિમ્યુલેટર પ્રક્રિયામાંથી વાસ્તવિક સમયમાં પ્રાપ્ત ડેટા પર મોડેલ (સાધન સ્થિતિનું વર્ગીકરણ) ને તાલીમ આપવા માટે જવાબદાર છે. ક્રિયાપ્રતિક્રિયા પ્રક્રિયાઓ ("એજન્ટ્સ") ના સમૂહના સ્વરૂપમાં AI/ML સોલ્યુશનના અમલીકરણની વધુ ચર્ચા કરવામાં આવશે.

આકૃતિ 12 ઇન્ટરસિસ્ટમ IRIS માં Python, R અને જુલિયા સાથેની ક્રિયાપ્રતિક્રિયા

પ્લેટફોર્મ પ્રક્રિયાઓ (તેઓ "વ્યવસાયિક પ્રક્રિયાઓ", "વિશ્લેષણાત્મક પ્રક્રિયાઓ", "પાઇપલાઇન્સ" વગેરે પણ છે. - સંદર્ભના આધારે), સૌ પ્રથમ, પ્લેટફોર્મમાં જ ગ્રાફિકલ બિઝનેસ પ્રોસેસ એડિટરમાં સંપાદિત કરવામાં આવે છે, અને આવા જે રીતે તેનો બ્લોક ડાયાગ્રામ અને અનુરૂપ AI/ML મિકેનિઝમ (પ્રોગ્રામ કોડ) બંને એકસાથે બનાવવામાં આવે છે. જ્યારે આપણે કહીએ છીએ કે "એક એઆઈ/એમએલ મિકેનિઝમ પ્રાપ્ત થયું છે," ત્યારે અમારો અર્થ શરૂઆતમાં વર્ણસંકરતા (એક પ્રક્રિયાની અંદર) થાય છે: ગાણિતિક મોડેલિંગ વાતાવરણની ભાષાઓમાં સામગ્રી SQL માં સામગ્રીને અડીને છે (આમાંથી એક્સ્ટેન્શન્સ સહિત એકીકૃત એમએલ), અન્ય સપોર્ટેડ ભાષાઓ સાથે, InterSystems ObjectScript માં. તદુપરાંત, પ્લેટફોર્મ પ્રક્રિયા અધિક્રમિક રીતે નેસ્ટેડ ટુકડાઓના સ્વરૂપમાં "રેન્ડરિંગ" માટે ખૂબ વ્યાપક તકો પૂરી પાડે છે (જેમ કે નીચેની રેખાકૃતિમાં ઉદાહરણમાં જોઈ શકાય છે), જે તમને ક્યારેય "પડ્યા વિના" ખૂબ જટિલ સામગ્રીને અસરકારક રીતે ગોઠવવાની મંજૂરી આપે છે. ગ્રાફિકલ ફોર્મેટ ("નોન-ગ્રાફિકલ" ફોર્મેટમાં). » પદ્ધતિઓ/વર્ગો/પ્રક્રિયાઓ, વગેરે). એટલે કે, જો જરૂરી હોય તો (અને મોટા ભાગના પ્રોજેક્ટ્સમાં તે જોવામાં આવે છે), સંપૂર્ણ AI/ML સોલ્યુશનને ગ્રાફિકલ સ્વ-દસ્તાવેજીકરણ ફોર્મેટમાં લાગુ કરી શકાય છે. મહેરબાની કરીને નોંધ કરો કે નીચેના રેખાકૃતિના મધ્ય ભાગમાં, જે ઉચ્ચ "માળખાના સ્તર" નું પ્રતિનિધિત્વ કરે છે, તે સ્પષ્ટ છે કે મોડેલને તાલીમ આપવાના વાસ્તવિક કાર્ય ઉપરાંત (પાયથોન અને આરનો ઉપયોગ કરીને), કહેવાતા વિશ્લેષણનું વિશ્લેષણ પ્રશિક્ષિત મોડેલનો આરઓસી વળાંક ઉમેરવામાં આવે છે, જે દૃષ્ટિની (અને ગણતરીની રીતે પણ) તાલીમની ગુણવત્તાનું મૂલ્યાંકન કરવાની મંજૂરી આપે છે - અને આ વિશ્લેષણ જુલિયા ભાષામાં લાગુ કરવામાં આવે છે (તે મુજબ, જુલિયા ગાણિતિક વાતાવરણમાં ચલાવવામાં આવે છે).

