InterSystems IRIS - უნივერსალური რეალურ დროში AI/ML პლატფორმა

ავტორი: სერგეი ლუკიანჩიკოვი, InterSystems-ის კონსულტანტი ინჟინერი

რეალურ დროში AI/ML გამოთვლითი ზარები

დავიწყოთ InterSystems-ში მონაცემთა მეცნიერების პრაქტიკის გამოცდილებიდან მაგალითებით:

• ჩატვირთული მყიდველის პორტალი დაკავშირებულია ონლაინ სარეკომენდაციო სისტემასთან. მოხდება აქციების რესტრუქტურიზაცია საცალო ქსელში (მაგალითად, აქციების „ბრტყელი“ ხაზის ნაცვლად, ახლა გამოყენებული იქნება „სეგმენტ-ტაქტიკის“ მატრიცა). რა ემართება სარეკომენდაციო ძრავებს? რა ხდება სარეკომენდაციო ძრავში მონაცემების წარდგენასა და განახლებასთან (შესული მონაცემების მოცულობა გაიზარდა 25000-ჯერ)? რა ემართება რეკომენდაციების შემუშავებას (სარეკომენდაციო წესების ფილტრაციის ზღურბლის ათასჯერ შემცირების აუცილებლობა მათი რაოდენობისა და „დიაპაზონის“ ათასჯერ გაზრდის გამო)?
• არსებობს აღჭურვილობის კომპონენტებში დეფექტების განვითარების ალბათობის მონიტორინგის სისტემა. მონიტორინგის სისტემას უერთდებოდა პროცესის კონტროლის ავტომატური სისტემა, რომელიც ყოველ წამში გადასცემდა ათასობით ტექნოლოგიური პროცესის პარამეტრს. რა ბედი ეწევა მონიტორინგის სისტემას, რომელიც ადრე მუშაობდა „ხელით ნიმუშებზე“ (შეუძლია თუ არა მას წამიერად განახორციელოს ალბათობის მონიტორინგი)? რა მოხდება, თუ რამდენიმე ასეული სვეტის ახალი ბლოკი გამოჩნდება შეყვანის მონაცემებში სენსორების წაკითხვებით, რომლებიც ახლახან დაემატა პროცესის კონტროლის სისტემას (აუცილებელია და რამდენ ხანს შეჩერდეს მონიტორინგის სისტემა, რომ შეიტანოს ახალი სენსორების მონაცემები ანალიზში )?
• შეიქმნა AI/ML მექანიზმების ნაკრები (რეკომენდაცია, მონიტორინგი, პროგნოზირება), რომლებიც ერთმანეთის მუშაობის შედეგებს იყენებენ. რამდენი ადამიანური საათია საჭირო ყოველთვიურად ამ კომპლექსის მუშაობის ადაპტაციისთვის შეყვანის მონაცემების ცვლილებასთან? რა არის ზოგადი „შენელება“, როდესაც მას მხარს უჭერს მენეჯმენტის გადაწყვეტილების მიღების კომპლექსი (მასში ახალი დამხმარე ინფორმაციის გაჩენის სიხშირე ახალი შეყვანის მონაცემების გაჩენის სიხშირესთან შედარებით)?

ამ და მრავალი სხვა მაგალითის შეჯამებით, ჩვენ მივედით იმ გამოწვევების ფორმულირებამდე, რომლებიც წარმოიქმნება რეალურ დროში მანქანური სწავლისა და ხელოვნური ინტელექტის მექანიზმების გამოყენებაზე გადასვლისას:

• კმაყოფილი ვართ თუ არა ჩვენს კომპანიაში AI/ML განვითარებათა შექმნისა და ადაპტაციის სისწრაფით (ცვალებად სიტუაციასთან)?
• რამდენად უჭერს მხარს AI/ML გადაწყვეტილებები, რომლებსაც ჩვენ ვიყენებთ რეალურ დროში ბიზნესის მართვაში?
• შეუძლია თუ არა AI/ML გადაწყვეტილებებს, რომლებსაც ჩვენ ვიყენებთ დამოუკიდებლად (დეველოპერების გარეშე) ადაპტირდეს მონაცემთა და ბიზნესის მართვის პრაქტიკის ცვლილებებთან?

ჩვენი სტატია არის InterSystems IRIS პლატფორმის შესაძლებლობების საფუძვლიანი მიმოხილვა AI/ML მექანიზმების განლაგების უნივერსალური მხარდაჭერის თვალსაზრისით, AI/ML გადაწყვეტილებების აწყობა (ინტეგრაცია) და AI/ML გადაწყვეტილებების ტრენინგი (ტესტირება) ინტენსიურად. მონაცემთა ნაკადები. ამ სტატიაში ჩვენ განვიხილავთ ბაზრის კვლევას, AI/ML გადაწყვეტილებების შემთხვევის შესწავლას და კონცეპტუალურ ასპექტებს, რასაც ჩვენ ვუწოდებთ რეალურ დროში AI/ML პლატფორმას.

რა ვიცით გამოკითხვებიდან: რეალურ დროში აპლიკაციები

დასკვნები გამოკითხვა800 წელს Lightbend-ის მიერ ჩატარებული 2019-მდე IT პროფესიონალს შორის, თავისთავად საუბრობენ:

სურათი 1 რეალურ დროში მონაცემების წამყვანი მომხმარებლები

მოდი, ჩვენს თარგმანში მოვიყვანოთ ამ კვლევის შედეგების მოხსენების მნიშვნელოვანი ფრაგმენტები:

„... მონაცემთა ნაკადების ინტეგრირების ინსტრუმენტების პოპულარობის ტენდენციები და, ამავე დროს, კონტეინერებში გამოთვლების მხარდაჭერა, იძლევა სინერგიულ პასუხს ბაზრის მოთხოვნაზე ეფექტური გადაწყვეტილებების უფრო საპასუხო, რაციონალური, დინამიური შეთავაზების შესახებ. ნაკადის მონაცემები გადასცემს ინფორმაციას უფრო სწრაფად, ვიდრე ტრადიციული პაკეტის მონაცემები. ამას ემატება გამოთვლითი მეთოდების სწრაფად გამოყენების შესაძლებლობა, როგორიცაა, მაგალითად, AI/ML-ზე დაფუძნებული რეკომენდაციები, კონკურენტული უპირატესობების შექმნა მომხმარებელთა კმაყოფილების გაზრდის გზით. სისწრაფის რბოლა ასევე გავლენას ახდენს DevOps პარადიგმის ყველა როლზე - აპლიკაციების შემუშავებასა და დანერგვას უფრო ეფექტურს ხდის. … რვაას ოთხმა IT პროფესიონალმა მიაწოდა ინფორმაცია თავიანთ ორგანიზაციებში მონაცემთა ნაკადების გამოყენების შესახებ. რესპონდენტები ძირითადად დასავლეთის ქვეყნებში იყვნენ განლაგებული (41% ევროპაში და 37% ჩრდილოეთ ამერიკაში) და თითქმის თანაბრად იყო განაწილებული მცირე, საშუალო და დიდ კომპანიებს შორის. ...

... ხელოვნური ინტელექტი არ არის აჟიოტაჟი. მათგან XNUMX პროცენტი, ვინც უკვე იყენებს მონაცემთა ნაკადის დამუშავებას პროდუქტიულობის AI/ML აპლიკაციებში, ადასტურებს, რომ AI/ML-ის გამოყენება ყველაზე დიდ ზრდას დაინახავს მომავალ წელს (სხვა აპლიკაციებთან შედარებით).

• რესპონდენტთა უმრავლესობის აზრით, მონაცემთა ნაკადების გამოყენება AI/ML სცენარებში ყველაზე დიდ ზრდას დაინახავს მომავალ წელს.
• AI/ML-ში აპლიკაციები გაიზრდება არა მხოლოდ შედარებით ახალი ტიპის სცენარების გამო, არამედ ტრადიციული სცენარების გამო, რომლებშიც რეალურ დროში მონაცემები სულ უფრო მეტად გამოიყენება.
• AI/ML-ის გარდა, შთამბეჭდავია ენთუზიაზმის დონე IoT მონაცემთა მილსადენების მომხმარებლებში - მათ 48%, ვინც უკვე ინტეგრირებულია IoT მონაცემები ამბობს, რომ ამ მონაცემებზე სცენარის განხორციელება უახლოეს მომავალში მნიშვნელოვან ზრდას დაინახავს. ..."

