ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS - ಸಾರ್ವತ್ರಿಕ ನೈಜ-ಸಮಯದ AI/ML ಪ್ಲಾಟ್‌ಫಾರ್ಮ್

ಲೇಖಕ: ಸೆರ್ಗೆ ಲುಕ್ಯಾಂಚಿಕೋವ್, ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್‌ನಲ್ಲಿ ಸಲಹಾ ಎಂಜಿನಿಯರ್

ನೈಜ-ಸಮಯದ AI/ML ಕಂಪ್ಯೂಟಿಂಗ್ ಕರೆಗಳು

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್‌ನಲ್ಲಿ ಡೇಟಾ ಸೈನ್ಸ್ ಅಭ್ಯಾಸದ ಅನುಭವದಿಂದ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸೋಣ:

• ಲೋಡ್ ಮಾಡಲಾದ ಖರೀದಿದಾರರ ಪೋರ್ಟಲ್ ಅನ್ನು ಆನ್‌ಲೈನ್ ಶಿಫಾರಸು ವ್ಯವಸ್ಥೆಗೆ ಸಂಪರ್ಕಿಸಲಾಗಿದೆ. ಚಿಲ್ಲರೆ ನೆಟ್‌ವರ್ಕ್‌ನಾದ್ಯಂತ ಪ್ರಚಾರಗಳ ಪುನರ್ರಚನೆ ಇರುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, "ಫ್ಲಾಟ್" ಲೈನ್ ಪ್ರಚಾರಗಳ ಬದಲಿಗೆ, ಈಗ "ವಿಭಾಗ-ತಂತ್ರಗಳ" ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ). ಶಿಫಾರಸು ಎಂಜಿನ್‌ಗಳಿಗೆ ಏನಾಗುತ್ತದೆ? ಶಿಫಾರಸು ಎಂಜಿನ್‌ಗೆ ಡೇಟಾವನ್ನು ಸಲ್ಲಿಸಲು ಮತ್ತು ನವೀಕರಿಸಲು ಏನಾಗುತ್ತದೆ (ಇನ್‌ಪುಟ್ ಡೇಟಾದ ಪರಿಮಾಣವು 25000 ಪಟ್ಟು ಹೆಚ್ಚಾಗಿದೆ)? ಶಿಫಾರಸುಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಏನಾಗುತ್ತದೆ (ಅವುಗಳ ಸಂಖ್ಯೆ ಮತ್ತು "ಶ್ರೇಣಿ" ಯಲ್ಲಿ ಸಾವಿರ ಪಟ್ಟು ಹೆಚ್ಚಳದ ಕಾರಣದಿಂದ ಶಿಫಾರಸು ನಿಯಮಗಳ ಫಿಲ್ಟರಿಂಗ್ ಮಿತಿಯನ್ನು ಸಾವಿರ ಪಟ್ಟು ಕಡಿಮೆ ಮಾಡುವ ಅಗತ್ಯತೆ)?
• ಸಲಕರಣೆಗಳ ಘಟಕಗಳಲ್ಲಿ ದೋಷಗಳ ಬೆಳವಣಿಗೆಯ ಸಾಧ್ಯತೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ವ್ಯವಸ್ಥೆ ಇದೆ. ಸ್ವಯಂಚಾಲಿತ ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯನ್ನು ಮಾನಿಟರಿಂಗ್ ಸಿಸ್ಟಮ್‌ಗೆ ಸಂಪರ್ಕಿಸಲಾಗಿದೆ, ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಸಾವಿರಾರು ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆ ನಿಯತಾಂಕಗಳನ್ನು ರವಾನಿಸುತ್ತದೆ. "ಹಸ್ತಚಾಲಿತ ಮಾದರಿಗಳಲ್ಲಿ" ಹಿಂದೆ ಕೆಲಸ ಮಾಡಿದ ಮೇಲ್ವಿಚಾರಣಾ ವ್ಯವಸ್ಥೆಗೆ ಏನಾಗುತ್ತದೆ (ಇದು ಎರಡನೇ-ಸೆಕೆಂಡ್ ಸಂಭವನೀಯತೆಯ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಒದಗಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆಯೇ)? ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗೆ ಇತ್ತೀಚೆಗೆ ಸೇರಿಸಲಾದ ಸಂವೇದಕಗಳ ವಾಚನಗೋಷ್ಠಿಗಳೊಂದಿಗೆ ಇನ್‌ಪುಟ್ ಡೇಟಾದಲ್ಲಿ ಹಲವಾರು ನೂರು ಕಾಲಮ್‌ಗಳ ಹೊಸ ಬ್ಲಾಕ್ ಕಾಣಿಸಿಕೊಂಡರೆ ಏನಾಗುತ್ತದೆ (ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಹೊಸ ಸಂವೇದಕಗಳಿಂದ ಡೇಟಾವನ್ನು ಸೇರಿಸಲು ಇದು ಅಗತ್ಯವಿದೆಯೇ ಮತ್ತು ಎಷ್ಟು ಸಮಯದವರೆಗೆ ಮಾನಿಟರಿಂಗ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ನಿಲ್ಲಿಸುವುದು )?
• ಪರಸ್ಪರರ ಕೆಲಸದ ಫಲಿತಾಂಶಗಳನ್ನು ಬಳಸುವ AI/ML ಕಾರ್ಯವಿಧಾನಗಳ (ಶಿಫಾರಸು, ಮೇಲ್ವಿಚಾರಣೆ, ಮುನ್ಸೂಚನೆ) ಒಂದು ಸೆಟ್ ಅನ್ನು ರಚಿಸಲಾಗಿದೆ. ಇನ್‌ಪುಟ್ ಡೇಟಾದಲ್ಲಿನ ಬದಲಾವಣೆಗಳಿಗೆ ಈ ಸಂಕೀರ್ಣದ ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳಲು ಪ್ರತಿ ತಿಂಗಳು ಎಷ್ಟು ಮಾನವ-ಗಂಟೆಗಳ ಅಗತ್ಯವಿದೆ? ನಿರ್ವಹಣಾ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಸಂಕೀರ್ಣದಿಂದ ಬೆಂಬಲಿತವಾದಾಗ ಸಾಮಾನ್ಯ "ನಿಧಾನ" ಎಂದರೇನು (ಹೊಸ ಇನ್ಪುಟ್ ಡೇಟಾದ ಆವರ್ತನಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಅದರಲ್ಲಿ ಹೊಸ ಪೋಷಕ ಮಾಹಿತಿಯ ಸಂಭವಿಸುವಿಕೆಯ ಆವರ್ತನ)?

ಇವುಗಳನ್ನು ಮತ್ತು ಇತರ ಅನೇಕ ಉದಾಹರಣೆಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಹೇಳುವುದಾದರೆ, ನೈಜ ಸಮಯದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಕಾರ್ಯವಿಧಾನಗಳ ಬಳಕೆಗೆ ಚಲಿಸುವಾಗ ಉಂಟಾಗುವ ಸವಾಲುಗಳ ಸೂತ್ರೀಕರಣಕ್ಕೆ ನಾವು ಬಂದಿದ್ದೇವೆ:

• ನಮ್ಮ ಕಂಪನಿಯಲ್ಲಿನ AI/ML ಬೆಳವಣಿಗೆಗಳ ರಚನೆ ಮತ್ತು ರೂಪಾಂತರದ (ಬದಲಾಗುತ್ತಿರುವ ಪರಿಸ್ಥಿತಿಗೆ) ನಾವು ತೃಪ್ತರಾಗಿದ್ದೇವೆಯೇ?
• ನಾವು ಬಳಸುವ AI/ML ಪರಿಹಾರಗಳು ನೈಜ-ಸಮಯದ ವ್ಯಾಪಾರ ನಿರ್ವಹಣೆಯನ್ನು ಎಷ್ಟು ಬೆಂಬಲಿಸುತ್ತವೆ?
• ನಾವು ಬಳಸುವ AI/ML ಪರಿಹಾರಗಳು ಸ್ವತಂತ್ರವಾಗಿ (ಡೆವಲಪರ್‌ಗಳಿಲ್ಲದೆ) ಡೇಟಾ ಮತ್ತು ವ್ಯವಹಾರ ನಿರ್ವಹಣಾ ಅಭ್ಯಾಸಗಳಲ್ಲಿನ ಬದಲಾವಣೆಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆಯೇ?

ನಮ್ಮ ಲೇಖನವು AI/ML ಕಾರ್ಯವಿಧಾನಗಳ ನಿಯೋಜನೆಗೆ ಸಾರ್ವತ್ರಿಕ ಬೆಂಬಲ, AI/ML ಪರಿಹಾರಗಳ ಜೋಡಣೆ (ಏಕೀಕರಣ) ಮತ್ತು AI/ML ಪರಿಹಾರಗಳ ತರಬೇತಿ (ಪರೀಕ್ಷೆ) ಕುರಿತು ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ಸಾಮರ್ಥ್ಯಗಳ ಸಂಪೂರ್ಣ ಅವಲೋಕನವಾಗಿದೆ. ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳು. ಈ ಲೇಖನದಲ್ಲಿ ನಾವು ಮಾರುಕಟ್ಟೆ ಸಂಶೋಧನೆ, AI/ML ಪರಿಹಾರಗಳ ಕೇಸ್ ಸ್ಟಡೀಸ್ ಮತ್ತು ನೈಜ-ಸಮಯದ AI/ML ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಎಂದು ಕರೆಯುವ ಪರಿಕಲ್ಪನಾ ಅಂಶಗಳನ್ನು ನೋಡುತ್ತೇವೆ.

ಸಮೀಕ್ಷೆಗಳಿಂದ ನಮಗೆ ತಿಳಿದಿರುವುದು: ನೈಜ-ಸಮಯದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು

ರೆಸೆಲ್ಯೂಟ್ಸ್ ಸಮೀಕ್ಷೆಲೈಟ್‌ಬೆಂಡ್‌ನಿಂದ 800 ರಲ್ಲಿ ಸುಮಾರು 2019 ಐಟಿ ವೃತ್ತಿಪರರ ನಡುವೆ ನಡೆಸಲಾಯಿತು, ಸ್ವತಃ ಮಾತನಾಡುತ್ತಾರೆ:

ಚಿತ್ರ 1 ನೈಜ-ಸಮಯದ ಡೇಟಾದ ಪ್ರಮುಖ ಗ್ರಾಹಕರು

ನಮ್ಮ ಅನುವಾದದಲ್ಲಿ ಈ ಸಮೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳ ವರದಿಯ ಪ್ರಮುಖ ತುಣುಕುಗಳನ್ನು ನಾವು ಉಲ್ಲೇಖಿಸೋಣ:

“... ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಸಾಧನಗಳ ಜನಪ್ರಿಯತೆಯ ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಅದೇ ಸಮಯದಲ್ಲಿ, ಕಂಟೈನರ್‌ಗಳಲ್ಲಿ ಕಂಪ್ಯೂಟಿಂಗ್ ಅನ್ನು ಬೆಂಬಲಿಸುವುದು ಪರಿಣಾಮಕಾರಿ ಪರಿಹಾರಗಳ ಹೆಚ್ಚು ಸ್ಪಂದಿಸುವ, ತರ್ಕಬದ್ಧ, ಕ್ರಿಯಾತ್ಮಕ ಪ್ರಸ್ತಾಪಕ್ಕಾಗಿ ಮಾರುಕಟ್ಟೆಯ ವಿನಂತಿಗೆ ಸಿನರ್ಜಿಸ್ಟಿಕ್ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಸ್ಟ್ರೀಮಿಂಗ್ ಡೇಟಾ ಸಾಂಪ್ರದಾಯಿಕ ಪ್ಯಾಕೆಟ್ ಡೇಟಾಕ್ಕಿಂತ ವೇಗವಾಗಿ ಮಾಹಿತಿಯನ್ನು ವರ್ಗಾಯಿಸುತ್ತದೆ. ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿಧಾನಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಇದಕ್ಕೆ ಸೇರಿಸಲಾಗಿದೆ, ಉದಾಹರಣೆಗೆ, AI/ML-ಆಧಾರಿತ ಶಿಫಾರಸುಗಳು, ಹೆಚ್ಚಿದ ಗ್ರಾಹಕರ ತೃಪ್ತಿಯ ಮೂಲಕ ಸ್ಪರ್ಧಾತ್ಮಕ ಪ್ರಯೋಜನಗಳನ್ನು ರಚಿಸುವುದು. ಚುರುಕುತನದ ಓಟವು DevOps ಮಾದರಿಯಲ್ಲಿನ ಎಲ್ಲಾ ಪಾತ್ರಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ - ಅಪ್ಲಿಕೇಶನ್ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ನಿಯೋಜನೆಯನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಮಾಡುತ್ತದೆ. … ಎಂಟುನೂರಾ ನಾಲ್ಕು IT ವೃತ್ತಿಪರರು ತಮ್ಮ ಸಂಸ್ಥೆಗಳಲ್ಲಿ ಡೇಟಾ ಹರಿವಿನ ಬಳಕೆಯ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸಿದ್ದಾರೆ. ಪ್ರತಿಕ್ರಿಯಿಸಿದವರು ಪ್ರಧಾನವಾಗಿ ಪಾಶ್ಚಿಮಾತ್ಯ ದೇಶಗಳಲ್ಲಿ ನೆಲೆಸಿದ್ದಾರೆ (ಯುರೋಪ್ನಲ್ಲಿ 41% ಮತ್ತು ಉತ್ತರ ಅಮೆರಿಕಾದಲ್ಲಿ 37%) ಮತ್ತು ಸಣ್ಣ, ಮಧ್ಯಮ ಮತ್ತು ದೊಡ್ಡ ಕಂಪನಿಗಳ ನಡುವೆ ಬಹುತೇಕ ಸಮಾನವಾಗಿ ವಿತರಿಸಲಾಯಿತು. ...

... ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಪ್ರಚೋದನೆಯಲ್ಲ. ಉತ್ಪಾದಕತೆ AI/ML ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಈಗಾಗಲೇ ಡೇಟಾ ಸ್ಟ್ರೀಮ್ ಸಂಸ್ಕರಣೆಯನ್ನು ಬಳಸುತ್ತಿರುವ ಐವತ್ತೆಂಟು ಪ್ರತಿಶತದಷ್ಟು ಜನರು ತಮ್ಮ AI/ML ಬಳಕೆಯು ಮುಂದಿನ ವರ್ಷದಲ್ಲಿ (ಇತರ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಹೋಲಿಸಿದರೆ) ಹೆಚ್ಚಿನ ಬೆಳವಣಿಗೆಯನ್ನು ಕಾಣಲಿದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತಾರೆ.

• ಹೆಚ್ಚಿನ ಪ್ರತಿಕ್ರಿಯಿಸಿದವರ ಪ್ರಕಾರ, AI/ML ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳ ಬಳಕೆಯು ಮುಂದಿನ ವರ್ಷದಲ್ಲಿ ಹೆಚ್ಚಿನ ಬೆಳವಣಿಗೆಯನ್ನು ಕಾಣಲಿದೆ.
• AI/ML ನಲ್ಲಿನ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸ ರೀತಿಯ ಸನ್ನಿವೇಶಗಳಿಂದಾಗಿ ಬೆಳೆಯುತ್ತವೆ, ಆದರೆ ನೈಜ-ಸಮಯದ ಡೇಟಾವನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸುವ ಸಾಂಪ್ರದಾಯಿಕ ಸನ್ನಿವೇಶಗಳ ಕಾರಣದಿಂದಾಗಿ.
• AI/ML ಜೊತೆಗೆ, IoT ಡೇಟಾ ಪೈಪ್‌ಲೈನ್‌ಗಳ ಬಳಕೆದಾರರಲ್ಲಿ ಉತ್ಸಾಹದ ಮಟ್ಟವು ಪ್ರಭಾವಶಾಲಿಯಾಗಿದೆ - IoT ಡೇಟಾವನ್ನು ಈಗಾಗಲೇ ಸಂಯೋಜಿಸಿದವರಲ್ಲಿ 48% ಜನರು ಈ ಡೇಟಾದ ಸನ್ನಿವೇಶದ ಅನುಷ್ಠಾನವು ಮುಂದಿನ ದಿನಗಳಲ್ಲಿ ಗಮನಾರ್ಹ ಹೆಚ್ಚಳವನ್ನು ಕಾಣಲಿದೆ ಎಂದು ಹೇಳುತ್ತಾರೆ. ..."