આકૃતિ 13 ઇન્ટરસિસ્ટમ્સ IRIS માં AI/ML સોલ્યુશનની રચના માટે દ્રશ્ય વાતાવરણ

અગાઉ ઉલ્લેખ કર્યો છે તેમ, પ્લેટફોર્મમાં પહેલાથી જ અમલમાં મુકાયેલ AI/ML મિકેનિઝમનો પ્રારંભિક વિકાસ અને (કેટલાક કિસ્સાઓમાં) અનુકૂલન પ્લેટફોર્મની બહાર જ્યુપીટર એડિટરમાં થઈ શકે છે. નીચે આપેલા આકૃતિમાં આપણે અસ્તિત્વમાં છે તે પ્લેટફોર્મ પ્રક્રિયાને અનુકૂલિત કરવાનું ઉદાહરણ જોઈએ છીએ (ઉપરના ચિત્રની જેમ જ) - આ રીતે જે ટુકડો જે મોડેલને તાલીમ આપવા માટે જવાબદાર છે તે જુપીટરમાં જેવો દેખાય છે. Python સામગ્રી સીધા જ Jupyter માં સંપાદન, ડીબગીંગ અને ગ્રાફિક્સ આઉટપુટ માટે ઉપલબ્ધ છે. ફેરફારો (જો જરૂરી હોય તો) પ્લેટફોર્મ પ્રક્રિયામાં ત્વરિત સિંક્રનાઇઝેશન સાથે કરી શકાય છે, જેમાં તેના ઉત્પાદક સંસ્કરણનો સમાવેશ થાય છે. નવી સામગ્રી પ્લેટફોર્મ પર સમાન રીતે ટ્રાન્સફર કરી શકાય છે (નવી પ્લેટફોર્મ પ્રક્રિયા આપમેળે જનરેટ થાય છે).

આકૃતિ 14 InterSystems IRIS પ્લેટફોર્મમાં AI/ML એન્જિનને સંપાદિત કરવા માટે Jupyter Notebook નો ઉપયોગ

પ્લેટફોર્મ પ્રક્રિયાનું અનુકૂલન ફક્ત ગ્રાફિકલ અથવા લેપટોપ ફોર્મેટમાં જ નહીં - પણ "કુલ" IDE (સંકલિત વિકાસ પર્યાવરણ) ફોર્મેટમાં પણ કરી શકાય છે. આ IDE IRIS સ્ટુડિયો (મૂળ IRIS સ્ટુડિયો), વિઝ્યુઅલ સ્ટુડિયો કોડ (VSCode માટે ઇન્ટરસિસ્ટમ IRIS એક્સ્ટેંશન) અને Eclipse (Atelier પ્લગઇન) છે. કેટલાક કિસ્સાઓમાં, વિકાસ ટીમ માટે એકસાથે ત્રણેય IDE નો ઉપયોગ કરવો શક્ય છે. નીચેનો આકૃતિ IRIS સ્ટુડિયો, વિઝ્યુઅલ સ્ટુડિયો કોડ અને એક્લિપ્સમાં સમાન પ્રક્રિયાને સંપાદિત કરવાનું ઉદાહરણ બતાવે છે. સંપૂર્ણપણે તમામ સામગ્રી સંપાદન માટે ઉપલબ્ધ છે: Python/R/Julia/SQL, ObjectScript અને વ્યવસાય પ્રક્રિયા.

