InterSystems IRIS は、ユニバーサルなリアルタイム AI/ML プラットフォームです。

著者: Sergey Lukyanchikov、インターシステムズのコンサルティング エンジニア

リアルタイム AI/ML コンピューティング呼び出し

インターシステムズでのデータ サイエンス実践の経験から例を見てみましょう。

• ロードされた購入者ポータルは、オンライン推奨システムに接続されます。 小売ネットワーク全体でプロモーションが再構築されます (たとえば、「フラット」ラインのプロモーションの代わりに、「セグメント戦術」マトリックスが使用されるようになります)。 レコメンデーション エンジンはどうなりますか? レコメンド エンジンへのデータの送信と更新はどうなりますか (入力データの量は 25000 倍に増加しました)。 レコメンデーションの開発はどうなりますか (レコメンデーション ルールの数と「範囲」が XNUMX 倍増加するため、レコメンデーション ルールのフィルタリングしきい値を XNUMX 分の XNUMX に下げる必要があります)。
• 機器のコンポーネントに欠陥が発生する可能性を監視するシステムがあります。 自動プロセス制御システムが監視システムに接続され、毎秒数千の技術プロセス パラメータが送信されました。 以前に「手動サンプル」で動作していた監視システムはどうなりますか (秒ごとの確率監視を提供できるか)? 最近プロセス制御システムに追加されたセンサーからの読み取り値を含む数百列の新しいブロックが入力データに表示された場合はどうなりますか (新しいセンサーからのデータを分析に含めるために監視システムを停止する必要があるか、またその期間はどれくらいかかりますか) ）？
• 互いの作業の結果を使用する一連の AI/ML メカニズム (推奨、監視、予測) が作成されています。 この複合施設の運用を入力データの変化に適応させるには、毎月どのくらいの工数が必要ですか? 経営上の意思決定複合体によってサポートされている場合の一般的な「減速」とはどのようなものですか (新しい入力データの発生頻度に対する、その中での新しいサポート情報の発生頻度)。

これらおよび他の多くの例を要約すると、機械学習および人工知能メカニズムのリアルタイムでの使用に移行するときに生じる課題を定式化することができました。

• 社内の AI/ML 開発の作成と (変化する状況への) 適応のスピードに満足していますか?
• 私たちが使用している AI/ML ソリューションは、リアルタイムのビジネス管理をどの程度サポートしていますか?
• 私たちが使用している AI/ML ソリューションは、データとビジネス管理慣行の変化に独立して (開発者なしで) 適応できますか?

この記事では、AI/ML メカニズムの展開、AI/ML ソリューションのアセンブリ (統合)、および集中的な AI/ML ソリューションのトレーニング (テスト) のユニバーサル サポートという観点から、InterSystems IRIS プラットフォームの機能を徹底的に概説しています。データストリーム。 この記事では、市場調査、AI/ML ソリューションのケーススタディ、およびリアルタイム AI/ML プラットフォームと呼ばれるものの概念的な側面について見ていきます。

調査からわかったこと: リアルタイム アプリケーション

結果 調査Lightbend が 800 年に約 2019 人の IT プロフェッショナルを対象に実施した調査が、次のように語っています。

図 1 リアルタイム データの主要な消費者

この調査結果に関する報告書の重要な断片を翻訳で引用しましょう。

「... データ ストリームを統合し、同時にコンテナ内でのコンピューティングをサポートするツールの人気の傾向は、より応答性が高く、合理的で、効果的なソリューションの動的な提案を求める市場の要求に相乗的に対応します。 ストリーミング データは、従来のパケット データよりも高速に情報を転送します。 これに加えて、AI/ML ベースのレコメンデーションなどの計算手法を迅速に適用する機能が追加され、顧客満足度の向上を通じて競争上の優位性が生まれます。 俊敏性の競争は、DevOps パラダイムにおけるすべての役割にも影響を与え、アプリケーションの開発と展開をより効率的にします。 … 41 人の IT プロフェッショナルが、組織内でのデータ フローの使用に関する情報を提供しました。 回答者の主な居住地は西側諸国（ヨーロッパが 37%、北米が XNUMX%）で、中小企業、中堅企業、大企業にほぼ均等に分布していました。 ...