ಈ ಆಸಕ್ತಿದಾಯಕ ಸಮೀಕ್ಷೆಯಿಂದ, ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳ ಬಳಕೆಯಲ್ಲಿ ನಾಯಕರಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸನ್ನಿವೇಶಗಳ ಗ್ರಹಿಕೆ ಈಗಾಗಲೇ "ದಾರಿಯಲ್ಲಿದೆ" ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಆದರೆ ಅಷ್ಟೇ ಮುಖ್ಯವಾದ ಅವಲೋಕನವೆಂದರೆ DevOps ಲೆನ್ಸ್ ಮೂಲಕ ನೈಜ-ಸಮಯದ AI/ML ಗ್ರಹಿಕೆ: ಇಲ್ಲಿ ನಾವು ಈಗಾಗಲೇ "ಸಂಪೂರ್ಣವಾಗಿ ಪ್ರವೇಶಿಸಬಹುದಾದ ಡೇಟಾ ಸೆಟ್‌ನೊಂದಿಗೆ ಬಿಸಾಡಬಹುದಾದ AI/ML" ನ ಇನ್ನೂ ಪ್ರಬಲವಾದ ಸಂಸ್ಕೃತಿಯ ರೂಪಾಂತರದ ಬಗ್ಗೆ ಮಾತನಾಡಲು ಪ್ರಾರಂಭಿಸಬಹುದು.

ನೈಜ-ಸಮಯದ AI/ML ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪರಿಕಲ್ಪನೆ

ನೈಜ-ಸಮಯದ AI/ML ಗಾಗಿ ಒಂದು ವಿಶಿಷ್ಟವಾದ ಅಪ್ಲಿಕೇಶನ್ ಪ್ರದೇಶವೆಂದರೆ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ. ಆಕೆಯ ಉದಾಹರಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಮತ್ತು ಹಿಂದಿನ ಆಲೋಚನೆಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಂಡು, ನಾವು ನೈಜ-ಸಮಯದ AI/ML ವೇದಿಕೆಯ ಪರಿಕಲ್ಪನೆಯನ್ನು ರೂಪಿಸುತ್ತೇವೆ.
ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ಬಳಕೆಯು ಹಲವಾರು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹೊಂದಿದೆ:

• ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆಯ ಸ್ಥಿತಿಯ ಡೇಟಾವನ್ನು ತೀವ್ರವಾಗಿ ಸ್ವೀಕರಿಸಲಾಗಿದೆ: ಹೆಚ್ಚಿನ ಆವರ್ತನದೊಂದಿಗೆ ಮತ್ತು ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ನಿಯತಾಂಕಗಳಿಗಾಗಿ (ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯಿಂದ ಸೆಕೆಂಡಿಗೆ ಹತ್ತಾರು ಪ್ಯಾರಾಮೀಟರ್ ಮೌಲ್ಯಗಳನ್ನು ರವಾನಿಸಲಾಗುತ್ತದೆ)
• ದೋಷಗಳ ಗುರುತಿಸುವಿಕೆಯ ಡೇಟಾ, ಅವುಗಳ ಅಭಿವೃದ್ಧಿಯ ಡೇಟಾವನ್ನು ನಮೂದಿಸಬಾರದು, ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ವಿರಳ ಮತ್ತು ಅನಿಯಮಿತವಾಗಿದೆ, ದೋಷಗಳ ಸಾಕಷ್ಟು ಟೈಪಿಫಿಕೇಶನ್ ಮತ್ತು ಸಮಯಕ್ಕೆ ಅವುಗಳ ಸ್ಥಳೀಕರಣದಿಂದ ನಿರೂಪಿಸಲಾಗಿದೆ (ಸಾಮಾನ್ಯವಾಗಿ ಕಾಗದದ ದಾಖಲೆಗಳಿಂದ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ)
• ಪ್ರಾಯೋಗಿಕ ದೃಷ್ಟಿಕೋನದಿಂದ, ಮೂಲ ಡೇಟಾದ "ಪ್ರಸ್ತುತತೆಯ ವಿಂಡೋ" ಮಾತ್ರ ತರಬೇತಿ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಅನ್ವಯಿಸಲು ಲಭ್ಯವಿದೆ, ಪ್ರಕ್ರಿಯೆಯ ನಿಯತಾಂಕಗಳ ಕೊನೆಯ ಓದುವ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಕೊನೆಗೊಳ್ಳುವ ಸಮಂಜಸವಾದ ಸ್ಲೈಡಿಂಗ್ ಮಧ್ಯಂತರದಲ್ಲಿ ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆಯ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ.

ಈ ವೈಶಿಷ್ಟ್ಯಗಳು ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆಯಿಂದ ತೀವ್ರವಾದ "ಬ್ರಾಡ್‌ಬ್ಯಾಂಡ್ ಇನ್‌ಪುಟ್ ಸಿಗ್ನಲ್" ಅನ್ನು ನೈಜ ಸಮಯದಲ್ಲಿ ಸ್ವೀಕರಿಸಲು ಮತ್ತು ಮೂಲಭೂತ ಪ್ರಕ್ರಿಯೆಗೆ ಹೆಚ್ಚುವರಿಯಾಗಿ, AI / ಫಲಿತಾಂಶಗಳ ಅಪ್ಲಿಕೇಶನ್, ತರಬೇತಿ ಮತ್ತು ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣವನ್ನು ನಿರ್ವಹಿಸಲು (ಸಮಾನಾಂತರವಾಗಿ) ನಮಗೆ ಒತ್ತಾಯಿಸುತ್ತದೆ. ML ಮಾದರಿಗಳು - ನೈಜ ಸಮಯದಲ್ಲಿ ಸಹ. ಪ್ರಸ್ತುತತೆಯ ಸ್ಲೈಡಿಂಗ್ ವಿಂಡೋದಲ್ಲಿ ನಮ್ಮ ಮಾದರಿಗಳು "ನೋಡುವ" "ಫ್ರೇಮ್" ನಿರಂತರವಾಗಿ ಬದಲಾಗುತ್ತಿದೆ - ಮತ್ತು ಅದರೊಂದಿಗೆ, ಹಿಂದೆ "ಫ್ರೇಮ್" ಗಳಲ್ಲಿ ಒಂದರಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ AI / ML ಮಾದರಿಗಳ ಕೆಲಸದ ಫಲಿತಾಂಶಗಳ ಗುಣಮಟ್ಟವೂ ಬದಲಾಗುತ್ತದೆ. . AI/ML ಮಾದರಿಗಳ ಕೆಲಸದ ಫಲಿತಾಂಶಗಳ ಗುಣಮಟ್ಟವು ಹದಗೆಟ್ಟರೆ (ಉದಾಹರಣೆಗೆ: "ಅಲಾರ್ಮ್-ನಾರ್ಮ್" ವರ್ಗೀಕರಣದ ದೋಷದ ಮೌಲ್ಯವು ನಾವು ವ್ಯಾಖ್ಯಾನಿಸಿದ ಮಿತಿಗಳನ್ನು ಮೀರಿದೆ), ಮಾದರಿಗಳ ಹೆಚ್ಚುವರಿ ತರಬೇತಿಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪ್ರಾರಂಭಿಸಬೇಕು ಹೆಚ್ಚು ಪ್ರಸ್ತುತವಾದ “ಫ್ರೇಮ್” - ಮತ್ತು ಮಾದರಿಗಳ ಹೆಚ್ಚುವರಿ ತರಬೇತಿಯನ್ನು ಪ್ರಾರಂಭಿಸುವ ಕ್ಷಣದ ಆಯ್ಕೆಯು ತರಬೇತಿಯ ಅವಧಿಯನ್ನು ಹೇಗೆ ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬೇಕು ಮತ್ತು ಪ್ರಸ್ತುತ ಆವೃತ್ತಿಯ ಮಾದರಿಗಳ ಕೆಲಸದ ಗುಣಮಟ್ಟದಲ್ಲಿನ ಕ್ಷೀಣತೆಯ ಡೈನಾಮಿಕ್ಸ್ (ಇದರಿಂದ ಮಾದರಿಗಳ ಪ್ರಸ್ತುತ ಆವೃತ್ತಿಗಳನ್ನು ಮಾದರಿಗಳು ತರಬೇತಿ ಪಡೆದಾಗ ಮತ್ತು ಅವುಗಳ "ಹೊಸದಾಗಿ ತರಬೇತಿ ಪಡೆದ" ಆವೃತ್ತಿಗಳು ರೂಪುಗೊಳ್ಳುವವರೆಗೆ ಬಳಸುವುದನ್ನು ಮುಂದುವರಿಸಲಾಗುತ್ತದೆ).

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ನೈಜ-ಸಮಯದ ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ AI/ML ಪರಿಹಾರಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು ಪ್ರಮುಖ ವೇದಿಕೆ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೊಂದಿದೆ. ಈ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಮೂರು ಮುಖ್ಯ ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಬಹುದು:

• ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ನೈಜ ಸಮಯದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಉತ್ಪಾದಕ ಪರಿಹಾರಕ್ಕೆ ಹೊಸ ಅಥವಾ ಅಳವಡಿಸಿಕೊಂಡಿರುವ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ AI/ML ಕಾರ್ಯವಿಧಾನಗಳ ನಿರಂತರ ನಿಯೋಜನೆ (ನಿರಂತರ ನಿಯೋಜನೆ/ವಿತರಣೆ, CD)
• ಒಳಬರುವ ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆಯ ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳ ಏಕ ಉತ್ಪಾದಕ ಪರಿಹಾರವಾಗಿ ನಿರಂತರ ಏಕೀಕರಣ (CI) ವೇದಿಕೆ ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS
• AI/ML ಕಾರ್ಯವಿಧಾನಗಳ ನಿರಂತರ (ಸ್ವಯಂ) ತರಬೇತಿ (ನಿರಂತರ ತರಬೇತಿ, CT), ಡೇಟಾ, ಕೋಡ್ ಮತ್ತು ನಿಯಂತ್ರಣ ಕ್ರಿಯೆಗಳನ್ನು ("ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಲಾಗಿದೆ") ಬಳಸಿಕೊಂಡು ಗಣಿತದ ಮಾದರಿಯ ಪರಿಸರದಲ್ಲಿ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ

ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ನಿಖರವಾಗಿ ಈ ಗುಂಪುಗಳಾಗಿ ವರ್ಗೀಕರಿಸುವುದು ಆಕಸ್ಮಿಕವಲ್ಲ. ನಾವು ಕ್ರಮಶಾಸ್ತ್ರವನ್ನು ಉಲ್ಲೇಖಿಸೋಣ ಪ್ರಕಟಣೆ ನಮ್ಮ ಅನುವಾದದಲ್ಲಿ ಈ ವರ್ಗೀಕರಣಕ್ಕೆ ಪರಿಕಲ್ಪನಾ ಆಧಾರವನ್ನು ಒದಗಿಸುವ Google:

“... ಈ ದಿನಗಳಲ್ಲಿ ಜನಪ್ರಿಯವಾಗಿರುವ DevOps ಪರಿಕಲ್ಪನೆಯು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಪರಿಕಲ್ಪನೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಪ್ರಯೋಜನಗಳೆಂದರೆ ಅಭಿವೃದ್ಧಿ ಚಕ್ರಗಳ ಅವಧಿಯ ಕಡಿತ, ಬೆಳವಣಿಗೆಗಳ ವೇಗದ ನಿಯೋಜನೆ ಮತ್ತು ಬಿಡುಗಡೆ ಯೋಜನೆಯಲ್ಲಿ ನಮ್ಯತೆ. ಈ ಪ್ರಯೋಜನಗಳನ್ನು ಸಾಧಿಸಲು, DevOps ಕನಿಷ್ಠ ಎರಡು ಅಭ್ಯಾಸಗಳ ಅನುಷ್ಠಾನವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ:

• ನಿರಂತರ ಏಕೀಕರಣ (CI)
• ನಿರಂತರ ವಿತರಣೆ (ಸಿಡಿ)

ಉತ್ಪಾದಕ AI/ML ಪರಿಹಾರಗಳ ವಿಶ್ವಾಸಾರ್ಹ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯ ಜೋಡಣೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಈ ಅಭ್ಯಾಸಗಳು AI/ML ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಿಗೆ ಅನ್ವಯಿಸುತ್ತವೆ.

AI/ML ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು ಈ ಕೆಳಗಿನ ಅಂಶಗಳಲ್ಲಿ ಇತರ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಭಿನ್ನವಾಗಿವೆ:

• ತಂಡದ ಸಾಮರ್ಥ್ಯಗಳು: AI/ML ಪರಿಹಾರವನ್ನು ರಚಿಸುವಾಗ, ತಂಡವು ಸಾಮಾನ್ಯವಾಗಿ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಅಥವಾ ಡೇಟಾ ಸಂಶೋಧನೆಯ ಕ್ಷೇತ್ರದಲ್ಲಿ "ಶೈಕ್ಷಣಿಕ" ತಜ್ಞರನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಅವರು ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಾರೆ. ಈ ತಂಡದ ಸದಸ್ಯರು ವೃತ್ತಿಪರ ಉತ್ಪಾದಕ ಕೋಡ್ ಡೆವಲಪರ್‌ಗಳಾಗಿರದೇ ಇರಬಹುದು.
• ಅಭಿವೃದ್ಧಿ: AI/ML ಇಂಜಿನ್‌ಗಳು ಪ್ರಕೃತಿಯಲ್ಲಿ ಪ್ರಾಯೋಗಿಕವಾಗಿರುತ್ತವೆ. ಸಮಸ್ಯೆಯನ್ನು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ರೀತಿಯಲ್ಲಿ ಪರಿಹರಿಸಲು, ಇನ್‌ಪುಟ್ ವೇರಿಯೇಬಲ್‌ಗಳು, ಅಲ್ಗಾರಿದಮ್‌ಗಳು, ಮಾಡೆಲಿಂಗ್ ವಿಧಾನಗಳು ಮತ್ತು ಮಾದರಿ ನಿಯತಾಂಕಗಳ ವಿವಿಧ ಸಂಯೋಜನೆಗಳ ಮೂಲಕ ಹೋಗುವುದು ಅವಶ್ಯಕ. ಅಂತಹ ಹುಡುಕಾಟದ ಸಂಕೀರ್ಣತೆಯು "ಏನು ಕೆಲಸ ಮಾಡಿದೆ/ಕೆಲಸ ಮಾಡಲಿಲ್ಲ" ಎಂದು ಪತ್ತೆಹಚ್ಚುವಲ್ಲಿ ಇರುತ್ತದೆ, ಕಂತುಗಳ ಪುನರುತ್ಪಾದನೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ, ಪುನರಾವರ್ತಿತ ಅನುಷ್ಠಾನಗಳಿಗೆ ಬೆಳವಣಿಗೆಗಳ ಸಾಮಾನ್ಯೀಕರಣ.
• ಪರೀಕ್ಷೆ: AI/ML ಎಂಜಿನ್‌ಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಇತರ ಹೆಚ್ಚಿನ ಬೆಳವಣಿಗೆಗಳಿಗಿಂತ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಪರೀಕ್ಷೆಗಳ ಅಗತ್ಯವಿದೆ. ಪ್ರಮಾಣಿತ ಘಟಕ ಮತ್ತು ಏಕೀಕರಣ ಪರೀಕ್ಷೆಗಳ ಜೊತೆಗೆ, ಡೇಟಾ ಸಿಂಧುತ್ವ ಮತ್ತು ತರಬೇತಿ ಮತ್ತು ನಿಯಂತ್ರಣ ಮಾದರಿಗಳಿಗೆ ಮಾದರಿಯನ್ನು ಅನ್ವಯಿಸುವ ಫಲಿತಾಂಶಗಳ ಗುಣಮಟ್ಟವನ್ನು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ.
• ನಿಯೋಜನೆ: AI/ML ಪರಿಹಾರಗಳ ನಿಯೋಜನೆಯು ಒಮ್ಮೆ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಬಳಸುವ ಮುನ್ಸೂಚಕ ಸೇವೆಗಳಿಗೆ ಸೀಮಿತವಾಗಿಲ್ಲ. AI/ML ಪರಿಹಾರಗಳನ್ನು ಬಹು-ಹಂತದ ಪೈಪ್‌ಲೈನ್‌ಗಳ ಸುತ್ತಲೂ ನಿರ್ಮಿಸಲಾಗಿದೆ, ಅದು ಸ್ವಯಂಚಾಲಿತ ಮಾದರಿ ತರಬೇತಿ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. ಅಂತಹ ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ನಿಯೋಜಿಸುವುದು ಮಾದರಿಗಳನ್ನು ತರಬೇತಿ ಮಾಡಲು ಮತ್ತು ಪರೀಕ್ಷಿಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಸಾಂಪ್ರದಾಯಿಕವಾಗಿ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳು ಕೈಯಾರೆ ನಿರ್ವಹಿಸುವ ಕ್ಷುಲ್ಲಕವಲ್ಲದ ಕ್ರಿಯೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
• ಉತ್ಪಾದಕತೆ: AI/ML ಇಂಜಿನ್‌ಗಳು ಅಸಮರ್ಥ ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ನಿಂದಾಗಿ ಉತ್ಪಾದಕತೆಯನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ, ಆದರೆ ಇನ್‌ಪುಟ್ ಡೇಟಾದ ನಿರಂತರವಾಗಿ ಬದಲಾಗುತ್ತಿರುವ ಸ್ವಭಾವದ ಕಾರಣದಿಂದಾಗಿ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ಸಾಂಪ್ರದಾಯಿಕ ಬೆಳವಣಿಗೆಗಳ ಕಾರ್ಯಕ್ಷಮತೆಗಿಂತ ವ್ಯಾಪಕವಾದ ಕಾರಣಗಳಿಂದಾಗಿ AI/ML ಕಾರ್ಯವಿಧಾನಗಳ ಕಾರ್ಯಕ್ಷಮತೆ ಕುಸಿಯಬಹುದು. ಇದು ನಮ್ಮ AI/ML ಎಂಜಿನ್‌ಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ (ಆನ್‌ಲೈನ್) ಅಗತ್ಯಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ, ಹಾಗೆಯೇ ಕಾರ್ಯಕ್ಷಮತೆ ಸೂಚಕಗಳು ನಿರೀಕ್ಷೆಗಳನ್ನು ಪೂರೈಸದಿದ್ದರೆ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಕಳುಹಿಸುವುದು ಅಥವಾ ಫಲಿತಾಂಶಗಳನ್ನು ತಿರಸ್ಕರಿಸುವುದು.

AI/ML ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳು ಇತರ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಹೋಲುತ್ತವೆ, ಇವೆರಡಕ್ಕೂ ಆವೃತ್ತಿ ನಿಯಂತ್ರಣ, ಘಟಕ ಪರೀಕ್ಷೆ, ಏಕೀಕರಣ ಪರೀಕ್ಷೆ ಮತ್ತು ನಿರಂತರ ಅಭಿವೃದ್ಧಿ ನಿಯೋಜನೆಯೊಂದಿಗೆ ನಿರಂತರ ಕೋಡ್ ಏಕೀಕರಣದ ಅಗತ್ಯವಿರುತ್ತದೆ. ಆದಾಗ್ಯೂ, AI/ML ವಿಷಯದಲ್ಲಿ, ಹಲವಾರು ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸಗಳಿವೆ:

• CI (ನಿರಂತರ ಏಕೀಕರಣ) ಇನ್ನು ಮುಂದೆ ನಿಯೋಜಿಸಲಾದ ಘಟಕಗಳ ಕೋಡ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಲು ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸಲು ಸೀಮಿತವಾಗಿಲ್ಲ - ಇದು ಡೇಟಾ ಮತ್ತು AI/ML ಮಾದರಿಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
• CD (ನಿರಂತರ ವಿತರಣೆ/ನಿಯೋಜನೆ, ನಿರಂತರ ನಿಯೋಜನೆ) ಪ್ಯಾಕೇಜ್‌ಗಳು ಅಥವಾ ಸೇವೆಗಳನ್ನು ಬರೆಯಲು ಮತ್ತು ಬಿಡುಗಡೆ ಮಾಡಲು ಸೀಮಿತವಾಗಿಲ್ಲ, ಆದರೆ AI/ML ಪರಿಹಾರಗಳ ಸಂಯೋಜನೆ, ತರಬೇತಿ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ವೇದಿಕೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.
• CT (ನಿರಂತರ ತರಬೇತಿ, ನಿರಂತರ ತರಬೇತಿ) ಒಂದು ಹೊಸ ಅಂಶವಾಗಿದೆ [ಅಂದಾಜು. ಲೇಖನದ ಲೇಖಕ: DevOps ನ ಸಾಂಪ್ರದಾಯಿಕ ಪರಿಕಲ್ಪನೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಹೊಸ ಅಂಶ, ಇದರಲ್ಲಿ CT, ನಿಯಮದಂತೆ, ನಿರಂತರ ಪರೀಕ್ಷೆ], AI/ML ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳಲ್ಲಿ ಅಂತರ್ಗತವಾಗಿರುತ್ತದೆ, AI ಅನ್ನು ತರಬೇತಿ ಮತ್ತು ಅನ್ವಯಿಸುವ ಕಾರ್ಯವಿಧಾನಗಳ ಸ್ವಾಯತ್ತ ನಿರ್ವಹಣೆಗೆ ಕಾರಣವಾಗಿದೆ / ಎಂಎಲ್ ಮಾದರಿಗಳು. ..."

ನೈಜ-ಸಮಯದ ಡೇಟಾದಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ವಿಶಾಲವಾದ ಉಪಕರಣಗಳು ಮತ್ತು ಸಾಮರ್ಥ್ಯಗಳ ಅಗತ್ಯವಿದೆ ಎಂದು ನಾವು ಹೇಳಬಹುದು (ಕೋಡ್ ಅಭಿವೃದ್ಧಿಯಿಂದ ಗಣಿತದ ಮಾಡೆಲಿಂಗ್ ಪರಿಸರಗಳ ಆರ್ಕೆಸ್ಟ್ರೇಶನ್ವರೆಗೆ), ಎಲ್ಲಾ ಕ್ರಿಯಾತ್ಮಕ ಮತ್ತು ವಿಷಯ ಕ್ಷೇತ್ರಗಳ ನಡುವೆ ನಿಕಟ ಏಕೀಕರಣ, ಮಾನವ ಮತ್ತು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಸಂಘಟನೆ ಯಂತ್ರ ಸಂಪನ್ಮೂಲಗಳು.

ನೈಜ-ಸಮಯದ ಸನ್ನಿವೇಶ: ಫೀಡ್ ಪಂಪ್‌ಗಳಲ್ಲಿನ ದೋಷಗಳ ಬೆಳವಣಿಗೆಯನ್ನು ಗುರುತಿಸುವುದು

ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ಪ್ರದೇಶವನ್ನು ಉದಾಹರಣೆಯಾಗಿ ಬಳಸುವುದನ್ನು ಮುಂದುವರಿಸಿ, ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಗಣಿಸಿ (ನಾವು ಈಗಾಗಲೇ ಆರಂಭದಲ್ಲಿ ಉಲ್ಲೇಖಿಸಿದ್ದೇವೆ): ಪ್ರಕ್ರಿಯೆ ನಿಯತಾಂಕ ಮೌಲ್ಯಗಳ ಹರಿವಿನ ಆಧಾರದ ಮೇಲೆ ಪಂಪ್‌ಗಳಲ್ಲಿನ ದೋಷಗಳ ಅಭಿವೃದ್ಧಿಯ ನೈಜ-ಸಮಯದ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ನಾವು ಒದಗಿಸಬೇಕಾಗಿದೆ. ಮತ್ತು ಗುರುತಿಸಲಾದ ದೋಷಗಳ ಬಗ್ಗೆ ದುರಸ್ತಿ ಸಿಬ್ಬಂದಿಯಿಂದ ವರದಿಗಳು.

ಚಿತ್ರ 2 ದೋಷಗಳ ಬೆಳವಣಿಗೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಸಮಸ್ಯೆ ಸೂತ್ರೀಕರಣ

ಪ್ರಾಯೋಗಿಕವಾಗಿ ಈ ರೀತಿಯಲ್ಲಿ ಒಡ್ಡಿದ ಹೆಚ್ಚಿನ ಕಾರ್ಯಗಳ ವೈಶಿಷ್ಟ್ಯವೆಂದರೆ ಡೇಟಾ ರಶೀದಿಯ (APCS) ಕ್ರಮಬದ್ಧತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ವಿವಿಧ ಪ್ರಕಾರಗಳ ದೋಷಗಳ ಎಪಿಸೋಡಿಕ್ ಮತ್ತು ಅನಿಯಮಿತ ಘಟನೆಗಳ (ಮತ್ತು ನೋಂದಣಿ) ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಪರಿಗಣಿಸಬೇಕು. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ: ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯಿಂದ ಡೇಟಾವು ಸೆಕೆಂಡಿಗೆ ಒಮ್ಮೆ ಬರುತ್ತದೆ, ಸರಿಯಾದ ಮತ್ತು ನಿಖರವಾಗಿದೆ, ಮತ್ತು ದೋಷಗಳ ಬಗ್ಗೆ ಟಿಪ್ಪಣಿಗಳನ್ನು ರಾಸಾಯನಿಕ ಪೆನ್ಸಿಲ್‌ನಿಂದ ಮಾಡಲಾಗುತ್ತದೆ, ಇದು ಕಾರ್ಯಾಗಾರದಲ್ಲಿ ಸಾಮಾನ್ಯ ನೋಟ್‌ಬುಕ್‌ನಲ್ಲಿ ದಿನಾಂಕವನ್ನು ಸೂಚಿಸುತ್ತದೆ (ಉದಾಹರಣೆಗೆ: “12.01 - ಕವರ್‌ನಲ್ಲಿ ಸೋರಿಕೆ 3 ನೇ ಬೇರಿಂಗ್ ಬದಿಯಿಂದ").

ಹೀಗಾಗಿ, ಈ ಕೆಳಗಿನ ಪ್ರಮುಖ ಮಿತಿಯೊಂದಿಗೆ ನಾವು ಸಮಸ್ಯೆಯ ಸೂತ್ರೀಕರಣವನ್ನು ಪೂರಕಗೊಳಿಸಬಹುದು: ನಿರ್ದಿಷ್ಟ ಪ್ರಕಾರದ ದೋಷದ ಒಂದು "ಲೇಬಲ್" ಅನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ (ಅಂದರೆ, ನಿರ್ದಿಷ್ಟ ಪ್ರಕಾರದ ದೋಷದ ಉದಾಹರಣೆಯನ್ನು ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣದಿಂದ ಡೇಟಾದಿಂದ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. ನಿರ್ದಿಷ್ಟ ದಿನಾಂಕದಂದು ಸಿಸ್ಟಮ್ - ಮತ್ತು ಈ ನಿರ್ದಿಷ್ಟ ಪ್ರಕಾರದ ದೋಷದ ಹೆಚ್ಚಿನ ಉದಾಹರಣೆಗಳನ್ನು ನಾವು ಹೊಂದಿಲ್ಲ). ಈ ಮಿತಿಯು ತಕ್ಷಣವೇ ಶಾಸ್ತ್ರೀಯ ಯಂತ್ರ ಕಲಿಕೆಯ (ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆ) ವ್ಯಾಪ್ತಿಯನ್ನು ಮೀರಿ ನಮ್ಮನ್ನು ಕರೆದೊಯ್ಯುತ್ತದೆ, ಇದಕ್ಕಾಗಿ ಬಹಳಷ್ಟು "ಟ್ಯಾಗ್‌ಗಳು" ಇರಬೇಕು.

ದೋಷಗಳ ಬೆಳವಣಿಗೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಕಾರ್ಯದ ಚಿತ್ರ 3 ಸ್ಪಷ್ಟೀಕರಣ

ನಮ್ಮ ಇತ್ಯರ್ಥದಲ್ಲಿರುವ ಏಕೈಕ "ಟ್ಯಾಗ್" ಅನ್ನು ನಾವು ಹೇಗಾದರೂ "ಗುಣಿಸಬಹುದೇ"? ಹೌದು ನಮಗೆ ಸಾಧ್ಯ. ಪಂಪ್ನ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿಯನ್ನು ನೋಂದಾಯಿತ ದೋಷಗಳಿಗೆ ಹೋಲಿಕೆಯ ಮಟ್ಟದಿಂದ ನಿರೂಪಿಸಲಾಗಿದೆ. ಪರಿಮಾಣಾತ್ಮಕ ವಿಧಾನಗಳ ಬಳಕೆಯಿಲ್ಲದೆ, ದೃಶ್ಯ ಗ್ರಹಿಕೆಯ ಮಟ್ಟದಲ್ಲಿ, ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯಿಂದ ಬರುವ ಡೇಟಾ ಮೌಲ್ಯಗಳ ಡೈನಾಮಿಕ್ಸ್ ಅನ್ನು ಗಮನಿಸುವುದರ ಮೂಲಕ, ನೀವು ಈಗಾಗಲೇ ಬಹಳಷ್ಟು ಕಲಿಯಬಹುದು:

ಚಿತ್ರ 4 ನಿರ್ದಿಷ್ಟ ಪ್ರಕಾರದ ದೋಷದ "ಗುರುತು" ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಪಂಪ್ ಸ್ಥಿತಿಯ ಡೈನಾಮಿಕ್ಸ್

ಆದರೆ ದೃಶ್ಯ ಗ್ರಹಿಕೆ (ಕನಿಷ್ಠ ಇದೀಗ) ನಮ್ಮ ವೇಗವಾಗಿ ಬದಲಾಗುತ್ತಿರುವ ಸನ್ನಿವೇಶದಲ್ಲಿ "ಟ್ಯಾಗ್‌ಗಳ" ಅತ್ಯಂತ ಸೂಕ್ತವಾದ ಜನರೇಟರ್ ಅಲ್ಲ. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿಕೊಂಡು ವರದಿ ಮಾಡಿದ ದೋಷಗಳಿಗೆ ಪ್ರಸ್ತುತ ಪಂಪ್ ಸ್ಥಿತಿಯ ಹೋಲಿಕೆಯನ್ನು ನಾವು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತೇವೆ.

