ProHoster > Blogs > Administrācija > InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma

Autors: Sergejs Lukjančikovs, InterSystems inženieris konsultants

Reāllaika AI/ML skaitļoŔanas zvani

Sāksim ar piemēriem no datu zinātnes prakses InterSystems:

  • Ielādētais pircēju portāls ir savienots ar tieÅ”saistes ieteikumu sistēmu. Visā mazumtirdzniecÄ«bas tÄ«klā tiks veikta akciju pārstrukturÄ“Å”ana (piemēram, ā€œplakanasā€ akciju rindas vietā tagad tiks izmantota ā€œsegmenta-taktikasā€ matrica). Kas notiek ar ieteikumu dzinējiem? Kas notiek ar datu iesniegÅ”anu un atjaunināŔanu ieteikumu dzinējā (ievades datu apjoms palielinājies par 25000 XNUMX reižu)? Kas notiek ar ieteikumu izstrādi (nepiecieÅ”amÄ«ba tÅ«kstoÅ”kārtÄ«gi samazināt ieteikumu noteikumu filtrÄ“Å”anas slieksni, jo to skaits un ā€œdiapazonsā€ palielinās tÅ«kstoÅ”kārtÄ«gi)?
  • Ir sistēma, lai uzraudzÄ«tu iekārtu komponentu defektu raÅ”anās iespējamÄ«bu. Monitoringa sistēmai tika pieslēgta automatizēta procesa vadÄ«bas sistēma, kas katru sekundi pārraidÄ«ja tÅ«kstoÅ”iem tehnoloÄ£isko procesu parametru. Kas notiek ar monitoringa sistēmu, kas iepriekÅ” strādāja ar ā€œmanuāliem paraugiemā€ (vai tā spēj nodroÅ”ināt sekundāro varbÅ«tÄ«bas monitoringu)? Kas notiks, ja ievaddatos parādÄ«sies jauns bloks ar vairākiem simtiem kolonnu ar rādÄ«jumiem no sensoriem, kas nesen pievienoti procesa vadÄ«bas sistēmai (vai bÅ«s nepiecieÅ”ams un uz cik ilgu laiku bÅ«s jāpārtrauc uzraudzÄ«bas sistēma, lai analÄ«zē iekļautu datus no jauniem sensoriem )?
  • Ir izveidots AI/ML mehānismu kopums (ieteikums, monitorings, prognozÄ“Å”ana), kas izmanto viens otra darba rezultātus. Cik cilvēkstundu katru mēnesi ir nepiecieÅ”ams, lai Ŕī kompleksa darbÄ«bu pielāgotu izmaiņām ievaddatos? Kas ir vispārējā ā€œpalēnināŔanāsā€, ja to atbalsta vadÄ«bas lēmumu pieņemÅ”anas komplekss (jaunas atbalsta informācijas raÅ”anās biežums tajā attiecÄ«bā pret jaunu ievaddatu raÅ”anās biežumu)?

Apkopojot Å”os un daudzus citus piemērus, esam nonākuÅ”i pie izaicinājumu formulējuma, kas rodas, pārejot uz maŔīnmācÄ«bas un mākslÄ«gā intelekta mehānismu izmantoÅ”anu reālajā laikā:

  • Vai esam apmierināti ar AI/ML izstrādņu izveides un pielāgoÅ”anas (maiņai situācijai) ātrumu mÅ«su uzņēmumā?
  • Cik lielā mērā mÅ«su izmantotie AI/ML risinājumi atbalsta reāllaika biznesa vadÄ«bu?
  • Vai mÅ«su izmantotie AI/ML risinājumi spēj neatkarÄ«gi (bez izstrādātājiem) pielāgoties izmaiņām datu un biznesa vadÄ«bas praksē?