... 人工知能は誇大広告ではありません。 すでに生産性 AI/ML アプリケーションでデータ ストリーム処理を使用しているユーザーの XNUMX% が、AI/ML の使用が来年 (他のアプリケーションと比較して) 最大の成長を遂げると確信しています。

• 回答者の大多数によると、AI/ML シナリオでのデータ ストリームの使用は、来年に最大の成長が見込まれるとのことです。
• AI/ML のアプリケーションは、比較的新しいタイプのシナリオだけでなく、リアルタイム データの使用が増加する従来のシナリオによっても成長します。
• AI/ML に加えて、IoT データ パイプラインのユーザー間の熱意のレベルは印象的です。すでに IoT データを統合しているユーザーの 48% は、このデータに対するシナリオの実装が近い将来大幅に増加すると述べています。 ...」

この興味深い調査から、機械学習と人工知能のシナリオがデータ ストリームの消費におけるリーダーであるという認識がすでに「進行中」であることは明らかです。 しかし、同様に重要な観察は、DevOps のレンズを通してリアルタイム AI/ML を認識することです。ここで、まだ支配的な「完全にアクセス可能なデータセットを備えた使い捨ての AI/ML」文化の変革についてすでに話し始めることができます。

リアルタイムAI/MLプラットフォームのコンセプト

リアルタイム AI/ML の典型的な応用分野の XNUMX つは、製造におけるプロセス制御です。 彼女の例を使用し、以前の考えを考慮して、リアルタイム AI/ML プラットフォームの概念を定式化します。
プロセス制御における人工知能と機械学習の使用には、次のような多くの特徴があります。

• 技術プロセスの状態に関するデータは、高頻度で広範囲のパラメータに対して集中的に受信されます（プロセス制御システムから毎秒最大数万のパラメータ値が送信されます）。
• 逆に、欠陥の特定に関するデータは、その発生に関するデータは言うまでもなく、希少かつ不規則であり、欠陥の類型化とその時間的位置特定が不十分であることが特徴です（多くの場合、紙の記録で表されます）。
• 実用的な観点から見ると、モデルのトレーニングと適用にはソース データの「関連性のウィンドウ」のみが利用可能であり、プロセス パラメーターの最後に読み取られた値で終わる合理的なスライド間隔にわたる技術プロセスのダイナミクスを反映しています。

これらの機能により、技術プロセスからの集中的な「広帯域入力信号」をリアルタイムで受信して基本処理することに加えて、AI の結果のアプリケーション、トレーニング、品質管理を (並行して) 実行する必要があります。 ML モデル - これもリアルタイムです。 関連性のあるスライディング ウィンドウ内でモデルが「見る」「フレーム」は常に変化しており、それに伴い、過去の「フレーム」の XNUMX つでトレーニングされた AI/ML モデルの作業結果の品質も変化します。 。 AI/ML モデルの作業結果の品質が低下した場合 (たとえば、「アラーム - ノルム」分類誤差の値が定義した制限を超えた場合)、モデルの追加トレーニングが自動的に開始される必要があります。より最新の「フレーム」 - モデルの追加トレーニングを開始する時点の選択では、トレーニング自体の期間と、現在のバージョンのモデルの作業品質の低下のダイナミクスを考慮する必要があります (モデルの現在のバージョンは、モデルがトレーニングされている間、および「新しくトレーニングされた」バージョンが形成されるまで引き続き使用されます。

InterSystems IRIS には、リアルタイム プロセス制御のための AI/ML ソリューションを可能にする主要なプラットフォーム機能があります。 これらの機能は、次の XNUMX つの主要なグループに分類できます。

• 新しい、または適応された既存の AI/ML メカニズムを、InterSystems IRIS プラットフォーム上でリアルタイムに動作する生産的なソリューションに継続的に展開 (継続的展開/デリバリー、CD)
• 受信する技術プロセスのデータ ストリーム、AI/ML メカニズムのアプリケーション/トレーニング/品質管理用のデータ キュー、およびリアルタイムで調整された数学的モデリング環境とのデータ/コード/制御アクションの交換を単一の生産的なソリューションに継続的インテグレーション (CI) します。プラットフォーム InterSystems IRIS
• InterSystems IRIS プラットフォームによって送信されるデータ、コード、および制御アクション (「決定」) を使用して数学的モデリング環境で実行される、AI/ML メカニズムの継続的 (自己) トレーニング (継続的トレーニング、CT)

機械学習と人工知能に関連するプラットフォーム機能をまさにこれらのグループに分類するのは偶然ではありません。 方法論を引用しましょう 出版物 Google は、この分類の概念的な基礎を提供しています。翻訳では次のようになります。

「...最近人気の DevOps 概念は、大規模な情報システムの開発と運用を対象としています。 この概念を実装する利点は、開発サイクルの期間の短縮、開発の迅速な展開、およびリリース計画の柔軟性です。 これらの利点を実現するために、DevOps には少なくとも XNUMX つのプラクティスの実装が含まれます。