ამ საკმაოდ საინტერესო გამოკითხვიდან ირკვევა, რომ მანქანური სწავლისა და ხელოვნური ინტელექტის სცენარების, როგორც მონაცემთა ნაკადების მოხმარების ლიდერებად აღქმა უკვე „გზაშია“. მაგრამ არანაკლებ მნიშვნელოვანი დაკვირვებაა რეალურ დროში AI/ML-ის აღქმა DevOps-ის ლინზებით: აქ უკვე შეგვიძლია დავიწყოთ საუბარი ჯერ კიდევ დომინანტური კულტურის ტრანსფორმაციაზე „ერთჯერადი AI/ML სრულად ხელმისაწვდომი მონაცემთა ნაკრებით“.

რეალურ დროში AI/ML პლატფორმის კონცეფცია

რეალურ დროში AI/ML აპლიკაციის ერთ-ერთი ტიპიური სფეროა პროცესის კონტროლი წარმოებაში. მისი მაგალითის გამოყენებით და წინა აზრების გათვალისწინებით, ჩვენ ჩამოვაყალიბებთ რეალურ დროში AI/ML პლატფორმის კონცეფციას.
ხელოვნური ინტელექტისა და მანქანათმცოდნეობის გამოყენებას პროცესის კონტროლში აქვს მთელი რიგი მახასიათებლები:

• ტექნოლოგიური პროცესის მდგომარეობის შესახებ მონაცემები მიიღება ინტენსიურად: მაღალი სიხშირით და პარამეტრების ფართო დიაპაზონისთვის (პროცესის კონტროლის სისტემიდან წამში გადაცემული ათიათასობით პარამეტრის მნიშვნელობა).
• მონაცემები დეფექტების იდენტიფიკაციის შესახებ, რომ აღარაფერი ვთქვათ მათი განვითარების შესახებ, პირიქით, მწირია და არარეგულარული, ხასიათდება დეფექტების არასაკმარისი ტიპაჟით და დროში მათი ლოკალიზაციით (ხშირად წარმოდგენილია ქაღალდის ჩანაწერებით).
• პრაქტიკული თვალსაზრისით, მხოლოდ წყაროს მონაცემების "რელევანტურობის ფანჯარა" ხელმისაწვდომია ტრენინგისა და მოდელების გამოყენებისთვის, რომელიც ასახავს ტექნოლოგიური პროცესის დინამიკას გონივრულ მოცურების ინტერვალზე, რომელიც მთავრდება პროცესის პარამეტრების ბოლო წაკითხული მნიშვნელობებით.

ეს მახასიათებლები გვაიძულებს, ტექნოლოგიური პროცესიდან ინტენსიური „ფართოზოლოვანი შეყვანის სიგნალის“ რეალურ დროში მიღებისა და ძირითადი დამუშავების გარდა, შევასრულოთ (პარალელურად) AI / შედეგების გამოყენება, ტრენინგი და ხარისხის კონტროლი. ML მოდელები - ასევე რეალურ დროში. "ჩარჩო", რომელსაც ჩვენი მოდელები "ხედავენ" შესაბამისობის მოცურების ფანჯარაში მუდმივად იცვლება - და მასთან ერთად იცვლება წარსულში ერთ-ერთ "ჩარჩოზე" მომზადებული AI/ML მოდელების მუშაობის შედეგების ხარისხიც. . თუ AI/ML მოდელების მუშაობის შედეგების ხარისხი გაუარესდება (მაგალითად: „განგაშის ნორმის“ კლასიფიკაციის შეცდომის მნიშვნელობა გასცდა ჩვენს მიერ განსაზღვრულ საზღვრებს), მოდელების დამატებითი ტრენინგი ავტომატურად უნდა დაიწყოს. უფრო აქტუალური „ჩარჩო“ - და მოდელების დამატებითი ტრენინგის დაწყების მომენტის არჩევამ უნდა გაითვალისწინოს, თუ როგორ ხდება თავად ტრენინგის ხანგრძლივობა და მოდელების მიმდინარე ვერსიის მუშაობის ხარისხის გაუარესების დინამიკა (რადგან მოდელების ამჟამინდელი ვერსიების გამოყენება გრძელდება მოდელების მომზადების პერიოდში და სანამ არ ჩამოყალიბდება მათი „ახლად მომზადებული“ ვერსიები).

InterSystems IRIS-ს აქვს ძირითადი პლატფორმის შესაძლებლობები, რათა ჩართოს AI/ML გადაწყვეტილებები პროცესის რეალურ დროში კონტროლისთვის. ეს შესაძლებლობები შეიძლება დაიყოს სამ ძირითად ჯგუფად:

• ახალი ან ადაპტირებული არსებული AI/ML მექანიზმების უწყვეტი დანერგვა (უწყვეტი განლაგება/მიწოდება, CD) პროდუქტიულ გადაწყვეტაში, რომელიც მუშაობს რეალურ დროში InterSystems IRIS პლატფორმაზე
• უწყვეტი ინტეგრაცია (CI) შემომავალი ტექნოლოგიური პროცესის მონაცემთა ნაკადების ერთ პროდუქტულ გადაწყვეტაში, მონაცემთა რიგები AI/ML მექანიზმების გამოყენების/ტრენინგის/ხარისხის კონტროლისთვის და მონაცემთა/კოდის/კონტროლის მოქმედებების გაცვლა მათემატიკური მოდელირების გარემოში, ორკესტრირებული რეალურ დროში. პლატფორმა InterSystems IRIS
• AI/ML მექანიზმების უწყვეტი (თვით) სწავლება (გაგრძელებული სწავლება, CT), შესრულებული მათემატიკური მოდელირების გარემოში მონაცემთა, კოდისა და კონტროლის მოქმედებების გამოყენებით („მიღებული გადაწყვეტილებები“), რომლებიც გადაცემულია InterSystems IRIS პლატფორმით.

პლატფორმის შესაძლებლობების კლასიფიკაცია მანქანურ სწავლასთან და ხელოვნურ ინტელექტთან დაკავშირებით ზუსტად ამ ჯგუფებად შემთხვევითი არ არის. მოვიყვანოთ მეთოდოლოგიური პუბლიკაცია Google, რომელიც უზრუნველყოფს ამ კლასიფიკაციის კონცეპტუალურ საფუძველს, ჩვენს თარგმანში:

„... DevOps კონცეფცია, რომელიც პოპულარულია ამ დღეებში, მოიცავს ფართომასშტაბიანი საინფორმაციო სისტემების განვითარებას და ფუნქციონირებას. ამ კონცეფციის განხორციელების უპირატესობებია განვითარების ციკლების ხანგრძლივობის შემცირება, განვითარებათა უფრო სწრაფი განლაგება და გამოშვების დაგეგმვის მოქნილობა. ამ უპირატესობების მისაღწევად, DevOps მოიცავს მინიმუმ ორი პრაქტიკის განხორციელებას:

• უწყვეტი ინტეგრაცია (CI)
• უწყვეტი მიწოდება (CD)

ეს პრაქტიკა ასევე ვრცელდება AI/ML პლატფორმებზე, რათა უზრუნველყოს პროდუქტიული AI/ML გადაწყვეტილებების საიმედო და ეფექტური შეკრება.