ಚಿತ್ರ 5 ದೋಷದ "ಲೇಬಲ್" ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಒಳಬರುವ ಡೇಟಾಗೆ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷೆಯನ್ನು ಅನ್ವಯಿಸುವುದು

ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಯಿಂದ ಪಡೆದ "ಫ್ಲೋ-ಪ್ಯಾಕೆಟ್" ನಲ್ಲಿನ ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆಯ ನಿಯತಾಂಕಗಳ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ದಾಖಲೆಗಳು ಒಂದು ನಿರ್ದಿಷ್ಟ ಪ್ರಕಾರದ ದೋಷದ "ಟ್ಯಾಗ್" ನ ದಾಖಲೆಗಳಿಗೆ ಹೋಲುತ್ತವೆ ಎಂಬ ಸಂಭವನೀಯತೆಯನ್ನು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷೆಯು ನಿರ್ಧರಿಸುತ್ತದೆ. ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷೆಯನ್ನು ಅನ್ವಯಿಸುವ ಪರಿಣಾಮವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾದ ಸಂಭವನೀಯತೆಯ ಮೌಲ್ಯವನ್ನು (ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಸಾಮ್ಯತೆ ಸೂಚ್ಯಂಕ) 0 ಅಥವಾ 1 ರ ಮೌಲ್ಯಕ್ಕೆ ಪರಿವರ್ತಿಸಲಾಗುತ್ತದೆ, ಹೋಲಿಕೆಗಾಗಿ ಪರಿಶೀಲಿಸಲಾಗುವ ಪ್ಯಾಕೆಟ್‌ನಲ್ಲಿರುವ ಪ್ರತಿಯೊಂದು ನಿರ್ದಿಷ್ಟ ದಾಖಲೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಗಾಗಿ "ಲೇಬಲ್" ಆಗುತ್ತದೆ. ಅಂದರೆ, ಅಂಕಿಅಂಶಗಳ ಪರೀಕ್ಷೆಯೊಂದಿಗೆ ಹೊಸದಾಗಿ ಸ್ವೀಕರಿಸಿದ ಪಂಪ್ ಸ್ಟೇಟ್ ದಾಖಲೆಗಳ ಪ್ಯಾಕೇಜ್ ಅನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿದ ನಂತರ, (ಎ) ಈ ಪ್ಯಾಕೇಜ್ ಅನ್ನು AI/ML ಮಾದರಿಯ ತರಬೇತಿಗಾಗಿ ತರಬೇತಿ ಸೆಟ್ಗೆ ಸೇರಿಸಲು ಮತ್ತು (b) ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣವನ್ನು ಕೈಗೊಳ್ಳಲು ನಮಗೆ ಅವಕಾಶವಿದೆ. ಈ ಪ್ಯಾಕೇಜ್‌ಗೆ ಬಳಸುವಾಗ ಮಾದರಿಯ ಪ್ರಸ್ತುತ ಆವೃತ್ತಿ.

ಚಿತ್ರ 6 ದೋಷ "ಲೇಬಲ್" ಹಿನ್ನೆಲೆಯಲ್ಲಿ ಒಳಬರುವ ಡೇಟಾಗೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಯನ್ನು ಅನ್ವಯಿಸುವುದು

ನಮ್ಮ ಹಿಂದಿನ ಒಂದರಲ್ಲಿ ವೆಬ್ನಾರ್ಗಳು ಮಾಡೆಲಿಂಗ್ ಫಲಿತಾಂಶಗಳ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಮತ್ತು ಮಾದರಿ ನಿಯತಾಂಕಗಳನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ನಿರಂತರವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸುವ ರೂಪದಲ್ಲಿ ಯಾವುದೇ AI/ML ಕಾರ್ಯವಿಧಾನವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ನಿಮಗೆ ಹೇಗೆ ಅನುಮತಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಾವು ತೋರಿಸುತ್ತೇವೆ ಮತ್ತು ವಿವರಿಸುತ್ತೇವೆ. ಪಂಪ್‌ಗಳೊಂದಿಗೆ ನಮ್ಮ ಸನ್ನಿವೇಶದ ಮೂಲಮಾದರಿಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವಾಗ, ವೆಬ್‌ನಾರ್‌ನಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ ಎಲ್ಲಾ ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಕಾರ್ಯವನ್ನು ನಾವು ಬಳಸುತ್ತೇವೆ - ನಮ್ಮ ಪರಿಹಾರದ ಭಾಗವಾಗಿ ವಿಶ್ಲೇಷಕ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಅನುಷ್ಠಾನಗೊಳಿಸುವುದು ಶಾಸ್ತ್ರೀಯ ಮೇಲ್ವಿಚಾರಣೆಯ ಕಲಿಕೆಯಲ್ಲ, ಬದಲಿಗೆ ಬಲವರ್ಧನೆಯ ಕಲಿಕೆ, ಇದು ತರಬೇತಿ ಮಾದರಿಗಳ ಆಯ್ಕೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿರ್ವಹಿಸುತ್ತದೆ. . ತರಬೇತಿ ಮಾದರಿಯು ಅಂಕಿಅಂಶಗಳ ಪರೀಕ್ಷೆ ಮತ್ತು ಮಾದರಿಯ ಪ್ರಸ್ತುತ ಆವೃತ್ತಿ ಎರಡನ್ನೂ ಅನ್ವಯಿಸಿದ ನಂತರ "ಪತ್ತೆಹೊಂದಿಸುವ ಒಮ್ಮತ" ಉಂಟಾಗುವ ದಾಖಲೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ - ಅಂದರೆ, ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷೆ (ಸಾಮ್ಯತೆಯ ಸೂಚ್ಯಂಕವನ್ನು 0 ಅಥವಾ 1 ಗೆ ಪರಿವರ್ತಿಸಿದ ನಂತರ) ಮತ್ತು ಮಾದರಿಯು ಫಲಿತಾಂಶವನ್ನು ನೀಡುತ್ತದೆ. ಅಂತಹ ದಾಖಲೆಗಳಲ್ಲಿ 1. ಮಾದರಿಯ ಹೊಸ ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ, ಅದರ ಮೌಲ್ಯೀಕರಣದ ಸಮಯದಲ್ಲಿ (ಹೊಸದಾಗಿ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಅದರ ಸ್ವಂತ ತರಬೇತಿ ಮಾದರಿಗೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ, ಅದಕ್ಕೆ ಅಂಕಿಅಂಶಗಳ ಪರೀಕ್ಷೆಯ ಪ್ರಾಥಮಿಕ ಅನ್ವಯದೊಂದಿಗೆ), ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಿದ ನಂತರ ಫಲಿತಾಂಶ 1 ಅನ್ನು "ಉಳಿಸಿಕೊಳ್ಳದ" ದಾಖಲೆಗಳು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪರೀಕ್ಷೆಯ ಮೂಲಕ (ತರಬೇತಿಯಲ್ಲಿ ನಿರಂತರ ಉಪಸ್ಥಿತಿಯಿಂದಾಗಿ ದೋಷದ ಮೂಲ "ಲೇಬಲ್" ನಿಂದ ದಾಖಲೆಗಳ ಮಾದರಿ), ತರಬೇತಿ ಸೆಟ್ನಿಂದ ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯ ಹೊಸ ಆವೃತ್ತಿಯು "ಲೇಬಲ್" ನಿಂದ ಕಲಿಯುತ್ತದೆ ದೋಷದ ಜೊತೆಗೆ ಸ್ಟ್ರೀಮ್‌ನಿಂದ "ಉಳಿಸಿಕೊಂಡಿರುವ" ದಾಖಲೆಗಳು.

ಚಿತ್ರ 7 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ನಲ್ಲಿ AI/ML ಲೆಕ್ಕಾಚಾರಗಳ ರೋಬೋಟೈಸೇಶನ್

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿ ಸ್ಥಳೀಯ ಲೆಕ್ಕಾಚಾರದ ಸಮಯದಲ್ಲಿ ಪಡೆದ ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ಗುಣಮಟ್ಟದ ಕುರಿತು "ಎರಡನೆಯ ಅಭಿಪ್ರಾಯ" ದ ಅಗತ್ಯವಿದ್ದಲ್ಲಿ, ಕ್ಲೌಡ್ ಸೇವೆಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿಯಂತ್ರಣ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಮಾದರಿಗಳ ತರಬೇತಿ ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿರ್ವಹಿಸಲು ಸಲಹೆಗಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ (ಉದಾಹರಣೆಗೆ, ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಜೂರ್, ಅಮೆಜಾನ್ ವೆಬ್ ಸೇವೆಗಳು, ಗೂಗಲ್ ಕ್ಲೌಡ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್, ಇತ್ಯಾದಿ):

ಚಿತ್ರ 8 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಿಂದ ಆಯೋಜಿಸಲ್ಪಟ್ಟ ಮೈಕ್ರೋಸಾಫ್ಟ್ ಅಜೂರ್‌ನಿಂದ ಎರಡನೇ ಅಭಿಪ್ರಾಯ

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿನ ನಮ್ಮ ಸನ್ನಿವೇಶದ ಮೂಲಮಾದರಿಯು ಸಾಧನದ ವಸ್ತು (ಪಂಪ್), ಗಣಿತದ ಮಾಡೆಲಿಂಗ್ ಪರಿಸರಗಳೊಂದಿಗೆ (ಪೈಥಾನ್, ಆರ್ ಮತ್ತು ಜೂಲಿಯಾ) ಸಂವಹನ ನಡೆಸುವ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಗಳ ಏಜೆಂಟ್-ಆಧಾರಿತ ವ್ಯವಸ್ಥೆಯಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ಮತ್ತು ಎಲ್ಲಾ ಒಳಗೊಂಡಿರುವ AI/ ಸ್ವಯಂ-ಕಲಿಕೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ. ML ಕಾರ್ಯವಿಧಾನಗಳು - ನೈಜ-ಸಮಯದ ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳಲ್ಲಿ .

ಚಿತ್ರ 9 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ನಲ್ಲಿ ನೈಜ-ಸಮಯದ AI/ML ಪರಿಹಾರದ ಮುಖ್ಯ ಕಾರ್ಯಚಟುವಟಿಕೆ

ನಮ್ಮ ಮೂಲಮಾದರಿಯ ಪ್ರಾಯೋಗಿಕ ಫಲಿತಾಂಶ:

• ಮಾದರಿ ದೋಷವನ್ನು ಗುರುತಿಸಲಾಗಿದೆ (ಜನವರಿ 12):

• ಮಾದರಿಯಲ್ಲಿ ಸೇರಿಸದ ಮಾದರಿಯಿಂದ ಅಭಿವೃದ್ಧಿಶೀಲ ದೋಷವನ್ನು ಗುರುತಿಸಲಾಗಿದೆ (ಸೆಪ್ಟೆಂಬರ್ 11, ದೋಷವನ್ನು ದುರಸ್ತಿ ತಂಡವು ಕೇವಲ ಎರಡು ದಿನಗಳ ನಂತರ, ಸೆಪ್ಟೆಂಬರ್ 13 ರಂದು ಗುರುತಿಸಿದೆ):

ಅದೇ ದೋಷದ ಹಲವಾರು ಸಂಚಿಕೆಗಳನ್ನು ಹೊಂದಿರುವ ನೈಜ ಡೇಟಾದ ಸಿಮ್ಯುಲೇಶನ್ ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿರುವ ನಮ್ಮ ಪರಿಹಾರವು ದುರಸ್ತಿ ತಂಡವು ಪತ್ತೆಹಚ್ಚುವ ಹಲವಾರು ದಿನಗಳ ಮೊದಲು ಈ ಪ್ರಕಾರದ ದೋಷಗಳ ಬೆಳವಣಿಗೆಯನ್ನು ಗುರುತಿಸಲು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಿದೆ.

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS - ಒಂದು ಸಾರ್ವತ್ರಿಕ ನೈಜ-ಸಮಯದ AI/ML ಕಂಪ್ಯೂಟಿಂಗ್ ವೇದಿಕೆ

InterSystems IRIS ವೇದಿಕೆಯು ನೈಜ-ಸಮಯದ ಡೇಟಾ ಪರಿಹಾರಗಳ ಅಭಿವೃದ್ಧಿ, ನಿಯೋಜನೆ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯನ್ನು ಸರಳಗೊಳಿಸುತ್ತದೆ. ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಏಕಕಾಲದಲ್ಲಿ ವಹಿವಾಟು ಮತ್ತು ವಿಶ್ಲೇಷಣಾತ್ಮಕ ದತ್ತಾಂಶ ಸಂಸ್ಕರಣೆಯನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ; ಬಹು ಮಾದರಿಗಳ ಪ್ರಕಾರ ಸಿಂಕ್ರೊನೈಸ್ ಮಾಡಿದ ಡೇಟಾ ವೀಕ್ಷಣೆಗಳನ್ನು ಬೆಂಬಲಿಸಿ (ಸಂಬಂಧಿತ, ಕ್ರಮಾನುಗತ, ವಸ್ತು ಮತ್ತು ದಾಖಲೆ ಸೇರಿದಂತೆ); ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು ವೈಯಕ್ತಿಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಸಂಯೋಜಿಸಲು ವೇದಿಕೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ; ರಚನಾತ್ಮಕ ಮತ್ತು ರಚನೆಯಿಲ್ಲದ ಡೇಟಾದಲ್ಲಿ ಸುಧಾರಿತ ನೈಜ-ಸಮಯದ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಒದಗಿಸಿ. ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಬಾಹ್ಯ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಾಧನಗಳನ್ನು ಬಳಸುವ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಕ್ಲೌಡ್‌ನಲ್ಲಿ ಮತ್ತು ಸ್ಥಳೀಯ ಸರ್ವರ್‌ಗಳಲ್ಲಿ ಹೋಸ್ಟಿಂಗ್‌ನ ಹೊಂದಿಕೊಳ್ಳುವ ಸಂಯೋಜನೆಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ.

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ನಿರ್ಮಿಸಲಾದ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ವಿವಿಧ ಕೈಗಾರಿಕೆಗಳಲ್ಲಿ ನಿಯೋಜಿಸಲಾಗಿದೆ, ಕಂಪನಿಗಳು ಕಾರ್ಯತಂತ್ರದ ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ದೃಷ್ಟಿಕೋನದಿಂದ ಗಮನಾರ್ಹ ಆರ್ಥಿಕ ಪ್ರಯೋಜನಗಳನ್ನು ಸಾಧಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ತಿಳುವಳಿಕೆಯುಳ್ಳ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ಈವೆಂಟ್, ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಕ್ರಿಯೆಯ ನಡುವಿನ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಚಿತ್ರ 10 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಆರ್ಕಿಟೆಕ್ಚರ್ ನೈಜ-ಸಮಯದ AI/ML ಸಂದರ್ಭದಲ್ಲಿ

ಹಿಂದಿನ ರೇಖಾಚಿತ್ರದಂತೆ, ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರವು ಹೊಸ "ಕೋಆರ್ಡಿನೇಟ್ ಸಿಸ್ಟಮ್" (ಸಿಡಿ / ಸಿಐ / ಸಿಟಿ) ಅನ್ನು ವೇದಿಕೆಯ ಕೆಲಸದ ಅಂಶಗಳ ನಡುವಿನ ಮಾಹಿತಿಯ ಹರಿವಿನ ರೇಖಾಚಿತ್ರದೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ. ದೃಶ್ಯೀಕರಣವು ಮ್ಯಾಕ್ರೋಮೆಕಾನಿಸಂ ಸಿಡಿಯೊಂದಿಗೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ ಮತ್ತು ಮ್ಯಾಕ್ರೋಮೆಕಾನಿಸಂಗಳಾದ CI ಮತ್ತು CT ಯೊಂದಿಗೆ ಮುಂದುವರಿಯುತ್ತದೆ.