• 継続的インテグレーション（CI）
• 継続的デリバリー（CD）

これらのプラクティスは AI/ML プラットフォームにも適用され、生産的な AI/ML ソリューションの信頼性とパフォーマンスの高いアセンブリを保証します。

AI/ML プラットフォームは、次の点で他の情報システムとは異なります。

• チームの能力: AI/ML ソリューションを作成する場合、チームには通常、データ分析、モデルの開発、テストを行うデータ研究分野のデータ サイエンティストまたは「学術」専門家が含まれます。 これらのチーム メンバーはプロの生産的なコード開発者ではない可能性があります。
• 開発: AI/ML エンジンは本質的に実験的なものです。 最も効率的な方法で問題を解決するには、入力変数、アルゴリズム、モデリング手法、モデル パラメーターのさまざまな組み合わせを検討する必要があります。 このような検索の複雑さは、「何が機能したのか、何が機能しなかったのか」を追跡し、エピソードの再現性を確保し、繰り返し実装するための開発を一般化することにあります。
• テスト: AI/ML エンジンのテストには、他のほとんどの開発よりも幅広いテストが必要です。 標準の単体テストと統合テストに加えて、データの有効性と、モデルをトレーニング サンプルとコントロール サンプルに適用した結果の品質がテストされます。
• 導入: AI/ML ソリューションの導入は、一度トレーニングされたモデルを使用する予測サービスに限定されません。 AI/ML ソリューションは、自動化されたモデルのトレーニングとアプリケーションを実行するマルチステージ パイプラインを中心に構築されています。 このようなパイプラインのデプロイには、モデルのトレーニングとテストを可能にするために、従来データ サイエンティストが手動で実行していた重要なアクションを自動化することが含まれます。
• 生産性: AI/ML エンジンは、非効率なプログラミングだけでなく、入力データの絶えず変化する性質によっても生産性を欠く可能性があります。 つまり、AI/ML メカニズムのパフォーマンスは、従来の開発のパフォーマンスよりも幅広い理由で低下する可能性があります。 そのため、AI/ML エンジンのパフォーマンスを (オンラインで) 監視し、パフォーマンス指標が期待を満たさない場合はアラートを送信したり、結果を拒否したりする必要があります。

AI/ML プラットフォームは、バージョン管理、単体テスト、統合テスト、および継続的な開発展開による継続的なコード統合を必要とするという点で、他の情報システムと似ています。 ただし、AI/ML の場合には、いくつかの重要な違いがあります。

• CI (継続的インテグレーション) は、デプロイされたコンポーネントのコードのテストと検証に限定されなくなり、データと AI/ML モデルのテストと検証も含まれます。
• CD (Continuous Delivery/Deployment、継続的展開) は、パッケージやサービスの作成とリリースに限定されず、AI/ML ソリューションの構成、トレーニング、およびアプリケーションのためのプラットフォームを意味します。
• CT(Continuous Training、継続的トレーニング)は新要素[約XNUMX万円]。 記事の著者: DevOps の従来の概念に関連する新しい要素。CT は原則として継続的テスト]、AI/ML プラットフォームに固有であり、AI のトレーニングと適用のためのメカニズムの自律的な管理を担当します。 /ML モデル。 ...」

リアルタイム データを操作する機械学習と人工知能には、より広範なツールと能力 (コード開発から数学的モデリング環境のオーケストレーションまで)、すべての機能領域と主題領域間の緊密な統合、人間と組織のより効率的な組織が必要であると言えます。マシンリソース。

リアルタイム シナリオ: 給水ポンプの欠陥の発生を認識する

引き続きプロセス制御領域を例として、特定の問題を考えてみましょう (冒頭ですでに述べました)。プロセス パラメータ値のフローに基づいて、ポンプの欠陥の発生をリアルタイムで監視する必要があります。特定された欠陥についての修理担当者からの報告。

図 2 欠陥の発生を監視するための問題の定式化

実際にこのようにして提起されるほとんどのタスクの特徴は、さまざまな種類の欠陥が一時的および不規則に発生する (および登録される) ことを背景に、データ受信 (APCS) の規則性と効率性を考慮する必要があることです。 言い換えれば、プロセス制御システムからのデータは 12.01 秒に 3 回、正確かつ正確に到着します。また、欠陥に関するメモは作業場にある一般的なノートに日付を示す化学鉛筆で作成されます (例: 「XNUMX – カバーに漏れました」) XNUMX番目のベアリングの側面から」）。

したがって、次の重要な制限によって問題の定式化を補うことができます。特定の種類の欠陥の「ラベル」は XNUMX つだけです (つまり、特定の種類の欠陥の例は、プロセス制御からのデータによって表されます)。特定の日付のシステム - この特定のタイプの欠陥の例はこれ以上ありません)。 この制限により、多くの「タグ」が必要となる古典的な機械学習 (教師あり学習) の範囲を即座に超えてしまいます。

図 3 欠陥の発生を監視するタスクの明確化

自由に使える唯一の「タグ」を何らかの方法で「増やす」ことはできないでしょうか? はい、できます。 ポンプの現在の状態は、登録された欠陥との類似度によって特徴付けられます。 定量的手法を使用しなくても、視覚的な認識のレベルで、プロセス制御システムから到着するデータ値のダイナミクスを観察することで、すでに多くのことを学ぶことができます。