આકૃતિ 15 વિવિધ IDE માં ઇન્ટરસિસ્ટમ IRIS બિઝનેસ પ્રક્રિયાનો વિકાસ

બિઝનેસ પ્રોસેસ લેંગ્વેજ (BPL) માં ઇન્ટરસિસ્ટમ્સ IRIS બિઝનેસ પ્રક્રિયાઓનું વર્ણન અને અમલ કરવા માટેના સાધનો ખાસ ઉલ્લેખને પાત્ર છે. BPL વ્યાપારી પ્રક્રિયાઓમાં "રેડીમેઇડ ઇન્ટિગ્રેશન કમ્પોનન્ટ્સ" (પ્રવૃત્તિઓ) નો ઉપયોગ કરવાનું શક્ય બનાવે છે - જે, હકીકતમાં, ઇન્ટરસિસ્ટમ્સ IRIS માં "સતત એકીકરણ" લાગુ કરવામાં આવે છે તેવું કહેવાનું દરેક કારણ આપે છે. AI/ML સોલ્યુશન એસેમ્બલ કરવા માટે તૈયાર બિઝનેસ પ્રોસેસ ઘટકો (પ્રવૃત્તિઓ અને તેમની વચ્ચેના જોડાણો) એક શક્તિશાળી પ્રવેગક છે. અને માત્ર એસેમ્બલીઓ જ નહીં: અલગ-અલગ AI/ML વિકાસ અને મિકેનિઝમ્સ પર તેમની વચ્ચેની પ્રવૃત્તિઓ અને જોડાણો માટે આભાર, એક "સ્વાયત્ત સંચાલન સ્તર" ઉદભવે છે, જે વાસ્તવિક સમયમાં પરિસ્થિતિ અનુસાર નિર્ણયો લેવા સક્ષમ છે.

આકૃતિ 16 ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મ પર સતત એકીકરણ (CI) માટે તૈયાર બિઝનેસ પ્રોસેસ ઘટકો

એજન્ટ સિસ્ટમ્સનો ખ્યાલ (જેને "મલ્ટિ-એજન્ટ સિસ્ટમ્સ" તરીકે પણ ઓળખવામાં આવે છે) રોબોટાઇઝેશનમાં મજબૂત સ્થાન ધરાવે છે, અને ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મ તેને "ઉત્પાદન-પ્રક્રિયા" રચના દ્વારા ઓર્ગેનિકલી સપોર્ટ કરે છે. એકંદર ઉકેલ માટે જરૂરી કાર્યક્ષમતા સાથે દરેક પ્રક્રિયાને "સ્ટફિંગ" કરવાની અમર્યાદિત શક્યતાઓ ઉપરાંત, "એજન્સી" ની મિલકત સાથે પ્લેટફોર્મ પ્રક્રિયાઓની સિસ્ટમને સંપન્ન કરવાથી તમે અત્યંત અસ્થિર સિમ્યુલેટેડ ઘટનાઓ (સામાજિક વર્તણૂક) માટે અસરકારક ઉકેલો બનાવી શકો છો. બાયોસિસ્ટમ્સ, આંશિક રીતે અવલોકનક્ષમ તકનીકી પ્રક્રિયાઓ, વગેરે).

આકૃતિ 16 ઇન્ટરસિસ્ટમ્સ IRIS માં એજન્ટ-આધારિત બિઝનેસ પ્રોસેસ સિસ્ટમ તરીકે AI/ML સોલ્યુશનનું સંચાલન

અમે ઇન્ટરસિસ્ટમ્સ IRIS ની અમારી સમીક્ષા ચાલુ રાખીએ છીએ જેમાં વાસ્તવિક સમયની સમસ્યાઓના સમગ્ર વર્ગોને ઉકેલવા માટે પ્લેટફોર્મના લાગુ ઉપયોગ વિશેની વાર્તા છે (InterSystems IRIS પર પ્લેટફોર્મ AI/MLની કેટલીક શ્રેષ્ઠ પદ્ધતિઓનો એકદમ વિગતવાર પરિચય એકમાં મળી શકે છે. અમારા અગાઉના વેબિનાર).