ಚಿತ್ರ 11 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ AI/ML ಅಂಶಗಳ ನಡುವಿನ ಮಾಹಿತಿಯ ರೇಖಾಚಿತ್ರ

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿನ CD ಯಾಂತ್ರಿಕತೆಯ ಸಾರ: ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಬಳಕೆದಾರರು (AI/ML ಪರಿಹಾರಗಳ ಡೆವಲಪರ್‌ಗಳು) ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮತ್ತು/ಅಥವಾ AI/ML ಕಾರ್ಯವಿಧಾನಗಳಿಗಾಗಿ ವಿಶೇಷ ಕೋಡ್ ಸಂಪಾದಕವನ್ನು ಬಳಸಿಕೊಂಡು ಹೊಸ AI/ML ಅಭಿವೃದ್ಧಿಗಳನ್ನು ರಚಿಸುತ್ತಾರೆ: ಜುಪಿಟರ್ (ಪೂರ್ಣ ಹೆಸರು: ಜುಪಿಟರ್ ನೋಟ್‌ಬುಕ್; ಸಂಕ್ಷಿಪ್ತತೆಗಾಗಿ, ಈ ಸಂಪಾದಕದಲ್ಲಿ ರಚಿಸಲಾದ ದಾಖಲೆಗಳನ್ನು ಕೆಲವೊಮ್ಮೆ ಕರೆಯಲಾಗುತ್ತದೆ). ಜುಪಿಟರ್‌ನಲ್ಲಿ, ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿ ಇರಿಸುವ ಮೊದಲು ("ನಿಯೋಜಿತ") ನಿರ್ದಿಷ್ಟ AI/ML ಅಭಿವೃದ್ಧಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು (ಗ್ರಾಫಿಕ್ಸ್ ಬಳಸುವುದು ಸೇರಿದಂತೆ) ಬರೆಯಲು, ಡೀಬಗ್ ಮಾಡಲು ಮತ್ತು ಪರಿಶೀಲಿಸಲು ಡೆವಲಪರ್‌ಗೆ ಅವಕಾಶವಿದೆ. ಈ ರೀತಿಯಲ್ಲಿ ರಚಿಸಲಾದ ಹೊಸ ಅಭಿವೃದ್ಧಿಯು ಮೂಲಭೂತ ಡೀಬಗ್ ಮಾಡುವಿಕೆಯನ್ನು ಮಾತ್ರ ಪಡೆಯುತ್ತದೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ (ನಿರ್ದಿಷ್ಟವಾಗಿ, ಜುಪಿಟರ್ ನೈಜ-ಸಮಯದ ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ) - ಇದು ವಸ್ತುಗಳ ಕ್ರಮದಲ್ಲಿದೆ, ಏಕೆಂದರೆ ಗುರುಗ್ರಹದಲ್ಲಿನ ಅಭಿವೃದ್ಧಿಯ ಮುಖ್ಯ ಫಲಿತಾಂಶ ಪ್ರತ್ಯೇಕ AI / ML ಕಾರ್ಯವಿಧಾನದ ಮೂಲಭೂತ ಕಾರ್ಯಾಚರಣೆಯ ದೃಢೀಕರಣವಾಗಿದೆ ("ಡೇಟಾ ಮಾದರಿಯಲ್ಲಿ ನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶವನ್ನು ತೋರಿಸುತ್ತದೆ"). ಅಂತೆಯೇ, ಜುಪಿಟರ್‌ನಲ್ಲಿ ಡೀಬಗ್ ಮಾಡುವ ಮೊದಲು ಪ್ಲ್ಯಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಈಗಾಗಲೇ ಇರಿಸಲಾದ ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಗೆ (ಕೆಳಗಿನ ಮ್ಯಾಕ್ರೋ-ಮೆಕ್ಯಾನಿಸಮ್‌ಗಳನ್ನು ನೋಡಿ) "ಪ್ರೀ-ಪ್ಲಾಟ್‌ಫಾರ್ಮ್" ಫಾರ್ಮ್‌ಗೆ "ರೋಲ್‌ಬ್ಯಾಕ್" ಅಗತ್ಯವಿರುತ್ತದೆ (ಫೈಲ್‌ಗಳಿಂದ ಡೇಟಾವನ್ನು ಓದುವುದು, ಟೇಬಲ್‌ಗಳ ಬದಲಿಗೆ xDBC ಮೂಲಕ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು, ಗ್ಲೋಬಲ್ಸ್‌ನೊಂದಿಗೆ ನೇರ ಸಂವಹನ - ಬಹುಆಯಾಮದ ಡೇಟಾ ಅರೇಗಳು ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS – ಇತ್ಯಾದಿ).

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿ ಸಿಡಿ ಅನುಷ್ಠಾನದ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ: ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಮತ್ತು ಜುಪಿಟರ್ ನಡುವೆ ದ್ವಿಮುಖ ಏಕೀಕರಣವನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ, ಪೈಥಾನ್, ಆರ್ ಮತ್ತು ಜೂಲಿಯಾದಲ್ಲಿನ ವಿಷಯವನ್ನು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ವರ್ಗಾಯಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ (ಮತ್ತು, ತರುವಾಯ, ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗುತ್ತದೆ) (ಎಲ್ಲವೂ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಅನುಗುಣವಾದ ಪ್ರಮುಖ ತೆರೆದ ಮೂಲ ಭಾಷೆಗಳಲ್ಲಿ ಭಾಷೆಗಳು) ಮೂಲ ಗಣಿತದ ಮಾದರಿ ಪರಿಸರಗಳು). ಹೀಗಾಗಿ, AI/ML ಕಂಟೆಂಟ್ ಡೆವಲಪರ್‌ಗಳು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಈ ವಿಷಯದ "ನಿರಂತರ ನಿಯೋಜನೆ" ಅನ್ನು ಕೈಗೊಳ್ಳಲು ಅವಕಾಶವನ್ನು ಹೊಂದಿದ್ದಾರೆ, ಅವರ ಪರಿಚಿತ ಜುಪಿಟರ್ ಸಂಪಾದಕದಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತಾರೆ, ಪೈಥಾನ್, ಆರ್, ಜೂಲಿಯಾದಲ್ಲಿ ಪರಿಚಿತ ಗ್ರಂಥಾಲಯಗಳು ಲಭ್ಯವಿದೆ ಮತ್ತು ಮೂಲಭೂತ ಡೀಬಗ್ ಮಾಡುವಿಕೆಯನ್ನು ನಿರ್ವಹಿಸುತ್ತವೆ (ಅಗತ್ಯವಿದ್ದರೆ) ವೇದಿಕೆಯ ಹೊರಗೆ.

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ನಲ್ಲಿ CI ಮ್ಯಾಕ್ರೋ ಮೆಕ್ಯಾನಿಸಂಗೆ ಹೋಗೋಣ. ರೇಖಾಚಿತ್ರವು "ನೈಜ-ಸಮಯದ ರೋಬೋಟೈಜರ್" ನ ಮ್ಯಾಕ್ರೋ ಪ್ರಕ್ರಿಯೆಯನ್ನು ತೋರಿಸುತ್ತದೆ (ದತ್ತಾಂಶ ರಚನೆಗಳು, ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು ಕೋಡ್ ತುಣುಕುಗಳ ಸಂಕೀರ್ಣವು ಗಣಿತದ ಭಾಷೆಗಳಲ್ಲಿ ಮತ್ತು ಆಬ್ಜೆಕ್ಟ್‌ಸ್ಕ್ರಿಪ್ಟ್ - ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನ ಸ್ಥಳೀಯ ಅಭಿವೃದ್ಧಿ ಭಾಷೆ). ಈ ಮ್ಯಾಕ್ರೋ ಪ್ರಕ್ರಿಯೆಯ ಕಾರ್ಯವು AI/ML ಕಾರ್ಯವಿಧಾನಗಳ ಕಾರ್ಯಾಚರಣೆಗೆ ಅಗತ್ಯವಾದ ಡೇಟಾ ಕ್ಯೂಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು (ನೈಜ ಸಮಯದಲ್ಲಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ರವಾನೆಯಾಗುವ ಡೇಟಾ ಸ್ಟ್ರೀಮ್‌ಗಳನ್ನು ಆಧರಿಸಿ), ಅಪ್ಲಿಕೇಶನ್‌ನ ಅನುಕ್ರಮ ಮತ್ತು AI/ ನ “ವಿಂಗಡಣೆ” ಕುರಿತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು. ML ಕಾರ್ಯವಿಧಾನಗಳು (ಅವುಗಳು "ಗಣಿತದ ಕ್ರಮಾವಳಿಗಳು", "ಮಾದರಿಗಳು", ಇತ್ಯಾದಿ - ಅನುಷ್ಠಾನ ಮತ್ತು ಪಾರಿಭಾಷಿಕ ಆದ್ಯತೆಗಳ ವಿಶಿಷ್ಟತೆಗಳನ್ನು ಅವಲಂಬಿಸಿ ವಿಭಿನ್ನವಾಗಿ ಕರೆಯಬಹುದು), AI/ ಯ ಕೆಲಸದ ಫಲಿತಾಂಶಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಡೇಟಾ ರಚನೆಗಳನ್ನು ನವೀಕೃತವಾಗಿರಿಸಿಕೊಳ್ಳಿ. ML ಕಾರ್ಯವಿಧಾನಗಳು (ಘನಗಳು, ಕೋಷ್ಟಕಗಳು, ಬಹುಆಯಾಮದ ಡೇಟಾ ಅರೇಗಳು, ಇತ್ಯಾದಿ.) ಇತ್ಯಾದಿ - ವರದಿಗಳು, ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳು, ಇತ್ಯಾದಿ.).

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿ CI ಅಳವಡಿಕೆಯ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ: ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಮತ್ತು ಗಣಿತದ ಮಾಡೆಲಿಂಗ್ ಪರಿಸರಗಳ ನಡುವೆ ದ್ವಿಮುಖ ಏಕೀಕರಣವನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ, ಪೈಥಾನ್, ಆರ್ ಮತ್ತು ಜೂಲಿಯಾದಲ್ಲಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಹೋಸ್ಟ್ ಮಾಡಲಾದ ವಿಷಯವನ್ನು ಆಯಾ ಪರಿಸರದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಲು ಮತ್ತು ಎಕ್ಸಿಕ್ಯೂಶನ್ ಫಲಿತಾಂಶಗಳನ್ನು ಮರಳಿ ಪಡೆಯಲು ನಿಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಈ ಏಕೀಕರಣವನ್ನು "ಟರ್ಮಿನಲ್ ಮೋಡ್" (ಅಂದರೆ, AI/ML ವಿಷಯವನ್ನು ಪರಿಸರಕ್ಕೆ ಕರೆಗಳನ್ನು ಮಾಡುವ ಆಬ್ಜೆಕ್ಟ್‌ಸ್ಕ್ರಿಪ್ಟ್ ಕೋಡ್‌ನಂತೆ ರೂಪಿಸಲಾಗಿದೆ) ಮತ್ತು "ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆ ಮೋಡ್" ನಲ್ಲಿ (ಅಂದರೆ, AI/ML ವಿಷಯವನ್ನು ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಯಾಗಿ ರೂಪಿಸಲಾಗಿದೆ. ಚಿತ್ರಾತ್ಮಕ ಸಂಪಾದಕವನ್ನು ಬಳಸುವುದು, ಅಥವಾ ಕೆಲವೊಮ್ಮೆ ಜುಪಿಟರ್ ಅನ್ನು ಬಳಸುವುದು, ಅಥವಾ IDE ಅನ್ನು ಬಳಸುವುದು - IRIS ಸ್ಟುಡಿಯೋ, ಎಕ್ಲಿಪ್ಸ್, ವಿಷುಯಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್). ಜೂಪಿಟರ್‌ನಲ್ಲಿ ಸಂಪಾದನೆಗಾಗಿ ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಗಳ ಲಭ್ಯತೆಯು CI ಮಟ್ಟದಲ್ಲಿ IRIS ಮತ್ತು CD ಮಟ್ಟದಲ್ಲಿ ಜುಪಿಟರ್ ನಡುವಿನ ಸಂಪರ್ಕದ ಮೂಲಕ ಪ್ರತಿಫಲಿಸುತ್ತದೆ. ಗಣಿತದ ಮಾಡೆಲಿಂಗ್ ಪರಿಸರದೊಂದಿಗೆ ಏಕೀಕರಣದ ಹೆಚ್ಚು ವಿವರವಾದ ಅವಲೋಕನವನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ. ಈ ಹಂತದಲ್ಲಿ, ನಮ್ಮ ಅಭಿಪ್ರಾಯದಲ್ಲಿ, ನೈಜ-ಸಮಯದ AI/ML ಪರಿಹಾರಗಳಿಗೆ AI/ML ಅಭಿವೃದ್ಧಿಗಳ ("ನಿರಂತರ ನಿಯೋಜನೆ"ಯಿಂದ ಬರುವ) "ನಿರಂತರ ಏಕೀಕರಣ"ವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಲು ವೇದಿಕೆಯು ಎಲ್ಲಾ ಅಗತ್ಯ ಸಾಧನಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಎಲ್ಲಾ ಕಾರಣಗಳಿವೆ.

