InterSystems IRIS - իրական ժամանակի համընդհանուր AI/ML հարթակ

Հեղինակ՝ Սերգեյ Լուկյանչիկով, InterSystems-ի ինժեներ-խորհրդատու

Իրական ժամանակի AI/ML հաշվողական զանգեր

Սկսենք InterSystems-ում Data Science-ի պրակտիկայի փորձից օրինակներով.

• Բեռնված գնորդների պորտալը միացված է առցանց առաջարկությունների համակարգին: Կլինի մանրածախ ցանցում առաջխաղացումների վերակառուցում (օրինակ, ակցիաների «հարթ» գծի փոխարեն այժմ կօգտագործվի «սեգմենտ-մարտավարություն» մատրիցա): Ի՞նչ է պատահում առաջարկվող շարժիչներին: Ի՞նչ է պատահում առաջարկությունների շարժիչին տվյալների ներկայացման և թարմացման հետ (մուտքագրված տվյալների ծավալն աճել է 25000 անգամ): Ի՞նչ է տեղի ունենում առաջարկությունների մշակման հետ (առաջարկությունների կանոնների զտման շեմը հազարապատիկով նվազեցնելու անհրաժեշտությունը՝ դրանց քանակի և «միջակայքի» հազարապատիկ աճի պատճառով):
• Գոյություն ունի սարքավորումների բաղադրիչներում թերությունների առաջացման հավանականության մոնիտորինգի համակարգ: Մոնիտորինգի համակարգին միացված էր գործընթացների կառավարման ավտոմատացված համակարգ՝ ամեն վայրկյան փոխանցելով տեխնոլոգիական գործընթացի հազարավոր պարամետրեր։ Ի՞նչ է պատահում մոնիտորինգի համակարգին, որը նախկինում աշխատել է «ձեռքի նմուշների» վրա (կարո՞ղ է այն ապահովել վայրկյան առ վայրկյան հավանականության մոնիտորինգ): Ի՞նչ կլինի, եթե մուտքային տվյալների մեջ հայտնվի մի քանի հարյուր սյունակների նոր բլոկ՝ գործընթացի կառավարման համակարգին վերջերս ավելացված սենսորների ընթերցմամբ (արդյո՞ք անհրաժեշտ կլինի և որքան ժամանակով դադարեցնել մոնիտորինգի համակարգը՝ ներառելու նոր սենսորների տվյալները վերլուծության մեջ։ )?
• Ստեղծվել է AI/ML մեխանիզմների մի շարք (առաջարկություն, մոնիտորինգ, կանխատեսում), որոնք օգտագործում են միմյանց աշխատանքի արդյունքները: Քանի՞ աշխատաժամանակ է պահանջվում ամեն ամիս այս համալիրի աշխատանքը մուտքային տվյալների փոփոխություններին հարմարեցնելու համար: Ո՞րն է ընդհանուր «դանդաղեցումը», երբ աջակցվում է կառավարման որոշումների կայացման համալիրի կողմից (դրանում նոր օժանդակ տեղեկատվության առաջացման հաճախականությունը՝ նոր մուտքային տվյալների առաջացման հաճախականության համեմատ):

Ամփոփելով այս և շատ այլ օրինակներ՝ մենք հասել ենք այն մարտահրավերների ձևակերպմանը, որոնք առաջանում են իրական ժամանակում մեքենայական ուսուցման և արհեստական ​​ինտելեկտի մեխանիզմների օգտագործմանը անցնելիս.

• Գո՞հ ենք արդյոք մեր ընկերությունում AI/ML զարգացումների ստեղծման և հարմարվելու արագությունից (փոփոխվող իրավիճակին):
• Որքանո՞վ են մեր օգտագործած AI/ML լուծումներն աջակցում իրական ժամանակի բիզնեսի կառավարմանը:
• Արդյո՞ք AI/ML լուծումները, որոնք մենք օգտագործում ենք, ի վիճակի են ինքնուրույն (առանց մշակողների) հարմարվել տվյալների և բիզնեսի կառավարման գործելակերպի փոփոխություններին:

Մեր հոդվածը ներկայացնում է InterSystems IRIS պլատֆորմի հնարավորությունների համընդհանուր ակնարկ՝ AI/ML մեխանիզմների տեղակայման, AI/ML լուծումների հավաքման (ինտեգրման) և AI/ML լուծումների ինտենսիվ վերապատրաստման (փորձարկման) առումով: տվյալների հոսքեր. Այս հոդվածում մենք կանդրադառնանք շուկայի հետազոտություններին, AI/ML լուծումների դեպքերի ուսումնասիրությանը և հայեցակարգային ասպեկտներին, թե ինչ ենք անվանում իրական ժամանակի AI/ML հարթակ:

Այն, ինչ մենք գիտենք հարցումներից. իրական ժամանակի հավելվածներ

Արդյունքները հարցում800 թվականին Lightbend-ի կողմից իրականացված մոտ 2019 ՏՏ մասնագետների միջև, խոսում են իրենց համար.

Գծապատկեր 1 Իրական ժամանակի տվյալների առաջատար սպառողները

Մեր թարգմանության մեջ մեջբերենք այս հարցման արդյունքների վերաբերյալ զեկույցի կարևոր հատվածները.

«... Տվյալների հոսքերի ինտեգրման գործիքների հանրաճանաչության միտումները և, միևնույն ժամանակ, բեռնարկղերում հաշվարկներին աջակցելը, սիներգետիկ պատասխան են տալիս շուկայի խնդրանքին՝ արդյունավետ լուծումների ավելի պատասխանատու, ռացիոնալ, դինամիկ առաջարկելու համար: Հոսքային տվյալների փոխանցումը տեղեկատվությունը ավելի արագ է փոխանցում, քան ավանդական փաթեթային տվյալները: Դրան գումարվում է հաշվողական մեթոդների արագ կիրառման հնարավորությունը, ինչպիսիք են AI/ML-ի վրա հիմնված առաջարկությունները՝ ստեղծելով մրցակցային առավելություններ հաճախորդների բավարարվածության բարձրացման միջոցով: Ճարպկության մրցավազքը նաև ազդում է DevOps պարադիգմի բոլոր դերերի վրա՝ ավելի արդյունավետ դարձնելով հավելվածների մշակումն ու տեղակայումը: … Ութ հարյուր չորս ՏՏ մասնագետներ տրամադրեցին տեղեկատվություն իրենց կազմակերպություններում տվյալների հոսքերի օգտագործման վերաբերյալ: Հարցվողները հիմնականում տեղակայված են եղել արևմտյան երկրներում (41% Եվրոպայում և 37% Հյուսիսային Ամերիկայում) և գրեթե հավասարաչափ բաշխված են եղել փոքր, միջին և խոշոր ընկերությունների միջև: ...

... Արհեստական ​​ինտելեկտը հիպ չէ: Նրանց XNUMX տոկոսը, ովքեր արդեն օգտագործում են տվյալների հոսքի մշակում արտադրողականության AI/ML հավելվածներում, հաստատում են, որ AI/ML-ի իրենց օգտագործումը ամենամեծ աճը կունենա հաջորդ տարում (համեմատած այլ հավելվածների հետ):

• Հարցվածների մեծամասնության կարծիքով՝ AI/ML սցենարներում տվյալների հոսքերի օգտագործումը ամենամեծ աճը կունենա հաջորդ տարում:
• AI/ML-ում հավելվածները կաճի ոչ միայն համեմատաբար նոր տեսակի սցենարների, այլև ավանդական սցենարների շնորհիվ, որոնցում իրական ժամանակի տվյալները գնալով ավելի են օգտագործվում:
• Ի լրումն AI/ML-ի, IoT տվյալների խողովակաշարերի օգտագործողների շրջանում ոգևորության մակարդակը տպավորիչ է. նրանց 48%-ը, ովքեր արդեն ինտեգրել են IoT տվյալները, ասում են, որ այս տվյալների վրա սցենարի իրականացումը մոտ ապագայում զգալի աճ կունենա: ..."

