InterSystems IRIS - វេទិកា AI/ML ពេលវេលាពិតសកល

អ្នកនិពន្ធ៖ Sergey Lukyanchikov វិស្វករប្រឹក្សានៅ InterSystems

ការហៅតាមកុំព្យូទ័រ AI/ML តាមពេលវេលាជាក់ស្តែង

ចូរចាប់ផ្តើមជាមួយនឹងឧទាហរណ៍ពីបទពិសោធន៍នៃការអនុវត្តវិទ្យាសាស្ត្រទិន្នន័យនៅ InterSystems៖

• វិបផតថលអ្នកទិញដែលបានផ្ទុកត្រូវបានភ្ជាប់ទៅប្រព័ន្ធណែនាំតាមអ៊ីនធឺណិត។ វានឹងមានការរៀបចំរចនាសម្ព័ន្ធនៃការផ្សព្វផ្សាយឡើងវិញនៅទូទាំងបណ្តាញលក់រាយ (ឧទាហរណ៍ ជំនួសឱ្យបន្ទាត់ "រាបស្មើ" នៃការផ្សព្វផ្សាយ ម៉ាទ្រីស "ផ្នែក - យុទ្ធសាស្ត្រ" នឹងត្រូវបានប្រើឥឡូវនេះ) ។ តើមានអ្វីកើតឡើងចំពោះម៉ាស៊ីនណែនាំ? តើមានអ្វីកើតឡើងចំពោះការដាក់បញ្ជូន និងការធ្វើបច្ចុប្បន្នភាពទិន្នន័យទៅកាន់ម៉ាស៊ីនណែនាំ (បរិមាណនៃទិន្នន័យបញ្ចូលបានកើនឡើង 25000 ដង)? តើមានអ្វីកើតឡើងចំពោះការអភិវឌ្ឍន៍នៃអនុសាសន៍ (តម្រូវការកាត់បន្ថយកម្រិតនៃការច្រោះនៃច្បាប់អនុសាសន៍មួយពាន់ដង ដោយសារការកើនឡើងរាប់ពាន់ដងនៃចំនួន និង "ជួរ" របស់ពួកគេ)?
• មានប្រព័ន្ធសម្រាប់ត្រួតពិនិត្យលទ្ធភាពនៃពិការភាពដែលកំពុងអភិវឌ្ឍនៅក្នុងសមាសធាតុឧបករណ៍។ ប្រព័ន្ធគ្រប់គ្រងដំណើរការដោយស្វ័យប្រវត្តិត្រូវបានភ្ជាប់ទៅនឹងប្រព័ន្ធត្រួតពិនិត្យ ដោយបញ្ជូនប៉ារ៉ាម៉ែត្រដំណើរការបច្ចេកវិជ្ជារាប់ពាន់រៀងរាល់វិនាទី។ តើមានអ្វីកើតឡើងចំពោះប្រព័ន្ធត្រួតពិនិត្យដែលពីមុនបានធ្វើការលើ "គំរូដោយដៃ" (តើវាមានសមត្ថភាពផ្តល់ការត្រួតពិនិត្យប្រូបាប៊ីលីតេទីពីរដោយវិនាទី)? តើនឹងមានអ្វីកើតឡើងប្រសិនបើប្លុកថ្មីនៃជួរឈររាប់រយលេចឡើងនៅក្នុងទិន្នន័យបញ្ចូលជាមួយនឹងការអានពីឧបករណ៍ចាប់សញ្ញាដែលបានបន្ថែមថ្មីៗនេះទៅក្នុងប្រព័ន្ធគ្រប់គ្រងដំណើរការ (តើវាចាំបាច់ទេ និងរយៈពេលប៉ុន្មានដើម្បីបញ្ឈប់ប្រព័ន្ធត្រួតពិនិត្យដើម្បីបញ្ចូលទិន្នន័យពីឧបករណ៍ចាប់សញ្ញាថ្មីនៅក្នុងការវិភាគ )?
• សំណុំនៃយន្តការ AI/ML (អនុសាសន៍ ការត្រួតពិនិត្យ ការព្យាករណ៍) ត្រូវបានបង្កើតឡើងដែលប្រើប្រាស់លទ្ធផលនៃការងាររបស់គ្នាទៅវិញទៅមក។ តើត្រូវការមនុស្សម៉ោងប៉ុន្មានក្នុងមួយខែ ដើម្បីសម្របប្រតិបត្តិការនៃស្មុគស្មាញនេះទៅនឹងការផ្លាស់ប្តូរទិន្នន័យបញ្ចូល? តើអ្វីជា "ការយឺតយ៉ាវ" ជាទូទៅនៅពេលដែលគាំទ្រដោយភាពស្មុគស្មាញនៃការសម្រេចចិត្តរបស់អ្នកគ្រប់គ្រង (ភាពញឹកញាប់នៃការកើតឡើងនៃព័ត៌មានជំនួយថ្មីនៅក្នុងវាទាក់ទងទៅនឹងភាពញឹកញាប់នៃការកើតឡើងនៃទិន្នន័យបញ្ចូលថ្មី)?

ដោយសង្ខេបអំពីឧទាហរណ៍ទាំងនេះ និងឧទាហរណ៍ជាច្រើនទៀត យើងបានឈានទៅដល់ការបង្កើតបញ្ហាប្រឈមដែលកើតឡើងនៅពេលផ្លាស់ប្តូរទៅរកការប្រើប្រាស់ម៉ាស៊ីនរៀន និងយន្តការបញ្ញាសិប្បនិម្មិតក្នុងពេលវេលាជាក់ស្តែង៖

• តើយើងពេញចិត្តនឹងល្បឿននៃការបង្កើត និងការសម្របខ្លួន (ទៅនឹងស្ថានភាពផ្លាស់ប្តូរ) នៃការអភិវឌ្ឍន៍ AI/ML នៅក្នុងក្រុមហ៊ុនរបស់យើងទេ?
• តើដំណោះស្រាយ AI/ML ដែលយើងប្រើគាំទ្រការគ្រប់គ្រងអាជីវកម្មក្នុងពេលជាក់ស្តែងប៉ុន្មាន?
• តើដំណោះស្រាយ AI/ML ដែលយើងប្រើអាចឯករាជ្យ (ដោយគ្មានអ្នកអភិវឌ្ឍន៍) សម្របខ្លួនទៅនឹងការផ្លាស់ប្តូរទិន្នន័យ និងការអនុវត្តការគ្រប់គ្រងអាជីវកម្មទេ?

អត្ថបទរបស់យើងគឺជាទិដ្ឋភាពទូទៅនៃសមត្ថភាពនៃវេទិកា InterSystems IRIS ក្នុងលក្ខខណ្ឌនៃការគាំទ្រជាសកលសម្រាប់ការដាក់ពង្រាយយន្តការ AI/ML ការជួបប្រជុំគ្នា (ការរួមបញ្ចូល) នៃដំណោះស្រាយ AI/ML និងការបណ្តុះបណ្តាល (ការធ្វើតេស្ត) នៃដំណោះស្រាយ AI/ML លើការពឹងផ្អែកខ្លាំង។ ស្ទ្រីមទិន្នន័យ។ យើងនឹងពិនិត្យមើលការស្រាវជ្រាវទីផ្សារ ករណីសិក្សានៃដំណោះស្រាយ AI/ML និងទិដ្ឋភាពគំនិតនៃអ្វីដែលយើងហៅថាវេទិកា AI/ML ពេលវេលាជាក់ស្តែងនៅក្នុងអត្ថបទនេះ។

អ្វីដែលយើងដឹងពីការស្ទង់មតិ៖ កម្មវិធីតាមពេលវេលាជាក់ស្តែង

Результаты ការស្ទង់មតិធ្វើឡើងក្នុងចំណោមអ្នកជំនាញ IT ជិត 800 នាក់ក្នុងឆ្នាំ 2019 ដោយ Lightbend និយាយដោយខ្លួនឯង៖

រូបភាពទី 1 អ្នកប្រើប្រាស់នាំមុខគេនៃទិន្នន័យពេលវេលាជាក់ស្តែង

ចូរយើងដកស្រង់ផ្នែកសំខាន់ៗនៃរបាយការណ៍ស្តីពីលទ្ធផលនៃការស្ទង់មតិនេះនៅក្នុងការបកប្រែរបស់យើង៖

“... និន្នាការនៃប្រជាប្រិយភាពនៃឧបករណ៍សម្រាប់ការរួមបញ្ចូលស្ទ្រីមទិន្នន័យ ហើយទន្ទឹមនឹងនោះ ការគាំទ្រកុំព្យូទ័រក្នុងធុងផ្ទុកផ្តល់នូវការឆ្លើយតបរួមទៅនឹងសំណើរបស់ទីផ្សារសម្រាប់សំណើដែលឆ្លើយតប សនិទាន និងថាមវន្តនៃដំណោះស្រាយប្រកបដោយប្រសិទ្ធភាព។ ទិន្នន័យស្ទ្រីមផ្ទេរព័ត៌មានលឿនជាងទិន្នន័យកញ្ចប់ព័ត៌មានប្រពៃណី។ បន្ថែមទៅនេះគឺជាសមត្ថភាពក្នុងការអនុវត្តវិធីសាស្រ្តគណនាបានយ៉ាងឆាប់រហ័ស ដូចជាឧទាហរណ៍ ការណែនាំផ្អែកលើ AI/ML បង្កើតគុណសម្បត្តិប្រកួតប្រជែងតាមរយៈការបង្កើនការពេញចិត្តរបស់អតិថិជន។ ការប្រណាំងសម្រាប់ភាពរហ័សរហួនក៏ជះឥទ្ធិពលលើតួនាទីទាំងអស់នៅក្នុងគំរូ DevOps ផងដែរ ដែលធ្វើឱ្យការអភិវឌ្ឍន៍កម្មវិធី និងការដាក់ឱ្យដំណើរការកាន់តែមានប្រសិទ្ធភាព។ … អ្នកជំនាញផ្នែកព័ត៌មានវិទ្យាចំនួនប្រាំបីរយបួននាក់បានផ្តល់ព័ត៌មានស្តីពីការប្រើប្រាស់លំហូរទិន្នន័យនៅក្នុងអង្គភាពរបស់ពួកគេ។ អ្នកឆ្លើយតបភាគច្រើនមានទីតាំងនៅប្រទេសលោកខាងលិច (41% នៅអឺរ៉ុប និង 37% នៅអាមេរិកខាងជើង) ហើយត្រូវបានចែកចាយស្ទើរតែស្មើៗគ្នារវាងក្រុមហ៊ុនតូច មធ្យម និងធំ។ ...