AI/ML პლატფორმები განსხვავდება სხვა საინფორმაციო სისტემებისგან შემდეგი ასპექტებით:

• გუნდის კომპეტენციები: AI/ML გადაწყვეტის შექმნისას, გუნდი ჩვეულებრივ მოიცავს მონაცემთა მეცნიერებს ან „აკადემიურ“ ექსპერტებს მონაცემთა კვლევის სფეროში, რომლებიც ატარებენ მონაცემთა ანალიზს, ავითარებენ და ამოწმებენ მოდელებს. გუნდის ეს წევრები შეიძლება არ იყვნენ პროფესიონალი პროდუქტიული კოდის შემქმნელები.
• განვითარება: AI/ML ძრავები ექსპერიმენტული ხასიათისაა. პრობლემის ყველაზე ეფექტური გადაჭრის მიზნით, აუცილებელია შეყვანის ცვლადების, ალგორითმების, მოდელირების მეთოდებისა და მოდელის პარამეტრების სხვადასხვა კომბინაციების გავლა. ასეთი ძიების სირთულე მდგომარეობს იმაში, რომ მოძებნოთ „რა მუშაობდა/არ მუშაობდა“, ეპიზოდების განმეორებადობის უზრუნველყოფა, განმეორებითი განხორციელებისთვის განვითარებული მოვლენების განზოგადება.
• ტესტირება: AI/ML ძრავების ტესტირება მოითხოვს ტესტების უფრო ფართო სპექტრს, ვიდრე სხვა განვითარებას. სტანდარტული ერთეულისა და ინტეგრაციის ტესტების გარდა, მოწმდება მონაცემთა ვალიდობა და მოდელის გამოყენების შედეგების ხარისხი სასწავლო და საკონტროლო ნიმუშებზე.
• დანერგვა: AI/ML გადაწყვეტილებების დანერგვა არ შემოიფარგლება მხოლოდ პროგნოზირებადი სერვისებით, რომლებიც იყენებენ ერთხელ გაწვრთნილ მოდელს. AI/ML გადაწყვეტილებები აგებულია მრავალსაფეხურიანი მილსადენების ირგვლივ, რომლებიც ასრულებენ ავტომატური მოდელის ტრენინგს და აპლიკაციებს. ასეთი მილსადენების განლაგება გულისხმობს არა ტრივიალური ქმედებების ავტომატიზაციას, რომლებიც ტრადიციულად ხელით ასრულებენ მონაცემთა მეცნიერებს, რათა შეძლონ მოდელების მომზადება და ტესტირება.
• პროდუქტიულობა: AI/ML ძრავებს შეიძლება არ ჰქონდეს პროდუქტიულობა არა მხოლოდ არაეფექტური პროგრამირების გამო, არამედ შეყვანის მონაცემების მუდმივად ცვალებადი ხასიათის გამო. სხვა სიტყვებით რომ ვთქვათ, AI/ML მექანიზმების მოქმედება შეიძლება შემცირდეს მიზეზების უფრო ფართო სპექტრის გამო, ვიდრე ჩვეულებრივი მოვლენების შესრულება. რაც იწვევს ჩვენი AI/ML ძრავების მუშაობის (ონლაინ) მონიტორინგის აუცილებლობას, აგრეთვე გაფრთხილებების გაგზავნას ან შედეგების უარყოფას, თუ შესრულების ინდიკატორები არ აკმაყოფილებენ მოლოდინს.

AI/ML პლატფორმები სხვა საინფორმაციო სისტემების მსგავსია იმით, რომ ორივე საჭიროებს კოდის უწყვეტ ინტეგრაციას ვერსიის კონტროლთან, ერთეულის ტესტირებასთან, ინტეგრაციის ტესტირებასთან და უწყვეტი განვითარების განლაგებასთან. თუმცა, AI/ML-ის შემთხვევაში, არსებობს რამდენიმე მნიშვნელოვანი განსხვავება:

• CI (უწყვეტი ინტეგრაცია) აღარ შემოიფარგლება მხოლოდ განლაგებული კომპონენტების კოდის ტესტირებითა და დადასტურებით - ის ასევე მოიცავს მონაცემების და AI/ML მოდელების ტესტირებასა და დადასტურებას.
• CD (მუდმივი მიწოდება/განლაგება, უწყვეტი განლაგება) არ შემოიფარგლება პაკეტების ან სერვისების დაწერითა და გამოშვებით, არამედ გულისხმობს პლატფორმას AI/ML გადაწყვეტილებების შემადგენლობის, ტრენინგისა და გამოყენებისთვის.
• CT (Continuous Training, უწყვეტი ტრენინგი) არის ახალი ელემენტი [დაახ. სტატიის ავტორი: ახალი ელემენტი DevOps-ის ტრადიციულ კონცეფციასთან მიმართებაში, რომელშიც CT არის, როგორც წესი, უწყვეტი ტესტირება], თანდაყოლილი AI/ML პლატფორმებისთვის, რომელიც პასუხისმგებელია AI-ის ტრენინგისა და გამოყენების მექანიზმების ავტონომიურ მართვაზე. /ML მოდელები. ..."

შეგვიძლია განვაცხადოთ, რომ რეალურ დროში მონაცემებზე მომუშავე მანქანური სწავლა და ხელოვნური ინტელექტი მოითხოვს ინსტრუმენტებისა და კომპეტენციების უფრო ფართო კომპლექტს (კოდის შემუშავებიდან მათემატიკური მოდელირების გარემოს ორკესტრირებამდე), უფრო მჭიდრო ინტეგრაციას ყველა ფუნქციურ და საგნობრივ სფეროს შორის, ადამიანის და ადამიანის უფრო ეფექტურ ორგანიზაციას. მანქანის რესურსები.

რეალურ დროში სცენარი: კვების ტუმბოების დეფექტების განვითარების აღიარება

განაგრძეთ პროცესის კონტროლის არეალის მაგალითის გამოყენება, განიხილეთ კონკრეტული პრობლემა (ჩვენ უკვე აღვნიშნეთ თავიდანვე): ჩვენ უნდა ვუზრუნველყოთ რეალურ დროში ტუმბოების დეფექტების განვითარების მონიტორინგი, პროცესის პარამეტრის მნიშვნელობების ნაკადის საფუძველზე. და სარემონტო პერსონალის ანგარიშები გამოვლენილი დეფექტების შესახებ.

სურათი 2 პრობლემის ფორმულირება დეფექტების განვითარების მონიტორინგისთვის

პრაქტიკაში ამ გზით დასმული ამოცანების უმრავლესობის თავისებურება ის არის, რომ მონაცემთა მიღების (APCS) რეგულარულობა და ეფექტურობა უნდა განიხილებოდეს სხვადასხვა ტიპის დეფექტების ეპიზოდური და არარეგულარული წარმოშობის (და რეგისტრაციის) ფონზე. სხვა სიტყვებით რომ ვთქვათ: პროცესის კონტროლის სისტემის მონაცემები მოდის წამში ერთხელ, სწორი და ზუსტი, ხოლო დეფექტების შესახებ შენიშვნები მზადდება ქიმიური ფანქრით, სადაც მითითებულია თარიღი სახელოსნოში არსებულ ზოგად რვეულში (მაგალითად: „12.01 – გაჟონვა საფარში. მე-3 საკისრის მხრიდან“).

ამრიგად, ჩვენ შეგვიძლია დავამატოთ პრობლემის ფორმულირება შემდეგი მნიშვნელოვანი შეზღუდვით: ჩვენ გვაქვს კონკრეტული ტიპის დეფექტის მხოლოდ ერთი „ეტიკეტირება“ (ანუ კონკრეტული ტიპის დეფექტის მაგალითი წარმოდგენილია პროცესის კონტროლის მონაცემებით. სისტემა კონკრეტულ თარიღზე - და ამ კონკრეტული ტიპის დეფექტის მეტი მაგალითები არ გვაქვს). ეს შეზღუდვა მაშინვე გადაგვყავს კლასიკური მანქანათმცოდნეობის ფარგლებს გარეთ (ზედამხედველობითი სწავლება), რისთვისაც ბევრი „ტეგი“ უნდა იყოს.

სურათი 3 დეფექტების განვითარების მონიტორინგის ამოცანის გარკვევა

შეგვიძლია როგორმე „გავამრავლოთ“ ჩვენს ხელთ არსებული ერთადერთი „ტეგი“? Დიახ ჩვენ შეგვიძლია. ტუმბოს ამჟამინდელი მდგომარეობა ხასიათდება რეგისტრირებულ დეფექტებთან მსგავსების ხარისხით. რაოდენობრივი მეთოდების გამოყენების გარეშეც კი, ვიზუალური აღქმის დონეზე, პროცესის კონტროლის სისტემიდან მომდინარე მონაცემთა მნიშვნელობების დინამიკის დაკვირვებით, უკვე შეგიძლიათ ბევრი რამის სწავლა:

სურათი 4 ტუმბოს მდგომარეობის დინამიკა მოცემული ტიპის დეფექტის „ნიშნის“ ფონზე

მაგრამ ვიზუალური აღქმა (ყოველ შემთხვევაში, ახლა) არ არის "ტეგების" ყველაზე შესაფერისი გენერატორი ჩვენს სწრაფად ცვალებად სცენარში. ჩვენ შევაფასებთ არსებული ტუმბოს მდგომარეობის მსგავსებას მოხსენებულ დეფექტებთან სტატისტიკური ტესტის გამოყენებით.