MÅ«su raksts ir pamatÄ«gs pārskats par InterSystems IRIS platformas iespējām saistÄ«bā ar universālu atbalstu AI/ML mehānismu izvietoÅ”anai, AI/ML risinājumu montāžai (integrācijai) un AI/ML risinājumu apmācÄ«bai (testÄ“Å”anai) intensÄ«vi. datu straumes. Å ajā rakstā aplÅ«kosim tirgus izpēti, AI/ML risinājumu gadÄ«jumu izpēti un konceptuālos aspektus, ko mēs saucam par reāllaika AI/ML platformu.

Ko mēs zinām no aptaujām: reāllaika lietojumprogrammas

rezultātus aptaujako 800. gadā veica Lightbend gandrÄ«z 2019 IT profesionāļu vidÅ«, runā paÅ”i par sevi:

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
1. attēls. VadoÅ”ie reāllaika datu patērētāji

Citējam svarÄ«gus fragmentus no ziņojuma par Ŕīs aptaujas rezultātiem mÅ«su tulkojumā:

ā€œ... Datu straumju integrÄ“Å”anas rÄ«ku popularitātes tendences un vienlaikus skaitļoÅ”anas atbalsts konteineros nodroÅ”ina sinerÄ£isku atbildi uz tirgus pieprasÄ«jumu pēc atsaucÄ«gāka, racionālāka un dinamiskāka efektÄ«va risinājumu piedāvājuma. Straumējot datus, informācija tiek pārsÅ«tÄ«ta ātrāk nekā tradicionālie pakeÅ”dati. Tam pievienota iespēja ātri pielietot skaitļoÅ”anas metodes, piemēram, uz AI/ML balstÄ«tus ieteikumus, radot konkurences priekÅ”rocÄ«bas, palielinot klientu apmierinātÄ«bu. SacensÄ«bas par veiklÄ«bu ietekmē arÄ« visas DevOps paradigmas lomas, padarot lietojumprogrammu izstrādi un izvietoÅ”anu efektÄ«vāku. ā€¦ Astoņi simti četri IT speciālisti sniedza informāciju par datu plÅ«smu izmantoÅ”anu savās organizācijās. Respondenti pārsvarā atradās rietumvalstÄ«s (41% Eiropā un 37% Ziemeļamerikā) un bija gandrÄ«z vienmērÄ«gi sadalÄ«ti starp maziem, vidējiem un lieliem uzņēmumiem. ...

... MākslÄ«gais intelekts nav ažiotāža. Piecdesmit astoņi procenti no tiem, kas jau izmanto datu straumes apstrādi produktivitātes AI/ML lietojumprogrammās, apstiprina, ka viņu AI/ML izmantoÅ”anā nākamajā gadā bÅ«s lielākais pieaugums (salÄ«dzinājumā ar citām lietojumprogrammām).

  • Pēc lielākās daļas respondentu domām, datu straumju izmantoÅ”ana AI/ML scenārijos nākamajā gadā piedzÄ«vos vislielāko pieaugumu.
  • AI/ML lietojumprogrammas pieaugs ne tikai salÄ«dzinoÅ”i jauna veida scenāriju dēļ, bet arÄ« tradicionālo scenāriju dēļ, kuros arvien vairāk tiek izmantoti reāllaika dati.
  • Papildus AI/ML entuziasma lÄ«menis IoT datu cauruļvadu lietotāju vidÅ« ir iespaidÄ«gs ā€“ 48% no tiem, kuri jau ir integrējuÅ”i IoT datus, apgalvo, ka scenārija ievieÅ”ana Å”ajos datos tuvākajā nākotnē piedzÄ«vos ievērojamu pieaugumu. ..."

No Ŕīs diezgan interesantās aptaujas ir skaidrs, ka maŔīnmācÄ«bas un mākslÄ«gā intelekta scenāriju uztvere kā datu straumju patēriņa lÄ«deri jau ir ā€œceļāā€. Taču tikpat svarÄ«gs novērojums ir reāllaika AI/ML uztvere caur DevOps objektÄ«vu: Å”eit jau varam sākt runāt par joprojām dominējoŔās kultÅ«ras ā€œvienreizējās lietoÅ”anas AI/ML ar pilnÄ«bā pieejamu datu kopuā€ transformāciju.