ಮತ್ತು ಮುಖ್ಯ ಮ್ಯಾಕ್ರೋ ಕಾರ್ಯವಿಧಾನ: CT. ಇದು ಇಲ್ಲದೆ, ಯಾವುದೇ AI/ML ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಇರುವುದಿಲ್ಲ (ಆದಾಗ್ಯೂ "ನೈಜ ಸಮಯ" ಅನ್ನು CD/CI ಮೂಲಕ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ). CT ಯ ಮೂಲತತ್ವವು ಗಣಿತದ ಮಾಡೆಲಿಂಗ್ ಪರಿಸರದ ಕೆಲಸದ ಅವಧಿಗಳಲ್ಲಿ ನೇರವಾಗಿ ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ "ಕಲಾಕೃತಿಗಳು" ನೊಂದಿಗೆ ವೇದಿಕೆಯ ಕೆಲಸವಾಗಿದೆ: ಮಾದರಿಗಳು, ವಿತರಣಾ ಕೋಷ್ಟಕಗಳು, ಮ್ಯಾಟ್ರಿಕ್ಸ್ ವೆಕ್ಟರ್ಗಳು, ನರ ಜಾಲಗಳ ಪದರಗಳು, ಇತ್ಯಾದಿ. ಈ “ಕೆಲಸ”, ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಪರಿಸರದಲ್ಲಿ ಉಲ್ಲೇಖಿಸಲಾದ ಕಲಾಕೃತಿಗಳನ್ನು ರಚಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ (ಮಾದರಿಗಳ ಸಂದರ್ಭದಲ್ಲಿ, ಉದಾಹರಣೆಗೆ, “ಸೃಷ್ಟಿ” ಮಾದರಿಯ ನಿರ್ದಿಷ್ಟತೆಯನ್ನು ಹೊಂದಿಸುವುದು ಮತ್ತು ಅದರ ನಿಯತಾಂಕಗಳ ಮೌಲ್ಯಗಳ ನಂತರದ ಆಯ್ಕೆಯನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ - ಮಾದರಿಯ "ತರಬೇತಿ" ಎಂದು ಕರೆಯಲ್ಪಡುವ), ಅವರ ಅಪ್ಲಿಕೇಶನ್ (ಮಾದರಿಗಳಿಗಾಗಿ: ಗುರಿ ಅಸ್ಥಿರಗಳ "ಮಾದರಿ" ಮೌಲ್ಯಗಳ ಸಹಾಯದಿಂದ ಲೆಕ್ಕಾಚಾರ - ಮುನ್ಸೂಚನೆಗಳು, ವರ್ಗದ ಸದಸ್ಯತ್ವ, ಘಟನೆಯ ಸಂಭವನೀಯತೆ, ಇತ್ಯಾದಿ) ಮತ್ತು ಈಗಾಗಲೇ ಸುಧಾರಣೆ ಕಲಾಕೃತಿಗಳನ್ನು ರಚಿಸಲಾಗಿದೆ ಮತ್ತು ಅನ್ವಯಿಸಲಾಗಿದೆ (ಉದಾಹರಣೆಗೆ, ಅಪ್ಲಿಕೇಶನ್‌ನ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ಮಾದರಿ ಇನ್‌ಪುಟ್ ವೇರಿಯೇಬಲ್‌ಗಳ ಸೆಟ್ ಅನ್ನು ಮರು ವ್ಯಾಖ್ಯಾನಿಸುವುದು - ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಲು, ಒಂದು ಆಯ್ಕೆಯಾಗಿ). CT ಯ ಪಾತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ CD ಮತ್ತು CI ಯ ನೈಜತೆಗಳಿಂದ ಅದರ "ಅಮೂರ್ತತೆ": CT ಎಲ್ಲಾ ಕಲಾಕೃತಿಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ, ನಿರ್ದಿಷ್ಟ ಪರಿಸರದಿಂದ ಒದಗಿಸಲಾದ ಸಾಮರ್ಥ್ಯಗಳಲ್ಲಿ AI/ML ಪರಿಹಾರದ ಕಂಪ್ಯೂಟೇಶನಲ್ ಮತ್ತು ಗಣಿತದ ನಿಶ್ಚಿತಗಳನ್ನು ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ. "ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಒದಗಿಸುವುದು" ಮತ್ತು "ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ತಲುಪಿಸುವುದು" ಜವಾಬ್ದಾರಿಯು CD ಮತ್ತು CI ನ ಜವಾಬ್ದಾರಿಯಾಗಿರುತ್ತದೆ.

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿ ನಿರ್ದಿಷ್ಟವಾಗಿ ಸಿಟಿಯ ಅನುಷ್ಠಾನದ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ: ಮೇಲೆ ಈಗಾಗಲೇ ಉಲ್ಲೇಖಿಸಲಾದ ಗಣಿತದ ಮಾದರಿಯ ಪರಿಸರದೊಂದಿಗೆ ಏಕೀಕರಣವನ್ನು ಬಳಸಿಕೊಂಡು, ಗಣಿತದ ಪರಿಸರದಲ್ಲಿ ತನ್ನ ನಿಯಂತ್ರಣದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಕೆಲಸದ ಅವಧಿಗಳಿಂದ ಆ ಕಲಾಕೃತಿಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಸಾಮರ್ಥ್ಯವನ್ನು ವೇದಿಕೆ ಹೊಂದಿದೆ ಮತ್ತು (ಮುಖ್ಯವಾಗಿ) ಅವುಗಳನ್ನು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಡೇಟಾ ಆಬ್ಜೆಕ್ಟ್‌ಗಳಾಗಿ. ಉದಾಹರಣೆಗೆ, ಕೆಲಸ ಮಾಡುವ ಪೈಥಾನ್ ಸೆಶನ್‌ನಲ್ಲಿ ಈಗಷ್ಟೇ ರಚಿಸಲಾದ ವಿತರಣಾ ಕೋಷ್ಟಕವನ್ನು (ಪೈಥಾನ್ ಸೆಶನ್ ಅನ್ನು ನಿಲ್ಲಿಸದೆ) ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ವರ್ಗಾಯಿಸಬಹುದು, ಉದಾಹರಣೆಗೆ, ಜಾಗತಿಕ (ಬಹು ಆಯಾಮದ ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್ ಡೇಟಾ ಅರೇ) - ಮತ್ತು ಬಳಸಲಾಗುತ್ತದೆ ಮತ್ತೊಂದು AI/ML- ಯಾಂತ್ರಿಕತೆಯಲ್ಲಿ ಲೆಕ್ಕಾಚಾರಗಳಿಗಾಗಿ (ಇನ್ನೊಂದು ಪರಿಸರದ ಭಾಷೆಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ - ಉದಾಹರಣೆಗೆ, R ನಲ್ಲಿ) - ಅಥವಾ ವರ್ಚುವಲ್ ಟೇಬಲ್. ಇನ್ನೊಂದು ಉದಾಹರಣೆ: ಮಾದರಿಯ ಕಾರ್ಯಾಚರಣೆಯ "ಸಾಮಾನ್ಯ ಮೋಡ್" ಗೆ ಸಮಾನಾಂತರವಾಗಿ (ಪೈಥಾನ್ ವರ್ಕಿಂಗ್ ಸೆಷನ್‌ನಲ್ಲಿ), "ಸ್ವಯಂ-ಎಂಎಲ್" ಅನ್ನು ಅದರ ಇನ್‌ಪುಟ್ ಡೇಟಾದಲ್ಲಿ ನಡೆಸಲಾಗುತ್ತದೆ: ಆಪ್ಟಿಮಲ್ ಇನ್‌ಪುಟ್ ವೇರಿಯೇಬಲ್‌ಗಳು ಮತ್ತು ಪ್ಯಾರಾಮೀಟರ್ ಮೌಲ್ಯಗಳ ಸ್ವಯಂಚಾಲಿತ ಆಯ್ಕೆ. ಮತ್ತು "ನಿಯಮಿತ" ತರಬೇತಿಯ ಜೊತೆಗೆ, ನೈಜ ಸಮಯದಲ್ಲಿ ಉತ್ಪಾದಕ ಮಾದರಿಯು ಅದರ ನಿರ್ದಿಷ್ಟತೆಯ "ಆಪ್ಟಿಮೈಸೇಶನ್ಗಾಗಿ ಪ್ರಸ್ತಾಪವನ್ನು" ಪಡೆಯುತ್ತದೆ - ಇದರಲ್ಲಿ ಇನ್ಪುಟ್ ಅಸ್ಥಿರಗಳ ಸೆಟ್ ಬದಲಾಗುತ್ತದೆ, ಪ್ಯಾರಾಮೀಟರ್ ಮೌಲ್ಯಗಳು ಬದಲಾಗುತ್ತವೆ (ಇನ್ನು ಮುಂದೆ ತರಬೇತಿಯ ಪರಿಣಾಮವಾಗಿ ಪೈಥಾನ್‌ನಲ್ಲಿ, ಆದರೆ H2O ಸ್ಟಾಕ್‌ನಂತಹ "ಪರ್ಯಾಯ" ಆವೃತ್ತಿಯೊಂದಿಗೆ ತರಬೇತಿಯ ಪರಿಣಾಮವಾಗಿ, ಒಟ್ಟಾರೆ AI/ML ಪರಿಹಾರವು ಇನ್‌ಪುಟ್ ಡೇಟಾ ಮತ್ತು ವಿದ್ಯಮಾನಗಳ ಸ್ವರೂಪದಲ್ಲಿನ ಅನಿರೀಕ್ಷಿತ ಬದಲಾವಣೆಗಳನ್ನು ಸ್ವಾಯತ್ತವಾಗಿ ನಿಭಾಯಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. .

ನಿಜ ಜೀವನದ ಮೂಲಮಾದರಿಯ ಉದಾಹರಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ AI/ML ಕಾರ್ಯನಿರ್ವಹಣೆಯೊಂದಿಗೆ ಹೆಚ್ಚು ವಿವರವಾಗಿ ಪರಿಚಯ ಮಾಡಿಕೊಳ್ಳೋಣ.

ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರದಲ್ಲಿ, ಸ್ಲೈಡ್‌ನ ಎಡಭಾಗದಲ್ಲಿ ಪೈಥಾನ್ ಮತ್ತು R ನಲ್ಲಿ ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯ ಒಂದು ಭಾಗವಿದೆ. ಕೇಂದ್ರ ಭಾಗದಲ್ಲಿ ಕ್ರಮವಾಗಿ ಈ ಕೆಲವು ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳ ಮರಣದಂಡನೆಯ ದೃಶ್ಯ ಲಾಗ್‌ಗಳಿವೆ, ಪೈಥಾನ್ ಮತ್ತು R. ನಲ್ಲಿ ತಕ್ಷಣವೇ ಅವುಗಳ ಹಿಂದೆ ಒಂದು ಮತ್ತು ಇನ್ನೊಂದು ಭಾಷೆಯ ವಿಷಯದ ಉದಾಹರಣೆಗಳನ್ನು ಸೂಕ್ತ ಪರಿಸರಕ್ಕೆ ಕಾರ್ಯಗತಗೊಳಿಸಲು ವರ್ಗಾಯಿಸಲಾಗುತ್ತದೆ. ಬಲಭಾಗದಲ್ಲಿ ಕೊನೆಯಲ್ಲಿ ಸ್ಕ್ರಿಪ್ಟ್ ಎಕ್ಸಿಕ್ಯೂಶನ್ ಫಲಿತಾಂಶಗಳ ಆಧಾರದ ಮೇಲೆ ದೃಶ್ಯೀಕರಣಗಳಿವೆ. ಮೇಲ್ಭಾಗದಲ್ಲಿರುವ ದೃಶ್ಯೀಕರಣಗಳನ್ನು IRIS ಅನಾಲಿಟಿಕ್ಸ್‌ನಲ್ಲಿ ಮಾಡಲಾಗಿದೆ (ಡೇಟಾವನ್ನು ಪೈಥಾನ್‌ನಿಂದ ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್ ಡೇಟಾ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಮತ್ತು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಲಾಗುತ್ತದೆ), ಕೆಳಭಾಗದಲ್ಲಿ ನೇರವಾಗಿ R ವರ್ಕ್ ಸೆಷನ್‌ನಲ್ಲಿ ಮಾಡಲಾಯಿತು ಮತ್ತು ಅಲ್ಲಿಂದ ಗ್ರಾಫಿಕ್ ಫೈಲ್‌ಗಳಿಗೆ ಔಟ್‌ಪುಟ್ ಮಾಡಲಾಗುತ್ತದೆ . ಒಂದು ಪ್ರಮುಖ ಅಂಶ: ಮೂಲಮಾದರಿಯಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಿದ ತುಣುಕು ಮಾದರಿಯ ಅನ್ವಯದ ಸಮಯದಲ್ಲಿ ಗಮನಿಸಿದ ವರ್ಗೀಕರಣ ಗುಣಮಟ್ಟದ ಮಾನಿಟರ್ ಪ್ರಕ್ರಿಯೆಯ ಆದೇಶದ ಮೇರೆಗೆ, ಸಲಕರಣೆ ಸಿಮ್ಯುಲೇಟರ್ ಪ್ರಕ್ರಿಯೆಯಿಂದ ನೈಜ ಸಮಯದಲ್ಲಿ ಸ್ವೀಕರಿಸಿದ ಡೇಟಾದ ಮಾದರಿಯನ್ನು (ಉಪಕರಣಗಳ ಸ್ಥಿತಿಗಳ ವರ್ಗೀಕರಣ) ತರಬೇತಿಗೆ ಕಾರಣವಾಗಿದೆ. ಸಂವಹನ ಪ್ರಕ್ರಿಯೆಗಳ ("ಏಜೆಂಟ್") ರೂಪದಲ್ಲಿ AI/ML ಪರಿಹಾರದ ಅನುಷ್ಠಾನವನ್ನು ಮತ್ತಷ್ಟು ಚರ್ಚಿಸಲಾಗುವುದು.

ಚಿತ್ರ 12 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿ ಪೈಥಾನ್, ಆರ್ ಮತ್ತು ಜೂಲಿಯಾ ಜೊತೆಗಿನ ಪರಸ್ಪರ ಕ್ರಿಯೆ

ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಕ್ರಿಯೆಗಳು (ಅವುಗಳು "ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳು", "ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಗಳು", "ಪೈಪ್‌ಲೈನ್‌ಗಳು", ಇತ್ಯಾದಿ - ಸಂದರ್ಭವನ್ನು ಅವಲಂಬಿಸಿ), ಮೊದಲನೆಯದಾಗಿ, ವೇದಿಕೆಯಲ್ಲಿಯೇ ಚಿತ್ರಾತ್ಮಕ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆ ಸಂಪಾದಕದಲ್ಲಿ ಸಂಪಾದಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಅಂತಹ ಅದರ ಬ್ಲಾಕ್ ರೇಖಾಚಿತ್ರ ಮತ್ತು ಅನುಗುಣವಾದ AI/ML ಕಾರ್ಯವಿಧಾನ (ಪ್ರೋಗ್ರಾಂ ಕೋಡ್) ಎರಡನ್ನೂ ಏಕಕಾಲದಲ್ಲಿ ರಚಿಸಲಾಗಿದೆ. "AI/ML ಕಾರ್ಯವಿಧಾನವನ್ನು ಪಡೆಯಲಾಗಿದೆ" ಎಂದು ನಾವು ಹೇಳಿದಾಗ ನಾವು ಆರಂಭದಲ್ಲಿ ಹೈಬ್ರಿಡಿಟಿಯನ್ನು ಅರ್ಥೈಸುತ್ತೇವೆ (ಒಂದು ಪ್ರಕ್ರಿಯೆಯೊಳಗೆ): ಗಣಿತದ ಮಾಡೆಲಿಂಗ್ ಪರಿಸರದ ಭಾಷೆಗಳಲ್ಲಿನ ವಿಷಯವು SQL ನಲ್ಲಿನ ವಿಷಯದ ಪಕ್ಕದಲ್ಲಿದೆ (ಇದರಿಂದ ವಿಸ್ತರಣೆಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಇಂಟಿಗ್ರೇಟೆಡ್ ಎಂಎಲ್), ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಆಬ್ಜೆಕ್ಟ್‌ಸ್ಕ್ರಿಪ್ಟ್‌ನಲ್ಲಿ, ಇತರ ಬೆಂಬಲಿತ ಭಾಷೆಗಳೊಂದಿಗೆ. ಇದಲ್ಲದೆ, ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಕ್ರಿಯೆಯು ಕ್ರಮಾನುಗತವಾಗಿ ನೆಸ್ಟೆಡ್ ತುಣುಕುಗಳ ರೂಪದಲ್ಲಿ "ರೆಂಡರಿಂಗ್" ಗೆ ಬಹಳ ವಿಶಾಲವಾದ ಅವಕಾಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ (ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರದಲ್ಲಿನ ಉದಾಹರಣೆಯಲ್ಲಿ ನೋಡಬಹುದಾದಂತೆ), ಇದು ಎಂದಿಗೂ "ಬೀಳುವ" ಇಲ್ಲದೆ ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ವಿಷಯವನ್ನು ಸಹ ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಂಘಟಿಸಲು ನಿಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಚಿತ್ರಾತ್ಮಕ ಸ್ವರೂಪದ ("ಗ್ರಾಫಿಕಲ್ ಅಲ್ಲದ" ಸ್ವರೂಪಗಳಿಗೆ) » ವಿಧಾನಗಳು/ವರ್ಗಗಳು/ವಿಧಾನಗಳು, ಇತ್ಯಾದಿ.). ಅಂದರೆ, ಅಗತ್ಯವಿದ್ದರೆ (ಮತ್ತು ಹೆಚ್ಚಿನ ಯೋಜನೆಗಳಲ್ಲಿ ಇದನ್ನು ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ), ಸಂಪೂರ್ಣ AI/ML ಪರಿಹಾರವನ್ನು ಚಿತ್ರಾತ್ಮಕ ಸ್ವಯಂ-ದಾಖಲೆ ಸ್ವರೂಪದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು. ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರದ ಕೇಂದ್ರ ಭಾಗದಲ್ಲಿ, ಹೆಚ್ಚಿನ "ಗೂಡುಕಟ್ಟುವ ಮಟ್ಟ" ವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ದಯವಿಟ್ಟು ಗಮನಿಸಿ, ಮಾದರಿಯ ತರಬೇತಿಯ ನಿಜವಾದ ಕೆಲಸದ ಜೊತೆಗೆ (ಪೈಥಾನ್ ಮತ್ತು ಆರ್ ಬಳಸಿ), ಕರೆಯಲ್ಪಡುವ ವಿಶ್ಲೇಷಣೆ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯ ROC ಕರ್ವ್ ಅನ್ನು ಸೇರಿಸಲಾಗುತ್ತದೆ, ಇದು ದೃಷ್ಟಿಗೋಚರವಾಗಿ (ಮತ್ತು ಗಣನೆಯಿಂದಲೂ) ತರಬೇತಿಯ ಗುಣಮಟ್ಟವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ - ಮತ್ತು ಈ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಜೂಲಿಯಾ ಭಾಷೆಯಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ (ಅದರ ಪ್ರಕಾರ, ಜೂಲಿಯಾ ಗಣಿತದ ಪರಿಸರದಲ್ಲಿ ಕಾರ್ಯಗತಗೊಳಿಸಲಾಗುತ್ತದೆ).