სურათი 5 სტატისტიკური ტესტის გამოყენება შემომავალ მონაცემებზე დეფექტის „ეტიკეტის“ ფონზე

სტატისტიკური ტესტი განსაზღვრავს ალბათობას, რომ ჩანაწერები ტექნოლოგიური პროცესის პარამეტრების მნიშვნელობებით პროცესის კონტროლის სისტემიდან მიღებულ „ნაკადის პაკეტში“ მსგავსია გარკვეული ტიპის დეფექტის „ტეგის“ ჩანაწერებთან. ალბათობის მნიშვნელობა (სტატისტიკური მსგავსების ინდექსი), რომელიც გამოითვლება სტატისტიკური ტესტის გამოყენების შედეგად, გარდაიქმნება 0 ან 1 მნიშვნელობად, რაც ხდება მანქანური სწავლების „ეტიკეტი“ მსგავსებაზე შემოწმებულ პაკეტში თითოეულ კონკრეტულ ჩანაწერში. ანუ, ტუმბოს მდგომარეობის ჩანაწერების ახლად მიღებული პაკეტის სტატისტიკური ტესტით დამუშავების შემდეგ, ჩვენ გვაქვს შესაძლებლობა (ა) დავამატოთ ეს პაკეტი AI/ML მოდელის ტრენინგების სასწავლო კომპლექტში და (ბ) განვახორციელოთ ხარისხის კონტროლი. მოდელის მიმდინარე ვერსია ამ პაკეტში გამოყენებისას.

სურათი 6 მანქანური სწავლების მოდელის გამოყენება შემოსულ მონაცემებზე დეფექტის „ეტიკეტის“ ფონზე

ერთ-ერთ ჩვენს წინა ვებინარები ჩვენ ვაჩვენებთ და განვმარტავთ, თუ როგორ საშუალებას გაძლევთ InterSystems IRIS პლატფორმა განახორციელოთ ნებისმიერი AI/ML მექანიზმი უწყვეტად განხორციელებული ბიზნეს პროცესების სახით, რომლებიც აკონტროლებენ მოდელირების შედეგების სანდოობას და მოდელის პარამეტრებს ადაპტირებენ. ტუმბოებით ჩვენი სცენარის პროტოტიპის განხორციელებისას, ჩვენ ვიყენებთ ვებინარის დროს წარმოდგენილ InterSystems IRIS-ის ყველა ფუნქციას - ანალიზატორის პროცესში დანერგვა, როგორც ჩვენი გადაწყვეტის ნაწილი, არა კლასიკური ზედამხედველობითი სწავლების, არამედ გაძლიერების სწავლების, რომელიც ავტომატურად მართავს ტრენინგის მოდელების შერჩევას. . ტრენინგის ნიმუში შეიცავს ჩანაწერებს, რომლებზედაც წარმოიქმნება „გამოვლენის კონსენსუსი“ როგორც სტატისტიკური ტესტის, ასევე მოდელის მიმდინარე ვერსიის გამოყენების შემდეგ - ანუ, როგორც სტატისტიკური ტესტი (მსგავსების ინდექსის 0 ან 1-მდე გარდაქმნის შემდეგ), ასევე მოდელის შედეგად მიღებული შედეგი. ასეთ ჩანაწერებზე 1. მოდელის ახალი ტრენინგის დროს, მისი ვალიდაციის დროს (ახლად გაწვრთნილი მოდელი გამოიყენება საკუთარ სასწავლო ნიმუშზე, მასზე სტატისტიკური ტესტის წინასწარი გამოყენებით), ჩანაწერები, რომლებმაც „არ შეინარჩუნეს“ შედეგი 1 დამუშავების შემდეგ. სტატისტიკური ტესტით (ტრენინგში მუდმივი ყოფნის გამო, ჩანაწერების ნიმუში დეფექტის ორიგინალური „ლეიბლიდან“), ამოღებულია სასწავლო ნაკრებიდან და მოდელის ახალი ვერსია სწავლობს „ლეიბლიდან“ დეფექტი პლუს ნაკადიდან „შენახული“ ჩანაწერები.

სურათი 7 AI/ML გამოთვლების რობოტიზაცია InterSystems IRIS-ში

თუ საჭიროა ერთგვარი „მეორე აზრი“ InterSystems IRIS-ში ლოკალური გამოთვლების დროს მიღებული გამოვლენის ხარისხზე, იქმნება საკონსულტაციო პროცესი, რათა შეასრულოს მოდელების ტრენინგი და გამოყენება კონტროლის მონაცემთა ბაზაზე ღრუბლოვანი სერვისების გამოყენებით (მაგალითად, Microsoft Azure, Amazon ვებ სერვისები, Google Cloud Platform და ა.შ.):

სურათი 8 მეორე მოსაზრება Microsoft Azure-დან, ორკესტრირებული InterSystems IRIS-ის მიერ

ჩვენი სცენარის პროტოტიპი InterSystems IRIS-ში შექმნილია, როგორც აგენტზე დაფუძნებული ანალიტიკური პროცესების სისტემა, რომელიც ურთიერთქმედებს აღჭურვილობის ობიექტთან (ტუმბო), მათემატიკური მოდელირების გარემოსთან (Python, R და Julia) და უზრუნველყოფს ყველა ჩართული AI/დამოკიდებულების სწავლას. ML მექანიზმები - რეალურ დროში მონაცემთა ნაკადებზე.

სურათი 9 რეალურ დროში AI/ML გადაწყვეტის ძირითადი ფუნქციონალობა InterSystems IRIS-ში

ჩვენი პროტოტიპის პრაქტიკული შედეგი:

• მოდელის მიერ აღიარებული ნიმუშის დეფექტი (12 იანვარი):

• მოდელის მიერ აღიარებული განვითარებადი დეფექტი, რომელიც არ იყო შეტანილი ნიმუშში (11 სექტემბერი, თავად დეფექტი სარემონტო ჯგუფმა გამოავლინა მხოლოდ ორი დღის შემდეგ, 13 სექტემბერს):

რეალური მონაცემების სიმულაციამ, რომელიც შეიცავს ერთი და იგივე დეფექტის რამდენიმე ეპიზოდს, აჩვენა, რომ InterSystems IRIS პლატფორმაზე დანერგილი ჩვენი გადაწყვეტა საშუალებას გვაძლევს განვსაზღვროთ ამ ტიპის დეფექტების განვითარება სარემონტო ჯგუფის მიერ მათ გამოვლენამდე რამდენიმე დღით ადრე.

InterSystems IRIS - უნივერსალური რეალურ დროში AI/ML გამოთვლითი პლატფორმა

InterSystems IRIS პლატფორმა ამარტივებს მონაცემთა რეალურ დროში გადაწყვეტილებების შემუშავებას, დანერგვას და ფუნქციონირებას. InterSystems IRIS-ს შეუძლია ერთდროულად განახორციელოს ტრანზაქციული და ანალიტიკური მონაცემთა დამუშავება; მონაცემთა სინქრონიზებული ხედების მხარდაჭერა მრავალი მოდელის მიხედვით (მათ შორის რელაციური, იერარქიული, ობიექტი და დოკუმენტი); იმოქმედოს როგორც პლატფორმა მონაცემთა წყაროების ფართო სპექტრისა და ინდივიდუალური აპლიკაციების ინტეგრირებისთვის; უზრუნველყოს გაფართოებული რეალურ დროში ანალიტიკა სტრუქტურირებულ და არასტრუქტურირებულ მონაცემებზე. InterSystems IRIS ასევე უზრუნველყოფს გარე ანალიტიკური ხელსაწყოების გამოყენების მექანიზმებს და იძლევა ღრუბელში და ადგილობრივ სერვერებზე ჰოსტინგის მოქნილ კომბინაციას.