Reāllaika AI/ML platformas koncepcija

Viena tipiska reāllaika AI/ML pielietojuma joma ir procesa kontrole ražoÅ”anā. Izmantojot viņas piemēru un ņemot vērā iepriekŔējās domas, formulēsim reāllaika AI/ML platformas koncepciju.
MākslÄ«gā intelekta un maŔīnmācÄ«Å”anās izmantoÅ”anai procesu kontrolē ir vairākas funkcijas:

  • Dati par tehnoloÄ£iskā procesa stāvokli tiek saņemti intensÄ«vi: ar augstu frekvenci un plaÅ”am parametru diapazonam (no procesa vadÄ«bas sistēmas tiek pārraidÄ«tas lÄ«dz pat desmitiem tÅ«kstoÅ”u parametru vērtÄ«bu sekundē)
  • Dati par defektu identificÄ“Å”anu, nemaz nerunājot par datiem par to attÄ«stÄ«bu, gluži pretēji, ir trÅ«cÄ«gi un neregulāri, ko raksturo nepietiekama defektu tipizācija un to lokalizācija laikā (bieži attēlota papÄ«ra ierakstos)
  • No praktiskā viedokļa apmācÄ«bai un modeļu pielietoÅ”anai ir pieejams tikai avota datu ā€œatbilstÄ«bas logsā€, kas atspoguļo tehnoloÄ£iskā procesa dinamiku saprātÄ«gā slÄ«doŔā intervālā, kas beidzas ar procesa parametru pēdējām nolasÄ«tajām vērtÄ«bām.

Å Ä«s funkcijas liek mums papildus intensÄ«vā tehnoloÄ£iskā procesa "platjoslas ievades signāla" saņemÅ”anai un pamata apstrādei reāllaikā veikt (paralēli) AI / rezultātu pielietoÅ”anu, apmācÄ«bu un kvalitātes kontroli. ML modeļi - arÄ« reāllaikā. ā€œRāmisā€, ko mÅ«su modeļi ā€œredzā€ atbilstÄ«bas slÄ«doÅ”ajā logā, nemitÄ«gi mainās ā€“ lÄ«dz ar to mainās arÄ« AI/ML modeļu darba rezultātu kvalitāte, kas iepriekÅ” trenēti uz kāda no ā€œkadriemā€ . Ja AI/ML modeļu darba rezultātu kvalitāte pasliktinās (piemēram: ā€œtrauksmes normasā€ klasifikācijas kļūdas vērtÄ«ba ir pārsniegusi mÅ«su noteiktās robežas), automātiski jāuzsāk modeļu papildu apmācÄ«ba aktuālāks ā€œrāmisā€ - un modeļu papildu apmācÄ«bas uzsākÅ”anas brīža izvēlē bÅ«tu jāņem vērā paÅ”as apmācÄ«bas ilgums un modeļu paÅ”reizējās versijas darba kvalitātes pasliktināŔanās dinamika (kopÅ” modeļu paÅ”reizējās versijas turpina izmantot, kamēr modeļi tiek apmācÄ«ti, un lÄ«dz tiek veidotas to ā€œjaunapmācÄ«tāsā€ versijas).