... បញ្ញាសិប្បនិមិត្តមិនមែនជាការឃោសនាបំផ្លើសទេ។ ហាសិបប្រាំបីភាគរយនៃអ្នកដែលកំពុងប្រើប្រាស់ដំណើរការស្ទ្រីមទិន្នន័យរួចហើយនៅក្នុងកម្មវិធី AI/ML ដែលផលិតភាពបញ្ជាក់ថាការប្រើប្រាស់ AI/ML របស់ពួកគេនឹងឃើញមានកំណើនខ្លាំងបំផុតនៅឆ្នាំក្រោយ (បើប្រៀបធៀបទៅនឹងកម្មវិធីផ្សេងទៀត)។

• យោងតាមអ្នកឆ្លើយសំណួរភាគច្រើន ការប្រើប្រាស់ស្ទ្រីមទិន្នន័យនៅក្នុងសេណារីយ៉ូ AI/ML នឹងឃើញមានកំណើនខ្លាំងបំផុតនៅឆ្នាំក្រោយ។
• កម្មវិធីនៅក្នុង AI/ML នឹងរីកចម្រើនមិនត្រឹមតែដោយសារតែប្រភេទសេណារីយ៉ូថ្មីៗប៉ុណ្ណោះទេ ប៉ុន្តែក៏ដោយសារតែសេណារីយ៉ូប្រពៃណីដែលទិន្នន័យពេលវេលាពិតត្រូវបានប្រើប្រាស់កាន់តែខ្លាំងឡើង។
• បន្ថែមពីលើ AI/ML កម្រិតនៃភាពសាទរក្នុងចំណោមអ្នកប្រើប្រាស់នៃបំពង់បង្ហូរទិន្នន័យ IoT គឺគួរអោយចាប់អារម្មណ៍ - 48% នៃអ្នកដែលបានបញ្ចូលទិន្នន័យ IoT រួចហើយនិយាយថា ការអនុវត្តសេណារីយ៉ូលើទិន្នន័យនេះនឹងកើនឡើងគួរឱ្យកត់សម្គាល់នាពេលអនាគតដ៏ខ្លីខាងមុខនេះ។ ... "

ពីការស្ទង់មតិដ៏គួរឱ្យចាប់អារម្មណ៍នេះ វាច្បាស់ណាស់ថាការយល់ឃើញនៃការរៀនម៉ាស៊ីន និងសេណារីយ៉ូបញ្ញាសិប្បនិមិត្ត ក្នុងនាមជាអ្នកដឹកនាំក្នុងការប្រើប្រាស់ស្ទ្រីមទិន្នន័យគឺ "នៅលើផ្លូវ" រួចហើយ។ ប៉ុន្តែការសង្កេតដ៏សំខាន់ដូចគ្នាគឺការយល់ឃើញនៃ AI/ML ក្នុងពេលជាក់ស្តែងតាមរយៈកញ្ចក់របស់ DevOps៖ នៅទីនេះយើងអាចចាប់ផ្តើមនិយាយរួចហើយអំពីការផ្លាស់ប្តូរនៃវប្បធម៌លេចធ្លោនៃ "AI/ML ដែលអាចប្រើប្រាស់បានជាមួយនឹងសំណុំទិន្នន័យដែលអាចចូលដំណើរការបានពេញលេញ" ។

គំនិតវេទិកា AI/ML ពេលវេលាពិត

តំបន់កម្មវិធីធម្មតាមួយសម្រាប់ AI/ML ពេលវេលាពិតគឺការគ្រប់គ្រងដំណើរការនៅក្នុងការផលិត។ ដោយប្រើគំរូរបស់នាង និងគិតគូរពីគំនិតពីមុន យើងនឹងបង្កើតគំនិតនៃវេទិកា AI/ML ក្នុងពេលជាក់ស្តែង។
ការប្រើប្រាស់បញ្ញាសិប្បនិមិត្ត និងការរៀនម៉ាស៊ីនក្នុងការគ្រប់គ្រងដំណើរការមានលក្ខណៈពិសេសមួយចំនួន៖

• ទិន្នន័យស្តីពីស្ថានភាពនៃដំណើរការបច្ចេកវិជ្ជាត្រូវបានទទួលយ៉ាងយកចិត្តទុកដាក់៖ ជាមួយនឹងប្រេកង់ខ្ពស់ និងសម្រាប់ជួរដ៏ធំទូលាយនៃប៉ារ៉ាម៉ែត្រ (រហូតដល់រាប់ម៉ឺនតម្លៃប៉ារ៉ាម៉ែត្របញ្ជូនក្នុងមួយវិនាទីពីប្រព័ន្ធគ្រប់គ្រងដំណើរការ)
• ទិន្នន័យស្តីពីការកំណត់អត្តសញ្ញាណនៃពិការភាព មិនមែននិយាយអំពីទិន្នន័យអំពីការអភិវឌ្ឍន៍របស់ពួកគេ ផ្ទុយទៅវិញគឺខ្វះខាត និងមិនទៀងទាត់ ដែលកំណត់លក្ខណៈដោយការវាយអក្សរមិនគ្រប់គ្រាន់នៃពិការភាព និងការធ្វើមូលដ្ឋានីយកម្មរបស់វាទាន់ពេលវេលា (ជារឿយៗត្រូវបានតំណាងដោយកំណត់ត្រាក្រដាស)
• តាមទស្សនៈជាក់ស្តែង មានតែ "បង្អួចនៃភាពពាក់ព័ន្ធ" នៃទិន្នន័យប្រភពប៉ុណ្ណោះដែលអាចរកបានសម្រាប់ការបណ្តុះបណ្តាល និងការអនុវត្តគំរូ ដែលឆ្លុះបញ្ចាំងពីសក្ដានុពលនៃដំណើរការបច្ចេកវិជ្ជាលើចន្លោះពេលរំកិលសមហេតុផលដែលបញ្ចប់ដោយតម្លៃអានចុងក្រោយនៃប៉ារ៉ាម៉ែត្រដំណើរការ។

លក្ខណៈពិសេសទាំងនេះបង្ខំយើង បន្ថែមពីលើការទទួល និងដំណើរការជាមូលដ្ឋានក្នុងពេលវេលាជាក់ស្តែងនៃ "សញ្ញាបញ្ចូលអ៊ីនធឺណិត" ដែលពឹងផ្អែកខ្លាំងពីដំណើរការបច្ចេកវិជ្ជា ដើម្បីអនុវត្ត (ស្របគ្នា) កម្មវិធី ការបណ្តុះបណ្តាល និងការត្រួតពិនិត្យគុណភាពនៃលទ្ធផលនៃ AI / ម៉ូដែល ML - ផងដែរនៅក្នុងពេលវេលាពិត។ "ស៊ុម" ដែលម៉ូដែលរបស់យើង "មើលឃើញ" នៅក្នុងបង្អួចរអិលនៃភាពពាក់ព័ន្ធកំពុងផ្លាស់ប្តូរឥតឈប់ឈរ - ហើយជាមួយនឹងវា គុណភាពនៃលទ្ធផលនៃការងាររបស់ម៉ូដែល AI/ML ដែលបានបណ្តុះបណ្តាលលើ "ស៊ុម" មួយកាលពីអតីតកាលក៏ផ្លាស់ប្តូរផងដែរ។ . ប្រសិនបើគុណភាពនៃលទ្ធផលនៃការងាររបស់ម៉ូដែល AI/ML កាន់តែយ៉ាប់យ៉ឺន (ឧទាហរណ៍៖ តម្លៃនៃកំហុសក្នុងការចាត់ថ្នាក់ "ការជូនដំណឹង-បទដ្ឋាន" បានហួសពីដែនកំណត់ដែលយើងបានកំណត់) ការបណ្តុះបណ្តាលបន្ថែមនៃម៉ូដែលគួរតែត្រូវបានចាប់ផ្តើមដោយស្វ័យប្រវត្តិនៅលើ "ស៊ុម" នាពេលបច្ចុប្បន្នបន្ថែមទៀត - និងជម្រើសនៃពេលវេលាដើម្បីចាប់ផ្តើមការបណ្តុះបណ្តាលបន្ថែមនៃម៉ូដែលគួរតែគិតគូរពីរបៀបដែលរយៈពេលនៃការបណ្តុះបណ្តាលខ្លួនឯងនិងថាមវន្តនៃការខ្សោះជីវជាតិនៃគុណភាពការងារនៃកំណែបច្ចុប្បន្ននៃម៉ូដែល (ចាប់តាំងពី កំណែបច្ចុប្បន្ននៃម៉ូដែលបន្តត្រូវបានប្រើប្រាស់ខណៈពេលដែលម៉ូដែលត្រូវបានបណ្តុះបណ្តាល និងរហូតដល់កំណែ "ដែលបានបណ្តុះបណ្តាលថ្មី" របស់ពួកគេត្រូវបានបង្កើតឡើង)។

InterSystems IRIS មានសមត្ថភាពវេទិកាសំខាន់ៗ ដើម្បីបើកដំណើរការដំណោះស្រាយ AI/ML សម្រាប់ការគ្រប់គ្រងដំណើរការក្នុងពេលវេលាជាក់ស្តែង។ សមត្ថភាពទាំងនេះអាចចែកចេញជាបីក្រុមធំៗ៖

• ការដាក់ពង្រាយជាបន្ត (ការដាក់ពង្រាយ/ការចែកចាយបន្ត ស៊ីឌី) នៃយន្តការ AI/ML ដែលមានស្រាប់ថ្មី ឬកែសម្រួលទៅជាដំណោះស្រាយប្រកបដោយផលិតភាពដែលដំណើរការក្នុងពេលវេលាជាក់ស្តែងនៅលើវេទិកា InterSystems IRIS
• សមាហរណកម្មបន្ត (CI) ទៅក្នុងដំណោះស្រាយផលិតភាពតែមួយនៃស្ទ្រីមទិន្នន័យដំណើរការបច្ចេកវិជ្ជាដែលចូលមក ជួរទិន្នន័យសម្រាប់កម្មវិធី/ការបណ្តុះបណ្តាល/ការត្រួតពិនិត្យគុណភាពនៃយន្តការ AI/ML និងការផ្លាស់ប្តូរទិន្នន័យ/កូដ/សកម្មភាពត្រួតពិនិត្យជាមួយនឹងបរិយាកាសគំរូគណិតវិទ្យា ដែលត្រូវបានរៀបចំតាមពេលវេលាជាក់ស្តែង។ វេទិកា InterSystems IRIS
• ការបណ្តុះបណ្តាលជាបន្តបន្ទាប់ (ការបណ្តុះបណ្តាលដោយខ្លួនឯង) (ការបណ្តុះបណ្តាលជាបន្តបន្ទាប់ CT) នៃយន្តការ AI/ML ដែលអនុវត្តនៅក្នុងបរិយាកាសគំរូគណិតវិទ្យាដោយប្រើទិន្នន័យ កូដ និងសកម្មភាពត្រួតពិនិត្យ (“ការសម្រេចចិត្តដែលបានធ្វើឡើង”) បញ្ជូនដោយវេទិកា InterSystems IRIS

ការចាត់ថ្នាក់នៃសមត្ថភាពវេទិកាទាក់ទងនឹងការរៀនម៉ាស៊ីន និងបញ្ញាសិប្បនិមិត្តទៅក្នុងក្រុមទាំងនេះគឺមិនចៃដន្យទេ។ ចូរយើងដកស្រង់វិធីសាស្រ្ត ការបោះពុម្ពផ្សាយ Google ដែលផ្តល់នូវមូលដ្ឋានគំនិតសម្រាប់ការចាត់ថ្នាក់នេះ នៅក្នុងការបកប្រែរបស់យើង៖

“... គំនិត DevOps ដែលពេញនិយមនាពេលបច្ចុប្បន្ននេះ គ្របដណ្តប់លើការអភិវឌ្ឍន៍ និងប្រតិបត្តិការនៃប្រព័ន្ធព័ត៌មានខ្នាតធំ។ គុណសម្បត្តិនៃការអនុវត្តគំនិតនេះគឺការកាត់បន្ថយរយៈពេលនៃវដ្តនៃការអភិវឌ្ឍន៍ ការដាក់ពង្រាយការអភិវឌ្ឍន៍លឿនជាងមុន និងភាពបត់បែនក្នុងការធ្វើផែនការចេញផ្សាយ។ ដើម្បីសម្រេចបាននូវអត្ថប្រយោជន៍ទាំងនេះ DevOps ពាក់ព័ន្ធនឹងការអនុវត្តយ៉ាងហោចណាស់ពីរ៖

• សមាហរណកម្មបន្ត (CI)
• ការចែកចាយបន្ត (ស៊ីឌី)