અગાઉના રેખાકૃતિની રાહ પર ગરમ, નીચે એજન્ટ સિસ્ટમનો વધુ વિગતવાર આકૃતિ છે. આકૃતિ સમાન પ્રોટોટાઇપ બતાવે છે, ચારેય એજન્ટ પ્રક્રિયાઓ દૃશ્યમાન છે, તેમની વચ્ચેના સંબંધો યોજનાકીય રીતે દોરેલા છે: જનરેટર - સાધનોના સેન્સર દ્વારા ડેટા બનાવવાની પ્રક્રિયા કરે છે, બફર - ડેટા કતારોનું સંચાલન કરે છે, વિશ્લેષક - મશીન લર્નિંગ પોતે કરે છે, મોનિટર - મોનિટર કરે છે. મશીન લર્નિંગની ગુણવત્તા અને મોડેલને ફરીથી તાલીમ આપવાની જરૂરિયાત વિશે સંકેત સબમિટ કરે છે.

આકૃતિ 17 ઇન્ટરસિસ્ટમ્સ IRIS માં એજન્ટ-આધારિત બિઝનેસ પ્રોસેસ સિસ્ટમના સ્વરૂપમાં AI/ML સોલ્યુશનની રચના

નીચેનો આકૃતિ અન્ય રોબોટિક પ્રોટોટાઇપ (ગ્રંથોના ભાવનાત્મક રંગની માન્યતા) ની સ્વાયત્ત કામગીરીને અમુક સમય માટે દર્શાવે છે. ઉપલા ભાગમાં મોડેલ તાલીમના ગુણવત્તા સૂચક (ગુણવત્તા વધી રહી છે) ની ઉત્ક્રાંતિ છે, નીચલા ભાગમાં મોડેલ એપ્લિકેશનના ગુણવત્તા સૂચકની ગતિશીલતા અને પુનરાવર્તિત તાલીમ (લાલ પટ્ટાઓ) ના તથ્યો છે. જેમ તમે જોઈ શકો છો, સોલ્યુશન પોતાને કાર્યક્ષમ અને સ્વાયત્ત રીતે શીખી ગયું છે, અને આપેલ ગુણવત્તા સ્તરે કાર્ય કરે છે (ગુણવત્તા સ્કોર મૂલ્યો 80% થી નીચે આવતા નથી).

આકૃતિ 18 ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મ પર સતત (સ્વ-) તાલીમ (CT)

અમે અગાઉ પણ "ઓટો-એમએલ" નો ઉલ્લેખ કર્યો છે, પરંતુ નીચેનો આકૃતિ અન્ય પ્રોટોટાઇપના ઉદાહરણનો ઉપયોગ કરીને વિગતવાર આ કાર્યક્ષમતાનો ઉપયોગ બતાવે છે. વ્યવસાય પ્રક્રિયાના ટુકડાનું ગ્રાફિકલ ડાયાગ્રામ H2O સ્ટેકમાં મોડેલિંગને ટ્રિગર કરતી પ્રવૃત્તિ દર્શાવે છે, આ મોડેલિંગના પરિણામો દર્શાવે છે ("માનવસર્જિત" મોડેલો પર પરિણામી મોડેલનું સ્પષ્ટ વર્ચસ્વ, તુલનાત્મક રેખાકૃતિ અનુસાર ROC વણાંકો, તેમજ મૂળ ડેટા સેટમાં ઉપલબ્ધ "સૌથી પ્રભાવશાળી ચલો" ની સ્વયંસંચાલિત ઓળખ). અહીં એક મહત્વનો મુદ્દો સમય અને નિષ્ણાત સંસાધનોની બચત છે જે "ઓટો-એમએલ" દ્વારા પ્રાપ્ત થાય છે: અમારી પ્લેટફોર્મ પ્રક્રિયા અડધી મિનિટમાં શું કરે છે (શ્રેષ્ઠ મોડલ શોધવા અને તાલીમ આપવી) નિષ્ણાતને એક અઠવાડિયાથી એક મહિના સુધીનો સમય લાગી શકે છે.