InterSystems IRIS ir galvenās platformas iespējas, lai nodroÅ”inātu AI/ML risinājumus reāllaika procesu kontrolei. Å Ä«s iespējas var iedalÄ«t trÄ«s galvenajās grupās:

  • Jaunu vai pielāgotu esoÅ”o AI/ML mehānismu nepārtraukta izvietoÅ”ana (nepārtraukta izvietoÅ”ana/piegāde, CD) produktÄ«vā risinājumā, kas darbojas reāllaikā InterSystems IRIS platformā
  • Nepārtraukta integrācija (CI) vienotā produktÄ«vā ienākoÅ”o tehnoloÄ£isko procesu datu straumju risinājumā, datu rindas AI/ML mehānismu pielietoÅ”anai/apmācÄ«bai/kvalitātes kontrolei un datu/koda/vadÄ«bas darbÄ«bu apmaiņai ar matemātiskās modelÄ“Å”anas vidēm, kas organizēta reāllaikā. platforma InterSystems IRIS
  • AI/ML mehānismu nepārtraukta (paÅ”)apmācÄ«ba (Continuous Training, CT), kas veikta matemātiskās modelÄ“Å”anas vidēs, izmantojot datus, kodu un kontroles darbÄ«bas (ā€œpieņemtie lēmumiā€), ko pārraida InterSystems IRIS platforma

Platformas iespēju klasifikācija saistÄ«bā ar maŔīnmācÄ«Å”anos un mākslÄ«go intelektu tieÅ”i Å”ajās grupās nav nejauÅ”a. Citējam metodiskos publikācija Google, kas nodroÅ”ina Ŕīs klasifikācijas konceptuālo pamatu, mÅ«su tulkojumā:

ā€œ... MÅ«sdienās populārā DevOps koncepcija aptver liela mēroga informācijas sistēmu izstrādi un darbÄ«bu. Å Ä«s koncepcijas ievieÅ”anas priekÅ”rocÄ«bas ir izstrādes ciklu ilguma samazināŔana, ātrāka izstrādes izvietoÅ”ana un elastÄ«ba izlaiÅ”anas plānoÅ”anā. Lai sasniegtu Ŕīs priekÅ”rocÄ«bas, DevOps ietver vismaz divu prakÅ”u ievieÅ”anu:

  • Nepārtraukta integrācija (CI)
  • Nepārtraukta piegāde (CD)

Å Ä« prakse attiecas arÄ« uz AI/ML platformām, lai nodroÅ”inātu uzticamu un veiktspējÄ«gu produktÄ«vu AI/ML risinājumu montāžu.

AI/ML platformas atŔķiras no citām informācijas sistēmām Ŕādos aspektos:

  • Komandas kompetences: Veidojot AI/ML risinājumu, komandā parasti ir datu zinātnieki vai ā€œakadēmiskieā€ eksperti datu izpētes jomā, kas veic datu analÄ«zi, izstrādā un testē modeļus. Å ie komandas dalÄ«bnieki var nebÅ«t profesionāli produktÄ«vi kodu izstrādātāji.
  • Izstrāde: AI/ML dzinējiem ir eksperimentāls raksturs. Lai problēmu atrisinātu visefektÄ«vākajā veidā, ir jāiziet dažādas ievades mainÄ«go, algoritmu, modelÄ“Å”anas metožu un modeļa parametru kombinācijas. Šādas meklÄ“Å”anas sarežģītÄ«ba ir izsekoÅ”ana ā€œkas strādāja/nedarbojāsā€, nodroÅ”ina epizožu reproducējamÄ«bu, izstrādņu vispārināŔanu atkārtotām implementācijām.
  • TestÄ“Å”ana: AI/ML dzinēju testÄ“Å”anai ir nepiecieÅ”ams plaŔāks testu klāsts nekā lielākajai daļai citu izstrādņu. Papildus standarta vienÄ«bu un integrācijas testiem tiek pārbaudÄ«ts datu derÄ«gums un modeļa piemēroÅ”anas rezultātu kvalitāte apmācÄ«bas un kontroles paraugiem.
  • IzvērÅ”ana: AI/ML risinājumu ievieÅ”ana neaprobežojas tikai ar prognozÄ“Å”anas pakalpojumiem, kas izmanto vienreiz apmācÄ«tu modeli. AI/ML risinājumi ir veidoti ap daudzpakāpju cauruļvadiem, kas veic automatizētu modeļu apmācÄ«bu un pielietojumu. Šādu cauruļvadu izvietoÅ”ana ietver netriviālu darbÄ«bu automatizāciju, ko datu zinātnieki tradicionāli veic manuāli, lai varētu apmācÄ«t un pārbaudÄ«t modeļus.
  • Produktivitāte: AI/ML dzinējiem var pietrÅ«kt produktivitātes ne tikai neefektÄ«vas programmÄ“Å”anas, bet arÄ« nepārtraukti mainÄ«gā ievaddatu rakstura dēļ. Citiem vārdiem sakot, AI/ML mehānismu veiktspēja var pasliktināties vairāku iemeslu dēļ nekā parasto izstrādņu veiktspēja. Kas noved pie nepiecieÅ”amÄ«bas pārraudzÄ«t (tieÅ”saistē) mÅ«su AI/ML dzinēju veiktspēju, kā arÄ« sÅ«tÄ«t brÄ«dinājumus vai noraidÄ«t rezultātus, ja veiktspējas rādÄ«tāji neatbilst cerÄ«bām.