InterSystems IRIS პლატფორმაზე აგებული აპლიკაციები განლაგებულია სხვადასხვა ინდუსტრიაში, რაც ეხმარება კომპანიებს გააცნობიერონ მნიშვნელოვანი ეკონომიკური სარგებელი სტრატეგიული და ოპერატიული პერსპექტივიდან, გაზარდონ ინფორმირებული გადაწყვეტილებების მიღება და ხიდის უფსკრული მოვლენებს, ანალიზსა და მოქმედებას შორის.

სურათი 10 InterSystems IRIS არქიტექტურა რეალურ დროში AI/ML კონტექსტში

წინა დიაგრამის მსგავსად, ქვემოთ მოცემული დიაგრამა აერთიანებს ახალ „კოორდინატთა სისტემას“ (CD/CI/CT) პლატფორმის სამუშაო ელემენტებს შორის ინფორმაციის ნაკადის დიაგრამასთან. ვიზუალიზაცია იწყება მაკრომექანიკური CD-ით და გრძელდება მაკრომექანიკით CI და CT.

სურათი 11 ინფორმაციის ნაკადების დიაგრამა InterSystems IRIS პლატფორმის AI/ML ელემენტებს შორის

CD მექანიზმის არსი InterSystems IRIS-ში: პლატფორმის მომხმარებლები (AI/ML გადაწყვეტილებების დეველოპერები) ადაპტირებენ არსებულ და/ან ქმნიან ახალ AI/ML-ის განვითარებას AI/ML მექანიზმებისთვის სპეციალიზებული კოდის რედაქტორის გამოყენებით: Jupyter (სრული სახელი: Jupyter Notebook; მოკლედ, ამ რედაქტორში შექმნილ დოკუმენტებს ზოგჯერ უწოდებენ). Jupyter-ში, დეველოპერს აქვს შესაძლებლობა დაწეროს, გამართოს და გადაამოწმოს კონკრეტული AI/ML განვითარების შესრულება (გრაფიკის გამოყენებით), სანამ ის განთავსდება („განლაგდება“) InterSystems IRIS-ში. ნათელია, რომ ამ გზით შექმნილი ახალი განვითარება მიიღებს მხოლოდ ძირითად გამართვას (რადგან, კერძოდ, იუპიტერი არ მუშაობს რეალურ დროში მონაცემთა ნაკადებთან) - ეს არის წესრიგში, რადგან იუპიტერში განვითარების მთავარი შედეგია. არის ცალკეული AI/ML მექანიზმის ფუნდამენტური ფუნქციონირების დადასტურება („გვიჩვენებს მოსალოდნელ შედეგს მონაცემთა ნიმუშზე“). ანალოგიურად, მექანიზმი, რომელიც უკვე განთავსებულია პლატფორმაში (იხ. შემდეგი მაკრო მექანიზმები) Jupyter-ში გამართვამდე, შეიძლება მოითხოვოს „დაბრუნება“ „წინასწარ პლატფორმაზე“ (ფაილიდან მონაცემების კითხვა, მონაცემებით მუშაობა xDBC-ის მეშვეობით ცხრილების ნაცვლად, პირდაპირი ურთიერთქმედება გლობალებთან - მონაცემთა მრავალგანზომილებიანი მასივები InterSystems IRIS – და ა.შ.).

CD-ის დანერგვის მნიშვნელოვანი ასპექტი InterSystems IRIS-ში: ორმხრივი ინტეგრაცია განხორციელდა პლატფორმასა და Jupyter-ს შორის, რაც საშუალებას აძლევს Python-ში, R-სა და Julia-ს კონტენტს გადაიტანოს პლატფორმაზე (და, შემდგომში, დამუშავდეს პლატფორმაზე) (სამივე არის პროგრამირება. ენები შესაბამის წამყვან ღია ენებში). წყაროს მათემატიკური მოდელირების გარემო). ამრიგად, AI/ML კონტენტის დეველოპერებს აქვთ შესაძლებლობა განახორციელონ ამ კონტენტის „უწყვეტი განლაგება“ პლატფორმაზე, იმუშაონ მათ ნაცნობ Jupyter რედაქტორში, ნაცნობ ბიბლიოთეკებთან, რომლებიც ხელმისაწვდომია Python, R, Julia-ში და განახორციელონ ძირითადი გამართვა (საჭიროების შემთხვევაში). პლატფორმის გარეთ.

მოდით გადავიდეთ CI მაკრო მექანიზმზე InterSystems IRIS-ში. დიაგრამა გვიჩვენებს "რეალურ დროში რობოტიზატორის" მაკრო პროცესს (მონაცემთა სტრუქტურების, ბიზნეს პროცესების და კოდის ფრაგმენტების კომპლექსი, რომელიც მათ მიერ მოწყობილია მათემატიკური ენებით და ObjectScript - InterSystems IRIS-ის განვითარების მშობლიურ ენაზე). ამ მაკრო პროცესის ამოცანაა შეინარჩუნოს AI/ML მექანიზმების ფუნქციონირებისთვის საჭირო მონაცემთა რიგები (დაფუძნებული მონაცემთა ნაკადებზე, რომლებიც გადაეცემა პლატფორმას რეალურ დროში), მიიღოს გადაწყვეტილებები განაცხადის თანმიმდევრობისა და AI/ ასორტიმენტის შესახებ. ML მექანიზმები (ისინი ასევე არის „მათემატიკური ალგორითმები“, „მოდელები“ ​​და ა.შ. – შეიძლება განსხვავებულად ეწოდოს განხორციელების სპეციფიკიდან და ტერმინოლოგიური პრეფერენციებიდან გამომდინარე), განაახლებს მონაცემთა სტრუქტურებს ხელოვნური ინტელექტის/ მუშაობის შედეგების გასაანალიზებლად. ML მექანიზმები (კუბები, ცხრილები, მონაცემთა მრავალგანზომილებიანი მასივები და ა.შ.) და ა.შ. – მოხსენებებისთვის, დაფებისთვის და ა.შ.).

InterSystems IRIS-ში CI განხორციელების მნიშვნელოვანი ასპექტი: ორმხრივი ინტეგრაცია განხორციელდა პლატფორმასა და მათემატიკური მოდელირების გარემოს შორის, რაც საშუალებას გაძლევთ შეასრულოთ პლატფორმაში განთავსებული შინაარსი Python-ში, R-ში და Julia-ში მათ შესაბამის გარემოში და მიიღოთ უკან შესრულების შედეგები. ეს ინტეგრაცია განხორციელებულია როგორც „ტერმინალის რეჟიმში“ (ანუ, AI/ML კონტენტი ჩამოყალიბებულია როგორც ObjectScript კოდი, რომელიც რეკავს გარემოში) და „ბიზნეს პროცესის რეჟიმში“ (ანუ AI/ML კონტენტი ჩამოყალიბებულია როგორც ბიზნეს პროცესი. გრაფიკული რედაქტორის გამოყენებით, ან ზოგჯერ Jupyter-ის გამოყენებით, ან IDE-ის გამოყენებით - IRIS Studio, Eclipse, Visual Studio Code). Jupyter-ში რედაქტირებისთვის ბიზნეს პროცესების ხელმისაწვდომობა აისახება IRIS-ს შორის CI დონეზე და Jupyter-ს შორის CD დონეზე. მათემატიკური მოდელირების გარემოსთან ინტეგრაციის უფრო დეტალური მიმოხილვა მოცემულია ქვემოთ. ამ ეტაპზე, ჩვენი აზრით, არსებობს ყველა საფუძველი იმის უზრუნველსაყოფად, რომ პლატფორმას ჰქონდეს ყველა საჭირო ინსტრუმენტი AI/ML-ის განვითარებათა „უწყვეტი ინტეგრაციის“ განსახორციელებლად (მომდინარეობს „უწყვეტი განლაგებიდან“) რეალურ დროში AI/ML გადაწყვეტილებებში.