આકૃતિ 19 InterSystems IRIS પ્લેટફોર્મ પર AI/ML સોલ્યુશનમાં "ઓટો-ML" નું એકીકરણ

નીચેનો આકૃતિ મુદ્દો થોડો ચૂકી ગયો છે, પરંતુ વાસ્તવિક સમયની સમસ્યાઓના વર્ગો વિશેની વાર્તાને સમાપ્ત કરવાનો તે એક સારો માર્ગ છે: અમે તમને યાદ અપાવીએ છીએ કે ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મની તમામ ક્ષમતાઓ સાથે, તેના નિયંત્રણ હેઠળના પ્રશિક્ષણ મોડેલો છે. ફરજિયાત નથી. પ્લેટફોર્મ બહારથી મોડલના કહેવાતા PMML સ્પેસિફિકેશનને પ્રાપ્ત કરી શકે છે, જે પ્લેટફોર્મના નિયંત્રણમાં ન હોય તેવા ટૂલમાં પ્રશિક્ષિત છે - અને આ મૉડલને આયાત કરવામાં આવે ત્યારથી વાસ્તવિક સમયમાં લાગુ કરી શકે છે. PMML સ્પષ્ટીકરણો. તે ધ્યાનમાં લેવું અગત્યનું છે કે તમામ AI/ML કલાકૃતિઓને PMML સ્પષ્ટીકરણમાં ઘટાડી શકાતી નથી, ભલે મોટાભાગની સામાન્ય કલાકૃતિઓ આને મંજૂરી આપે. આમ, InterSystems IRIS પ્લેટફોર્મ "ઓપન લૂપ" છે અને તેનો અર્થ વપરાશકર્તાઓ માટે "પ્લેટફોર્મ ગુલામી" નથી.

આકૃતિ 20 InterSystems IRIS પ્લેટફોર્મ પર AI/ML સોલ્યુશનમાં "ઓટો-ML" નું એકીકરણ

ચાલો ઈન્ટરસિસ્ટમ્સ IRIS ના વધારાના પ્લેટફોર્મ ફાયદાઓની યાદી કરીએ (સ્પષ્ટતા માટે, પ્રક્રિયા નિયંત્રણના સંબંધમાં), જે આર્ટિફિશિયલ ઈન્ટેલિજન્સ અને રીઅલ-ટાઇમ મશીન લર્નિંગના ઓટોમેશનમાં ખૂબ મહત્વ ધરાવે છે:

• કોઈપણ ડેટા સ્ત્રોતો અને ગ્રાહકો (પ્રક્રિયા નિયંત્રણ સિસ્ટમ/SCADA, સાધનસામગ્રી, MRO, ERP, વગેરે) સાથે એકીકરણ સાધનો વિકસાવ્યા.
• બિલ્ટ-ઇન મલ્ટી-મોડલ DBMS તકનીકી પ્રક્રિયાના ડેટાના કોઈપણ વોલ્યુમની ઉચ્ચ-પ્રદર્શન વ્યવહાર અને વિશ્લેષણાત્મક પ્રક્રિયા (હાઇબ્રિડ ટ્રાન્ઝેક્શન/એનાલિટીકલ પ્રોસેસિંગ, HTAP) માટે
• પાયથોન, આર, જુલિયા પર આધારિત રીઅલ-ટાઇમ સોલ્યુશન્સ માટે AI/ML એન્જિનની સતત જમાવટ માટે વિકાસ સાધનો
• રીઅલ-ટાઇમ AI/ML સોલ્યુશન એન્જિનના સતત એકીકરણ અને (સ્વ-) શીખવા માટે અનુકૂલનશીલ વ્યવસાય પ્રક્રિયાઓ
• પ્રક્રિયા ડેટા અને AI/ML સોલ્યુશનના પરિણામોની કલ્પના કરવા માટે બિલ્ટ-ઇન બિઝનેસ ઇન્ટેલિજન્સ સાધનો
• API મેનેજમેન્ટ પ્રક્રિયા નિયંત્રણ સિસ્ટમો/SCADA, માહિતી અને વિશ્લેષણાત્મક સિસ્ટમો, ચેતવણીઓ મોકલવા વગેરે માટે AI/ML સોલ્યુશનના પરિણામો પહોંચાડવા માટે.