AI/ML platformas ir lÄ«dzÄ«gas citām informācijas sistēmām, jo ā€‹ā€‹abām ir nepiecieÅ”ama nepārtraukta koda integrācija ar versiju kontroli, vienÄ«bu testÄ“Å”ana, integrācijas testÄ“Å”ana un nepārtraukta izstrādes izvietoÅ”ana. Tomēr AI/ML gadÄ«jumā pastāv vairākas bÅ«tiskas atŔķirÄ«bas:

  • CI (Continuous Integration) vairs neaprobežojas tikai ar izvietoto komponentu koda testÄ“Å”anu un apstiprināŔanu ā€“ tas ietver arÄ« datu un AI/ML modeļu testÄ“Å”anu un validÄ“Å”anu.
  • CD (Continuous Delivery/Deployment, nepārtraukta izvietoÅ”ana) neaprobežojas tikai ar pakeÅ”u vai pakalpojumu rakstÄ«Å”anu un izlaiÅ”anu, bet ietver platformu AI/ML risinājumu kompozÄ«cijai, apmācÄ«bai un pielietoÅ”anai.
  • CT (Continuous Training, nepārtraukta apmācÄ«ba) ir jauns elements [apm. raksta autors: jauns elements saistÄ«bā ar tradicionālo DevOps koncepciju, kurā CT parasti ir nepārtraukta pārbaude], kas raksturÄ«ga AI/ML platformām un ir atbildÄ«ga par AI apmācÄ«bas un piemēroÅ”anas mehānismu autonomu pārvaldÄ«bu. /ML modeļi. ..."

Varam apgalvot, ka maŔīnmācÄ«bai un mākslÄ«gajam intelektam, kas strādā ar reāllaika datiem, ir nepiecieÅ”ams plaŔāks rÄ«ku un kompetenču kopums (no koda izstrādes lÄ«dz matemātiskās modelÄ“Å”anas vides orÄ·estrÄ“Å”anai), cieŔāka integrācija starp visām funkcionālajām un priekÅ”metu jomām, efektÄ«vāka cilvēku un maŔīnu resursi.

Reāllaika scenārijs: atpazīt padeves sūkņu defektu attīstību

Turpinot izmantot procesa vadÄ«bas zonu kā piemēru, apsveriet konkrētu problēmu (mēs jau minējām paŔā sākumā): mums ir jānodroÅ”ina sÅ«kņu defektu attÄ«stÄ«bas reāllaika uzraudzÄ«ba, pamatojoties uz procesa parametru vērtÄ«bu plÅ«smu. un remonta personāla ziņojumi par konstatētajiem defektiem.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
2. attēls Problēmas formulējums defektu attīstības monitoringam