図 4 特定のタイプの欠陥の「マーク」を背景としたポンプ状態のダイナミクス

しかし、視覚認識は（少なくとも現時点では）急速に変化するシナリオにおいて「タグ」を生成するのに最適ではありません。 統計的検定を使用して、現在のポンプ状態と報告された欠陥との類似性を評価します。

図 5 欠陥「ラベル」を背景にして受信データに統計テストを適用する

統計テストでは、プロセス制御システムから受信した「フローパケット」内の技術プロセスパラメータの値を含むレコードが、特定の種類の欠陥の「タグ」のレコードに類似している確率を判定します。 統計検定を適用した結果算出される確率値（統計的類似性指数）は、類似性を検査するパケット内の特定のレコードごとに、0または1の値に変換され、機械学習の「ラベル」となります。 つまり、新しく受信したポンプ状態記録のパッケージを統計テストで処理した後、(a) このパッケージを AI/ML モデルをトレーニングするためのトレーニング セットに追加し、(b) ポンプ状態記録の品質管理を実行する機会があります。このパッケージにモデルを使用する場合のモデルの現在のバージョン。

図 6 欠陥「ラベル」を背景にして受信データに機械学習モデルを適用する

以前の記事の XNUMX つでは、 ウェビナー InterSystems IRIS プラットフォームを使用して、モデリング結果の信頼性を監視し、モデル パラメーターを調整する継続的に実行されるビジネス プロセスの形で AI/ML メカニズムを実装する方法を示し、説明します。 ポンプを使用したシナリオのプロトタイプを実装する場合、ウェビナーで紹介されたすべての InterSystems IRIS 機能を使用します。ソリューションの一部としてアナライザー プロセスに実装します。従来の教師あり学習ではなく、トレーニング モデルの選択を自動的に管理する強化学習です。 。 トレーニング サンプルには、統計テストとモデルの現在のバージョンの両方を適用した後に「検出コンセンサス」が生じるレコードが含まれています。つまり、統計テスト (類似性インデックスを 0 または 1 に変換した後) とモデルが結果を生成した両方です。 1. モデルの新しいトレーニング中、その検証中 (新しくトレーニングされたモデルは、事前に統計テストを適用して、独自のトレーニング サンプルに適用されます)、処理後に結果 1 が「保持されなかった」ことが記録されます。統計的テストによって (トレーニング中に欠陥の元の「ラベル」からのレコードのサンプルが常に存在するため)、トレーニング セットから削除され、新しいバージョンのモデルが欠陥の「ラベル」から学習します。欠陥とストリームからの「保持された」レコード。

図 7 InterSystems IRIS における AI/ML 計算のロボット化

InterSystems IRIS でのローカル計算中に得られる検出の品質について、一種の「セカンドオピニオン」が必要な場合は、クラウド サービス (たとえば、Microsoft Azure、アマゾン ウェブ サービス、Google Cloud Platform など):

図 8 インターシステムズ IRIS が調整した Microsoft Azure からのセカンド オピニオン

InterSystems IRIS のシナリオのプロトタイプは、機器オブジェクト (ポンプ)、数学的モデリング環境 (Python、R、Julia) と対話し、関連するすべての AI/AI の自己学習を保証する分析プロセスのエージェント ベースのシステムとして設計されています。 ML メカニズム - リアルタイム データ ストリーム上。

図 9 InterSystems IRIS のリアルタイム AI/ML ソリューションの主な機能

プロトタイプの実際の結果:

• モデルによって認識されたサンプル欠陥 (12 月 XNUMX 日):

• サンプルには含まれていなかったモデルによって認識された進行中の欠陥 (11 月 13 日、欠陥自体はわずか XNUMX 日後の XNUMX 月 XNUMX 日に修理チームによって特定されました):

同じ欠陥のいくつかのエピソードを含む実際のデータのシミュレーションにより、InterSystems IRIS プラットフォームに実装された当社のソリューションにより、このタイプの欠陥の発生を修理チームによって検出される数日前に特定できることがわかりました。

InterSystems IRIS - ユニバーサルなリアルタイム AI/ML コンピューティング プラットフォーム

InterSystems IRIS プラットフォームは、リアルタイム データ ソリューションの開発、導入、運用を簡素化します。 InterSystems IRIS は、トランザクション データ処理と分析データ処理を同時に実行できます。 複数のモデル (リレーショナル、階層、オブジェクト、ドキュメントを含む) に従って同期されたデータ ビューをサポートします。 幅広いデータソースと個々のアプリケーションを統合するためのプラットフォームとして機能します。 構造化データと非構造化データに対して高度なリアルタイム分析を提供します。 InterSystems IRIS は、外部分析ツールを使用するためのメカニズムも提供し、クラウドとローカル サーバーでのホスティングを柔軟に組み合わせることができます。

InterSystems IRIS プラットフォーム上に構築されたアプリケーションは、さまざまな業界にわたって導入されており、企業が戦略的および運用上の観点から大きな経済的メリットを実現できるように支援し、情報に基づいた意思決定を強化し、イベント、分析、アクションの間のギャップを埋めます。