Այս բավականին հետաքրքիր հարցումից պարզ է դառնում, որ մեքենայական ուսուցման և արհեստական ​​ինտելեկտի սցենարների ընկալումը որպես տվյալների հոսքերի սպառման առաջատարներ արդեն «ճանապարհին է»։ Բայց ոչ պակաս կարևոր դիտարկումն իրական ժամանակի AI/ML-ի ընկալումն է DevOps-ի ոսպնյակի միջոցով. այստեղ մենք արդեն կարող ենք սկսել խոսել «միանգամյա օգտագործման AI/ML-ի` լիովին հասանելի տվյալների հավաքածուով» դեռևս գերիշխող մշակույթի վերափոխման մասին:

Իրական ժամանակի AI/ML հարթակի հայեցակարգ

Իրական ժամանակի AI/ML-ի կիրառման տիպիկ տարածքներից մեկը գործընթացի վերահսկումն է արտադրության մեջ: Օգտվելով նրա օրինակից և հաշվի առնելով նախորդ մտքերը՝ մենք կձևակերպենք իրական ժամանակի AI/ML հարթակի հայեցակարգը։
Արհեստական ​​ինտելեկտի և մեքենայական ուսուցման օգտագործումը գործընթացների կառավարման մեջ ունի մի շարք առանձնահատկություններ.

• Տեխնոլոգիական գործընթացի վիճակի մասին տվյալները ստացվում են ինտենսիվ՝ բարձր հաճախականությամբ և պարամետրերի լայն շրջանակի համար (գործընթացի կառավարման համակարգից վայրկյանում փոխանցված մինչև տասնյակ հազարավոր պարամետրերի արժեքներ)
• Թերությունների բացահայտման վերաբերյալ տվյալները, էլ չասած դրանց զարգացման մասին տվյալները, ընդհակառակը, սակավ են և անկանոն, բնութագրվում են թերությունների անբավարար տիպիկությամբ և ժամանակին դրանց տեղայնացմամբ (հաճախ ներկայացված են թղթային գրառումներով):
• Գործնական տեսանկյունից, ուսուցման և մոդելների կիրառման համար հասանելի է աղբյուրի տվյալների միայն «համապատասխանության պատուհանը», որն արտացոլում է տեխնոլոգիական գործընթացի դինամիկան ողջամիտ սահող միջակայքում, որն ավարտվում է գործընթացի պարամետրերի վերջին ընթերցված արժեքներով:

Այս հատկանիշները մեզ ստիպում են, ի լրումն տեխնոլոգիական գործընթացից ինտենսիվ «լայնաշերտ մուտքագրման ազդանշանի» իրական ժամանակում ստանալու և հիմնական մշակման, կատարել (զուգահեռաբար) AI / արդյունքների կիրառումը, ուսուցումը և որակի վերահսկումը: ML մոդելներ - նաև իրական ժամանակում: «Շրջանակը», որը մեր մոդելները «տեսնում են» համապատասխանության լոգարիթմական պատուհանում, անընդհատ փոխվում է, և դրա հետ մեկտեղ փոխվում է նաև նախկինում «շրջանակներից» մեկի վրա վերապատրաստված AI/ML մոդելների աշխատանքի արդյունքների որակը։ . Եթե ​​AI/ML մոդելների աշխատանքի արդյունքների որակը վատթարանում է (օրինակ՝ «տագնապ-նորմ» դասակարգման սխալի արժեքը դուրս է եկել մեր սահմանած սահմաններից), մոդելների լրացուցիչ ուսուցումը պետք է ինքնաբերաբար սկսվի։ ավելի ընթացիկ «շրջանակ» - և մոդելների լրացուցիչ ուսուցում սկսելու պահի ընտրությունը պետք է հաշվի առնի, թե ինչպես է ուսուցման տևողությունը և մոդելների ընթացիկ տարբերակի աշխատանքի որակի վատթարացման դինամիկան (քանի որ Մոդելների ընթացիկ տարբերակները շարունակում են օգտագործվել մոդելների վերապատրաստման ընթացքում և մինչև դրանց «նոր վերապատրաստված» տարբերակների ձևավորումը):

InterSystems IRIS-ն ունի պլատֆորմի հիմնական հնարավորություններ՝ AI/ML լուծումները հնարավորություն տալու գործընթացի իրական ժամանակում վերահսկելու համար: Այս հնարավորությունները կարելի է բաժանել երեք հիմնական խմբի.

• Նոր կամ հարմարեցված առկա AI/ML մեխանիզմների շարունակական տեղակայում (Շարունակական տեղակայում/առաքում, CD) InterSystems IRIS հարթակի վրա իրական ժամանակում գործող արդյունավետ լուծման մեջ:
• Շարունակական ինտեգրում (CI) մուտքային տեխնոլոգիական գործընթացների տվյալների հոսքերի միասնական արդյունավետ լուծման, AI/ML մեխանիզմների կիրառման/ուսուցման/որակի վերահսկման համար տվյալների հերթերի և տվյալների/կոդերի/վերահսկման գործողությունների փոխանակման մաթեմատիկական մոդելավորման միջավայրերի հետ՝ կազմակերպված իրական ժամանակում: հարթակ InterSystems IRIS
• AI/ML մեխանիզմների շարունակական (ինքնակառավարման) ուսուցում (Continuous Training, CT), որն իրականացվում է մաթեմատիկական մոդելավորման միջավայրերում՝ օգտագործելով InterSystems IRIS պլատֆորմի կողմից փոխանցված տվյալների, կոդերի և կառավարման գործողություններ («ընդունված որոշումներ»):

Պլատֆորմի հնարավորությունների դասակարգումը մեքենայական ուսուցման և արհեստական ​​ինտելեկտի հետ կապված հենց այս խմբերի մեջ պատահական չէ: Մեջբերենք մեթոդական հրապարակումը Google-ը, որը հայեցակարգային հիմք է տալիս այս դասակարգման համար, մեր թարգմանության մեջ.

«... DevOps-ի հայեցակարգը, որը հայտնի է մեր օրերում, ընդգրկում է լայնածավալ տեղեկատվական համակարգերի մշակումն ու շահագործումը: Այս հայեցակարգի ներդրման առավելություններն են զարգացման ցիկլերի տևողության կրճատումը, մշակումների ավելի արագ տեղակայումը և թողարկման պլանավորման ճկունությունը: Այս առավելություններին հասնելու համար DevOps-ը ներառում է առնվազն երկու պրակտիկայի իրականացում.

• Շարունակական ինտեգրում (CI)
• Շարունակական առաքում (CD)

Այս գործելակերպերը կիրառվում են նաև AI/ML հարթակների վրա՝ ապահովելու AI/ML-ի արդյունավետ լուծումների հուսալի և արդյունավետ հավաքումը:

AI/ML հարթակները տարբերվում են այլ տեղեկատվական համակարգերից հետևյալ առումներով.