ការអនុវត្តទាំងនេះក៏អនុវត្តចំពោះវេទិកា AI/ML ដើម្បីធានាបាននូវការជួបប្រជុំគ្នាដែលអាចទុកចិត្តបាន និងដំណើរការនៃដំណោះស្រាយ AI/ML ដែលមានផលិតភាព។

វេទិកា AI/ML ខុសពីប្រព័ន្ធព័ត៌មានផ្សេងទៀតក្នុងទិដ្ឋភាពខាងក្រោម៖

• សមត្ថភាពក្រុម៖ នៅពេលបង្កើតដំណោះស្រាយ AI/ML ក្រុមជាធម្មតារួមបញ្ចូលអ្នកវិទ្យាសាស្ត្រទិន្នន័យ ឬអ្នកជំនាញ "សិក្សា" នៅក្នុងវិស័យស្រាវជ្រាវទិន្នន័យ ដែលធ្វើការវិភាគទិន្នន័យ បង្កើត និងសាកល្បងគំរូ។ សមាជិកក្រុមទាំងនេះប្រហែលជាមិនមែនជាអ្នកបង្កើតកូដប្រកបដោយផលិតភាពប្រកបដោយវិជ្ជាជីវៈនោះទេ។
• ការអភិវឌ្ឍន៍៖ ម៉ាស៊ីន AI/ML គឺជាការពិសោធន៍នៅក្នុងធម្មជាតិ។ ដើម្បីដោះស្រាយបញ្ហាប្រកបដោយប្រសិទ្ធភាពបំផុត ចាំបាច់ត្រូវឆ្លងកាត់ការបន្សំផ្សេងៗនៃអថេរបញ្ចូល ក្បួនដោះស្រាយ វិធីសាស្រ្តគំរូ និងប៉ារ៉ាម៉ែត្រគំរូ។ ភាពស្មុគ្រស្មាញនៃការស្វែងរកបែបនេះគឺស្ថិតនៅក្នុងការតាមដាន "អ្វីដែលបានដំណើរការ/មិនដំណើរការ" ដោយធានានូវភាពអាចផលិតឡើងវិញនៃវគ្គ ការធ្វើឱ្យទូទៅនៃការអភិវឌ្ឍន៍សម្រាប់ការអនុវត្តម្តងហើយម្តងទៀត។
• ការធ្វើតេស្ត៖ ការធ្វើតេស្តម៉ាស៊ីន AI/ML តម្រូវឱ្យមានការធ្វើតេស្តទូលំទូលាយជាងការវិវឌ្ឍន៍ផ្សេងៗទៀត។ បន្ថែមពីលើការធ្វើតេស្តឯកតាស្ដង់ដារ និងសមាហរណកម្ម សុពលភាពទិន្នន័យ និងគុណភាពនៃលទ្ធផលនៃការអនុវត្តគំរូទៅនឹងការបណ្តុះបណ្តាល និងគំរូត្រួតពិនិត្យត្រូវបានសាកល្បង។
• ការដាក់ពង្រាយ៖ ការដាក់ពង្រាយដំណោះស្រាយ AI/ML មិនត្រូវបានកំណត់ចំពោះសេវាកម្មព្យាករណ៍ដែលប្រើគំរូដែលបានបណ្តុះបណ្តាលម្តងនោះទេ។ ដំណោះស្រាយ AI/ML ត្រូវបានបង្កើតឡើងជុំវិញបំពង់បង្ហូរប្រេងពហុដំណាក់កាល ដែលធ្វើការបណ្តុះបណ្តាល និងការអនុវត្តគំរូដោយស្វ័យប្រវត្តិ។ ការដាក់ពង្រាយបំពង់បង្ហូរប្រេងបែបនេះពាក់ព័ន្ធនឹងការធ្វើស្វ័យប្រវត្តិកម្មដែលមិនមែនជារឿងតូចតាចដែលធ្វើឡើងដោយដៃដោយអ្នកវិទ្យាសាស្ត្រទិន្នន័យ ដើម្បីអាចហ្វឹកហាត់ និងសាកល្បងគំរូ។
• ផលិតភាព៖ ម៉ាស៊ីន AI/ML អាចខ្វះផលិតភាពមិនត្រឹមតែដោយសារតែការសរសេរកម្មវិធីគ្មានប្រសិទ្ធភាពប៉ុណ្ណោះទេ ប៉ុន្តែក៏ដោយសារតែការផ្លាស់ប្តូរធម្មជាតិនៃទិន្នន័យបញ្ចូលជាបន្តបន្ទាប់ផងដែរ។ ម៉្យាងទៀត ដំណើរការនៃយន្តការ AI/ML អាចធ្លាក់ចុះដោយសារហេតុផលជាច្រើន ជាងការអនុវត្តនៃការអភិវឌ្ឍន៍ធម្មតា។ ដែលនាំឱ្យមានតម្រូវការក្នុងការត្រួតពិនិត្យ (តាមអ៊ីនធឺណិត) ដំណើរការនៃម៉ាស៊ីន AI/ML របស់យើង ក៏ដូចជាផ្ញើការជូនដំណឹង ឬបដិសេធលទ្ធផល ប្រសិនបើសូចនាករការអនុវត្តមិនបំពេញតាមការរំពឹងទុក។

វេទិកា AI/ML គឺស្រដៀងគ្នាទៅនឹងប្រព័ន្ធព័ត៌មានផ្សេងទៀត ដែលទាំងពីរតម្រូវឱ្យមានការរួមបញ្ចូលកូដជាបន្តបន្ទាប់ជាមួយនឹងការគ្រប់គ្រងកំណែ ការធ្វើតេស្តឯកតា ការធ្វើតេស្តរួមបញ្ចូល និងការដាក់ពង្រាយការអភិវឌ្ឍន៍ជាបន្តបន្ទាប់។ ទោះយ៉ាងណាក៏ដោយក្នុងករណី AI / ML មានភាពខុសគ្នាសំខាន់ៗមួយចំនួន:

• CI (Continuous Integration) លែងកំណត់ចំពោះការធ្វើតេស្ត និងសុពលភាពនៃកូដនៃសមាសធាតុដែលបានដាក់ពង្រាយទៀតហើយ - វាក៏រួមបញ្ចូលការសាកល្បង និងសុពលភាពទិន្នន័យ និងម៉ូដែល AI/ML ផងដែរ។
• ស៊ីឌី (ការចែកចាយបន្ត/ការដាក់ឱ្យប្រើប្រាស់ ការដាក់ឱ្យប្រើប្រាស់ជាបន្ត) មិនត្រូវបានកំណត់ចំពោះការសរសេរ និងការចេញផ្សាយកញ្ចប់ ឬសេវាកម្មនោះទេ ប៉ុន្តែបង្កប់ន័យវេទិកាសម្រាប់ការតែងនិពន្ធ ការបណ្តុះបណ្តាល និងការអនុវត្តដំណោះស្រាយ AI/ML ។
• CT (ការបណ្តុះបណ្តាលបន្ត ការបណ្តុះបណ្តាលបន្ត) គឺជាធាតុថ្មី [ប្រហាក់ប្រហែល។ អ្នកនិពន្ធអត្ថបទ៖ ធាតុថ្មីទាក់ទងនឹងគំនិតប្រពៃណីរបស់ DevOps ដែល CT ជាក្បួន ការធ្វើតេស្តបន្ត] ដែលមាននៅក្នុងវេទិកា AI/ML ទទួលខុសត្រូវចំពោះការគ្រប់គ្រងស្វយ័តនៃយន្តការសម្រាប់ការបណ្តុះបណ្តាល និងការអនុវត្ត AI / ម៉ូដែល ML ។ ... "

យើងអាចបញ្ជាក់ថា ការរៀនម៉ាស៊ីន និងបញ្ញាសិប្បនិមិត្តដែលធ្វើការលើទិន្នន័យតាមពេលវេលាជាក់ស្តែង ទាមទារសំណុំឧបករណ៍ និងសមត្ថភាពទូលំទូលាយ (ពីការអភិវឌ្ឍន៍កូដរហូតដល់ការរៀបចំបរិយាកាសគំរូគណិតវិទ្យា) ការរួមបញ្ចូលកាន់តែជិតស្និទ្ធរវាងផ្នែកមុខងារ និងមុខវិជ្ជាទាំងអស់ ការរៀបចំកាន់តែមានប្រសិទ្ធភាពរបស់មនុស្ស និង ធនធានម៉ាស៊ីន។

សេណារីយ៉ូពេលវេលាពិត៖ ការទទួលស្គាល់ការវិវឌ្ឍន៍នៃពិការភាពនៅក្នុងម៉ាស៊ីនបូមចំណី

ការបន្តប្រើប្រាស់តំបន់គ្រប់គ្រងដំណើរការជាឧទាហរណ៍ សូមពិចារណាបញ្ហាជាក់លាក់មួយ (យើងបានលើកឡើងរួចហើយនៅដើមដំបូង)៖ យើងត្រូវផ្តល់ការត្រួតពិនិត្យពេលវេលាជាក់ស្តែងនៃការអភិវឌ្ឍន៍នៃពិការភាពនៅក្នុងស្នប់ដោយផ្អែកលើលំហូរនៃតម្លៃប៉ារ៉ាម៉ែត្រដំណើរការ។ និងរបាយការណ៍ពីបុគ្គលិកជួសជុលអំពីពិការភាពដែលបានកំណត់។

រូបភាពទី 2 ការបង្កើតបញ្ហាសម្រាប់ការត្រួតពិនិត្យការវិវត្តនៃពិការភាព

លក្ខណៈពិសេសនៃកិច្ចការភាគច្រើនដែលធ្វើឡើងតាមរបៀបនេះក្នុងការអនុវត្តគឺថា ភាពទៀងទាត់ និងប្រសិទ្ធភាពនៃការទទួលទិន្នន័យ (APCS) ត្រូវតែត្រូវបានពិចារណាប្រឆាំងនឹងផ្ទៃខាងក្រោយនៃការកើតឡើងមិនទៀងទាត់ (និងការចុះឈ្មោះ) នៃពិការភាពនៃប្រភេទផ្សេងៗ។ ម៉្យាងទៀត៖ ទិន្នន័យពីប្រព័ន្ធគ្រប់គ្រងដំណើរការមកដល់មួយវិនាទី ត្រឹមត្រូវ និងត្រឹមត្រូវ ហើយការកត់សម្គាល់អំពីពិការភាពត្រូវបានធ្វើឡើងដោយប្រើខ្មៅដៃគីមីដែលបង្ហាញពីកាលបរិច្ឆេទនៅក្នុងសៀវភៅកត់ត្រាទូទៅនៅក្នុងសិក្ខាសាលា (ឧទាហរណ៍៖ “12.01 – លេចធ្លាយចូលទៅក្នុងគម្រប ពីចំហៀងនៃទ្រនាប់ទី 3") ។

ដូច្នេះ យើងអាចបំពេញបន្ថែមទម្រង់នៃបញ្ហាជាមួយនឹងការកំណត់សំខាន់ៗដូចខាងក្រោម៖ យើងមាន "ស្លាក" តែមួយគត់នៃពិការភាពនៃប្រភេទជាក់លាក់មួយ (ឧទាហរណ៍ឧទាហរណ៍នៃពិការភាពនៃប្រភេទជាក់លាក់មួយត្រូវបានតំណាងដោយទិន្នន័យពីការគ្រប់គ្រងដំណើរការ។ ប្រព័ន្ធនៅកាលបរិច្ឆេទជាក់លាក់ - ហើយយើងមិនមានឧទាហរណ៍បន្ថែមនៃពិការភាពនៃប្រភេទជាក់លាក់នេះទេ) ។ ដែនកំណត់នេះនាំឱ្យយើងហួសពីវិសាលភាពនៃការរៀនម៉ាស៊ីនបុរាណ (ការរៀនដែលមានការត្រួតពិនិត្យ) ដែលគួរតែមាន "ស្លាក" ច្រើន។