და მთავარი მაკრო მექანიზმი: CT. ამის გარეშე არ იარსებებს AI/ML პლატფორმა (თუმცა „რეალური დრო“ განხორციელდება CD/CI-ის საშუალებით). CT-ის არსი არის პლატფორმის მუშაობა მანქანათმცოდნეობის და ხელოვნური ინტელექტის „არტეფაქტებთან“ უშუალოდ მათემატიკური მოდელირების გარემოს სამუშაო სესიებში: მოდელები, განაწილების ცხრილები, მატრიცის ვექტორები, ნერვული ქსელების ფენები და ა.შ. ეს "ნამუშევარი", უმეტეს შემთხვევაში, მოიცავს აღნიშნული არტეფაქტების შექმნას გარემოში (მაგალითად, მოდელების შემთხვევაში, "შექმნა" მოიცავს მოდელის სპეციფიკაციის დაყენებას და მისი პარამეტრების მნიშვნელობების შემდგომ შერჩევას - მოდელის ეგრეთ წოდებული „სწავლება“), მათი გამოყენება (მოდელებისთვის: მათი დახმარებით სამიზნე ცვლადების „მოდელური“ მნიშვნელობების გამოთვლა - პროგნოზები, კატეგორიის წევრობა, მოვლენის ალბათობა და ა.შ.) და უკვე გაუმჯობესება. შექმნილი და გამოყენებული არტეფაქტები (მაგალითად, მოდელის შეყვანის ცვლადების ნაკრების ხელახალი განსაზღვრა განაცხადის შედეგებზე დაყრდნობით - პროგნოზირების სიზუსტის გასაუმჯობესებლად, როგორც ვარიანტი). CT-ის როლის გაგებაში მთავარია მისი „აბსტრაქცია“ CD და CI-ის რეალობიდან: CT განახორციელებს ყველა არტეფაქტს, ფოკუსირებული იქნება AI/ML გადაწყვეტის გამოთვლით და მათემატიკურ სპეციფიკაზე, სპეციფიკური გარემოს შესაძლებლობების ფარგლებში. პასუხისმგებლობა „შეყვანის მიწოდებაზე“ და „გამომავალი შედეგების მიწოდებაზე“ იქნება CD და CI-ის პასუხისმგებლობა.

CT–ის დანერგვის მნიშვნელოვანი ასპექტი კონკრეტულად InterSystems IRIS–ში: მათემატიკური მოდელირების გარემოსთან ინტეგრაციის გამოყენებით, რომელიც უკვე აღვნიშნეთ, პლატფორმას აქვს უნარი ამოიღოს სწორედ ეს არტეფაქტები სამუშაო სესიებიდან, რომლებიც მიმდინარეობს მის კონტროლის ქვეშ მათემატიკური გარემოში და (რაც მთავარია) გადახვევა. ისინი პლატფორმის მონაცემთა ობიექტებად. მაგალითად, განაწილების ცხრილი, რომელიც ახლახან შეიქმნა პითონის სამუშაო სესიაზე, შეიძლება (პითონის სესიის შეჩერების გარეშე) გადავიდეს პლატფორმაზე, მაგალითად, გლობალური (მრავალგანზომილებიანი InterSystems IRIS მონაცემთა მასივის) სახით - და გამოყენებული იქნას. სხვა AI/ML- მექანიზმში (განხორციელებული სხვა გარემოს ენაზე - მაგალითად, R-ში) - ან ვირტუალურ ცხრილში გამოთვლებისთვის. კიდევ ერთი მაგალითი: მოდელის მუშაობის „ნორმალური რეჟიმის“ პარალელურად (პითონის სამუშაო სესიაზე), „ავტო-ML“ ხორციელდება მის შეყვანის მონაცემებზე: ოპტიმალური შეყვანის ცვლადების ავტომატური შერჩევა და პარამეტრის მნიშვნელობები. და "რეგულარულ" ტრენინგთან ერთად, პროდუქტიული მოდელი რეალურ დროში ასევე იღებს "წინადადებას ოპტიმიზაციისთვის" მისი სპეციფიკაციის - რომელშიც იცვლება შეყვანის ცვლადების ნაკრები, იცვლება პარამეტრის მნიშვნელობები (აღარ ხდება ტრენინგის შედეგად. პითონში, მაგრამ ვარჯიშის შედეგად საკუთარი თავის „ალტერნატიული“ ვერსიით, როგორიცაა H2O სტეკი), რომელიც საშუალებას აძლევს საერთო AI/ML გადაწყვეტას დამოუკიდებლად გაუმკლავდეს შეყვანის მონაცემებისა და მოდელირებული ფენომენების ბუნებაში მოულოდნელ ცვლილებებს. .

მოდით უფრო დეტალურად გავეცნოთ InterSystems IRIS-ის პლატფორმის AI/ML ფუნქციონალურობას, რეალური პროტოტიპის მაგალითზე.

ქვემოთ მოცემულ დიაგრამაზე, სლაიდის მარცხენა მხარეს არის ბიზნეს პროცესის ნაწილი, რომელიც ახორციელებს სკრიპტების შესრულებას Python-ში და R-ში. ცენტრალურ ნაწილში არის ამ სკრიპტების ზოგიერთი შესრულების ვიზუალური ჟურნალი, შესაბამისად, Python-ში და R.-ში დაუყოვნებლივ მათ უკან მოთავსებულია შინაარსის მაგალითები ამა და მეორე ენაზე, გადატანილი შესასრულებლად შესაბამის გარემოში. ბოლოს მარჯვნივ არის ვიზუალიზაცია, რომელიც ეფუძნება სკრიპტის შესრულების შედეგებს. ზედა ვიზუალიზაცია გაკეთდა IRIS Analytics-ზე (მონაცემები აღებული იყო Python-დან InterSystems IRIS მონაცემთა პლატფორმაზე და ნაჩვენები იყო დაფაზე პლატფორმის გამოყენებით), ბოლოში გაკეთდა პირდაპირ R სამუშაო სესიაზე და იქიდან გამომავალი გრაფიკულ ფაილებში. . მნიშვნელოვანი ასპექტი: პროტოტიპში წარმოდგენილი ფრაგმენტი პასუხისმგებელია მოდელის ტრენინგზე (აღჭურვილობის მდგომარეობების კლასიფიკაცია) აღჭურვილობის სიმულატორის პროცესიდან რეალურ დროში მიღებულ მონაცემებზე, მოდელის გამოყენებისას დაფიქსირებული კლასიფიკაციის ხარისხის მონიტორინგის პროცესის ბრძანებით. განხილული იქნება AI/ML გადაწყვეტის დანერგვა ურთიერთქმედების პროცესების („აგენტები“) სახით.

სურათი 12 ურთიერთქმედება პითონთან, R და ჯულიასთან InterSystems IRIS-ში

პლატფორმის პროცესები (ისინი ასევე არის „ბიზნეს პროცესები“, „ანალიტიკური პროცესები“, „მილსადენები“ და ა.შ. - კონტექსტიდან გამომდინარე), უპირველეს ყოვლისა, რედაქტირდება თავად პლატფორმის გრაფიკულ ბიზნეს პროცესების რედაქტორში და ასეთ შემთხვევაში. ისე, რომ მისი ბლოკ-სქემა და შესაბამისი AI/ML მექანიზმი (პროგრამის კოდი) ერთდროულად იქმნება. როდესაც ჩვენ ვამბობთ, რომ „მიღებულია AI/ML მექანიზმი“, თავდაპირველად ვგულისხმობთ ჰიბრიდობას (ერთი პროცესის ფარგლებში): კონტენტი მათემატიკური მოდელირების გარემოს ენებში არის SQL-ის შინაარსის მიმდებარე (მათ შორის გაფართოებები). ინტეგრირებული ML), InterSystems ObjectScript-ში, სხვა მხარდაჭერილ ენებთან ერთად. უფრო მეტიც, პლატფორმის პროცესი იძლევა ძალიან ფართო შესაძლებლობებს იერარქიულად ჩადგმული ფრაგმენტების სახით „გადატანისთვის“ (როგორც ჩანს ქვემოთ მოცემულ დიაგრამაში მოცემული მაგალითი), რაც საშუალებას გაძლევთ ეფექტურად მოაწყოთ თუნდაც ძალიან რთული შინაარსი „გავარდნის“ გარეშე. გრაფიკული ფორმატის ("არაგრაფიკულ" ფორმატებში) » მეთოდები/კლასები/პროცედურები და ა.შ.). ანუ, საჭიროების შემთხვევაში (და ეს გათვალისწინებულია უმეტეს პროექტებში), აბსოლუტურად მთელი AI/ML გადაწყვეტა შეიძლება განხორციელდეს გრაფიკული თვითდოკუმენტირების ფორმატში. გთხოვთ გაითვალისწინოთ, რომ ქვემოთ მოცემული დიაგრამის ცენტრალურ ნაწილში, რომელიც წარმოადგენს უფრო მაღალ „ბუდეების დონეს“, ნათლად ჩანს, რომ მოდელის მომზადების რეალური სამუშაოს გარდა (პითონის და R-ის გამოყენებით), ანალიზი ე.წ. დამატებულია გაწვრთნილი მოდელის ROC მრუდი, რომელიც საშუალებას იძლევა ვიზუალურად (და გამოთვლებითაც) შეაფასოს ტრენინგის ხარისხი - და ეს ანალიზი განხორციელებულია ჯულიას ენაზე (შესრულებულია, შესაბამისად, ჯულიას მათემატიკურ გარემოში).