• Թիմի իրավասություններ. AI/ML լուծում ստեղծելիս թիմը սովորաբար ներառում է տվյալների գիտնականներ կամ տվյալների հետազոտության ոլորտում «ակադեմիական» փորձագետներ, ովքեր իրականացնում են տվյալների վերլուծություն, մշակում և փորձարկում մոդելներ: Թիմի այս անդամները չեն կարող պրոֆեսիոնալ արդյունավետ կոդ մշակողներ լինել:
• Զարգացում. AI/ML շարժիչներն իրենց բնույթով փորձարարական են: Խնդիրն առավելագույնս արդյունավետ լուծելու համար անհրաժեշտ է անցնել մուտքային փոփոխականների, ալգորիթմների, մոդելավորման մեթոդների և մոդելի պարամետրերի տարբեր համակցություններ: Նման որոնման բարդությունը կայանում է նրանում, որ հետևում է «ինչն աշխատեց/չստացվեց», դրվագների վերարտադրելիության ապահովումը, զարգացումների ընդհանրացումը կրկնվող իրագործումների համար:
• Փորձարկում. AI/ML շարժիչների փորձարկումը պահանջում է թեստերի ավելի լայն շրջանակ, քան այլ մշակումներ: Ի լրումն ստանդարտ միավորի և ինտեգրման թեստերի, փորձարկվում են տվյալների վավերականությունը և մոդելի կիրառման արդյունքների որակը վերապատրաստման և վերահսկման նմուշներում:
• Տեղակայում. AI/ML լուծումների տեղակայումը չի սահմանափակվում կանխատեսող ծառայություններով, որոնք օգտագործում են մեկ անգամ վերապատրաստված մոդել: AI/ML լուծումները կառուցված են բազմաստիճան խողովակաշարերի շուրջ, որոնք իրականացնում են մոդելների ավտոմատ ուսուցում և կիրառում: Նման խողովակաշարերի տեղակայումը ներառում է ոչ աննշան գործողությունների ավտոմատացում, որոնք ավանդաբար կատարվում են ձեռքով տվյալների գիտնականների կողմից, որպեսզի կարողանան վարժեցնել և փորձարկել մոդելները:
• Արտադրողականություն. AI/ML շարժիչները կարող են արտադրողականության պակաս ունենալ ոչ միայն անարդյունավետ ծրագրավորման, այլև մուտքային տվյալների անընդհատ փոփոխվող բնույթի պատճառով: Այլ կերպ ասած, AI/ML մեխանիզմների կատարումը կարող է վատթարանալ պատճառների ավելի լայն շրջանակի պատճառով, քան սովորական զարգացումների կատարումը: Ինչը հանգեցնում է մեր AI/ML շարժիչների աշխատանքը (առցանց) վերահսկելու, ինչպես նաև ծանուցումներ ուղարկելու կամ արդյունքների մերժման անհրաժեշտությանը, եթե կատարողականի ցուցանիշները չեն համապատասխանում ակնկալիքներին:

AI/ML հարթակները նման են այլ տեղեկատվական համակարգերին, քանի որ երկուսն էլ պահանջում են կոդի շարունակական ինտեգրում տարբերակների վերահսկման, միավորի փորձարկման, ինտեգրման փորձարկման և շարունակական զարգացման տեղակայման հետ: Այնուամենայնիվ, AI/ML-ի դեպքում կան մի քանի կարևոր տարբերություններ.

• CI (Շարունակական ինտեգրում) այլևս չի սահմանափակվում տեղակայված բաղադրիչների ծածկագրի փորձարկումով և վավերացումով, այն ներառում է նաև տվյալների և AI/ML մոդելների փորձարկում և վավերացում:
• CD-ն (Շարունակական առաքում/տեղակայում, շարունակական տեղակայում) չի սահմանափակվում փաթեթներ կամ ծառայություններ գրելով և թողարկելով, այլ ենթադրում է հարթակ AI/ML լուծումների կազմման, վերապատրաստման և կիրառման համար:
• CT (Continuous Training, շարունակական ուսուցում) նոր տարր է [մոտ. Հոդվածի հեղինակ. նոր տարր DevOps-ի ավանդական հայեցակարգի հետ կապված, որում CT-ն, որպես կանոն, Continuous Testing է], որը բնորոշ է AI/ML պլատֆորմներին, որը պատասխանատու է AI-ի վերապատրաստման և կիրառման մեխանիզմների ինքնավար կառավարման համար: /ML մոդելներ. ..."

Մենք կարող ենք փաստել, որ իրական ժամանակի տվյալների վրա աշխատող մեքենայական ուսուցումը և արհեստական ​​ինտելեկտը պահանջում են գործիքների և կարողությունների ավելի լայն շարք (սկսած կոդի մշակումից մինչև մաթեմատիկական մոդելավորման միջավայրերի կազմակերպում), ավելի սերտ ինտեգրում բոլոր ֆունկցիոնալ և առարկայական ոլորտների միջև, մարդկանց և մարդկանց ավելի արդյունավետ կազմակերպում: մեքենայական ռեսուրսներ.

Իրական ժամանակի սցենար. ճանաչելով սնուցման պոմպերի թերությունների զարգացումը

Շարունակելով օգտագործել գործընթացի վերահսկման դաշտը որպես օրինակ՝ հաշվի առեք կոնկրետ խնդիր (մենք արդեն նշեցինք հենց սկզբում). մենք պետք է իրական ժամանակում ապահովենք պոմպերի թերությունների զարգացման մոնիտորինգ՝ հիմնվելով գործընթացի պարամետրերի արժեքների հոսքի վրա: և վերանորոգման անձնակազմի կողմից հայտնաբերված թերությունների մասին հաշվետվություններ:

Նկար 2 Խնդիրների ձևակերպում թերությունների զարգացման մոնիտորինգի համար

Գործնականում այս ձևով առաջադրված առաջադրանքների մեծ մասի առանձնահատկությունն այն է, որ տվյալների ստացման կանոնավորությունն ու արդյունավետությունը (APCS) պետք է դիտարկել տարբեր տեսակի արատների էպիզոդիկ և անկանոն առաջացման (և գրանցման) ֆոնին: Այլ կերպ ասած՝ գործընթացի կառավարման համակարգից տվյալները հասնում են վայրկյանը մեկ, ճիշտ և ճշգրիտ, իսկ թերությունների մասին նշումներ են արվում քիմիական մատիտով, որը նշում է ամսաթիվը արտադրամասի ընդհանուր նոթատետրում (օրինակ՝ «12.01 – արտահոսք կափարիչի մեջ» 3-րդ առանցքակալի կողմից»):

Այսպիսով, մենք կարող ենք լրացնել խնդրի ձևակերպումը հետևյալ կարևոր սահմանափակմամբ. մենք ունենք որոշակի տեսակի թերության միայն մեկ «պիտակ» (այսինքն՝ որոշակի տեսակի թերության օրինակը ներկայացված է գործընթացի հսկողության տվյալների միջոցով. համակարգը կոնկրետ ամսաթվով, և մենք այս տեսակի թերության ավելի շատ օրինակներ չունենք): Այս սահմանափակումը մեզ անմիջապես դուրս է բերում դասական մեքենայական ուսուցման շրջանակներից (վերահսկվող ուսուցում), որի համար պետք է շատ «պիտակներ» լինեն։

Գծապատկեր 3 Արատների զարգացման մոնիտորինգի առաջադրանքի պարզաբանում

Կարո՞ղ ենք ինչ-որ կերպ «բազմապատկել» մեր տրամադրության տակ եղած միակ «պիտակը»: Այո, մենք կարող ենք. Պոմպի ներկայիս վիճակը բնութագրվում է գրանցված թերությունների նմանության աստիճանով: Նույնիսկ առանց քանակական մեթոդների օգտագործման, տեսողական ընկալման մակարդակում, դիտարկելով գործընթացի կառավարման համակարգից ստացվող տվյալների արժեքների դինամիկան, արդեն կարող եք շատ բան սովորել.