図 10 リアルタイム AI/ML のコンテキストにおける InterSystems IRIS アーキテクチャ

前の図と同様に、以下の図は、新しい「座標系」(CD/CI/CT) とプラットフォームの動作要素間の情報の流れの図を組み合わせたものです。 視覚化はマクロメカニズム CD から始まり、マクロメカニズム CI および CT に続きます。

図 11 InterSystems IRIS プラットフォームの AI/ML 要素間の情報フローの図

InterSystems IRIS の CD メカニズムの本質: プラットフォーム ユーザー (AI/ML ソリューションの開発者) は、AI/ML メカニズム専用のコード エディターである Jupyter (正式名: Jupyter Notebook、簡潔にするために、このエディタで作成されたドキュメントも呼ばれることがあります)。 Jupyter では、開発者は、InterSystems IRIS に配置 (「デプロイ」) される前に、特定の AI/ML 開発の作成、デバッグ、パフォーマンス (グラフィックスの使用を含む) を検証する機会があります。 この方法で作成された新しい開発では、基本的なデバッグのみが行われることは明らかです (特に、Jupyter はリアルタイム データ ストリームでは動作しないため)。Jupyter での開発の主な結果は順序どおりです。別個の AI / ML メカニズムの基本的な操作性の確認です (「データ サンプルで期待される結果を示す」)。 同様に、Jupyter でデバッグする前にプラットフォームにすでに配置されているメカニズム (次のマクロ メカニズムを参照) では、「プラットフォーム以前の」形式 (ファイルからのデータの読み取り、テーブルの代わりに xDBC を介したデータの操作、グローバルとの直接対話 - 多次元データ配列 InterSystems IRIS - など)。

InterSystems IRIS での CD 実装の重要な側面: プラットフォームと Jupyter の間で双方向の統合が実装されており、Python、R、および Julia のコンテンツをプラットフォームに転送 (その後、プラットフォームで処理) できるようになります (XNUMX つすべてがプログラミングです)対応する主要なオープンソース言語の言語）、ソース数学モデリング環境）。 したがって、AI/ML コンテンツ開発者は、Python、R、Julia で利用可能な使い慣れたライブラリを使用して使い慣れた Jupyter エディターで作業し、(必要に応じて) 基本的なデバッグを実行しながら、プラットフォーム内でこのコンテンツの「継続的なデプロイメント」を実行する機会が得られます。プラットフォームの外。

InterSystems IRIS の CI マクロ メカニズムに移りましょう。 この図は、「リアルタイム ロボタイザー」（データ構造、ビジネス プロセス、およびそれらによって数学言語と InterSystems IRIS のネイティブ開発言語である ObjectScript で調整されたコード フラグメントの複合体）のマクロ プロセスを示しています。 このマクロ プロセスのタスクは、(リアルタイムでプラットフォームに送信されるデータ ストリームに基づいて) AI/ML メカニズムの動作に必要なデータ キューを維持し、アプリケーションの順序と AI/ML の「品揃え」について決定を下すことです。 ML メカニズム (「数学的アルゴリズム」、「モデル」などでもあり、実装の詳細や用語の好みに応じて呼び方が異なります) は、AI の作業の結果を分析するためにデータ構造を最新の状態に保ちます。 ML メカニズム (キューブ、テーブル、多次元データ配列など) など - レポート、ダッシュボードなど)。

特に InterSystems IRIS における CI の実装の重要な側面: プラットフォームと数学的モデリング環境の間に双方向の統合が実装されており、プラットフォームでホストされているコンテンツを Python、R、Julia のそれぞれの環境で実行し、その実行結果を受け取ることができます。結果。 この統合は、「ターミナル モード」(つまり、AI/ML コンテンツが環境を呼び出す ObjectScript コードとして作成される) と「ビジネス プロセス モード」(つまり、AI/ML コンテンツがビジネス プロセスとして作成される) の両方で実装されます。グラフィカル エディターを使用するか、場合によっては Jupyter を使用するか、IDE (IRIS Studio、Eclipse、Visual Studio Code) を使用します。 Jupyter で編集できるビジネス プロセスの可用性は、CI レベルの IRIS と CD レベルの Jupyter 間の接続を通じて反映されます。 数学的モデリング環境との統合のより詳細な概要を以下に示します。 私たちの意見では、現段階では、AI/ML 開発 (「継続的デプロイメント」から来る) の「継続的統合」をリアルタイム AI/ML ソリューションに実装するために必要なツールがすべてプラットフォームに備わっていることを確認する十分な理由があります。