ಚಿತ್ರ 13 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ನಲ್ಲಿ AI/ML ಪರಿಹಾರಗಳ ಸಂಯೋಜನೆಗಾಗಿ ದೃಶ್ಯ ಪರಿಸರ

ಮೊದಲೇ ಹೇಳಿದಂತೆ, ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಈಗಾಗಲೇ ಅಳವಡಿಸಲಾಗಿರುವ AI/ML ಕಾರ್ಯವಿಧಾನಗಳ ಆರಂಭಿಕ ಅಭಿವೃದ್ಧಿ ಮತ್ತು (ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ) ರೂಪಾಂತರವನ್ನು ಜುಪಿಟರ್ ಸಂಪಾದಕದಲ್ಲಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ಹೊರಗೆ ಮಾಡಲಾಗುತ್ತದೆ/ಮಾಡಬಹುದು. ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರದಲ್ಲಿ ನಾವು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಉದಾಹರಣೆಯನ್ನು ನೋಡುತ್ತೇವೆ (ಮೇಲಿನ ರೇಖಾಚಿತ್ರದಲ್ಲಿರುವಂತೆಯೇ) - ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಜವಾಬ್ದಾರರಾಗಿರುವ ತುಣುಕು ಗುರುಗ್ರಹದಲ್ಲಿ ಹೇಗೆ ಕಾಣುತ್ತದೆ. ಜುಪಿಟರ್‌ನಲ್ಲಿ ನೇರವಾಗಿ ಸಂಪಾದನೆ, ಡೀಬಗ್ ಮಾಡುವಿಕೆ ಮತ್ತು ಗ್ರಾಫಿಕ್ಸ್ ಔಟ್‌ಪುಟ್‌ಗಾಗಿ ಪೈಥಾನ್ ವಿಷಯ ಲಭ್ಯವಿದೆ. ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಅದರ ಉತ್ಪಾದಕ ಆವೃತ್ತಿಯನ್ನು ಒಳಗೊಂಡಂತೆ ತ್ವರಿತ ಸಿಂಕ್ರೊನೈಸೇಶನ್‌ನೊಂದಿಗೆ ಬದಲಾವಣೆಗಳನ್ನು (ಅಗತ್ಯವಿದ್ದರೆ) ಮಾಡಬಹುದು. ಹೊಸ ವಿಷಯವನ್ನು ಇದೇ ರೀತಿಯಲ್ಲಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ವರ್ಗಾಯಿಸಬಹುದು (ಹೊಸ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರಚಿಸಲಾಗುತ್ತದೆ).

ಚಿತ್ರ 14 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ AI/ML ಎಂಜಿನ್ ಅನ್ನು ಸಂಪಾದಿಸಲು ಜುಪಿಟರ್ ನೋಟ್‌ಬುಕ್ ಅನ್ನು ಬಳಸುವುದು

ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಕ್ರಿಯೆಯ ಅಡಾಪ್ಟೇಶನ್ ಅನ್ನು ಗ್ರಾಫಿಕಲ್ ಅಥವಾ ಲ್ಯಾಪ್‌ಟಾಪ್ ಫಾರ್ಮ್ಯಾಟ್‌ನಲ್ಲಿ ಮಾತ್ರ ನಿರ್ವಹಿಸಬಹುದು - ಆದರೆ "ಒಟ್ಟು" IDE (ಇಂಟಿಗ್ರೇಟೆಡ್ ಡೆವಲಪ್‌ಮೆಂಟ್ ಎನ್ವಿರಾನ್‌ಮೆಂಟ್) ಫಾರ್ಮ್ಯಾಟ್‌ನಲ್ಲಿಯೂ ಸಹ ಮಾಡಬಹುದು. ಈ IDEಗಳು IRIS ಸ್ಟುಡಿಯೋ (ಸ್ಥಳೀಯ IRIS ಸ್ಟುಡಿಯೋ), ವಿಷುಯಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್ (VSCode ಗಾಗಿ ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ವಿಸ್ತರಣೆ) ಮತ್ತು ಎಕ್ಲಿಪ್ಸ್ (Atelier ಪ್ಲಗಿನ್). ಕೆಲವು ಸಂದರ್ಭಗಳಲ್ಲಿ, ಅಭಿವೃದ್ಧಿ ತಂಡವು ಎಲ್ಲಾ ಮೂರು IDE ಗಳನ್ನು ಏಕಕಾಲದಲ್ಲಿ ಬಳಸಲು ಸಾಧ್ಯವಿದೆ. ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರವು IRIS ಸ್ಟುಡಿಯೋದಲ್ಲಿ ವಿಷುಯಲ್ ಸ್ಟುಡಿಯೋ ಕೋಡ್‌ನಲ್ಲಿ ಮತ್ತು ಎಕ್ಲಿಪ್ಸ್‌ನಲ್ಲಿ ಅದೇ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸಂಪಾದಿಸುವ ಉದಾಹರಣೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಸಂಪಾದನೆಗಾಗಿ ಸಂಪೂರ್ಣವಾಗಿ ಎಲ್ಲಾ ವಿಷಯಗಳು ಲಭ್ಯವಿದೆ: ಪೈಥಾನ್/ಆರ್/ಜುಲಿಯಾ/ಎಸ್‌ಕ್ಯೂಎಲ್, ಆಬ್ಜೆಕ್ಟ್‌ಸ್ಕ್ರಿಪ್ಟ್ ಮತ್ತು ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆ.

ಚಿತ್ರ 15 ವಿವಿಧ IDE ಗಳಲ್ಲಿ ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯ ಅಭಿವೃದ್ಧಿ

ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆ ಭಾಷೆಯಲ್ಲಿ (BPL) ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ವಿವರಿಸುವ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಪರಿಕರಗಳು ವಿಶೇಷ ಉಲ್ಲೇಖಕ್ಕೆ ಅರ್ಹವಾಗಿವೆ. ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ "ಸಿದ್ಧ-ಸಿದ್ಧ ಏಕೀಕರಣ ಘಟಕಗಳನ್ನು" (ಚಟುವಟಿಕೆಗಳು) ಬಳಸಲು BPL ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ - ವಾಸ್ತವವಾಗಿ, "ನಿರಂತರ ಏಕೀಕರಣ" ವನ್ನು ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ನಲ್ಲಿ ಅಳವಡಿಸಲಾಗಿದೆ ಎಂದು ಹೇಳಲು ಪ್ರತಿ ಕಾರಣವನ್ನು ನೀಡುತ್ತದೆ. ಸಿದ್ಧ-ತಯಾರಿಸಿದ ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಯ ಘಟಕಗಳು (ಚಟುವಟಿಕೆಗಳು ಮತ್ತು ಅವುಗಳ ನಡುವಿನ ಸಂಪರ್ಕಗಳು) AI/ML ಪರಿಹಾರವನ್ನು ಜೋಡಿಸಲು ಪ್ರಬಲ ವೇಗವರ್ಧಕವಾಗಿದೆ. ಮತ್ತು ಅಸೆಂಬ್ಲಿಗಳು ಮಾತ್ರವಲ್ಲ: ವಿಭಿನ್ನ AI/ML ಬೆಳವಣಿಗೆಗಳು ಮತ್ತು ಕಾರ್ಯವಿಧಾನಗಳ ಮೇಲೆ ಅವುಗಳ ನಡುವಿನ ಚಟುವಟಿಕೆಗಳು ಮತ್ತು ಸಂಪರ್ಕಗಳಿಗೆ ಧನ್ಯವಾದಗಳು, "ಸ್ವಾಯತ್ತ ನಿರ್ವಹಣಾ ಲೇಯರ್" ಉದ್ಭವಿಸುತ್ತದೆ, ನೈಜ ಸಮಯದಲ್ಲಿ ಪರಿಸ್ಥಿತಿಗೆ ಅನುಗುಣವಾಗಿ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.

ಚಿತ್ರ 16 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ನಿರಂತರ ಏಕೀಕರಣಕ್ಕಾಗಿ (CI) ಸಿದ್ಧ-ಸಿದ್ಧ ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಯ ಘಟಕಗಳು

ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್‌ಗಳ ಪರಿಕಲ್ಪನೆಯು ("ಮಲ್ಟಿ-ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್ಸ್" ಎಂದೂ ಕರೆಯಲ್ಪಡುತ್ತದೆ) ರೋಬೋಟೈಸೇಶನ್‌ನಲ್ಲಿ ಪ್ರಬಲ ಸ್ಥಾನವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಸಾವಯವವಾಗಿ "ಉತ್ಪನ್ನ-ಪ್ರಕ್ರಿಯೆ" ರಚನೆಯ ಮೂಲಕ ಅದನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಒಟ್ಟಾರೆ ಪರಿಹಾರಕ್ಕೆ ಅಗತ್ಯವಾದ ಕಾರ್ಯಚಟುವಟಿಕೆಯೊಂದಿಗೆ ಪ್ರತಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು "ಸ್ಟಫಿಂಗ್" ಮಾಡಲು ಅನಿಯಮಿತ ಸಾಧ್ಯತೆಗಳ ಜೊತೆಗೆ, "ಏಜೆನ್ಸಿ" ಯ ಆಸ್ತಿಯೊಂದಿಗೆ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಕ್ರಿಯೆಗಳ ವ್ಯವಸ್ಥೆಯನ್ನು ನೀಡುವುದರಿಂದ ಅತ್ಯಂತ ಅಸ್ಥಿರವಾದ ಸಿಮ್ಯುಲೇಟೆಡ್ ವಿದ್ಯಮಾನಗಳಿಗೆ (ಸಾಮಾಜಿಕ / ನಡವಳಿಕೆಯ) ಪರಿಣಾಮಕಾರಿ ಪರಿಹಾರಗಳನ್ನು ರಚಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. ಜೈವಿಕ ವ್ಯವಸ್ಥೆಗಳು, ಭಾಗಶಃ ಗಮನಿಸಬಹುದಾದ ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆಗಳು, ಇತ್ಯಾದಿ).

ಚಿತ್ರ 16 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ನಲ್ಲಿ ಏಜೆಂಟ್-ಆಧಾರಿತ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆ ವ್ಯವಸ್ಥೆಯಾಗಿ AI/ML ಪರಿಹಾರದ ಕಾರ್ಯಾಚರಣೆ

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನ ಸಂಪೂರ್ಣ ವರ್ಗದ ನೈಜ-ಸಮಯದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ಅನ್ವಯಿಕ ಬಳಕೆಯ ಕಥೆಯೊಂದಿಗೆ ನಾವು ನಮ್ಮ ವಿಮರ್ಶೆಯನ್ನು ಮುಂದುವರಿಸುತ್ತೇವೆ (ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನಲ್ಲಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಎಐ/ಎಂಎಲ್‌ನ ಕೆಲವು ಉತ್ತಮ ಅಭ್ಯಾಸಗಳ ಸಾಕಷ್ಟು ವಿವರವಾದ ಪರಿಚಯವನ್ನು ಒಂದರಲ್ಲಿ ಕಾಣಬಹುದು ನಮ್ಮ ಹಿಂದಿನದು ವೆಬ್ನಾರ್ಗಳು).

ಹಿಂದಿನ ರೇಖಾಚಿತ್ರದ ನೆರಳಿನಲ್ಲೇ ಬಿಸಿಯಾಗಿ, ಏಜೆಂಟ್ ಸಿಸ್ಟಮ್ನ ಹೆಚ್ಚು ವಿವರವಾದ ರೇಖಾಚಿತ್ರವನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ. ರೇಖಾಚಿತ್ರವು ಒಂದೇ ಮಾದರಿಯನ್ನು ತೋರಿಸುತ್ತದೆ, ಎಲ್ಲಾ ನಾಲ್ಕು ಏಜೆಂಟ್ ಪ್ರಕ್ರಿಯೆಗಳು ಗೋಚರಿಸುತ್ತವೆ, ಅವುಗಳ ನಡುವಿನ ಸಂಬಂಧಗಳನ್ನು ಕ್ರಮಬದ್ಧವಾಗಿ ಚಿತ್ರಿಸಲಾಗಿದೆ: ಜನರೇಟರ್ - ಸಲಕರಣೆ ಸಂವೇದಕಗಳಿಂದ ಡೇಟಾವನ್ನು ರಚಿಸುವುದನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತದೆ, ಬಫರ್ - ಡೇಟಾ ಕ್ಯೂಗಳನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ, ವಿಶ್ಲೇಷಕ - ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಸ್ವತಃ ನಿರ್ವಹಿಸುತ್ತದೆ, ಮಾನಿಟರ್ - ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತದೆ ಯಂತ್ರ ಕಲಿಕೆಯ ಗುಣಮಟ್ಟ ಮತ್ತು ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿ ನೀಡುವ ಅಗತ್ಯತೆಯ ಬಗ್ಗೆ ಸಂಕೇತವನ್ನು ಸಲ್ಲಿಸುತ್ತದೆ.