រូបភាពទី 3 ការបំភ្លឺអំពីភារកិច្ចនៃការត្រួតពិនិត្យការវិវត្តនៃពិការភាព

តើយើងអាច "គុណ" នូវ "ស្លាក" តែមួយគត់នៅក្នុងការចោលរបស់យើងបានទេ? បាទយើងអាចធ្វើបាន។ ស្ថានភាពបច្ចុប្បន្ននៃស្នប់ត្រូវបានកំណត់លក្ខណៈដោយកម្រិតនៃភាពស្រដៀងគ្នាទៅនឹងពិការភាពដែលបានចុះបញ្ជី។ ទោះបីជាគ្មានការប្រើប្រាស់វិធីសាស្រ្តបរិមាណក៏ដោយ នៅកម្រិតនៃការយល់ឃើញដែលមើលឃើញដោយការសង្កេតពីសក្ដានុពលនៃតម្លៃទិន្នន័យដែលមកដល់ពីប្រព័ន្ធគ្រប់គ្រងដំណើរការ អ្នកអាចរៀនបានច្រើនរួចទៅហើយ៖

រូបភាពទី 4 ថាមវន្តនៃស្ថានភាពបូមប្រឆាំងនឹងផ្ទៃខាងក្រោយនៃ "សញ្ញា" នៃពិការភាពនៃប្រភេទដែលបានផ្តល់ឱ្យ

ប៉ុន្តែការយល់ឃើញដែលមើលឃើញ (យ៉ាងហោចណាស់សម្រាប់ពេលនេះ) មិនមែនជាឧបករណ៍បង្កើត "ស្លាក" ដែលសមរម្យបំផុតនៅក្នុងសេណារីយ៉ូដែលផ្លាស់ប្តូរយ៉ាងឆាប់រហ័សរបស់យើងនោះទេ។ យើងនឹងវាយតម្លៃភាពស្រដៀងគ្នានៃស្ថានភាពបូមបច្ចុប្បន្នទៅនឹងពិការភាពដែលបានរាយការណ៍ដោយប្រើការធ្វើតេស្តស្ថិតិ។

រូបភាពទី 5 ការអនុវត្តការធ្វើតេស្តស្ថិតិចំពោះទិន្នន័យចូល ប្រឆាំងនឹងផ្ទៃខាងក្រោយនៃ "ស្លាក" ពិការភាព

ការធ្វើតេស្តស្ថិតិកំណត់ប្រូបាប៊ីលីតេដែលកំណត់ត្រាជាមួយនឹងតម្លៃនៃប៉ារ៉ាម៉ែត្រដំណើរការបច្ចេកវិជ្ជានៅក្នុង "flow-packet" ដែលទទួលបានពីប្រព័ន្ធគ្រប់គ្រងដំណើរការគឺស្រដៀងគ្នាទៅនឹងកំណត់ត្រានៃ "ស្លាក" នៃពិការភាពនៃប្រភេទជាក់លាក់មួយ។ តម្លៃប្រូបាប៊ីលីតេ (សន្ទស្សន៍ភាពស្រដៀងគ្នាស្ថិតិ) ដែលបានគណនាជាលទ្ធផលនៃការអនុវត្តការធ្វើតេស្តស្ថិតិត្រូវបានបំប្លែងទៅជាតម្លៃ 0 ឬ 1 ក្លាយជា "ស្លាក" សម្រាប់ការរៀនម៉ាស៊ីននៅក្នុងកំណត់ត្រាជាក់លាក់នីមួយៗនៅក្នុងកញ្ចប់ព័ត៌មានដែលត្រូវបានពិនិត្យសម្រាប់ភាពស្រដៀងគ្នា។ នោះគឺបន្ទាប់ពីដំណើរការកញ្ចប់ដែលបានទទួលថ្មីនៃកំណត់ត្រារដ្ឋបូមជាមួយនឹងការធ្វើតេស្តស្ថិតិ យើងមានឱកាសដើម្បី (ក) បន្ថែមកញ្ចប់នេះទៅក្នុងសំណុំបណ្តុះបណ្តាលសម្រាប់ការបណ្តុះបណ្តាលគំរូ AI/ML និង (ខ) អនុវត្តការត្រួតពិនិត្យគុណភាពនៃ កំណែបច្ចុប្បន្ននៃម៉ូដែលនៅពេលប្រើវាទៅកញ្ចប់នេះ។

រូបភាពទី 6 ការអនុវត្តគំរូសិក្សារបស់ម៉ាស៊ីនទៅនឹងទិន្នន័យចូល ប្រឆាំងនឹងផ្ទៃខាងក្រោយនៃ "ស្លាក" ពិការភាព

នៅក្នុងមួយមុនរបស់យើង។ webinars យើងបង្ហាញ និងពន្យល់ពីរបៀបដែលវេទិកា InterSystems IRIS អនុញ្ញាតឱ្យអ្នកអនុវត្តយន្តការ AI/ML ណាមួយក្នុងទម្រង់នៃដំណើរការអាជីវកម្មជាបន្តបន្ទាប់ ដែលតាមដានភាពជឿជាក់នៃលទ្ធផលគំរូ និងសម្របប៉ារ៉ាម៉ែត្រគំរូ។ នៅពេលអនុវត្តគំរូគំរូនៃសេណារីយ៉ូរបស់យើងជាមួយនឹងស្នប់ យើងប្រើមុខងារ InterSystems IRIS ទាំងអស់ដែលបានបង្ហាញក្នុងអំឡុងពេលសិក្ខាសាលាបណ្តាញ - ការអនុវត្តនៅក្នុងដំណើរការអ្នកវិភាគដែលជាផ្នែកមួយនៃដំណោះស្រាយរបស់យើង មិនមែនជាការរៀនគ្រប់គ្រងបែបបុរាណទេ ប៉ុន្តែជាការពង្រឹងការរៀនដែលគ្រប់គ្រងការជ្រើសរើសដោយស្វ័យប្រវត្តិសម្រាប់គំរូបណ្តុះបណ្តាល។ . គំរូបណ្តុះបណ្តាលមានកំណត់ត្រាដែល "ការយល់ស្របក្នុងការរកឃើញ" កើតឡើងបន្ទាប់ពីអនុវត្តទាំងការធ្វើតេស្តស្ថិតិ និងកំណែបច្ចុប្បន្ននៃគំរូ - ពោលគឺ ទាំងការធ្វើតេស្តស្ថិតិ (បន្ទាប់ពីបំលែងសន្ទស្សន៍ភាពស្រដៀងគ្នាទៅ 0 ឬ 1) ហើយគំរូបង្កើតលទ្ធផល នៅលើកំណត់ត្រាបែបនេះ 1. ក្នុងអំឡុងពេលបណ្តុះបណ្តាលថ្មីនៃគំរូ កំឡុងពេលសុពលភាពរបស់វា (គំរូដែលបានបណ្តុះបណ្តាលថ្មីត្រូវបានអនុវត្តចំពោះគំរូបណ្តុះបណ្តាលផ្ទាល់របស់វា ជាមួយនឹងការអនុវត្តបឋមនៃការធ្វើតេស្តស្ថិតិទៅវា) កំណត់ត្រាដែល "មិនបានរក្សាទុក" លទ្ធផល 1 បន្ទាប់ពីដំណើរការ ដោយការធ្វើតេស្តស្ថិតិ (ដោយសារតែវត្តមានថេរក្នុងការបណ្តុះបណ្តាលគំរូនៃកំណត់ត្រាពី "ស្លាក" ដើមនៃពិការភាព) ត្រូវបានដកចេញពីសំណុំបណ្តុះបណ្តាលហើយកំណែថ្មីនៃគំរូរៀនពី "ស្លាក" នៃ ពិការភាពបូកនឹងកំណត់ត្រា "រក្សាទុក" ពីស្ទ្រីម។

រូបភាពទី 7 ការធ្វើមនុស្សយន្តនៃការគណនា AI/ML នៅក្នុង InterSystems IRIS

ប្រសិនបើមានតម្រូវការសម្រាប់ប្រភេទនៃ "មតិទីពីរ" លើគុណភាពនៃការរាវរកដែលទទួលបានកំឡុងពេលការគណនាក្នុងស្រុកនៅក្នុង InterSystems IRIS ដំណើរការទីប្រឹក្សាត្រូវបានបង្កើតឡើងដើម្បីអនុវត្តការបណ្តុះបណ្តាល និងការអនុវត្តគំរូលើសំណុំទិន្នន័យត្រួតពិនិត្យដោយប្រើសេវាកម្មពពក (ឧទាហរណ៍ Microsoft Azure, Amazon Web Services, Google Cloud Platform ។ល។)៖

រូបភាពទី 8 មតិទីពីរពី Microsoft Azure រៀបចំដោយ InterSystems IRIS

គំរូនៃសេណារីយ៉ូរបស់យើងនៅក្នុងប្រព័ន្ធ InterSystems IRIS ត្រូវបានរចនាឡើងជាប្រព័ន្ធផ្អែកលើភ្នាក់ងារនៃដំណើរការវិភាគដែលមានអន្តរកម្មជាមួយវត្ថុឧបករណ៍ (ស្នប់) បរិស្ថានគំរូគណិតវិទ្យា (Python, R និង Julia) និងធានាបាននូវការរៀនដោយខ្លួនឯងអំពី AI/ យន្តការ ML - នៅលើការផ្សាយទិន្នន័យតាមពេលវេលាជាក់ស្តែង។

រូបភាពទី 9 មុខងារចម្បងនៃដំណោះស្រាយ AI/ML ពេលវេលាពិតនៅក្នុង InterSystems IRIS

លទ្ធផលជាក់ស្តែងនៃគំរូរបស់យើង៖

• កំហុសគំរូដែលត្រូវបានទទួលស្គាល់ដោយគំរូ (ថ្ងៃទី 12 ខែមករា)៖

• ពិការភាពដែលកំពុងរីកចម្រើនដែលត្រូវបានទទួលស្គាល់ដោយគំរូដែលមិនត្រូវបានរួមបញ្ចូលក្នុងគំរូ (ថ្ងៃទី 11 ខែកញ្ញា ពិការភាពខ្លួនឯងត្រូវបានកំណត់អត្តសញ្ញាណដោយក្រុមជួសជុលតែពីរថ្ងៃក្រោយមកគឺនៅថ្ងៃទី 13 ខែកញ្ញា)៖

ការក្លែងធ្វើលើទិន្នន័យពិតដែលមានភាគជាច្រើននៃពិការភាពដូចគ្នាបានបង្ហាញថាដំណោះស្រាយរបស់យើងដែលបានអនុវត្តនៅលើវេទិកា InterSystems IRIS អនុញ្ញាតឱ្យយើងកំណត់អត្តសញ្ញាណការអភិវឌ្ឍនៃពិការភាពនៃប្រភេទនេះជាច្រើនថ្ងៃមុនពេលពួកគេត្រូវបានរកឃើញដោយក្រុមជួសជុល។