InterSystems IRIS પ્લેટફોર્મ પર AI/ML સોલ્યુશન્સ હાલના IT ઈન્ફ્રાસ્ટ્રક્ચરમાં સરળતાથી ફિટ થઈ જાય છે. ઇન્ટરસિસ્ટમ્સ IRIS પ્લેટફોર્મ ફોલ્ટ-સહિષ્ણુ અને આપત્તિ-સહિષ્ણુ રૂપરેખાંકનો અને ભૌતિક સર્વર્સ પર, ખાનગી અને જાહેર વાદળો અને ડોકર કન્ટેનરમાં વર્ચ્યુઅલ વાતાવરણમાં લવચીક જમાવટને સમર્થન આપીને AI/ML ઉકેલોની ઉચ્ચ વિશ્વસનીયતાની ખાતરી કરે છે.

આમ, InterSystems IRIS એ સાર્વત્રિક રીઅલ-ટાઇમ AI/ML કમ્પ્યુટિંગ પ્લેટફોર્મ છે. અમારા પ્લેટફોર્મની સાર્વત્રિકતા અમલીકૃત ગણતરીઓની જટિલતા પર વાસ્તવિક પ્રતિબંધોની ગેરહાજરી, વિવિધ પ્રકારના ઉદ્યોગોમાંથી દૃશ્યોની પ્રક્રિયાને (રીઅલ ટાઇમમાં) જોડવાની ઇન્ટરસિસ્ટમ્સ IRIS ની ક્ષમતા અને અસાધારણ અનુકૂલનક્ષમતા દ્વારા વ્યવહારમાં પુષ્ટિ મળે છે. વપરાશકર્તાઓની ચોક્કસ જરૂરિયાતો માટે કોઈપણ પ્લેટફોર્મ કાર્યો અને મિકેનિઝમ્સ.

આકૃતિ 21 ઇન્ટરસિસ્ટમ્સ IRIS - એક સાર્વત્રિક રીઅલ-ટાઇમ AI/ML કમ્પ્યુટિંગ પ્લેટફોર્મ

અહીં પ્રસ્તુત સામગ્રીમાં રસ ધરાવતા અમારા વાચકો સાથે વધુ સચોટ ક્રિયાપ્રતિક્રિયા માટે, અમે ભલામણ કરીએ છીએ કે તમે તેને વાંચવા સુધી મર્યાદિત ન રાખો અને "લાઇવ" સંવાદ ચાલુ રાખો. અમને તમારી કંપનીની વિશિષ્ટતાઓના સંબંધમાં રીઅલ-ટાઇમ AI/ML દૃશ્યોના નિર્માણમાં, InterSystems IRIS પ્લેટફોર્મ પર સંયુક્ત પ્રોટોટાઇપિંગ કરવા, આર્ટિફિશિયલ ઇન્ટેલિજન્સ અને મશીન લર્નિંગને રજૂ કરવા માટે એક રોડમેપ તૈયાર કરવા અને વ્યવહારમાં અમલમાં મૂકવા માટે અમને આનંદ થશે. તમારી ઉત્પાદન અને વ્યવસ્થાપન પ્રક્રિયાઓમાં. અમારી AI/ML નિષ્ણાત ટીમ સંપર્ક ઈમેલ - [ઇમેઇલ સુરક્ષિત].

સોર્સ: www.habr.com