Նկար 4 Պոմպի վիճակի դինամիկան տվյալ տեսակի թերության «նշանի» ֆոնի վրա

Բայց տեսողական ընկալումը (գոնե առայժմ) մեր արագ փոփոխվող սցենարում «պիտակների» ամենահարմար գեներատորը չէ: Մենք կգնահատենք ընթացիկ պոմպի վիճակի նմանությունը հաղորդված թերություններին` օգտագործելով վիճակագրական թեստ:

Նկար 5 Մուտքային տվյալների վրա վիճակագրական թեստի կիրառում թերության «պիտակի» ֆոնի վրա

Վիճակագրական թեստը որոշում է հավանականությունը, որ գործընթացի կառավարման համակարգից ստացված «հոսքի փաթեթում» տեխնոլոգիական գործընթացի պարամետրերի արժեքներով գրառումները նման են որոշակի տեսակի թերության «պիտակի» գրառումներին: Հավանականության արժեքը (վիճակագրական նմանության ինդեքսը), որը հաշվարկվում է վիճակագրական թեստի կիրառման արդյունքում, վերածվում է 0-ի կամ 1-ի՝ դառնալով «պիտակ» մեքենայական ուսուցման համար՝ փաթեթի յուրաքանչյուր հատուկ գրառման մեջ, որը ուսումնասիրվում է նմանության համար: Այսինքն՝ վիճակագրական թեստով պոմպային վիճակի գրառումների նոր ստացված փաթեթը մշակելուց հետո մենք հնարավորություն ունենք (ա) ավելացնել այս փաթեթը AI/ML մոդելի վերապատրաստման ուսումնական հավաքածուին և (բ) իրականացնել որակի վերահսկում։ մոդելի ընթացիկ տարբերակը այս փաթեթում օգտագործելիս:

Նկար 6 Մեքենայի ուսուցման մոդելի կիրառում մուտքային տվյալների վրա՝ թերության «պիտակի» ֆոնի վրա

Մեր նախորդներից մեկում վեբինարներ Մենք ցույց ենք տալիս և բացատրում, թե ինչպես է InterSystems IRIS հարթակը թույլ է տալիս իրականացնել ցանկացած AI/ML մեխանիզմ՝ շարունակաբար կատարվող բիզնես գործընթացների տեսքով, որոնք վերահսկում են մոդելավորման արդյունքների հուսալիությունը և հարմարեցնում մոդելի պարամետրերը: Պոմպերով մեր սցենարի նախատիպն իրականացնելիս մենք օգտագործում ենք վեբինարում ներկայացված InterSystems IRIS-ի բոլոր ֆունկցիոնալությունը. անալիզատորի գործընթացում ներդնելով որպես մեր լուծման մաս, ոչ թե դասական վերահսկվող ուսուցում, այլ ուժեղացված ուսուցում, որն ավտոմատ կերպով կառավարում է վերապատրաստման մոդելների ընտրությունը: . Ուսուցման նմուշը պարունակում է գրառումներ, որոնց վերաբերյալ «հայտնաբերման համաձայնություն» առաջանում է և՛ վիճակագրական թեստը, և՛ մոդելի ընթացիկ տարբերակը կիրառելուց հետո, այսինքն՝ և՛ վիճակագրական թեստը (նմանության ինդեքսը 0-ի կամ 1-ի վերածելուց հետո), և՛ մոդելը տվել է արդյունքը: Նման գրառումների վրա 1. Մոդելի նոր վերապատրաստման ժամանակ, դրա վավերացման ընթացքում (նոր վերապատրաստված մոդելը կիրառվում է իր սեփական ուսումնական նմուշի վրա՝ դրա վրա նախնական կիրառմամբ վիճակագրական թեստ), գրառումներ, որոնք «չեն պահպանել» արդյունք 1 մշակումից հետո։ վիճակագրական թեստով (վերապատրաստման մեջ մշտական ​​առկայության պատճառով թերության սկզբնական «պիտակից» գրառումների նմուշը) ​​հանվում են ուսումնական հավաքածուից, և մոդելի նոր տարբերակը սովորում է «պիտակից» արատ, գումարած հոսքի «պահված» գրառումները:

Նկար 7 AI/ML հաշվարկների ռոբոտացում InterSystems IRIS-ում

Եթե ​​InterSystems IRIS-ում տեղական հաշվարկների ժամանակ ձեռք բերված հայտնաբերման որակի վերաբերյալ մի տեսակ «երկրորդ կարծիքի» կարիք կա, ստեղծվում է խորհրդատու գործընթաց՝ ամպային ծառայությունների միջոցով կառավարման տվյալների բազայի վրա մոդելների ուսուցում և կիրառման համար (օրինակ՝ Microsoft): Azure, Amazon Web Services, Google Cloud Platform և այլն):

Նկար 8 Երկրորդ կարծիք Microsoft Azure-ից՝ կազմակերպված InterSystems IRIS-ի կողմից

InterSystems IRIS-ի մեր սցենարի նախատիպը նախագծված է որպես վերլուծական գործընթացների գործակալների վրա հիմնված համակարգ, որը փոխազդում է սարքավորման օբյեկտի (պոմպի), մաթեմատիկական մոդելավորման միջավայրերի (Python, R և Julia) հետ և ապահովում է բոլոր ներգրավված AI/-ի ինքնուսուցումը: ML մեխանիզմներ - իրական ժամանակի տվյալների հոսքերի վրա:

Նկար 9 InterSystems IRIS-ի իրական ժամանակի AI/ML լուծման հիմնական ֆունկցիոնալությունը

Մեր նախատիպի գործնական արդյունքը.

• Մոդելի կողմից ճանաչված նմուշի թերությունը (հունվարի 12).

• Մոդելի կողմից ճանաչված զարգացող թերություն, որը ներառված չէր նմուշում (սեպտեմբերի 11-ին, թերությունը ինքնին հայտնաբերվեց վերանորոգման թիմի կողմից միայն երկու օր անց՝ սեպտեմբերի 13-ին).

Նույն թերության մի քանի դրվագ պարունակող իրական տվյալների սիմուլյացիան ցույց է տվել, որ InterSystems IRIS հարթակում ներդրված մեր լուծումը թույլ է տալիս բացահայտել այս տեսակի թերությունների զարգացումը վերանորոգող թիմի կողմից դրանք հայտնաբերելուց մի քանի օր առաջ:

InterSystems IRIS - իրական ժամանակի համընդհանուր AI/ML հաշվողական հարթակ

InterSystems IRIS հարթակը պարզեցնում է իրական ժամանակի տվյալների լուծումների մշակումը, տեղակայումը և շահագործումը: InterSystems IRIS-ը կարող է միաժամանակ իրականացնել գործարքային և վերլուծական տվյալների մշակում. աջակցում է տվյալների համաժամեցված դիտումներին՝ ըստ բազմաթիվ մոդելների (ներառյալ հարաբերական, հիերարխիկ, օբյեկտ և փաստաթուղթ); հանդես գալ որպես հարթակ տվյալների աղբյուրների և անհատական ​​հավելվածների լայն շրջանակի ինտեգրման համար. տրամադրել առաջադեմ իրական ժամանակի վերլուծություն կառուցվածքային և չկառուցված տվյալների վրա: InterSystems IRIS-ը նաև ապահովում է արտաքին վերլուծական գործիքների օգտագործման մեխանիզմներ և թույլ է տալիս ճկուն համակցում հոսթինգը ամպի և տեղական սերվերների վրա:

InterSystems IRIS պլատֆորմի վրա կառուցված հավելվածները տարածվում են մի շարք ոլորտներում՝ օգնելով ընկերություններին ռազմավարական և գործառնական տեսանկյունից գիտակցել զգալի տնտեսական օգուտները, ավելացնելով տեղեկացված որոշումներ կայացնելը և կամրջելով իրադարձությունների, վերլուծությունների և գործողությունների միջև առկա բացերը:

Նկար 10 InterSystems IRIS ճարտարապետությունը իրական ժամանակի AI/ML-ի համատեքստում

Ինչպես նախորդ դիագրամը, ստորև բերված դիագրամը համատեղում է նոր «կոորդինատային համակարգը» (CD/CI/CT) հարթակի աշխատանքային տարրերի միջև տեղեկատվության հոսքի դիագրամի հետ: Վիզուալիզացիան սկսվում է մակրոմեխանիզմի CD-ով և շարունակվում է CI և CT մակրոմեխանիզմներով:

Նկար 11 InterSystems IRIS պլատֆորմի AI/ML տարրերի միջև տեղեկատվության հոսքերի դիագրամ

InterSystems IRIS-ում CD մեխանիզմի էությունը. պլատֆորմի օգտվողները (AI/ML լուծումներ մշակողները) հարմարեցնում են առկա և/կամ ստեղծում նոր AI/ML մշակումներ՝ օգտագործելով AI/ML մեխանիզմների մասնագիտացված կոդերի խմբագրիչը. Jupyter (լրիվ անվանումը՝ Jupyter Notebook; Հակիրճության համար այս խմբագրում ստեղծված փաստաթղթերը նույնպես երբեմն կոչվում են): Jupyter-ում ծրագրավորողը հնարավորություն ունի գրել, կարգաբերել և ստուգել որոշակի AI/ML մշակման կատարումը (ներառյալ գրաֆիկայի օգտագործումը), նախքան այն տեղադրելը («տեղակայվել») InterSystems IRIS-ում: Հասկանալի է, որ այս կերպ ստեղծված նոր մշակումը կստանա միայն հիմնական կարգաբերում (քանի որ, մասնավորապես, Jupyter-ը չի աշխատում իրական ժամանակի տվյալների հոսքերի հետ) - սա իրերի հերթականության մեջ է, քանի որ Jupyter-ի զարգացման հիմնական արդյունքը առանձին AI/ML մեխանիզմի հիմնարար գործունակության հաստատումն է («ցույց է տալիս ակնկալվող արդյունքը տվյալների նմուշի վրա»): Նմանապես, մեխանիզմը, որն արդեն տեղադրված է հարթակում (տես հետևյալ մակրոմեխանիզմները), նախքան Jupyter-ում վրիպազերծելը, կարող է պահանջել «վերադարձ» դեպի «նախահրապարակ» ձև (ֆայլերից տվյալների ընթերցում, տվյալների հետ աշխատել xDBC-ի միջոցով աղյուսակների փոխարեն, ուղղակի փոխազդեցություն գլոբալների հետ - տվյալների բազմաչափ զանգվածներ InterSystems IRIS – և այլն):

InterSystems IRIS-ում CD ներդրման կարևոր ասպեկտ. երկկողմանի ինտեգրում է իրականացվել հարթակի և Jupyter-ի միջև, ինչը թույլ է տալիս Python-ի, R-ի և Julia-ի բովանդակությունը տեղափոխել հարթակ (և հետագայում մշակվել հարթակում) (երեքն էլ ծրագրավորում են): լեզուները համապատասխան առաջատար բաց կոդով լեզուներով): Աղբյուրի մաթեմատիկական մոդելավորման միջավայրեր): Այսպիսով, AI/ML բովանդակության մշակողները հնարավորություն ունեն իրականացնելու այս բովանդակության «շարունակական տեղակայումը» հարթակում՝ աշխատելով իրենց ծանոթ Jupyter խմբագրիչում, Python, R, Julia-ում հասանելի ծանոթ գրադարաններով և կատարելով հիմնական վրիպազերծում (անհրաժեշտության դեպքում): հարթակից դուրս.

Անցնենք CI մակրո մեխանիզմին InterSystems IRIS-ում: Դիագրամը ցույց է տալիս «իրական ժամանակի ռոբոտիզատորի» մակրո գործընթացը (տվյալների կառուցվածքների, բիզնես գործընթացների և կոդի բեկորների համալիր, որոնք կազմակերպված են նրանց կողմից մաթեմատիկական լեզուներով և ObjectScript-ը՝ InterSystems IRIS-ի զարգացման մայրենի լեզուն): Այս մակրո գործընթացի խնդիրն է պահպանել AI/ML մեխանիզմների գործարկման համար անհրաժեշտ տվյալների հերթերը (հիմնվելով հարթակ իրական ժամանակում փոխանցվող տվյալների հոսքերի վրա), որոշումներ կայացնել կիրառման հաջորդականության և AI/ «տեսականի» վերաբերյալ: ML մեխանիզմները (դրանք նաև «մաթեմատիկական ալգորիթմներ» են, «մոդելներ» և այլն, կարելի է անվանել այլ կերպ՝ կախված իրականացման առանձնահատկություններից և տերմինաբանական նախապատվություններից), թարմացնում են տվյալների կառուցվածքները՝ AI/ աշխատանքի արդյունքները վերլուծելու համար։ ML մեխանիզմներ (խորանարդներ, աղյուսակներ, տվյալների բազմաչափ զանգվածներ և այլն) և այլն – հաշվետվությունների, վահանակների և այլնի համար):

InterSystems IRIS-ում CI ներդրման կարևոր ասպեկտ. երկկողմանի ինտեգրում է իրականացվել հարթակի և մաթեմատիկական մոդելավորման միջավայրերի միջև, ինչը թույլ է տալիս կատարել Python, R և Julia հարթակում տեղակայված բովանդակությունը իրենց համապատասխան միջավայրերում և հետ ստանալ կատարման արդյունքները: Այս ինտեգրումն իրականացվում է և՛ «տերմինալային ռեժիմում» (այսինքն՝ AI/ML բովանդակությունը ձևակերպված է որպես ObjectScript կոդ, որը զանգեր է կատարում դեպի շրջակա միջավայր), և՛ «բիզնես գործընթացի ռեժիմում» (այսինքն՝ AI/ML բովանդակությունը ձևակերպվում է որպես բիզնես գործընթաց։ օգտագործելով գրաֆիկական խմբագրիչ, կամ երբեմն օգտագործելով Jupyter, կամ օգտագործելով IDE՝ IRIS Studio, Eclipse, Visual Studio Code): Jupyter-ում խմբագրման համար բիզնես գործընթացների առկայությունը արտացոլվում է CI մակարդակում IRIS-ի և CD մակարդակում Jupyter-ի միջև կապի միջոցով: Մաթեմատիկական մոդելավորման միջավայրերի հետ ինտեգրման ավելի մանրամասն ակնարկ տրված է ստորև: Այս փուլում, մեր կարծիքով, կան բոլոր հիմքերը՝ ապահովելու, որ հարթակն ունի բոլոր անհրաժեշտ գործիքները՝ AI/ML զարգացումների «շարունակական ինտեգրումը» (կապված «շարունակական տեղակայումից») իրական ժամանակի AI/ML լուծումների մեջ իրականացնելու համար:

Իսկ հիմնական մակրոմեխանիզմը՝ CT: Առանց դրա, AI/ML հարթակ չի լինի (չնայած «իրական ժամանակ»-ը կիրականացվի CD/CI-ի միջոցով): CT-ի էությունը պլատֆորմի աշխատանքն է մեքենայական ուսուցման և արհեստական ​​ինտելեկտի «արտեֆակտներով» անմիջապես մաթեմատիկական մոդելավորման միջավայրերի աշխատանքային նիստերում՝ մոդելներ, բաշխման աղյուսակներ, մատրիցային վեկտորներ, նեյրոնային ցանցերի շերտեր և այլն: Այս «աշխատանքը», շատ դեպքերում, բաղկացած է նշված արտեֆակտների ստեղծումից միջավայրերում (մոդելների դեպքում, օրինակ, «ստեղծումը» բաղկացած է մոդելի ճշգրտման սահմանումից և դրա պարամետրերի արժեքների հետագա ընտրությունից. մոդելի, այսպես կոչված, «ուսուցում»), դրանց կիրառումը (մոդելների համար. դրանց օգնությամբ հաշվարկվում են թիրախային փոփոխականների «մոդելային» արժեքները՝ կանխատեսումներ, կատեգորիայի անդամակցություն, իրադարձության հավանականություն և այլն) և արդեն իսկ կատարելագործում։ ստեղծվել և կիրառվել են արտեֆակտներ (օրինակ՝ կիրառման արդյունքների հիման վրա մոդելի մուտքագրման փոփոխականների մի շարք վերասահմանում, կանխատեսման ճշգրտությունը բարելավելու նպատակով՝ որպես տարբերակ): CT-ի դերը հասկանալու առանցքային կետը նրա «վերացումն» է CD-ի և CI-ի իրողություններից. CT-ն կիրականացնի բոլոր արտեֆակտները՝ կենտրոնանալով AI/ML լուծման հաշվողական և մաթեմատիկական առանձնահատկությունների վրա՝ որոշակի միջավայրերի կողմից տրամադրվող հնարավորությունների շրջանակներում: «Մուտքագրումներ տրամադրելու» և «արդյունքներ տրամադրելու» պատասխանատվությունը կրելու է CD-ն և CI-ն:

CT-ի ներդրման կարևոր ասպեկտը հատկապես InterSystems IRIS-ում. օգտագործելով վերը նշված մաթեմատիկական մոդելավորման միջավայրերի հետ ինտեգրումը, պլատֆորմը հնարավորություն ունի հանել հենց այդ արտեֆակտները մաթեմատիկական միջավայրում իր վերահսկողության տակ անցկացվող աշխատանքային նիստերից և (ամենակարևորը) շրջվել: դրանք հարթակի տվյալների օբյեկտների մեջ: Օրինակ, բաշխման աղյուսակը, որը նոր է ստեղծվել Python-ի աշխատանքային նիստում, կարող է (առանց Python նիստը դադարեցնելու) փոխանցվել հարթակ, օրինակ, գլոբալ (բազմաչափ InterSystems IRIS տվյալների զանգված) և օգտագործել: մեկ այլ AI/ML- մեխանիզմով (իրականացված այլ միջավայրի լեզվով, օրինակ՝ R-ով) կամ վիրտուալ աղյուսակով հաշվարկների համար։ Մեկ այլ օրինակ. մոդելի գործողության «նորմալ ռեժիմին» զուգահեռ (Python աշխատանքային նիստում), «auto-ML» իրականացվում է դրա մուտքային տվյալների վրա՝ օպտիմալ մուտքային փոփոխականների և պարամետրերի արժեքների ավտոմատ ընտրություն: Եվ «կանոնավոր» ուսուցման հետ մեկտեղ, արդյունավետ մոդելը իրական ժամանակում ստանում է նաև իր ճշգրտման «օպտիմալացման առաջարկ», որի դեպքում փոխվում է մուտքային փոփոխականների հավաքածուն, փոխվում են պարամետրերի արժեքները (այլևս վերապատրաստման արդյունքում չեն Python-ում, բայց իր «այլընտրանքային» տարբերակով ուսուցման արդյունքում, ինչպիսին է H2O ստեկը), որը թույլ է տալիս ընդհանուր AI/ML լուծումն ինքնուրույն հաղթահարել մուտքագրվող տվյալների և երևույթների բնույթի անսպասելի փոփոխությունները: .

Եկեք ավելի մանրամասն ծանոթանանք InterSystems IRIS-ի AI/ML պլատֆորմի ֆունկցիոնալությանը` օգտագործելով իրական նախատիպի օրինակը:

Ստորև բերված դիագրամում, սլայդի ձախ կողմում կա բիզնես գործընթացի մի մասը, որն իրականացնում է սկրիպտների կատարումը Python-ում և R-ում: Կենտրոնական մասում կան համապատասխանաբար այս սկրիպտների կատարման տեսողական մատյանները, Python-ում և R.-ում անմիջապես հետևում են մեկ և մեկ այլ լեզվով բովանդակության օրինակներ, որոնք փոխանցվել են կատարման համապատասխան միջավայրեր: Աջ վերջում պատկերացումներ են՝ հիմնված սցենարի կատարման արդյունքների վրա: Վերևի վիզուալիզացիաներն արվել են IRIS Analytics-ի վրա (տվյալները վերցվել են Python-ից InterSystems IRIS տվյալների հարթակ և ցուցադրվել վահանակի վրա՝ օգտագործելով հարթակը), իսկ ներքևում կատարվել են անմիջապես R աշխատանքային նիստում և այնտեղից դուրս են բերվել գրաֆիկական ֆայլեր: . Կարևոր ասպեկտ. նախատիպում ներկայացված հատվածը պատասխանատու է մոդելի ուսուցման համար (սարքավորումների վիճակների դասակարգում) սարքավորումների սիմուլյատորի գործընթացից իրական ժամանակում ստացված տվյալների վրա՝ մոդելի կիրառման ընթացքում դիտարկված որակի դասակարգման գործընթացի հրամանով: AI/ML լուծման իրականացումը փոխազդող գործընթացների («գործակալների») տեսքով կքննարկվի հետագա:

Նկար 12 Փոխազդեցությունը Python-ի, R-ի և Julia-ի հետ InterSystems IRIS-ում

Պլատֆորմային գործընթացները (դրանք նաև «բիզնես գործընթացներ», «վերլուծական գործընթացներ», «խողովակաշարեր» և այլն - կախված ենթատեքստից), նախ և առաջ խմբագրվում են հենց հարթակում գտնվող գրաֆիկական բիզնես գործընթացների խմբագրիչում և նման ձևով. այնպես, որ միաժամանակ ստեղծվում են և՛ դրա բլոկային դիագրամը, և՛ համապատասխան AI/ML մեխանիզմը (ծրագրի կոդը): Երբ մենք ասում ենք, որ «Ստացվում է AI/ML մեխանիզմ», մենք ի սկզբանե նկատի ունենք հիբրիդությունը (մեկ գործընթացի շրջանակներում). Ինտեգրված ML), InterSystems ObjectScript-ում, այլ աջակցվող լեզուներով: Ավելին, պլատֆորմի գործընթացը շատ լայն հնարավորություններ է տալիս «արտադրելու» հիերարխիկորեն տեղադրված բեկորների տեսքով (ինչպես երևում է ստորև ներկայացված գծապատկերի օրինակում), ինչը թույլ է տալիս արդյունավետորեն կազմակերպել նույնիսկ շատ բարդ բովանդակություն՝ առանց երբևէ «դուրս ընկնելու»: գրաֆիկական ձևաչափի («ոչ գրաֆիկական» ձևաչափերի) » մեթոդներ/դասեր/ընթացակարգեր և այլն): Այսինքն՝ անհրաժեշտության դեպքում (և դա նախատեսված է նախագծերի մեծ մասում), բացարձակապես ամբողջ AI/ML լուծումը կարող է իրականացվել գրաֆիկական ինքնափաստաթղթավորման ձևաչափով։ Խնդրում ենք նկատի ունենալ, որ ստորև ներկայացված գծապատկերի կենտրոնական մասում, որը ներկայացնում է ավելի բարձր «բնադրման մակարդակ», պարզ երևում է, որ ի լրումն մոդելի վերապատրաստման իրական աշխատանքի (օգտագործելով Python-ը և R-ը), վերլուծվում է այսպես կոչված. Ավելացվում է վերապատրաստված մոդելի ROC կորը, որը թույլ է տալիս տեսողական (և հաշվողականորեն) գնահատել ուսուցման որակը, և այս վերլուծությունն իրականացվում է Julia լեզվով (կատարվում է համապատասխանաբար Julia մաթեմատիկական միջավայրում):

Նկար 13 InterSystems IRIS AI/ML լուծումների բաղադրության տեսողական միջավայր

Ինչպես նշվեց ավելի վաղ, հարթակում արդեն իսկ ներդրված AI/ML մեխանիզմների նախնական մշակումը և (որոշ դեպքերում) հարմարեցումը կարող է կատարվել/կարող է կատարվել հարթակից դուրս՝ Jupyter խմբագրիչում: Ստորև բերված գծապատկերում մենք տեսնում ենք գոյություն ունեցող պլատֆորմի գործընթացի հարմարեցման օրինակ (նույնը, ինչ վերևի գծապատկերում) - այսպես է Jupyter-ում այն ​​բեկորը, որը պատասխանատու է մոդելի մարզման համար: Python-ի բովանդակությունը հասանելի է խմբագրման, վրիպազերծման և գրաֆիկական ելքի համար անմիջապես Jupyter-ում: Փոփոխությունները (անհրաժեշտության դեպքում) կարող են կատարվել հարթակի գործընթացի ակնթարթային համաժամացման միջոցով, ներառյալ դրա արդյունավետ տարբերակը: Նոր բովանդակությունը կարող է փոխանցվել հարթակ նույն ձևով (ավտոմատ կերպով ստեղծվում է նոր հարթակի գործընթաց):

Նկար 14 Օգտագործելով Jupyter Notebook՝ AI/ML շարժիչը InterSystems IRIS հարթակում խմբագրելու համար

Պլատֆորմի գործընթացի հարմարեցումը կարող է իրականացվել ոչ միայն գրաֆիկական կամ նոութբուքի ձևաչափով, այլ նաև «ընդհանուր» IDE (Ինտեգրված զարգացման միջավայր) ձևաչափով: Այս IDE-ներն են՝ IRIS Studio (հայրենի IRIS ստուդիա), Visual Studio Code (InterSystems IRIS ընդլայնում VSCode-ի համար) և Eclipse (Atelier plugin): Որոշ դեպքերում հնարավոր է, որ մշակող թիմը միաժամանակ օգտագործի բոլոր երեք IDE-ները: Ստորև բերված դիագրամը ցույց է տալիս նույն գործընթացի խմբագրման օրինակ IRIS ստուդիայում, Visual Studio Code-ում և Eclipse-ում: Բացարձակապես ողջ բովանդակությունը հասանելի է խմբագրման համար՝ Python/R/Julia/SQL, ObjectScript և բիզնես գործընթաց:

Նկար 15 InterSystems IRIS բիզնես գործընթացի զարգացում տարբեր IDE-ներում

Առանձնահատուկ հիշատակման են արժանի InterSystems IRIS բիզնես գործընթացները Բիզնես գործընթացների լեզվով (BPL) նկարագրելու և իրականացնելու գործիքները: BPL-ը հնարավորություն է տալիս բիզնես գործընթացներում օգտագործել «պատրաստի ինտեգրման բաղադրիչները» (գործունեությունները), ինչը, փաստորեն, բոլոր հիմքերն է տալիս ասելու, որ «շարունակական ինտեգրումը» իրականացվում է InterSystems IRIS-ում: Բիզնես գործընթացների պատրաստի բաղադրիչները (գործունեությունը և դրանց միջև կապերը) հզոր արագացուցիչ են AI/ML լուծումներ հավաքելու համար: Եվ ոչ միայն հավաքների. շնորհիվ AI/ML տարբեր զարգացումների և մեխանիզմների շուրջ նրանց միջև գործունեության և կապերի շնորհիվ առաջանում է «ինքնավար կառավարման շերտ», որը կարող է իրական ժամանակում որոշումներ կայացնել ըստ իրավիճակի:

Նկար 16 Պատրաստի բիզնես գործընթացի բաղադրիչներ InterSystems IRIS հարթակում շարունակական ինտեգրման համար (CI)

Գործակալական համակարգերի հայեցակարգը (նաև հայտնի է որպես «բազմագործակալական համակարգեր») ուժեղ դիրք ունի ռոբոտացման մեջ, և InterSystems IRIS պլատֆորմը օրգանապես աջակցում է դրան «արտադրանք-գործընթաց» կառուցվածքի միջոցով: Ի լրումն անսահմանափակ հնարավորությունների՝ յուրաքանչյուր գործընթաց «լցոնելու» ընդհանուր լուծման համար անհրաժեշտ ֆունկցիոնալությամբ, հարթակային գործընթացների համակարգին «գործակալության» հատկությամբ օժտելը թույլ է տալիս արդյունավետ լուծումներ ստեղծել ծայրահեղ անկայուն սիմուլյացիոն երևույթների համար (սոցիալական/ վարքագիծ. կենսահամակարգեր, մասամբ դիտելի տեխնոլոգիական գործընթացներ և այլն)։

Նկար 16 AI/ML լուծման գործարկումը որպես գործակալի վրա հիմնված բիզնես գործընթացների համակարգ InterSystems IRIS-ում

Մենք շարունակում ենք InterSystems IRIS-ի մեր վերանայումը իրական ժամանակի խնդիրների ամբողջ դասերի լուծման համար հարթակի կիրառական օգտագործման մասին պատմվածքով (InterSystems IRIS AI/ML պլատֆորմի որոշ լավագույն փորձի բավականին մանրամասն ներածություն կարելի է գտնել մեկում: մեր նախորդներից վեբինարներ).