InterSystems IRIS - វេទិកាកុំព្យូទ័រ AI/ML ពេលវេលាពិតសកល

វេទិកា InterSystems IRIS ជួយសម្រួលដល់ការអភិវឌ្ឍន៍ ការដាក់ពង្រាយ និងប្រតិបត្តិការនៃដំណោះស្រាយទិន្នន័យតាមពេលវេលាជាក់ស្តែង។ InterSystems IRIS មានសមត្ថភាពធ្វើប្រតិបត្តិការទិន្នន័យ និងវិភាគក្នុងពេលដំណាលគ្នា។ គាំទ្រទិដ្ឋភាពទិន្នន័យដែលបានធ្វើសមកាលកម្មយោងទៅតាមគំរូជាច្រើន (រួមទាំងទំនាក់ទំនង ឋានានុក្រម វត្ថុ និងឯកសារ); ដើរតួជាវេទិកាសម្រាប់ការរួមបញ្ចូលជួរដ៏ធំទូលាយនៃប្រភពទិន្នន័យ និងកម្មវិធីបុគ្គល។ ផ្តល់នូវការវិភាគតាមពេលវេលាជាក់ស្តែងកម្រិតខ្ពស់លើទិន្នន័យដែលមានរចនាសម្ព័ន្ធ និងមិនមានរចនាសម្ព័ន្ធ។ InterSystems IRIS ក៏ផ្តល់នូវយន្តការសម្រាប់ការប្រើប្រាស់ឧបករណ៍វិភាគខាងក្រៅ និងអនុញ្ញាតឱ្យមានការរួមបញ្ចូលគ្នាដែលអាចបត់បែនបាននៃការបង្ហោះនៅក្នុងពពក និងនៅលើម៉ាស៊ីនមេក្នុងស្រុក។

កម្មវិធីដែលបានបង្កើតឡើងនៅលើវេទិកា InterSystems IRIS ត្រូវបានដាក់ឱ្យប្រើប្រាស់នៅទូទាំងឧស្សាហកម្មជាច្រើន ដោយជួយក្រុមហ៊ុនឱ្យដឹងពីអត្ថប្រយោជន៍សេដ្ឋកិច្ចសំខាន់ៗពីទស្សនៈយុទ្ធសាស្ត្រ និងប្រតិបត្តិការ បង្កើនការសម្រេចចិត្តប្រកបដោយការយល់ដឹង និងបិទគម្លាតរវាងព្រឹត្តិការណ៍ ការវិភាគ និងសកម្មភាព។

រូបភាពទី 10 ស្ថាបត្យកម្ម InterSystems IRIS ក្នុងបរិបទនៃ AI/ML ពេលវេលាពិត

ដូចដ្យាក្រាមមុនដែរ ដ្យាក្រាមខាងក្រោមរួមបញ្ចូលគ្នានូវ "ប្រព័ន្ធសំរបសំរួល" (CD/CI/CT) ជាមួយនឹងដ្យាក្រាមនៃលំហូរព័ត៌មានរវាងធាតុការងាររបស់វេទិកា។ ការមើលឃើញចាប់ផ្តើមជាមួយ macromechanism CD ហើយបន្តជាមួយ macromechanisms CI និង CT ។

រូបភាពទី 11 ដ្យាក្រាមនៃលំហូរព័ត៌មានរវាងធាតុ AI/ML នៃវេទិកា InterSystems IRIS

ខ្លឹមសារនៃយន្តការស៊ីឌីនៅក្នុង InterSystems IRIS៖ អ្នកប្រើប្រាស់វេទិកា (អ្នកបង្កើតដំណោះស្រាយ AI/ML) សម្របខ្លួនដែលមានស្រាប់ និង/ឬបង្កើតការអភិវឌ្ឍន៍ AI/ML ថ្មីដោយប្រើកម្មវិធីនិពន្ធកូដឯកទេសសម្រាប់យន្តការ AI/ML៖ Jupyter (ឈ្មោះពេញ៖ Jupyter Notebook; សម្រាប់ភាពសង្ខេប ឯកសារដែលបានបង្កើតនៅក្នុងកម្មវិធីនិពន្ធនេះត្រូវបានគេហៅថាពេលខ្លះផងដែរ)។ នៅក្នុង Jupyter អ្នកអភិវឌ្ឍន៍មានឱកាសសរសេរ បំបាត់កំហុស និងផ្ទៀងផ្ទាត់ការអនុវត្ត (រួមទាំងការប្រើប្រាស់ក្រាហ្វិក) នៃការអភិវឌ្ឍន៍ AI/ML ជាក់លាក់មួយ មុនពេលវាត្រូវបានដាក់ ("ដាក់ពង្រាយ") នៅក្នុង InterSystems IRIS។ វាច្បាស់ណាស់ថាការអភិវឌ្ឍន៍ថ្មីដែលត្រូវបានបង្កើតឡើងតាមរបៀបនេះនឹងទទួលបានតែការបំបាត់កំហុសជាមូលដ្ឋានប៉ុណ្ណោះ (ចាប់តាំងពីជាពិសេស Jupyter មិនដំណើរការជាមួយស្ទ្រីមទិន្នន័យតាមពេលវេលាជាក់ស្តែង) - នេះគឺតាមលំដាប់លំដោយព្រោះលទ្ធផលចម្បងនៃការអភិវឌ្ឍន៍នៅក្នុង Jupyter គឺជាការបញ្ជាក់អំពីប្រតិបត្តិការជាមូលដ្ឋាននៃយន្តការ AI/ML ដាច់ដោយឡែក ("បង្ហាញលទ្ធផលរំពឹងទុកនៅលើគំរូទិន្នន័យ")។ ស្រដៀងគ្នានេះដែរ យន្តការមួយដែលបានដាក់រួចហើយនៅក្នុងវេទិកា (សូមមើលយន្តការម៉ាក្រូខាងក្រោម) មុនពេលការកែកំហុសនៅក្នុង Jupyter ប្រហែលជាត្រូវការ "rollback" ទៅជាទម្រង់ "pre-platform" (អានទិន្នន័យពីឯកសារ ធ្វើការជាមួយទិន្នន័យតាមរយៈ xDBC ជំនួសឱ្យតារាង។ អន្តរកម្មដោយផ្ទាល់ជាមួយសកល - អារេទិន្នន័យពហុវិមាត្រ InterSystems IRIS – ល)។

ទិដ្ឋភាពសំខាន់នៃការអនុវត្តស៊ីឌីនៅក្នុងប្រព័ន្ធ InterSystems IRIS៖ ការរួមបញ្ចូលទ្វេទិសត្រូវបានអនុវត្តរវាង platform និង Jupyter ដែលអនុញ្ញាតឱ្យមាតិកានៅក្នុង Python, R និង Julia ត្រូវបានផ្ទេរទៅវេទិកា (ហើយក្រោយមកដំណើរការនៅក្នុងវេទិកា) (ទាំងបីគឺការសរសេរកម្មវិធី ភាសា​ក្នុង​ភាសា​ប្រភព​បើក​ចំហ​ដែល​ត្រូវ​គ្នា) ប្រភព​បរិស្ថាន​គំរូ​គណិតវិទ្យា)។ ដូច្នេះ អ្នកអភិវឌ្ឍន៍មាតិកា AI/ML មានឱកាសអនុវត្ត "ការដាក់ពង្រាយជាបន្ត" នៃខ្លឹមសារនេះនៅក្នុងវេទិកា ដោយធ្វើការនៅក្នុងកម្មវិធីនិពន្ធ Jupyter ដែលធ្លាប់ស្គាល់របស់ពួកគេ ជាមួយនឹងបណ្ណាល័យដែលធ្លាប់ស្គាល់ដែលមាននៅក្នុង Python, R, Julia និងធ្វើការកែកំហុសជាមូលដ្ឋាន (បើចាំបាច់) នៅខាងក្រៅវេទិកា។

ចូរបន្តទៅយន្តការម៉ាក្រូ CI នៅក្នុង InterSystems IRIS ។ ដ្យាក្រាមបង្ហាញពីដំណើរការម៉ាក្រូនៃ "កម្មវិធីបង្កើតមនុស្សយន្តតាមពេលវេលាជាក់ស្តែង" (ស្មុគស្មាញនៃរចនាសម្ព័ន្ធទិន្នន័យ ដំណើរការអាជីវកម្ម និងបំណែកកូដដែលរៀបចំដោយពួកវាជាភាសាគណិតវិទ្យា និង ObjectScript - ភាសាអភិវឌ្ឍន៍ដើមរបស់ InterSystems IRIS) ។ ភារកិច្ចនៃដំណើរការម៉ាក្រូនេះគឺដើម្បីរក្សាជួរទិន្នន័យដែលចាំបាច់សម្រាប់ប្រតិបត្តិការនៃយន្តការ AI/ML (ផ្អែកលើការស្ទ្រីមទិន្នន័យដែលបានបញ្ជូនទៅវេទិកាក្នុងពេលជាក់ស្តែង) ធ្វើការសម្រេចចិត្តអំពីលំដាប់នៃកម្មវិធី និង "ការចាត់ថ្នាក់" នៃ AI/ យន្តការ ML (ពួកវាក៏ជា "ក្បួនដោះស្រាយគណិតវិទ្យា" "គំរូ" ។ល។ - អាចត្រូវបានគេហៅថាខុសគ្នាអាស្រ័យលើភាពជាក់លាក់នៃការអនុវត្ត និងចំណូលចិត្តវាក្យស័ព្ទ) រក្សារចនាសម្ព័ន្ធទិន្នន័យឱ្យទាន់សម័យសម្រាប់ការវិភាគលទ្ធផលនៃការងាររបស់ AI/ យន្តការ ML (គូប តារាង អារេទិន្នន័យពហុវិមាត្រ។ល។ - សម្រាប់របាយការណ៍ ផ្ទាំងគ្រប់គ្រង។ល។)។

ទិដ្ឋភាពសំខាន់នៃការអនុវត្ត CI នៅក្នុងប្រព័ន្ធ InterSystems IRIS៖ ការរួមបញ្ចូលទ្វេទិសត្រូវបានអនុវត្តរវាងវេទិកា និងបរិស្ថានគំរូគណិតវិទ្យា ដែលអនុញ្ញាតឱ្យអ្នកអនុវត្តខ្លឹមសារដែលបានបង្ហោះនៅក្នុងវេទិកានៅក្នុង Python, R និង Julia នៅក្នុងបរិយាកាសរៀងៗខ្លួន និងទទួលបានលទ្ធផលប្រតិបត្តិវិញ។ សមាហរណកម្មនេះត្រូវបានអនុវត្តទាំងនៅក្នុង "របៀបស្ថានីយ" (ឧ. មាតិកា AI/ML ត្រូវបានបង្កើតជាកូដ ObjectScript ដែលធ្វើការហៅទៅកាន់បរិស្ថាន) និងនៅក្នុង "របៀបដំណើរការអាជីវកម្ម" (ឧ. មាតិកា AI/ML ត្រូវបានបង្កើតជាដំណើរការអាជីវកម្ម។ ដោយប្រើកម្មវិធីនិពន្ធក្រាហ្វិក ឬជួនកាលប្រើ Jupyter ឬប្រើ IDE - IRIS Studio, Eclipse, Visual Studio Code)។ ភាពអាចរកបាននៃដំណើរការអាជីវកម្មសម្រាប់ការកែសម្រួលនៅក្នុង Jupyter ត្រូវបានឆ្លុះបញ្ចាំងតាមរយៈការតភ្ជាប់រវាង IRIS នៅកម្រិត CI និង Jupyter នៅកម្រិតស៊ីឌី។ ទិដ្ឋភាពទូទៅលម្អិតបន្ថែមទៀតនៃការរួមបញ្ចូលជាមួយបរិស្ថានគំរូគណិតវិទ្យាត្រូវបានផ្តល់ជូនខាងក្រោម។ នៅដំណាក់កាលនេះ តាមគំនិតរបស់យើង មានហេតុផលដើម្បីធានាថា វេទិកានេះមានឧបករណ៍ចាំបាច់ទាំងអស់សម្រាប់អនុវត្ត "ការរួមបញ្ចូលជាបន្តបន្ទាប់" នៃការអភិវឌ្ឍន៍ AI/ML (មកពី "ការដាក់ពង្រាយជាបន្តបន្ទាប់") ទៅជាដំណោះស្រាយ AI/ML ក្នុងពេលជាក់ស្តែង។