სურათი 13 ვიზუალური გარემო AI/ML გადაწყვეტილებების შემადგენლობისთვის InterSystems IRIS-ში

როგორც უკვე აღვნიშნეთ, პლატფორმაში უკვე დანერგილი AI/ML მექანიზმების საწყისი განვითარება და (ზოგიერთ შემთხვევაში) ადაპტაცია მოხდება/შეიძლება განხორციელდეს პლატფორმის გარეთ Jupyter-ის რედაქტორში. ქვემოთ მოცემულ დიაგრამაში ჩვენ ვხედავთ არსებული პლატფორმის პროცესის ადაპტაციის მაგალითს (იგივე როგორც ზემოთ მოცემულ დიაგრამაში) - ასე გამოიყურება ფრაგმენტი, რომელიც პასუხისმგებელია მოდელის მომზადებაზე იუპიტერში. პითონის კონტენტი ხელმისაწვდომია რედაქტირებისთვის, გამართვისთვის და გრაფიკული გამოსასვლელად პირდაპირ Jupyter-ში. ცვლილებები (საჭიროების შემთხვევაში) შეიძლება განხორციელდეს პლატფორმის პროცესში მყისიერი სინქრონიზაციის გზით, მისი პროდუქტიული ვერსიის ჩათვლით. ახალი შინაარსის პლატფორმაზე გადატანა შესაძლებელია ანალოგიურად (ახალი პლატფორმის პროცესი ავტომატურად გენერირებულია).

სურათი 14 Jupyter Notebook-ის გამოყენებით AI/ML ძრავის რედაქტირებისთვის InterSystems IRIS პლატფორმაზე

პლატფორმის პროცესის ადაპტაცია შეიძლება განხორციელდეს არა მხოლოდ გრაფიკული ან ლეპტოპის ფორმატში - არამედ "ტოტალური" IDE (ინტეგრირებული განვითარების გარემო) ფორმატში. ეს IDE არის IRIS Studio (მშობლიური IRIS სტუდია), Visual Studio Code (InterSystems IRIS გაფართოება VSCode-სთვის) და Eclipse (Atelier მოდული). ზოგიერთ შემთხვევაში, შესაძლებელია დეველოპერულმა გუნდმა გამოიყენოს სამივე IDE ერთდროულად. ქვემოთ მოცემულ დიაგრამაზე ნაჩვენებია იგივე პროცესის რედაქტირების მაგალითი IRIS studio-ში, Visual Studio Code-ში და Eclipse-ში. აბსოლუტურად ყველა კონტენტი ხელმისაწვდომია რედაქტირებისთვის: Python/R/Julia/SQL, ObjectScript და ბიზნეს პროცესი.

დიაგრამა 15 InterSystems IRIS ბიზნეს პროცესის განვითარება სხვადასხვა IDE-ებში

განსაკუთრებული აღნიშვნის ღირსია InterSystems IRIS ბიზნეს პროცესების აღწერისა და შესრულების ინსტრუმენტები ბიზნეს პროცესის ენაზე (BPL). BPL შესაძლებელს ხდის "მზა ინტეგრაციის კომპონენტების" (აქტივობების) გამოყენებას ბიზნეს პროცესებში - რაც, ფაქტობრივად, ყველა საფუძველს იძლევა იმის თქმა, რომ "უწყვეტი ინტეგრაცია" დანერგილია InterSystems IRIS-ში. მზა ბიზნეს პროცესის კომპონენტები (აქტივობები და მათ შორის კავშირები) არის ძლიერი ამაჩქარებელი AI/ML გადაწყვეტის აწყობისთვის. და არა მხოლოდ შეკრებები: მათ შორის აქტივობებისა და კავშირების წყალობით AI/ML განსხვავებულ განვითარებასა და მექანიზმებთან დაკავშირებით, წარმოიქმნება „ავტონომიური მართვის ფენა“, რომელსაც შეუძლია გადაწყვეტილებების მიღება სიტუაციის მიხედვით, რეალურ დროში.

სურათი 16 მზა ბიზნეს პროცესის კომპონენტები უწყვეტი ინტეგრაციისთვის (CI) InterSystems IRIS პლატფორმაზე

აგენტური სისტემების კონცეფციას (ასევე ცნობილია როგორც "მრავალაგენტური სისტემები") აქვს ძლიერი პოზიცია რობოტიზაციაში და InterSystems IRIS პლატფორმა ორგანულად მხარს უჭერს მას "პროდუქტი-პროცესის" კონსტრუქციის მეშვეობით. გარდა თითოეული პროცესის „ჩაყრის“ შეუზღუდავი შესაძლებლობებისა მთლიანი გადაწყვეტისთვის აუცილებელი ფუნქციონირებით, პლატფორმის პროცესების სისტემის მინიჭება „აგენტის“ თვისებით საშუალებას გაძლევთ შექმნათ ეფექტური გადაწყვეტილებები უკიდურესად არასტაბილური იმიტირებული ფენომენებისთვის (ქცევა სოციალური/ ბიოსისტემები, ნაწილობრივ დაკვირვებადი ტექნოლოგიური პროცესები და ა.შ.).

სურათი 16 AI/ML გადაწყვეტის მოქმედება, როგორც აგენტზე დაფუძნებული ბიზნეს პროცესის სისტემა InterSystems IRIS-ში

ჩვენ ვაგრძელებთ InterSystems IRIS-ის მიმოხილვას ისტორიით პლატფორმის გამოყენებითი გამოყენების შესახებ რეალურ დროში პრობლემების მთელი კლასის გადასაჭრელად (საკმაოდ დეტალური შესავალი AI/ML პლატფორმის რამდენიმე საუკეთესო პრაქტიკის შესახებ InterSystems IRIS-ზე შეგიძლიათ იხილოთ ერთში. ჩვენი წინა ვებინარები).

წინა დიაგრამის ქუსლებზე ცხელი, ქვემოთ მოცემულია აგენტური სისტემის უფრო დეტალური დიაგრამა. დიაგრამაზე ნაჩვენებია ერთი და იგივე პროტოტიპი, ოთხივე აგენტური პროცესი ჩანს, მათ შორის ურთიერთობები სქემატურად არის დახატული: GENERATOR - ამუშავებს მონაცემთა შექმნას აღჭურვილობის სენსორებით, BUFFER - მართავს მონაცემთა რიგებს, ANALYZER - ასრულებს მანქანათმცოდნეობას, MONITOR - აკონტროლებს მანქანათმცოდნეობის ხარისხი და წარუდგენს სიგნალს მოდელის გადამზადების აუცილებლობის შესახებ.