そしてメインのマクロ機構であるCT。 それがなければ、AI/ML プラットフォームは存在しません (ただし、「リアルタイム」は CD/CI を通じて実装されます)。 CT の本質は、モデル、分布テーブル、行列ベクトル、ニューラル ネットワークの層などの数学モデリング環境の作業セッションで、機械学習と人工知能の「成果物」をプラットフォームが直接処理することです。 ほとんどの場合、この「作業」は環境内で前述のアーティファクトを作成することで構成されます（たとえば、モデルの場合、「作成」はモデルの仕様を設定し、その後そのパラメータの値を選択することで構成されます）いわゆるモデルの「トレーニング」）、その応用（モデルの場合：ターゲット変数の「モデル」値を使用した計算 - 予測、カテゴリーメンバーシップ、イベントの確率など）、およびすでに行われているものの改善作成および適用されたアーティファクト (たとえば、オプションとして、予測精度を向上させるために、アプリケーションの結果に基づいてモデル入力変数のセットを再定義します)。 CT の役割を理解する上で重要な点は、CD と CI の現実からの「抽象化」です。CT は、特定の環境によって提供される機能内で AI/ML ソリューションの計算的および数学的詳細に焦点を当て、すべてのアーティファクトを実装します。 「インプットの提供」と「アウトプットの提供」はCDとCIの責任となります。

特に InterSystems IRIS における CT の実装の重要な側面: すでに前述した数学的モデリング環境との統合を使用して、プラットフォームは数学的環境で制御下で実行されているワーク セッションからそれらのアーティファクトそのものを抽出し、(最も重要なことに) 変換する機能を備えています。それらをプラットフォーム データ オブジェクトに変換します。 たとえば、動作中の Python セッションで作成されたばかりの分布テーブルを、(Python セッションを停止せずに) グローバル (多次元 InterSystems IRIS データ配列) などの形式でプラットフォームに転送して使用できます。別の AI/ML メカニズム (別の環境の言語 (R など) で実装) または仮想テーブルでの計算の場合。 別の例: モデルの操作の「通常モード」(Python 作業セッション内) と並行して、入力データに対して「自動 ML」が実行されます。これは、最適な入力変数とパラメーター値の自動選択です。 そして、「定期的な」トレーニングとともに、生産的なモデルはその仕様の「最適化の提案」もリアルタイムで受け取ります。この提案では、入力変数のセットが変更され、パラメーター値が変更されます（トレーニングの結果としてではなくなります）。これは Python で行われますが、H2O スタックなどのそれ自体の「代替」バージョンを使用したトレーニングの結果として)、AI/ML ソリューション全体が入力データやモデル化されている現象の性質における予期せぬ変化に自律的に対処できるようになります。 。

実際のプロトタイプの例を使用して、InterSystems IRIS のプラットフォーム AI/ML 機能について詳しく見てみましょう。

以下の図では、スライドの左側に、Python と R でスクリプトの実行を実装するビジネス プロセスの一部があります。中央部分には、これらのスクリプトのいくつかの実行の視覚的なログがそれぞれあります。そのすぐ後ろには、実行のために適切な環境に転送された、さまざまな言語のコンテンツの例があります。 右側の最後には、スクリプトの実行結果に基づいた視覚化が表示されます。 上部の視覚化は IRIS Analytics で作成され (データは Python から InterSystems IRIS データ プラットフォームに取り込まれ、プラットフォームを使用してダッシュボードに表示されました)、下部は R ワーク セッションで直接作成され、そこからグラフィック ファイルに出力されました。 。 重要な側面: プロトタイプで提示されたフラグメントは、モデルの適用中に観察された分類品質モニター プロセスからのコマンドに応じて、機器シミュレーター プロセスからリアルタイムで受信したデータに基づいてモデルをトレーニング (機器状態の分類) する役割を果たします。 一連の対話プロセス (「エージェント」) の形式での AI/ML ソリューションの実装については、さらに詳しく説明します。

図 12 InterSystems IRIS での Python、R、および Julia との対話

プラットフォーム プロセス (状況に応じて、「ビジネス プロセス」、「分析プロセス」、「パイプライン」などとも呼ばれます) は、まずプラットフォーム自体のグラフィカル ビジネス プロセス エディターで編集されます。ブロック図と対応する AI/ML メカニズム (プログラム コード) の両方が同時に作成される方法です。 「AI/ML メカニズムが得られる」と言うとき、私たちは最初に (XNUMX つのプロセス内で) ハイブリッド性を意味します。つまり、数理モデリング環境の言語のコンテンツが SQL のコンテンツ (からの拡張を含む) に隣接していることです。 統合ML)、InterSystems ObjectScript と他のサポートされている言語。 さらに、プラットフォーム プロセスでは、階層的にネストされたフラグメントの形式で「レンダリング」する非常に広範な機会が提供され (下図の例に見られるように)、これにより、非常に複雑なコンテンツであっても、「脱落」することなく効果的に整理できます。グラフィカル形式を (「非グラフィカル」形式に) » メソッド/クラス/プロシージャなど)。 つまり、必要に応じて (ほとんどのプロジェクトで予想されていますが)、AI/ML ソリューション全体をグラフィカルな自己文書化形式で実装できます。 以下の図の中央部分は、より高い「ネストのレベル」を表しており、モデルをトレーニングする実際の作業 (Python と R を使用) に加えて、いわゆるトレーニングされたモデルの ROC 曲線が追加され、トレーニングの品質を視覚的に (および計算的にも) 評価できるようになります。この分析は Julia 言語で実装されます (それに応じて Julia 数学環境で実行されます)。