និងយន្តការម៉ាក្រូសំខាន់: CT ។ បើគ្មានវាទេ វានឹងមិនមានវេទិកា AI/ML (ទោះបីជា "ពេលវេលាពិត" នឹងត្រូវបានអនុវត្តតាមរយៈ CD/CI) ។ ខ្លឹមសារនៃ CT គឺជាការងាររបស់វេទិកាជាមួយ "វត្ថុបុរាណ" នៃការរៀនម៉ាស៊ីន និងបញ្ញាសិប្បនិម្មិតដោយផ្ទាល់នៅក្នុងវគ្គធ្វើការនៃបរិយាកាសគំរូគណិតវិទ្យា៖ គំរូ តារាងចែកចាយ វ៉ិចទ័រម៉ាទ្រីស ស្រទាប់នៃបណ្តាញសរសៃប្រសាទ។ល។ "ការងារ" នេះក្នុងករណីភាគច្រើនរួមមានការបង្កើតវត្ថុបុរាណដែលបានរៀបរាប់នៅក្នុងបរិស្ថាន (ក្នុងករណីគំរូឧទាហរណ៍ "ការបង្កើត" មានការកំណត់លក្ខណៈជាក់លាក់នៃគំរូនិងការជ្រើសរើសជាបន្តបន្ទាប់នៃតម្លៃនៃប៉ារ៉ាម៉ែត្ររបស់វា - អ្វីដែលគេហៅថា "ការបណ្តុះបណ្តាល" នៃគំរូ) កម្មវិធីរបស់ពួកគេ (សម្រាប់ម៉ូដែល៖ ការគណនាដោយមានជំនួយពី "គំរូ" តម្លៃនៃអថេរគោលដៅ - ការព្យាករណ៍ សមាជិកក្រុម ប្រូបាប៊ីលីតេនៃព្រឹត្តិការណ៍។ ល។ ) និងការកែលម្អរួចហើយ បានបង្កើត និងអនុវត្តវត្ថុបុរាណ (ឧទាហរណ៍ ការកំណត់ឡើងវិញនូវសំណុំនៃអថេរបញ្ចូលគំរូ ដោយផ្អែកលើលទ្ធផលនៃកម្មវិធី - ដើម្បីបង្កើនភាពត្រឹមត្រូវនៃការព្យាករណ៍ ជាជម្រើសមួយ)។ ចំណុចសំខាន់ក្នុងការយល់ដឹងអំពីតួនាទីរបស់ CT គឺជា "ការអរូបី" របស់វាពីការពិតនៃ CD និង CI: CT នឹងអនុវត្តវត្ថុបុរាណទាំងអស់ ដោយផ្តោតលើការគណនា និងគណិតវិទ្យាជាក់លាក់នៃដំណោះស្រាយ AI/ML នៅក្នុងសមត្ថភាពដែលផ្តល់ដោយបរិស្ថានជាក់លាក់។ ទំនួលខុសត្រូវសម្រាប់ "ការផ្តល់ធាតុចូល" និង "ការផ្តល់លទ្ធផល" នឹងជាការទទួលខុសត្រូវរបស់ CD និង CI ។

ទិដ្ឋភាពសំខាន់នៃការអនុវត្ត CT ជាពិសេសនៅក្នុងប្រព័ន្ធ InterSystems IRIS៖ ដោយប្រើការរួមបញ្ចូលជាមួយបរិស្ថានគំរូគណិតវិទ្យាដែលបានរៀបរាប់ខាងលើ វេទិកាមានសមត្ថភាពទាញយកវត្ថុបុរាណទាំងនោះចេញពីវគ្គការងារដែលដំណើរការក្រោមការគ្រប់គ្រងរបស់វានៅក្នុងបរិស្ថានគណិតវិទ្យា និង (សំខាន់បំផុត) វេន ពួកវាចូលទៅក្នុងវត្ថុទិន្នន័យវេទិកា។ ឧទាហរណ៍ តារាងចែកចាយដែលទើបតែត្រូវបានបង្កើតនៅក្នុងវគ្គ Python ដែលកំពុងដំណើរការអាចជា (ដោយមិនបញ្ឈប់វគ្គ Python) ត្រូវបានផ្ទេរទៅវេទិកាក្នុងទម្រង់ជាឧទាហរណ៍ សកល (អារេទិន្នន័យ InterSystems IRIS ពហុវិមាត្រ) - និងបានប្រើ សម្រាប់ការគណនានៅក្នុងយន្តការ AI/ML- មួយផ្សេងទៀត (ត្រូវបានអនុវត្តជាភាសានៃបរិស្ថានផ្សេងទៀត - ឧទាហរណ៍នៅក្នុង R) - ឬតារាងនិម្មិត។ ឧទាហរណ៍មួយទៀត៖ ស្របជាមួយនឹង "របៀបធម្មតា" នៃប្រតិបត្តិការរបស់ម៉ូដែល (នៅក្នុងវគ្គធ្វើការ Python) "auto-ML" ត្រូវបានអនុវត្តលើទិន្នន័យបញ្ចូលរបស់វា៖ ការជ្រើសរើសដោយស្វ័យប្រវត្តិនៃអថេរបញ្ចូលដ៏ល្អប្រសើរ និងតម្លៃប៉ារ៉ាម៉ែត្រ។ ហើយរួមជាមួយការបណ្តុះបណ្តាល "ទៀងទាត់" គំរូផលិតភាពក្នុងពេលវេលាជាក់ស្តែងក៏ទទួលបាន "សំណើសម្រាប់ការបង្កើនប្រសិទ្ធភាព" នៃការបញ្ជាក់របស់វាផងដែរ - ដែលសំណុំនៃអថេរបញ្ចូលផ្លាស់ប្តូរ តម្លៃប៉ារ៉ាម៉ែត្រផ្លាស់ប្តូរ (លែងជាលទ្ធផលនៃការបណ្តុះបណ្តាល នៅក្នុង Python ប៉ុន្តែជាលទ្ធផលនៃការបណ្តុះបណ្តាលជាមួយនឹងកំណែ "ជំនួស" ដោយខ្លួនឯង ដូចជា H2O stack) ដែលអនុញ្ញាតឱ្យដំណោះស្រាយ AI/ML ទាំងមូលអាចទប់ទល់ដោយស្វ័យភាពជាមួយនឹងការផ្លាស់ប្តូរដែលមិនរំពឹងទុកនៅក្នុងធម្មជាតិនៃទិន្នន័យបញ្ចូល និងបាតុភូតដែលកំពុងត្រូវបានយកគំរូតាម។ .

ចូរយើងស្វែងយល់ឱ្យកាន់តែលម្អិតជាមួយនឹងមុខងារ AI/ML នៃវេទិកា InterSystems IRIS ដោយប្រើឧទាហរណ៍នៃគំរូជីវិតពិត។

នៅក្នុងដ្យាក្រាមខាងក្រោម នៅផ្នែកខាងឆ្វេងនៃស្លាយ មានផ្នែកមួយនៃដំណើរការអាជីវកម្មដែលអនុវត្តការប្រតិបត្តិនៃស្គ្រីបនៅក្នុង Python និង R. នៅផ្នែកកណ្តាលមានកំណត់ហេតុដែលមើលឃើញនៃការប្រតិបត្តិនៃស្គ្រីបទាំងនេះមួយចំនួនរៀងៗខ្លួន។ នៅក្នុង Python និង R. ភ្លាមៗនៅពីក្រោយពួកវាគឺជាឧទាហរណ៍នៃមាតិកានៅលើភាសាមួយ និងភាសាមួយផ្សេងទៀត ដែលផ្ទេរសម្រាប់ការប្រតិបត្តិទៅកាន់បរិស្ថានសមស្រប។ នៅចុងបញ្ចប់នៅខាងស្តាំគឺជារូបភាពដែលផ្អែកលើលទ្ធផលនៃការប្រតិបត្តិស្គ្រីប។ ការមើលឃើញនៅផ្នែកខាងលើត្រូវបានធ្វើឡើងនៅលើ IRIS Analytics (ទិន្នន័យត្រូវបានយកចេញពី Python ចូលទៅក្នុងប្រព័ន្ធទិន្នន័យ InterSystems IRIS ហើយបង្ហាញនៅលើផ្ទាំងគ្រប់គ្រងដោយប្រើវេទិកា) នៅខាងក្រោមត្រូវបានធ្វើឡើងដោយផ្ទាល់នៅក្នុងវគ្គការងារ R និងលទ្ធផលពីទីនោះទៅកាន់ឯកសារក្រាហ្វិក។ . ទិដ្ឋភាពសំខាន់មួយ៖ បំណែកដែលបានបង្ហាញនៅក្នុងគំរូគឺទទួលខុសត្រូវក្នុងការបណ្តុះបណ្តាលគំរូ (ការចាត់ថ្នាក់នៃស្ថានភាពឧបករណ៍) លើទិន្នន័យដែលទទួលបានក្នុងពេលវេលាជាក់ស្តែងពីដំណើរការម៉ាស៊ីនក្លែងធ្វើគ្រឿងបរិក្ខារ តាមការបញ្ជាពីដំណើរការត្រួតពិនិត្យគុណភាពចំណាត់ថ្នាក់ដែលបានសង្កេតក្នុងអំឡុងពេលអនុវត្តគំរូ។ ការអនុវត្តដំណោះស្រាយ AI/ML ក្នុងទម្រង់ជាសំណុំនៃដំណើរការអន្តរកម្ម ("ភ្នាក់ងារ") នឹងត្រូវបានពិភាក្សាបន្ថែម។