სურათი 17 AI/ML გადაწყვეტის შემადგენლობა აგენტზე დაფუძნებული ბიზნეს პროცესის სისტემის სახით InterSystems IRIS-ში

ქვემოთ მოცემული დიაგრამა ასახავს სხვა რობოტული პროტოტიპის ავტონომიურ ფუნქციონირებას (ტექსტების ემოციური შეღებვის ამოცნობა) გარკვეული დროის განმავლობაში. ზედა ნაწილში არის მოდელის ტრენინგის ხარისხის ინდიკატორის ევოლუცია (ხარისხი იზრდება), ქვედა ნაწილში არის მოდელის გამოყენების ხარისხის ინდიკატორის დინამიკა და განმეორებითი ვარჯიშის ფაქტები (წითელი ზოლები). როგორც ხედავთ, გამოსავალმა ისწავლა თავად ეფექტურად და ავტონომიურად და მოქმედებს მოცემულ ხარისხის დონეზე (ხარისხის ქულის მნიშვნელობები არ ჩამოდის 80%-ზე ქვემოთ).

სურათი 18 უწყვეტი (თვით) სწავლება (CT) InterSystems IRIS პლატფორმაზე

ჩვენ ასევე აღვნიშნეთ "auto-ML" ადრე, მაგრამ ქვემოთ მოცემული დიაგრამა გვიჩვენებს ამ ფუნქციის გამოყენებას დეტალურად სხვა პროტოტიპის მაგალითის გამოყენებით. ბიზნეს პროცესის ფრაგმენტის გრაფიკული დიაგრამა გვიჩვენებს აქტივობას, რომელიც იწვევს მოდელირებას H2O სტეკში, აჩვენებს ამ მოდელირების შედეგებს (შედეგი მოდელის აშკარა დომინირება „ადამიანის შექმნილ“ მოდელებზე, შედარებითი დიაგრამის მიხედვით. ROC მრუდები, ასევე „ყველაზე გავლენიანი ცვლადების“ ავტომატური იდენტიფიკაცია, რომლებიც ხელმისაწვდომია ორიგინალურ მონაცემთა ნაკრებში). აქ მნიშვნელოვანი პუნქტია დროისა და საექსპერტო რესურსების დაზოგვა, რომელიც მიიღწევა „ავტო-ML“-ის საშუალებით: რასაც ჩვენი პლატფორმის პროცესი ნახევარ წუთში აკეთებს (ოპტიმალური მოდელის პოვნა და სწავლება) შეიძლება ექსპერტს ერთი კვირიდან ერთ თვემდე დასჭირდეს.

სურათი 19 „auto-ML“-ის ინტეგრაცია AI/ML გადაწყვეტაში InterSystems IRIS პლატფორმაზე

ქვემოთ მოყვანილი დიაგრამა ოდნავ ცდება აზრს, მაგრამ ეს კარგი გზაა ისტორიის დასასრულებლად რეალურ დროში მოგვარებული პრობლემების კლასების შესახებ: შეგახსენებთ, რომ InterSystems IRIS პლატფორმის ყველა შესაძლებლობით, მისი კონტროლის ქვეშ მყოფი სასწავლო მოდელებია. არ არის სავალდებულო. პლატფორმას შეუძლია გარედან მიიღოს მოდელის ეგრეთ წოდებული PMML სპეციფიკაცია, გაწვრთნილი ინსტრუმენტზე, რომელიც არ არის პლატფორმის კონტროლის ქვეშ - და გამოიყენოს ეს მოდელი რეალურ დროში მისი იმპორტის მომენტიდან. PMML სპეციფიკაციები. მნიშვნელოვანია გავითვალისწინოთ, რომ ყველა AI/ML არტეფაქტი არ შეიძლება შემცირდეს PMML სპეციფიკაციამდე, მაშინაც კი, თუ ყველაზე გავრცელებული არტეფაქტების უმეტესობა ამის საშუალებას იძლევა. ამრიგად, InterSystems IRIS პლატფორმა არის „ღია მარყუჟი“ და არ ნიშნავს „პლატფორმის მონობას“ მომხმარებლებისთვის.

სურათი 20 „auto-ML“-ის ინტეგრაცია AI/ML გადაწყვეტაში InterSystems IRIS პლატფორმაზე

მოდით ჩამოვთვალოთ InterSystems IRIS-ის დამატებითი პლატფორმის უპირატესობები (სიცხადისთვის, პროცესის კონტროლთან დაკავშირებით), რომლებსაც დიდი მნიშვნელობა აქვს ხელოვნური ინტელექტის ავტომატიზაციასა და რეალურ დროში მანქანათმცოდნეობაში:

• შემუშავებული ინტეგრაციის ინსტრუმენტები მონაცემთა ნებისმიერ წყაროსთან და მომხმარებელთან (პროცესის კონტროლის სისტემა/SCADA, აღჭურვილობა, MRO, ERP და ა.შ.)
• ჩამონტაჟებული მრავალ მოდელის DBMS ნებისმიერი მოცულობის ტექნოლოგიური პროცესის მონაცემების მაღალი ხარისხის ტრანზაქცია და ანალიტიკური დამუშავებისთვის (ჰიბრიდული ტრანზაქცია/ანალიტიკური დამუშავება, HTAP)
• განვითარების ინსტრუმენტები AI/ML ძრავების უწყვეტი განლაგებისთვის რეალურ დროში Python, R, Julia-ზე დაფუძნებული გადაწყვეტილებებისთვის
• ადაპტირებული ბიზნეს პროცესები რეალურ დროში AI/ML გადაწყვეტის ძრავების უწყვეტი ინტეგრაციისა და (თვით) სწავლისთვის
• ჩაშენებული ბიზნეს დაზვერვის ინსტრუმენტები პროცესის მონაცემებისა და AI/ML გადაწყვეტის შედეგების ვიზუალიზაციისთვის
• API მენეჯმენტი AI/ML გადაწყვეტის შედეგების მიწოდებისთვის პროცესების კონტროლის სისტემებზე/SCADA, საინფორმაციო და ანალიტიკური სისტემებისთვის, სიგნალების გაგზავნისთვის და ა.შ.

AI/ML გადაწყვეტილებები InterSystems IRIS პლატფორმაზე ადვილად ჯდება არსებულ IT ინფრასტრუქტურაში. InterSystems IRIS პლატფორმა უზრუნველყოფს AI/ML გადაწყვეტილებების მაღალ საიმედოობას შეცდომებისადმი და კატასტროფებისადმი ტოლერანტული კონფიგურაციების მხარდაჭერით და მოქნილი განლაგებით ვირტუალურ გარემოში, ფიზიკურ სერვერებზე, კერძო და საჯარო ღრუბლებში და Docker კონტეინერებში.

ამრიგად, InterSystems IRIS არის უნივერსალური რეალურ დროში AI/ML გამოთვლითი პლატფორმა. ჩვენი პლატფორმის უნივერსალურობა პრაქტიკაში დასტურდება განხორციელებული გამოთვლების სირთულის დე ფაქტო შეზღუდვების არარსებობით, InterSystems IRIS-ის უნარით დააკავშიროს (რეალურ დროში) სცენარის დამუშავება სხვადასხვა ინდუსტრიებიდან და განსაკუთრებული ადაპტირება. ნებისმიერი პლატფორმის ფუნქციები და მექანიზმები მომხმარებელთა კონკრეტულ საჭიროებებზე.

სურათი 21 InterSystems IRIS - უნივერსალური რეალურ დროში AI/ML გამოთვლითი პლატფორმა

უფრო არსებითი ინტერაქციისთვის ჩვენს მკითხველებთან, რომლებიც დაინტერესებულნი არიან აქ წარმოდგენილი მასალებით, გირჩევთ არ შემოიფარგლოთ მისი წაკითხვით და განაგრძოთ დიალოგი „ლაივ რეჟიმში“. მოხარული ვიქნებით დაგეხმაროთ რეალურ დროში AI/ML სცენარების ფორმულირებაში თქვენი კომპანიის სპეციფიკასთან დაკავშირებით, შევასრულოთ ერთობლივი პროტოტიპირება InterSystems IRIS პლატფორმაზე, ჩამოვაყალიბოთ და პრაქტიკაში განვახორციელოთ საგზაო რუკა ხელოვნური ინტელექტისა და მანქანური სწავლების დანერგვისთვის. თქვენი წარმოებისა და მართვის პროცესებში. ჩვენი AI/ML ექსპერტთა გუნდი საკონტაქტო ელფოსტა – [ელ.ფოსტით დაცულია].

წყარო: www.habr.com