Lielākajai daļai praksē Ŕādi uzdoto uzdevumu iezÄ«me ir tāda, ka datu saņemÅ”anas (APCS) regularitāte un efektivitāte ir jāvērtē, ņemot vērā dažāda veida defektu epizodisku un neregulāru raÅ”anos (un reÄ£istrāciju). Citiem vārdiem sakot: dati no procesa vadÄ«bas sistēmas pienāk reizi sekundē, pareizi un precÄ«zi, un ar Ä·Ä«misko zÄ«muli tiek veiktas atzÄ«mes par defektiem, norādot datumu vispārējā piezÄ«mju grāmatiņā darbnÄ«cā (piemēram: ā€œ12.01 ā€“ noplÅ«de vākā no 3. gultņa pusesā€).

LÄ«dz ar to problēmas formulējumu varam papildināt ar Ŕādu bÅ«tisku ierobežojumu: mums ir tikai viena noteikta veida defekta ā€œuzlÄ«meā€ (t.i., konkrēta tipa defekta piemēru attēlo procesa vadÄ«bas dati sistēma noteiktā datumā ā€“ un mums nav vairāk Ŕāda veida defektu piemēru). Å is ierobežojums nekavējoties izved mÅ«s ārpus klasiskās maŔīnmācÄ«Å”anās (uzraudzÄ«tās mācÄ«Å”anās) jomas, kurai vajadzētu bÅ«t daudz ā€œtaguā€.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
3.attēls Defektu attīstības uzraudzības uzdevuma precizējums

Vai mēs varam kaut kā ā€œpavairotā€ vienÄ«go mÅ«su rÄ«cÄ«bā esoÅ”o ā€œbirkuā€? Jā, mēs varam. SÅ«kņa paÅ”reizējo stāvokli raksturo lÄ«dzÄ«bas pakāpe ar reÄ£istrētajiem defektiem. Pat neizmantojot kvantitatÄ«vās metodes, vizuālās uztveres lÄ«menÄ«, novērojot datu vērtÄ«bu dinamiku, kas nāk no procesa vadÄ«bas sistēmas, jÅ«s jau varat daudz uzzināt:

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
4. attēls SÅ«kņa stāvokļa dinamika uz noteikta veida defekta ā€œatzÄ«mesā€ fona

Taču vizuālā uztvere (vismaz pagaidām) nav piemērotākais ā€œbirkuā€ Ä£enerators mÅ«su strauji mainÄ«gajā scenārijā. Mēs novērtēsim paÅ”reizējā sÅ«kņa stāvokļa lÄ«dzÄ«bu paziņotajiem defektiem, izmantojot statistisko testu.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
5. attēls Statistikas testa piemēroÅ”ana ienākoÅ”ajiem datiem, ņemot vērā defekta ā€œmarķējumuā€

Statistiskā pārbaude nosaka varbÅ«tÄ«bu, ka ieraksti ar tehnoloÄ£iskā procesa parametru vērtÄ«bām ā€œplÅ«smas paketēā€, kas saņemti no procesa vadÄ«bas sistēmas, ir lÄ«dzÄ«gi noteikta veida defekta ā€œbirkasā€ ierakstiem. Statistiskā testa rezultātā aprēķinātā varbÅ«tÄ«bas vērtÄ«ba (statistiskās lÄ«dzÄ«bas indekss) tiek pārveidota par vērtÄ«bu 0 vai 1, kļūstot par maŔīnmācÄ«bas ā€œiezÄ«miā€ katrā konkrētajā ierakstā paketē, kurā tiek pārbaudÄ«ta lÄ«dzÄ«ba. Tas nozÄ«mē, ka pēc tikko saņemtas sÅ«kņa stāvokļa ierakstu paketes apstrādes ar statistisko testu mums ir iespēja (a) pievienot Å”o paketi apmācÄ«bu komplektam AI/ML modeļa apmācÄ«bai un (b) veikt kvalitātes kontroli paÅ”reizējā modeļa versija, izmantojot to Å”ajā pakotnē.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
6. attēls MaŔīnmācÄ«Å”anās modeļa piemēroÅ”ana ienākoÅ”ajiem datiem uz defekta ā€œiezÄ«mesā€ fona