រូបភាពទី 12 អន្តរកម្មជាមួយ Python, R និង Julia នៅក្នុង InterSystems IRIS

ដំណើរការវេទិកា (ពួកវាក៏ជា "ដំណើរការអាជីវកម្ម" "ដំណើរការវិភាគ" "បំពង់បង្ហូរប្រេង" ។ល។ - អាស្រ័យលើបរិបទ) ជាដំបូងនៃការទាំងអស់ត្រូវបានកែសម្រួលនៅក្នុងកម្មវិធីនិពន្ធដំណើរការអាជីវកម្មក្រាហ្វិកនៅក្នុងវេទិកាផ្ទាល់ ហើយនៅក្នុងកម្មវិធីបែបនេះ។ វិធីដែលទាំងដ្យាក្រាមប្លុករបស់វា និងយន្តការ AI/ML ដែលត្រូវគ្នា (កូដកម្មវិធី) ត្រូវបានបង្កើតក្នុងពេលដំណាលគ្នា។ នៅពេលយើងនិយាយថា "យន្តការ AI/ML ត្រូវបានទទួល" ដំបូងឡើយ យើងមានន័យថា ភាពចម្រុះ (ក្នុងដំណើរការមួយ): មាតិកានៅក្នុងភាសានៃបរិស្ថានគំរូគណិតវិទ្យាគឺនៅជាប់នឹងមាតិកានៅក្នុង SQL (រួមទាំងផ្នែកបន្ថែមពី រួមបញ្ចូលគ្នា ML) នៅក្នុង InterSystems ObjectScript ជាមួយនឹងភាសាដែលគាំទ្រផ្សេងទៀត។ លើសពីនេះទៅទៀត ដំណើរការវេទិកាផ្តល់ឱកាសយ៉ាងទូលំទូលាយសម្រាប់ "ការបង្ហាញ" ក្នុងទម្រង់ជាបំណែកដែលដាក់តាមលំដាប់លំដោយ (ដូចដែលអាចមើលឃើញក្នុងឧទាហរណ៍ក្នុងដ្យាក្រាមខាងក្រោម) ដែលអនុញ្ញាតឱ្យអ្នករៀបចំយ៉ាងមានប្រសិទ្ធភាពសូម្បីតែខ្លឹមសារស្មុគស្មាញដោយមិនចាំបាច់ "ធ្លាក់ចេញ" នៃទម្រង់ក្រាហ្វិក (ទៅជាទម្រង់ "មិនក្រាហ្វិក") » វិធីសាស្រ្ត/ថ្នាក់/នីតិវិធី ។ល។ នោះគឺប្រសិនបើចាំបាច់ (ហើយវាត្រូវបានគេមើលឃើញទុកជាមុននៅក្នុងគម្រោងភាគច្រើន) នោះពិតជាដំណោះស្រាយ AI/ML ទាំងមូលអាចត្រូវបានអនុវត្តជាទម្រង់ឯកសារដោយខ្លួនឯងក្រាហ្វិក។ សូមកត់សម្គាល់ថានៅក្នុងផ្នែកកណ្តាលនៃដ្យាក្រាមខាងក្រោមដែលតំណាងឱ្យ "កម្រិតនៃការដាក់សំបុក" ខ្ពស់ជាងនេះវាច្បាស់ណាស់ថាបន្ថែមពីលើការងារជាក់ស្តែងនៃការបណ្តុះបណ្តាលគំរូ (ដោយប្រើ Python និង R) ការវិភាគនៃអ្វីដែលគេហៅថា ខ្សែកោង ROC នៃគំរូដែលបានបណ្តុះបណ្តាលត្រូវបានបន្ថែម ដែលអនុញ្ញាតឱ្យមើលឃើញ (និងការគណនាផងដែរ) វាយតម្លៃគុណភាពនៃការបណ្តុះបណ្តាល - ហើយការវិភាគនេះត្រូវបានអនុវត្តជាភាសា Julia (ប្រតិបត្តិតាមបរិយាកាសគណិតវិទ្យា Julia) ។

រូបភាពទី 13 បរិយាកាសដែលមើលឃើញសម្រាប់សមាសភាពនៃដំណោះស្រាយ AI/ML នៅក្នុង InterSystems IRIS

ដូចដែលបានរៀបរាប់ខាងលើ ការអភិវឌ្ឍន៍ដំបូង និង (ក្នុងករណីខ្លះ) ការសម្របខ្លួននៃយន្តការ AI/ML ដែលបានអនុវត្តរួចហើយនៅក្នុងវេទិកានឹង/អាចត្រូវបានធ្វើឡើងនៅខាងក្រៅវេទិកានៅក្នុងកម្មវិធីនិពន្ធ Jupyter ។ នៅក្នុងដ្យាក្រាមខាងក្រោម យើងឃើញឧទាហរណ៍នៃការសម្រួលដំណើរការវេទិកាដែលមានស្រាប់ (ដូចនៅក្នុងដ្យាក្រាមខាងលើ) - នេះជារបៀបដែលបំណែកដែលទទួលខុសត្រូវក្នុងការបណ្តុះបណ្តាលគំរូមើលទៅដូចនៅក្នុង Jupyter ។ មាតិកា Python មានសម្រាប់ការកែសម្រួល បំបាត់កំហុស និងលទ្ធផលក្រាហ្វិកដោយផ្ទាល់នៅក្នុង Jupyter ។ ការផ្លាស់ប្តូរ (ប្រសិនបើចាំបាច់) អាចត្រូវបានធ្វើឡើងជាមួយនឹងការធ្វើសមកាលកម្មភ្លាមៗទៅក្នុងដំណើរការវេទិកា រួមទាំងកំណែផលិតភាពរបស់វា។ មាតិកាថ្មីអាចត្រូវបានផ្ទេរទៅវេទិកាតាមរបៀបស្រដៀងគ្នា (ដំណើរការវេទិកាថ្មីត្រូវបានបង្កើតដោយស្វ័យប្រវត្តិ) ។

រូបភាពទី 14 ការប្រើ Jupyter Notebook ដើម្បីកែសម្រួលម៉ាស៊ីន AI/ML នៅក្នុងវេទិកា InterSystems IRIS

ការសម្របខ្លួននៃដំណើរការវេទិកាអាចត្រូវបានអនុវត្តមិនត្រឹមតែជាទម្រង់ក្រាហ្វិក ឬកុំព្យូទ័រយួរដៃប៉ុណ្ណោះទេ ប៉ុន្តែក៏មានទម្រង់ "សរុប" IDE (បរិស្ថានអភិវឌ្ឍន៍រួមបញ្ចូលគ្នា) ផងដែរ។ IDE ទាំងនេះគឺ IRIS Studio (ស្ទូឌីយោ IRIS ដើម) Visual Studio Code (ផ្នែកបន្ថែម InterSystems IRIS សម្រាប់ VSCode) និង Eclipse (Atelier plugin)។ ក្នុងករណីខ្លះ ក្រុមអភិវឌ្ឍន៍អាចប្រើ IDE ទាំងបីក្នុងពេលដំណាលគ្នា។ ដ្យាក្រាមខាងក្រោមបង្ហាញឧទាហរណ៍នៃការកែសម្រួលដំណើរការដូចគ្នានៅក្នុងស្ទូឌីយ៉ូ IRIS នៅក្នុង Visual Studio Code និងនៅក្នុង Eclipse។ ខ្លឹមសារទាំងអស់គឺអាចរកបានសម្រាប់ការកែសម្រួល៖ Python/R/Julia/SQL, ObjectScript និងដំណើរការអាជីវកម្ម។

រូបភាពទី 15 ការអភិវឌ្ឍន៍នៃដំណើរការអាជីវកម្ម InterSystems IRIS នៅក្នុង IDEs ផ្សេងៗ

ឧបករណ៍សម្រាប់ការពិពណ៌នា និងដំណើរការដំណើរការអាជីវកម្ម InterSystems IRIS នៅក្នុងភាសាដំណើរការអាជីវកម្ម (BPL) សមនឹងទទួលបានការលើកឡើងពិសេស។ BPL ធ្វើឱ្យវាអាចប្រើ "សមាសធាតុសមាហរណកម្មដែលត្រៀមរួចជាស្រេច" (សកម្មភាព) នៅក្នុងដំណើរការអាជីវកម្ម - ដែលតាមពិតផ្តល់នូវហេតុផលទាំងអស់ដើម្បីនិយាយថា "ការរួមបញ្ចូលជាបន្តបន្ទាប់" ត្រូវបានអនុវត្តនៅក្នុង InterSystems IRIS ។ សមាសធាតុដំណើរការអាជីវកម្មដែលត្រៀមរួចជាស្រេច (សកម្មភាព និងការតភ្ជាប់រវាងពួកវា) គឺជាឧបករណ៍បង្កើនល្បឿនដ៏មានអានុភាពសម្រាប់ការប្រមូលផ្តុំដំណោះស្រាយ AI/ML ។ ហើយមិនត្រឹមតែសន្និបាតប៉ុណ្ណោះទេ៖ អរគុណចំពោះសកម្មភាព និងការតភ្ជាប់រវាងពួកគេជុំវិញការអភិវឌ្ឍន៍ និងយន្តការ AI/ML ដែលមិនខុសគ្នា "ស្រទាប់គ្រប់គ្រងស្វ័យភាព" កើតឡើង ដែលមានសមត្ថភាពធ្វើការសម្រេចចិត្តតាមស្ថានភាពជាក់ស្តែង។

រូបភាពទី 16 សមាសធាតុដំណើរការអាជីវកម្មដែលត្រៀមរួចជាស្រេចសម្រាប់ការរួមបញ្ចូលជាបន្ត (CI) នៅលើវេទិកា InterSystems IRIS

គោលគំនិតនៃប្រព័ន្ធភ្នាក់ងារ (ត្រូវបានគេស្គាល់ផងដែរថាជា "ប្រព័ន្ធពហុភ្នាក់ងារ") មានជំហររឹងមាំក្នុងការធ្វើមនុស្សយន្ត ហើយវេទិកា InterSystems IRIS គាំទ្រវាតាមរយៈការសាងសង់ "ដំណើរការផលិតផល" ។ បន្ថែមពីលើលទ្ធភាពគ្មានដែនកំណត់សម្រាប់ "ការបំពេញ" ដំណើរការនីមួយៗជាមួយនឹងមុខងារចាំបាច់សម្រាប់ដំណោះស្រាយទាំងមូល ការផ្តល់ប្រព័ន្ធនៃដំណើរការវេទិកាជាមួយនឹងទ្រព្យសម្បត្តិនៃ "ភ្នាក់ងារ" អនុញ្ញាតឱ្យអ្នកបង្កើតដំណោះស្រាយប្រកបដោយប្រសិទ្ធភាពសម្រាប់បាតុភូតក្លែងធ្វើមិនស្ថិតស្ថេរខ្លាំង (ឥរិយាបទនៃសង្គម/ ប្រព័ន្ធជីវសាស្រ្ត ដំណើរការបច្ចេកវិជ្ជាដែលអាចសង្កេតបានដោយផ្នែក។ល។)។

រូបភាពទី 16 ប្រតិបត្តិការនៃដំណោះស្រាយ AI/ML ជាប្រព័ន្ធដំណើរការអាជីវកម្មផ្អែកលើភ្នាក់ងារនៅក្នុង InterSystems IRIS

យើងបន្តការពិនិត្យឡើងវិញរបស់យើងអំពី InterSystems IRIS ជាមួយនឹងរឿងរ៉ាវអំពីការប្រើប្រាស់វេទិកាសម្រាប់ការដោះស្រាយបញ្ហាថ្នាក់ទាំងមូលនៃពេលវេលាជាក់ស្តែង (ការណែនាំលម្អិតដោយស្មើភាពចំពោះការអនុវត្តល្អបំផុតមួយចំនួននៃវេទិកា AI/ML លើប្រព័ន្ធ InterSystems IRIS អាចរកបានក្នុងមួយ របស់យើងពីមុន webinars).