ಚಿತ್ರ 17 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ನಲ್ಲಿ ಏಜೆಂಟ್-ಆಧಾರಿತ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆ ವ್ಯವಸ್ಥೆಯ ರೂಪದಲ್ಲಿ AI/ML ಪರಿಹಾರದ ಸಂಯೋಜನೆ

ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರವು ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಮತ್ತೊಂದು ರೊಬೊಟಿಕ್ ಮೂಲಮಾದರಿಯ (ಪಠ್ಯಗಳ ಭಾವನಾತ್ಮಕ ಬಣ್ಣವನ್ನು ಗುರುತಿಸುವುದು) ಸ್ವಾಯತ್ತ ಕಾರ್ಯನಿರ್ವಹಣೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ. ಮೇಲಿನ ಭಾಗದಲ್ಲಿ ಮಾದರಿ ತರಬೇತಿಯ ಗುಣಮಟ್ಟದ ಸೂಚಕದ ವಿಕಸನವಾಗಿದೆ (ಗುಣಮಟ್ಟವು ಬೆಳೆಯುತ್ತಿದೆ), ಕೆಳಗಿನ ಭಾಗದಲ್ಲಿ ಮಾದರಿ ಅಪ್ಲಿಕೇಶನ್‌ನ ಗುಣಮಟ್ಟದ ಸೂಚಕದ ಡೈನಾಮಿಕ್ಸ್ ಮತ್ತು ಪುನರಾವರ್ತಿತ ತರಬೇತಿಯ ಸಂಗತಿಗಳು (ಕೆಂಪು ಪಟ್ಟೆಗಳು). ನೀವು ನೋಡುವಂತೆ, ಪರಿಹಾರವು ಸ್ವತಃ ಸಮರ್ಥವಾಗಿ ಮತ್ತು ಸ್ವಾಯತ್ತವಾಗಿ ಕಲಿತಿದೆ ಮತ್ತು ನಿರ್ದಿಷ್ಟ ಗುಣಮಟ್ಟದ ಮಟ್ಟದಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ (ಗುಣಮಟ್ಟದ ಸ್ಕೋರ್ ಮೌಲ್ಯಗಳು 80% ಕ್ಕಿಂತ ಕಡಿಮೆಯಾಗುವುದಿಲ್ಲ).

ಚಿತ್ರ 18 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ನಿರಂತರ (ಸ್ವಯಂ) ತರಬೇತಿ (CT)

ನಾವು "ಸ್ವಯಂ-ಎಂಎಲ್" ಅನ್ನು ಮೊದಲೇ ಉಲ್ಲೇಖಿಸಿದ್ದೇವೆ, ಆದರೆ ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರವು ಮತ್ತೊಂದು ಮೂಲಮಾದರಿಯ ಉದಾಹರಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಈ ಕ್ರಿಯಾತ್ಮಕತೆಯ ಬಳಕೆಯನ್ನು ವಿವರವಾಗಿ ತೋರಿಸುತ್ತದೆ. ವ್ಯಾಪಾರ ಪ್ರಕ್ರಿಯೆಯ ಒಂದು ತುಣುಕಿನ ಚಿತ್ರಾತ್ಮಕ ರೇಖಾಚಿತ್ರವು H2O ಸ್ಟಾಕ್‌ನಲ್ಲಿ ಮಾಡೆಲಿಂಗ್ ಅನ್ನು ಪ್ರಚೋದಿಸುವ ಚಟುವಟಿಕೆಯನ್ನು ತೋರಿಸುತ್ತದೆ, ಈ ಮಾಡೆಲಿಂಗ್‌ನ ಫಲಿತಾಂಶಗಳನ್ನು ತೋರಿಸುತ್ತದೆ ("ಮಾನವ ನಿರ್ಮಿತ" ಮಾದರಿಗಳ ಮೇಲೆ ಫಲಿತಾಂಶದ ಮಾದರಿಯ ಸ್ಪಷ್ಟ ಪ್ರಾಬಲ್ಯ, ತುಲನಾತ್ಮಕ ರೇಖಾಚಿತ್ರದ ಪ್ರಕಾರ ROC ವಕ್ರಾಕೃತಿಗಳು, ಹಾಗೆಯೇ ಮೂಲ ಡೇಟಾ ಸೆಟ್‌ನಲ್ಲಿ ಲಭ್ಯವಿರುವ "ಅತ್ಯಂತ ಪ್ರಭಾವಶಾಲಿ ಅಸ್ಥಿರ" ಗಳ ಸ್ವಯಂಚಾಲಿತ ಗುರುತಿಸುವಿಕೆ). ಇಲ್ಲಿ ಒಂದು ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ "ಆಟೋ-ಎಂಎಲ್" ಮೂಲಕ ಸಾಧಿಸುವ ಸಮಯ ಮತ್ತು ಪರಿಣಿತ ಸಂಪನ್ಮೂಲಗಳ ಉಳಿತಾಯ: ನಮ್ಮ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಕ್ರಿಯೆಯು ಅರ್ಧ ನಿಮಿಷದಲ್ಲಿ ಏನು ಮಾಡುತ್ತದೆ (ಸೂಕ್ತ ಮಾದರಿಯನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಮತ್ತು ತರಬೇತಿ ಮಾಡುವುದು) ಪರಿಣಿತರನ್ನು ಒಂದು ವಾರದಿಂದ ಒಂದು ತಿಂಗಳವರೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬಹುದು.

ಚಿತ್ರ 19 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ AI/ML ಪರಿಹಾರಕ್ಕೆ “ಆಟೋ-ಎಂಎಲ್” ಏಕೀಕರಣ

ಕೆಳಗಿನ ರೇಖಾಚಿತ್ರವು ಪಾಯಿಂಟ್ ಅನ್ನು ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ತಪ್ಪಿಸುತ್ತದೆ, ಆದರೆ ನೈಜ-ಸಮಯದ ಸಮಸ್ಯೆಗಳ ವರ್ಗಗಳ ಬಗೆಗಿನ ಕಥೆಯನ್ನು ಕೊನೆಗೊಳಿಸಲು ಇದು ಉತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ: ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ಎಲ್ಲಾ ಸಾಮರ್ಥ್ಯಗಳೊಂದಿಗೆ, ಅದರ ನಿಯಂತ್ರಣದಲ್ಲಿರುವ ತರಬೇತಿ ಮಾದರಿಗಳನ್ನು ನಾವು ನಿಮಗೆ ನೆನಪಿಸುತ್ತೇವೆ ಕಡ್ಡಾಯವಲ್ಲ. ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಹೊರಗಿನಿಂದ ಮಾದರಿಯ ಪಿಎಮ್‌ಎಂಎಲ್ ವಿವರಣೆಯನ್ನು ಪಡೆಯಬಹುದು, ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ನಿಯಂತ್ರಣದಲ್ಲಿಲ್ಲದ ಉಪಕರಣದಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ - ಮತ್ತು ಈ ಮಾದರಿಯನ್ನು ಆಮದು ಮಾಡಿದ ಕ್ಷಣದಿಂದ ನೈಜ ಸಮಯದಲ್ಲಿ ಅನ್ವಯಿಸಿ PMML ವಿಶೇಷಣಗಳು. ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ಕಲಾಕೃತಿಗಳು ಇದನ್ನು ಅನುಮತಿಸಿದರೂ ಸಹ, ಎಲ್ಲಾ AI/ML ಕಲಾಕೃತಿಗಳನ್ನು PMML ವಿವರಣೆಗೆ ಇಳಿಸಲಾಗುವುದಿಲ್ಲ ಎಂಬುದನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಹೀಗಾಗಿ, InterSystems IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ "ಓಪನ್ ಲೂಪ್" ಆಗಿದೆ ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ "ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಗುಲಾಮಗಿರಿ" ಎಂದರ್ಥವಲ್ಲ.

ಚಿತ್ರ 20 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ AI/ML ಪರಿಹಾರಕ್ಕೆ “ಆಟೋ-ಎಂಎಲ್” ಏಕೀಕರಣ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ನೈಜ-ಸಮಯದ ಯಂತ್ರ ಕಲಿಕೆಯ ಯಾಂತ್ರೀಕರಣದಲ್ಲಿ ಹೆಚ್ಚಿನ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಹೊಂದಿರುವ ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS (ಸ್ಪಷ್ಟತೆಗಾಗಿ, ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ) ಹೆಚ್ಚುವರಿ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪ್ರಯೋಜನಗಳನ್ನು ನಾವು ಪಟ್ಟಿ ಮಾಡೋಣ:

• ಯಾವುದೇ ಡೇಟಾ ಮೂಲಗಳು ಮತ್ತು ಗ್ರಾಹಕರೊಂದಿಗೆ ಅಭಿವೃದ್ಧಿ ಹೊಂದಿದ ಏಕೀಕರಣ ಸಾಧನಗಳು (ಪ್ರಕ್ರಿಯೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆ/SCADA, ಉಪಕರಣಗಳು, MRO, ERP, ಇತ್ಯಾದಿ.)
• ಅಂತರ್ನಿರ್ಮಿತ ಬಹು-ಮಾದರಿ DBMS ತಾಂತ್ರಿಕ ಪ್ರಕ್ರಿಯೆಯ ಡೇಟಾದ ಯಾವುದೇ ಪರಿಮಾಣದ ಉನ್ನತ-ಕಾರ್ಯಕ್ಷಮತೆಯ ವಹಿವಾಟು ಮತ್ತು ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಪ್ರಕ್ರಿಯೆಗೆ (ಹೈಬ್ರಿಡ್ ಟ್ರಾನ್ಸಾಕ್ಷನ್/ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಂಸ್ಕರಣೆ, HTAP)
• ಪೈಥಾನ್, ಆರ್, ಜೂಲಿಯಾ ಆಧಾರಿತ ನೈಜ-ಸಮಯದ ಪರಿಹಾರಗಳಿಗಾಗಿ AI/ML ಎಂಜಿನ್‌ಗಳ ನಿರಂತರ ನಿಯೋಜನೆಗಾಗಿ ಅಭಿವೃದ್ಧಿ ಸಾಧನಗಳು
• ನೈಜ-ಸಮಯದ AI/ML ಪರಿಹಾರ ಎಂಜಿನ್‌ಗಳ ನಿರಂತರ ಏಕೀಕರಣ ಮತ್ತು (ಸ್ವಯಂ) ಕಲಿಕೆಗಾಗಿ ಅಡಾಪ್ಟಿವ್ ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗಳು
• ಪ್ರಕ್ರಿಯೆಯ ಡೇಟಾವನ್ನು ಮತ್ತು AI/ML ಪರಿಹಾರದ ಫಲಿತಾಂಶಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲು ಅಂತರ್ನಿರ್ಮಿತ ವ್ಯಾಪಾರ ಬುದ್ಧಿಮತ್ತೆ ಪರಿಕರಗಳು
• API ನಿರ್ವಹಣೆ ನಿಯಂತ್ರಣ ವ್ಯವಸ್ಥೆಗಳು/SCADA, ಮಾಹಿತಿ ಮತ್ತು ವಿಶ್ಲೇಷಣಾತ್ಮಕ ವ್ಯವಸ್ಥೆಗಳು, ಎಚ್ಚರಿಕೆಗಳನ್ನು ಕಳುಹಿಸುವುದು ಇತ್ಯಾದಿಗಳಿಗೆ AI/ML ಪರಿಹಾರದ ಫಲಿತಾಂಶಗಳನ್ನು ತಲುಪಿಸಲು.

ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿನ AI/ML ಪರಿಹಾರಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ IT ಮೂಲಸೌಕರ್ಯಕ್ಕೆ ಸುಲಭವಾಗಿ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ. InterSystems IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ದೋಷ-ಸಹಿಷ್ಣು ಮತ್ತು ವಿಪತ್ತು-ಸಹಿಷ್ಣು ಕಾನ್ಫಿಗರೇಶನ್‌ಗಳನ್ನು ಬೆಂಬಲಿಸುವ ಮೂಲಕ AI/ML ಪರಿಹಾರಗಳ ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ ಮತ್ತು ವಾಸ್ತವ ಪರಿಸರದಲ್ಲಿ, ಭೌತಿಕ ಸರ್ವರ್‌ಗಳಲ್ಲಿ, ಖಾಸಗಿ ಮತ್ತು ಸಾರ್ವಜನಿಕ ಮೋಡಗಳು ಮತ್ತು ಡಾಕರ್ ಕಂಟೈನರ್‌ಗಳಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳುವ ನಿಯೋಜನೆ.

ಹೀಗಾಗಿ, ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್ ಸಾರ್ವತ್ರಿಕ ನೈಜ-ಸಮಯದ AI/ML ಕಂಪ್ಯೂಟಿಂಗ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಆಗಿದೆ. ನಮ್ಮ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ಸಾರ್ವತ್ರಿಕತೆಯು ಕಾರ್ಯಗತಗೊಳಿಸಿದ ಲೆಕ್ಕಾಚಾರಗಳ ಸಂಕೀರ್ಣತೆಯ ಮೇಲೆ ವಾಸ್ತವಿಕ ನಿರ್ಬಂಧಗಳ ಅನುಪಸ್ಥಿತಿಯಿಂದ ಪ್ರಾಯೋಗಿಕವಾಗಿ ದೃಢೀಕರಿಸಲ್ಪಟ್ಟಿದೆ, ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ ಐಆರ್‌ಐಎಸ್‌ನ ಸಾಮರ್ಥ್ಯವು (ನೈಜ ಸಮಯದಲ್ಲಿ) ವಿವಿಧ ಕೈಗಾರಿಕೆಗಳಿಂದ ಸನ್ನಿವೇಶಗಳ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಅಸಾಧಾರಣ ಹೊಂದಿಕೊಳ್ಳುವಿಕೆ ಬಳಕೆದಾರರ ನಿರ್ದಿಷ್ಟ ಅಗತ್ಯಗಳಿಗೆ ಯಾವುದೇ ವೇದಿಕೆ ಕಾರ್ಯಗಳು ಮತ್ತು ಕಾರ್ಯವಿಧಾನಗಳು.

ಚಿತ್ರ 21 ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS - ಒಂದು ಸಾರ್ವತ್ರಿಕ ನೈಜ-ಸಮಯದ AI/ML ಕಂಪ್ಯೂಟಿಂಗ್ ವೇದಿಕೆ

ಇಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಿದ ವಸ್ತುಗಳಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿರುವ ನಮ್ಮ ಓದುಗರೊಂದಿಗೆ ಹೆಚ್ಚು ವಸ್ತುನಿಷ್ಠ ಸಂವಾದಕ್ಕಾಗಿ, ಅದನ್ನು ಓದಲು ಮತ್ತು "ಲೈವ್" ಸಂವಾದವನ್ನು ಮುಂದುವರಿಸಲು ನಿಮ್ಮನ್ನು ಮಿತಿಗೊಳಿಸದಂತೆ ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. ನಿಮ್ಮ ಕಂಪನಿಯ ವಿಶಿಷ್ಟತೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ನೈಜ-ಸಮಯದ AI/ML ಸನ್ನಿವೇಶಗಳ ಸೂತ್ರೀಕರಣದೊಂದಿಗೆ ಬೆಂಬಲವನ್ನು ನೀಡಲು ನಾವು ಸಂತೋಷಪಡುತ್ತೇವೆ, ಇಂಟರ್‌ಸಿಸ್ಟಮ್ಸ್ IRIS ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನಲ್ಲಿ ಜಂಟಿ ಮೂಲಮಾದರಿಯನ್ನು ನಿರ್ವಹಿಸಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯನ್ನು ಪರಿಚಯಿಸಲು ಮಾರ್ಗಸೂಚಿಯನ್ನು ರೂಪಿಸಲು ಮತ್ತು ಪ್ರಾಯೋಗಿಕವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಲು. ನಿಮ್ಮ ಉತ್ಪಾದನೆ ಮತ್ತು ನಿರ್ವಹಣೆ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ. ನಮ್ಮ AI/ML ತಜ್ಞ ತಂಡದ ಸಂಪರ್ಕ ಇಮೇಲ್ – [ಇಮೇಲ್ ರಕ್ಷಿಸಲಾಗಿದೆ].

ಮೂಲ: www.habr.com