図 13 InterSystems IRIS の AI/ML ソリューションを構成するためのビジュアル環境

前述したように、プラットフォームにすでに実装されている AI/ML メカニズムの初期開発と (場合によっては) 適応は、プラットフォームの外の Jupyter エディターで行うことができます。 以下の図では、既存のプラットフォーム プロセス (上の図と同じ) を適応させる例が示されています。これは、モデルのトレーニングを担当するフラグメントが Jupyter でどのように見えるかです。 Python コンテンツは、Jupyter で直接編集、デバッグ、グラフィック出力に使用できます。 変更は (必要に応じて)、製品バージョンを含むプラットフォーム プロセスに即時同期して行うことができます。 新しいコンテンツも同様の方法でプラットフォームに転送できます (新しいプラットフォーム プロセスが自動的に生成されます)。

図 14 Jupyter Notebook を使用した InterSystems IRIS プラットフォームの AI/ML エンジンの編集

プラットフォーム プロセスの適応は、グラフィカルまたはラップトップ形式だけでなく、「トータル」IDE (統合開発環境) 形式でも実行できます。 これらの IDE は、IRIS Studio (ネイティブ IRIS スタジオ)、Visual Studio Code (VSCode 用の InterSystems IRIS 拡張機能)、および Eclipse (Atelier プラグイン) です。 場合によっては、開発チームが XNUMX つの IDE すべてを同時に使用することが可能です。 以下の図は、IRIS Studio、Visual Studio Code、および Eclipse で同じプロセスを編集する例を示しています。 Python/R/Julia/SQL、ObjectScript、ビジネス プロセスなど、すべてのコンテンツを編集できます。

図 15 さまざまな IDE での InterSystems IRIS ビジネス プロセスの開発

ビジネス プロセス言語 (BPL) で InterSystems IRIS ビジネス プロセスを記述および実行するためのツールは、特筆に値します。 BPL により、ビジネス プロセスで「既製の統合コンポーネント」(アクティビティ) を使用できるようになります。実際、これは、InterSystems IRIS に「継続的統合」が実装されていると言えるすべての理由を与えています。 既製のビジネス プロセス コンポーネント (アクティビティとそれらの間の接続) は、AI/ML ソリューションを構築するための強力なアクセラレータです。 アセンブリだけでなく、異なる AI/ML 開発やメカニズムを介したアクティビティとアセンブリ間の接続のおかげで、状況に応じてリアルタイムで意思決定を行うことができる「自律的な管理層」が形成されます。

図 16 InterSystems IRIS プラットフォーム上の継続的インテグレーション (CI) 用の既製のビジネス プロセス コンポーネント

エージェント システム (「マルチ エージェント システム」とも呼ばれる) の概念はロボット化において強い地位を​​占めており、InterSystems IRIS プラットフォームは、「製品プロセス」構造を通じてそれを有機的にサポートします。 ソリューション全体に必要な機能を各プロセスに「詰め込む」無限の可能性に加えて、プラットフォーム プロセスのシステムに「エージェンシー」の特性を与えることで、非常に不安定なシミュレート現象 (社会的/社会的な動作) に対する効果的なソリューションを作成することができます。生物系、部分的に観察可能な技術プロセスなど）。

図 16 InterSystems IRIS におけるエージェントベースのビジネス プロセス システムとしての AI/ML ソリューションの運用

InterSystems IRIS のレビューを続けて、リアルタイム問題のクラス全体を解決するためのプラットフォームの応用的な使用法についての話をします (InterSystems IRIS 上のプラットフォーム AI/ML のベスト プラクティスのいくつかについては、かなり詳細に紹介されています。私たちの以前の ウェビナー).

前の図に続いて、以下はエージェント システムのより詳細な図です。 この図は同じプロトタイプを示しており、XNUMX つのエージェント プロセスがすべて表示されており、それらの間の関係が概略的に描かれています。GENERATOR - 機器センサーによるデータの作成を処理、BUFFER - データ キューを管理、ANALYZER - 機械学習自体を実行、MONITOR - 監視機械学習の品質を確認し、モデルを再トレーニングする必要があるというシグナルを送信します。