ក្តៅនៅលើកែងជើងនៃដ្យាក្រាមមុន ខាងក្រោមនេះគឺជាដ្យាក្រាមលម្អិតបន្ថែមទៀតនៃប្រព័ន្ធភ្នាក់ងារ។ ដ្យាក្រាមបង្ហាញគំរូដូចគ្នា ដំណើរការភ្នាក់ងារទាំងបួនអាចមើលឃើញ ទំនាក់ទំនងរវាងពួកវាត្រូវបានគូរតាមគ្រោងការណ៍៖ GENERATOR - ដំណើរការបង្កើតទិន្នន័យដោយឧបករណ៍ចាប់សញ្ញាឧបករណ៍ BUFFER - គ្រប់គ្រងជួរទិន្នន័យ ការវិភាគ - អនុវត្តការរៀនម៉ាស៊ីនដោយខ្លួនឯង ម៉ូនីទ័រ - ត្រួតពិនិត្យ គុណភាពនៃការរៀនម៉ាស៊ីន និងបញ្ជូនសញ្ញាអំពីតម្រូវការក្នុងការបង្ហាត់គំរូឡើងវិញ។

រូបភាពទី 17 សមាសភាពនៃដំណោះស្រាយ AI/ML ក្នុងទម្រង់ជាប្រព័ន្ធដំណើរការអាជីវកម្មផ្អែកលើភ្នាក់ងារនៅក្នុង InterSystems IRIS

ដ្យាក្រាមខាងក្រោមបង្ហាញពីមុខងារស្វយ័តនៃគំរូមនុស្សយន្តមួយផ្សេងទៀត (ការទទួលស្គាល់ពណ៌អារម្មណ៍នៃអត្ថបទ) សម្រាប់ពេលខ្លះ។ នៅផ្នែកខាងលើគឺជាការវិវត្តនៃសូចនាករគុណភាពនៃការបណ្តុះបណ្តាលគំរូ (គុណភាពកំពុងកើនឡើង) នៅផ្នែកខាងក្រោមគឺជាសក្ដានុពលនៃសូចនាករគុណភាពនៃការអនុវត្តគំរូ និងការពិតនៃការបណ្តុះបណ្តាលម្តងហើយម្តងទៀត (ឆ្នូតក្រហម)។ ដូចដែលអ្នកអាចមើលឃើញ ដំណោះស្រាយបានរៀនដោយខ្លួនឯងប្រកបដោយប្រសិទ្ធភាព និងស្វ័យភាព ហើយដំណើរការនៅកម្រិតគុណភាពដែលបានផ្តល់ឱ្យ (តម្លៃពិន្ទុគុណភាពមិនធ្លាក់ចុះក្រោម 80%)។

រូបភាពទី 18 ការបណ្តុះបណ្តាលជាបន្តបន្ទាប់ (ដោយខ្លួនឯង) (CT) នៅលើវេទិកា InterSystems IRIS

យើងក៏បានលើកឡើងអំពី "auto-ML" មុននេះផងដែរ ប៉ុន្តែដ្យាក្រាមខាងក្រោមបង្ហាញពីការប្រើប្រាស់មុខងារនេះយ៉ាងលម្អិតដោយប្រើឧទាហរណ៍នៃគំរូដើមផ្សេងទៀត។ ដ្យាក្រាមក្រាហ្វិចនៃបំណែកនៃដំណើរការអាជីវកម្មបង្ហាញពីសកម្មភាពដែលបង្កឱ្យមានការបង្កើតគំរូនៅក្នុងជង់ H2O បង្ហាញលទ្ធផលនៃការធ្វើគំរូនេះ (ការត្រួតត្រាច្បាស់លាស់នៃគំរូលទ្ធផលលើម៉ូដែល "ផលិតដោយមនុស្ស" នេះបើយោងតាមដ្យាក្រាមប្រៀបធៀបនៃ ខ្សែកោង ROC ក៏ដូចជាការកំណត់អត្តសញ្ញាណដោយស្វ័យប្រវត្តិនៃ "អថេរដែលមានឥទ្ធិពលបំផុត" ដែលមាននៅក្នុងសំណុំទិន្នន័យដើម)។ ចំណុចសំខាន់មួយនៅទីនេះគឺការសន្សំពេលវេលា និងធនធានអ្នកជំនាញដែលសម្រេចបានតាមរយៈ "auto-ML"៖ អ្វីដែលដំណើរការវេទិការបស់យើងធ្វើក្នុងរយៈពេលកន្លះនាទី (ការស្វែងរក និងបណ្តុះបណ្តាលគំរូល្អបំផុត) អាចយកអ្នកជំនាញពីមួយសប្តាហ៍ទៅមួយខែ។

រូបភាពទី 19 ការរួមបញ្ចូល “auto-ML” ទៅក្នុងដំណោះស្រាយ AI/ML នៅលើវេទិកា InterSystems IRIS

ដ្យាក្រាមខាងក្រោមខ្វះចំណុចបន្តិច ប៉ុន្តែវាជាវិធីដ៏ល្អមួយដើម្បីបញ្ចប់រឿងអំពីថ្នាក់នៃបញ្ហាក្នុងពេលវេលាជាក់ស្តែងដែលកំពុងត្រូវបានដោះស្រាយ៖ យើងរំលឹកអ្នកថាជាមួយនឹងសមត្ថភាពទាំងអស់នៃវេទិកា InterSystems IRIS គំរូបណ្តុះបណ្តាលក្រោមការគ្រប់គ្រងរបស់វាគឺ មិនចាំបាច់ទេ។ វេទិកាអាចទទួលបានពីខាងក្រៅនូវអ្វីដែលគេហៅថាការបញ្ជាក់ PMML នៃគំរូដែលបានបណ្តុះបណ្តាលនៅក្នុងឧបករណ៍ដែលមិនស្ថិតនៅក្រោមការគ្រប់គ្រងរបស់វេទិកា - ហើយអនុវត្តគំរូនេះក្នុងពេលវេលាជាក់ស្តែងចាប់ពីពេលដែលវាត្រូវបាននាំចូល។ លក្ខណៈបច្ចេកទេស PMML. វាជារឿងសំខាន់ដែលត្រូវយកមកពិចារណាថា មិនមែនវត្ថុបុរាណ AI/ML ទាំងអស់អាចត្រូវបានកាត់បន្ថយទៅជាការបញ្ជាក់ PMML នោះទេ ទោះបីជាវត្ថុបុរាណធម្មតាភាគច្រើនអនុញ្ញាតក៏ដោយ។ ដូច្នេះ វេទិកា InterSystems IRIS គឺ "រង្វិលជុំបើកចំហ" ហើយមិនមានន័យថា "ទាសភាពវេទិកា" សម្រាប់អ្នកប្រើប្រាស់នោះទេ។

រូបភាពទី 20 ការរួមបញ្ចូល “auto-ML” ទៅក្នុងដំណោះស្រាយ AI/ML នៅលើវេទិកា InterSystems IRIS

អនុញ្ញាតឱ្យយើងរាយបញ្ជីអត្ថប្រយោជន៍វេទិកាបន្ថែមនៃ InterSystems IRIS (សម្រាប់ភាពច្បាស់លាស់ទាក់ទងនឹងការគ្រប់គ្រងដំណើរការ) ដែលមានសារៈសំខាន់យ៉ាងខ្លាំងក្នុងស្វ័យប្រវត្តិកម្មនៃបញ្ញាសិប្បនិម្មិត និងការរៀនម៉ាស៊ីនតាមពេលវេលាជាក់ស្តែង៖

• បានបង្កើតឧបករណ៍រួមបញ្ចូលជាមួយនឹងប្រភពទិន្នន័យ និងអ្នកប្រើប្រាស់ណាមួយ (ប្រព័ន្ធគ្រប់គ្រងដំណើរការ/SCADA, ឧបករណ៍, MRO, ERP ។ល។)
• ភ្ជាប់មកជាមួយ DBMS ច្រើនម៉ូដែល សម្រាប់ដំណើរការប្រតិបត្តិការ និងការវិភាគដែលមានប្រសិទ្ធភាពខ្ពស់ (ប្រតិបត្តិការកូនកាត់/ដំណើរការវិភាគ HTAP) នៃបរិមាណទិន្នន័យដំណើរការបច្ចេកវិជ្ជាណាមួយ
• ឧបករណ៍អភិវឌ្ឍន៍សម្រាប់ការប្រើប្រាស់ជាបន្តបន្ទាប់នៃម៉ាស៊ីន AI/ML សម្រាប់ដំណោះស្រាយពេលវេលាជាក់ស្តែងដោយផ្អែកលើ Python, R, Julia
• ដំណើរការអាជីវកម្មដែលសម្របខ្លួនសម្រាប់ការធ្វើសមាហរណកម្មបន្ត និងការរៀនដោយខ្លួនឯងនៃម៉ាស៊ីនដំណោះស្រាយ AI/ML ក្នុងពេលជាក់ស្តែង
• ឧបករណ៍វៃឆ្លាតអាជីវកម្មដែលភ្ជាប់មកជាមួយសម្រាប់ការមើលឃើញទិន្នន័យដំណើរការ និងលទ្ធផលនៃដំណោះស្រាយ AI/ML
• ការគ្រប់គ្រង API សម្រាប់ការផ្តល់លទ្ធផលនៃដំណោះស្រាយ AI/ML ដើម្បីដំណើរការប្រព័ន្ធគ្រប់គ្រង/SCADA ប្រព័ន្ធព័ត៌មាន និងវិភាគ ការផ្ញើការជូនដំណឹងជាដើម។

ដំណោះស្រាយ AI/ML នៅលើវេទិកា InterSystems IRIS ងាយស្រួលសមទៅនឹងហេដ្ឋារចនាសម្ព័ន្ធព័ត៌មានវិទ្យាដែលមានស្រាប់។ វេទិកា InterSystems IRIS ធានានូវភាពជឿជាក់ខ្ពស់នៃដំណោះស្រាយ AI/ML ដោយគាំទ្រការកំណត់រចនាសម្ព័ន្ធដែលធន់នឹងកំហុស និងធន់នឹងគ្រោះមហន្តរាយ និងការដាក់ឱ្យប្រើប្រាស់ដែលអាចបត់បែនបាននៅក្នុងបរិស្ថាននិម្មិត លើម៉ាស៊ីនមេ លើពពកឯកជន និងសាធារណៈ និងធុង Docker ។

ដូច្នេះ InterSystems IRIS គឺជាវេទិកាកុំព្យូទ័រ AI/ML ពេលវេលាពិតសកល។ ភាពជាសកលនៃវេទិការបស់យើងត្រូវបានបញ្ជាក់នៅក្នុងការអនុវត្តដោយអវត្តមាននៃការរឹតបន្តឹងជាក់ស្តែងលើភាពស្មុគស្មាញនៃការគណនាដែលបានអនុវត្ត សមត្ថភាពរបស់ InterSystems IRIS ក្នុងការបញ្ចូលគ្នា (ក្នុងពេលវេលាជាក់ស្តែង) ដំណើរការនៃសេណារីយ៉ូពីឧស្សាហកម្មជាច្រើន និងការសម្របសម្រួលពិសេសនៃ មុខងារ និងយន្តការនៃវេទិកាណាមួយចំពោះតម្រូវការជាក់លាក់របស់អ្នកប្រើប្រាស់។

រូបភាពទី 21 InterSystems IRIS - វេទិកាកុំព្យូទ័រ AI/ML ពេលវេលាពិតសកល

សម្រាប់អន្តរកម្មកាន់តែសំខាន់ជាមួយអ្នកអានរបស់យើងដែលចាប់អារម្មណ៍លើសម្ភារៈដែលបានបង្ហាញនៅទីនេះ យើងសូមណែនាំកុំកំណត់ខ្លួនអ្នកឱ្យអានវា ហើយបន្តការសន្ទនា "បន្តផ្ទាល់" ។ យើងនឹងរីករាយក្នុងការផ្តល់នូវការគាំទ្រជាមួយនឹងការបង្កើតសេណារីយ៉ូ AI/ML ក្នុងពេលជាក់ស្តែងទាក់ទងនឹងភាពជាក់លាក់នៃក្រុមហ៊ុនរបស់អ្នក ធ្វើគំរូរួមគ្នានៅលើវេទិកា InterSystems IRIS បង្កើត និងអនុវត្តនៅក្នុងការអនុវត្តផែនទីបង្ហាញផ្លូវសម្រាប់ការណែនាំបញ្ញាសិប្បនិម្មិត និងការរៀនម៉ាស៊ីន ទៅក្នុងដំណើរការផលិតកម្ម និងការគ្រប់គ្រងរបស់អ្នក។ ក្រុមអ្នកជំនាញ AI/ML របស់យើងទំនាក់ទំនងអ៊ីម៉ែល – [អ៊ីមែលការពារ].

ប្រភព: www.habr.com