Տաք է նախորդ դիագրամի կրունկների վրա, ստորև ներկայացված է գործակալական համակարգի ավելի մանրամասն դիագրամ: Դիագրամը ցույց է տալիս նույն նախատիպը, բոլոր չորս գործակալային գործընթացները տեսանելի են, նրանց միջև հարաբերությունները սխեմատիկորեն գծված են. մեքենայական ուսուցման որակը և ազդանշան է ներկայացնում մոդելի վերապատրաստման անհրաժեշտության մասին:

Գծապատկեր 17 AI/ML լուծման բաղադրություն InterSystems IRIS-ում գործակալների վրա հիմնված բիզնես գործընթացների համակարգի տեսքով

Ստորև բերված դիագրամը ցույց է տալիս ռոբոտի մեկ այլ նախատիպի ինքնավար գործունեությունը (տեքստերի հուզական գունավորման ճանաչում) որոշ ժամանակով: Վերին մասում մոդելի ուսուցման որակի ցուցիչի էվոլյուցիան է (որակը աճում է), ստորին մասում՝ մոդելի կիրառման որակի ցուցիչի դինամիկան և կրկնվող մարզումների փաստերը (կարմիր գծեր): Ինչպես տեսնում եք, լուծումն ինքն իրեն սովորել է արդյունավետ և ինքնուրույն և գործում է տվյալ որակի մակարդակով (որակի գնահատականի արժեքները չեն ընկնում 80%-ից ցածր):

Նկար 18 Շարունակական (ինքնա) մարզումներ (CT) InterSystems IRIS հարթակում

Մենք նաև նշել ենք «ավտո-ML»-ն ավելի վաղ, բայց ստորև բերված դիագրամը մանրամասն ցույց է տալիս այս ֆունկցիոնալության օգտագործումը՝ օգտագործելով մեկ այլ նախատիպի օրինակ: Բիզնես գործընթացի մի հատվածի գրաֆիկական դիագրամը ցույց է տալիս այն գործունեությունը, որը խթանում է մոդելավորումը H2O կույտում, ցույց է տալիս այս մոդելավորման արդյունքները (արդյունքի մոդելի հստակ գերակայությունը «տեխնածին» մոդելների նկատմամբ՝ ըստ համեմատական ​​դիագրամի. ROC կորեր, ինչպես նաև «ամենաազդեցիկ փոփոխականների» ավտոմատացված նույնականացում, որոնք առկա են սկզբնական տվյալների հավաքածուում): Այստեղ կարևոր կետը ժամանակի և փորձագիտական ​​ռեսուրսների խնայումն է, որը ձեռք է բերվում «ավտո-ML»-ի միջոցով. այն, ինչ անում է մեր պլատֆորմի գործընթացը կես րոպեում (օպտիմալ մոդելի որոնում և վերապատրաստում), փորձագետը կարող է տևել մեկ շաբաթից մինչև մեկ ամիս:

Նկար 19 «auto-ML»-ի ինտեգրումը AI/ML լուծման մեջ InterSystems IRIS հարթակում

Ստորև բերված գծապատկերը մի փոքր բաց է թողնում կետը, բայց դա լավ միջոց է ավարտելու պատմությունը իրական ժամանակում լուծվող խնդիրների դասերի մասին. հիշեցնում ենք ձեզ, որ InterSystems IRIS պլատֆորմի բոլոր հնարավորություններով, նրա վերահսկողության տակ գտնվող ուսումնական մոդելները. պարտադիր չէ. Պլատֆորմը կարող է արտաքինից ստանալ մոդելի, այսպես կոչված, PMML հստակեցում, որը վերապատրաստվել է պլատֆորմի հսկողության տակ գտնվող գործիքի վրա և կիրառել այս մոդելը իրական ժամանակում այն ​​ներմուծման պահից: PMML բնութագրերը. Կարևոր է հաշվի առնել, որ ոչ բոլոր AI/ML արտեֆակտները կարող են կրճատվել մինչև PMML ճշգրտում, նույնիսկ եթե ամենատարածված արտեֆակտներից շատերը դա թույլ են տալիս: Այսպիսով, InterSystems IRIS հարթակը «բաց հանգույց» է և չի նշանակում «պլատֆորմի ստրկություն» օգտատերերի համար:

Նկար 20 «auto-ML»-ի ինտեգրումը AI/ML լուծման մեջ InterSystems IRIS հարթակում

Եկեք թվարկենք InterSystems IRIS-ի պլատֆորմի լրացուցիչ առավելությունները (հստակության համար՝ կապված գործընթացների կառավարման հետ), որոնք մեծ նշանակություն ունեն արհեստական ​​ինտելեկտի ավտոմատացման և իրական ժամանակի մեքենայական ուսուցման մեջ.

• Մշակված ինտեգրման գործիքներ ցանկացած տվյալների աղբյուրների և սպառողների հետ (գործընթացների կառավարման համակարգ/SCADA, սարքավորումներ, MRO, ERP և այլն)
• Ներկառուցված բազմամոդել DBMS տեխնոլոգիական գործընթացի ցանկացած ծավալի տվյալների բարձր արդյունավետությամբ գործարքային և վերլուծական մշակման համար (Հիբրիդային գործարք/վերլուծական մշակում, HTAP)
• Զարգացման գործիքներ AI/ML շարժիչների շարունակական տեղակայման համար իրական ժամանակի լուծումների համար՝ հիմնված Python, R, Julia-ի վրա
• Հարմարվողական բիզնես գործընթացներ՝ իրական ժամանակում AI/ML լուծումների շարժիչների շարունակական ինտեգրման և (ինքնա) ուսուցման համար
• Ներկառուցված Business Intelligence գործիքներ՝ գործընթացի տվյալների և AI/ML լուծման արդյունքների պատկերացման համար
• API կառավարում AI/ML լուծման արդյունքները գործընթացների կառավարման համակարգերին/SCADA-ին, տեղեկատվական և վերլուծական համակարգերին, ահազանգերի ուղարկմանը և այլն հասցնելու համար:

AI/ML լուծումները InterSystems IRIS հարթակում հեշտությամբ տեղավորվում են առկա ՏՏ ենթակառուցվածքի մեջ: InterSystems IRIS պլատֆորմը ապահովում է AI/ML լուծումների բարձր հուսալիություն՝ աջակցելով անսարքությունների հանդուրժող և աղետներին հանդուրժող կոնֆիգուրացիաներին և ճկուն տեղակայմանը վիրտուալ միջավայրերում, ֆիզիկական սերվերների վրա, մասնավոր և հանրային ամպերում և Docker կոնտեյներներում:

Այսպիսով, InterSystems IRIS-ը իրական ժամանակում AI/ML հաշվողական հարթակ է: Մեր պլատֆորմի ունիվերսալությունը գործնականում հաստատվում է իրականացրած հաշվարկների բարդության դե ֆակտո սահմանափակումների բացակայությամբ, InterSystems IRIS-ի կարողությամբ համատեղելու (իրական ժամանակում) սցենարների մշակումը տարբեր ոլորտներից և բացառիկ հարմարվողականությամբ: ցանկացած հարթակի գործառույթներ և մեխանիզմներ՝ օգտատերերի հատուկ կարիքներին համապատասխան:

Նկար 21 InterSystems IRIS - իրական ժամանակի համընդհանուր AI/ML հաշվողական հարթակ

Մեր այն ընթերցողների հետ, ովքեր հետաքրքրված են այստեղ ներկայացված նյութով, ավելի առարկայական փոխազդեցության համար խորհուրդ ենք տալիս չսահմանափակվել միայն այն կարդալով և շարունակել երկխոսությունը «ուղիղ եթերում»: Մենք ուրախ կլինենք աջակցել իրական ժամանակում AI/ML սցենարների ձևակերպմանը` կապված ձեր ընկերության առանձնահատկությունների հետ, կատարել համատեղ նախատիպավորում InterSystems IRIS հարթակում, ձևակերպել և գործնականում իրականացնել ճանապարհային քարտեզ արհեստական ​​ինտելեկտի և մեքենայական ուսուցման ներդրման համար: ձեր արտադրության և կառավարման գործընթացներում: Մեր AI/ML փորձագետների թիմը Կոնտակտային էլ. [էլեկտրոնային փոստով պաշտպանված].

Source: www.habr.com