図 17 InterSystems IRIS のエージェントベースのビジネス プロセス システム形式の AI/ML ソリューションの構成

以下の図は、しばらくの間、別のロボット プロトタイプの自律機能 (テキストの感情的な色の認識) を示しています。 上の部分はモデル トレーニングの品質指標の進化 (品質は向上しています)、下の部分はモデル アプリケーションの品質指標のダイナミクスと繰り返しトレーニングの事実 (赤い縞模様) です。 ご覧のとおり、ソリューションは効率的かつ自律的に学習し、所定の品質レベルで動作します (品質スコア値が 80% を下回ることはありません)。

図 18 InterSystems IRIS プラットフォームでの継続的 (自己) トレーニング (CT)

先ほど「自動 ML」についても触れましたが、別のプロトタイプの例を使用して、この機能の使用方法を詳しく示した図が次の図です。 ビジネス プロセスの一部のグラフィカルな図は、H2O スタックでのモデリングをトリガーするアクティビティを示し、このモデリングの結果を示します (図の比較図によると、結果として得られるモデルが「人工」モデルよりも明らかに優勢であることがわかります)。 ROC 曲線、および元のデータセットで利用可能な「最も影響力のある変数」の自動識別）。 ここで重要な点は、「自動 ML」によって時間と専門家リソースが節約されることです。当社のプラットフォーム プロセスが XNUMX 分で実行すること (最適なモデルの検索とトレーニング) は、専門家にとっては XNUMX 週間から XNUMX か月かかる場合があります。

図 19 InterSystems IRIS プラットフォーム上の AI/ML ソリューションへの「自動 ML」の統合

以下の図は要点を少し外していますが、解決されているリアルタイム問題のクラスについての話を終わらせるのに良い方法です。InterSystems IRIS プラットフォームのすべての機能を使用すると、その制御下にあるトレーニング モデルは必須ではありません。 プラットフォームは、プラットフォームの制御下にないツールでトレーニングされたモデルのいわゆる PMML 仕様を外部から受け取ることができ、このモデルをインポートされた瞬間からリアルタイムで適用できます。 PMML仕様。 最も一般的なアーティファクトのほとんどでこれが可能であっても、すべての AI/ML アーティファクトを PMML 仕様に縮小できるわけではないことを考慮することが重要です。 したがって、InterSystems IRIS プラットフォームは「オープン ループ」であり、ユーザーにとっての「プラットフォームの奴隷制」を意味するものではありません。

図 20 InterSystems IRIS プラットフォーム上の AI/ML ソリューションへの「自動 ML」の統合

人工知能とリアルタイム機械学習の自動化において非常に重要である、インターシステムズ IRIS のその他のプラットフォームの利点を列挙してみましょう (わかりやすくするために、プロセス制御に関連して)。

• あらゆるデータソースおよびコンシューマ（プロセス制御システム/SCADA、機器、MRO、ERPなど）との統合ツールを開発しました。
• ビルトイン マルチモデル DBMS あらゆる量の技術プロセス データの高性能トランザクションおよび分析処理 (ハイブリッド トランザクション/分析処理、HTAP) を実現
• Python、R、Julia に基づくリアルタイム ソリューション用の AI/ML エンジンを継続的に展開するための開発ツール
• リアルタイム AI/ML ソリューション エンジンの継続的統合と (自己) 学習のための適応型ビジネス プロセス
• プロセスデータと AI/ML ソリューションの結果を視覚化するための組み込みのビジネス インテリジェンス ツール
• API管理 AI/ML ソリューションの結果をプロセス制御システム/SCADA、情報および分析システムに配信し、アラートを送信するためなど。

InterSystems IRIS プラットフォーム上の AI/ML ソリューションは、既存の IT インフラストラクチャに簡単に適合します。 InterSystems IRIS プラットフォームは、フォールト トレラントおよびディザスタ トレラントな構成と、仮想環境、物理サーバー、プライベート クラウドおよびパブリック クラウド、および Docker コンテナでの柔軟な展開をサポートすることにより、AI/ML ソリューションの高い信頼性を保証します。

したがって、InterSystems IRIS は、ユニバーサルなリアルタイム AI/ML コンピューティング プラットフォームです。 当社のプラットフォームの普遍性は、実装される計算の複雑さに対する事実上の制限がないこと、さまざまな業界のシナリオを (リアルタイムで) 組み合わせて処理する InterSystems IRIS の能力、および卓越した適応性によって実際に確認されています。ユーザーの特定のニーズに応えるあらゆるプラットフォームの機能とメカニズム。

図 21 InterSystems IRIS - ユニバーサル リアルタイム AI/ML コンピューティング プラットフォーム

ここで紹介されている内容に興味がある読者とのより実質的な対話のために、読むことに限定せず、「ライブ」で対話を続けることをお勧めします。 御社の事情に合わせたリアルタイムAI/MLシナリオの策定、インターシステムズIRISプラットフォーム上での共同プロトタイピング、人工知能・機械学習導入ロードマップの策定と実践の支援をさせていただきます。生産および管理プロセスに組み込むことができます。 AI/ML エキスパート チームの連絡先メールアドレス – [メール保護].

出所： habr.com