Vienā no mÅ«su iepriekŔējām vebināri Mēs parādām un izskaidrojam, kā InterSystems IRIS platforma ļauj ieviest jebkuru AI/ML mehānismu nepārtraukti izpildāmu biznesa procesu veidā, kas uzrauga modelÄ“Å”anas rezultātu ticamÄ«bu un pielāgo modeļa parametrus. Realizējot mÅ«su scenārija prototipu ar sÅ«kņiem, mēs izmantojam visu vebināra laikā prezentēto InterSystems IRIS funkcionalitāti - analizatora procesā kā daļu no mÅ«su risinājuma ievieÅ”ot nevis klasisko uzraudzÄ«to apmācÄ«bu, bet gan pastiprināŔanas apmācÄ«bu, kas automātiski pārvalda apmācÄ«bu modeļu atlasi. . ApmācÄ«bas paraugā ir ieraksti, par kuriem pēc statistiskā testa un modeļa paÅ”reizējās versijas piemēroÅ”anas rodas ā€œkonsenss par noteikÅ”anuā€, t.i., gan statistiskais tests (pēc lÄ«dzÄ«bas indeksa pārveidoÅ”anas uz 0 vai 1), gan modelis radÄ«ja rezultātu. par Ŕādiem ierakstiem 1. Modeļa jaunās apmācÄ«bas laikā, tā validācijas laikā (jaunapmācÄ«tais modelis tiek piemērots savam apmācÄ«bas paraugam, iepriekÅ” veicot tam statistisko testu), ieraksti, kas pēc apstrādes ā€œnesaglabājaā€ rezultātu 1 ar statistisko testu (sakarā ar pastāvÄ«gu klātbÅ«tni apmācÄ«bā ierakstu paraugs no sākotnējās defekta "marķējuma"), tiek izņemti no apmācÄ«bas komplekta, un jauna modeļa versija mācās no "etiÄ·etes" defekts plus ā€œsaglabātieā€ ieraksti no straumes.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
7. attēls AI/ML aprēķinu robotizācija programmā InterSystems IRIS

Ja ir nepiecieÅ”ams sava veida ā€œotrais atzinumsā€ par lokālo aprēķinu laikā InterSystems IRIS iegÅ«tās noteikÅ”anas kvalitāti, tiek izveidots padomdevēja process, lai veiktu apmācÄ«bu un modeļu pielietoÅ”anu vadÄ«bas datu kopā, izmantojot mākoņpakalpojumus (piemēram, Microsoft Azure, Amazon Web Services, Google Cloud Platform utt.):

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
8. attēls Otrais atzinums no Microsoft Azure, ko organizēja InterSystems IRIS

MÅ«su scenārija prototips programmā InterSystems IRIS ir izstrādāts kā uz aÄ£entiem balstÄ«ta analÄ«tisko procesu sistēma, kas mijiedarbojas ar aprÄ«kojuma objektu (sÅ«kni), matemātiskās modelÄ“Å”anas vidēm (Python, R un Julia) un nodroÅ”ina visu iesaistÄ«to AI paÅ”mācÄ«Å”anos/ ML mehānismi ā€” reāllaika datu plÅ«smās.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
9. attēls. InterSystems IRIS reāllaika AI/ML risinājuma galvenā funkcionalitāte

Mūsu prototipa praktiskais rezultāts:

  • Modeļa atpazÄ«tais parauga defekts (12. janvāris):

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma

  • Modeļa atpazÄ«ts defekts, kas nebija iekļauts paraugā (11. septembrÄ« paÅ”u defektu remonta brigāde konstatēja tikai divas dienas vēlāk, 13. septembrÄ«):

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
Simulācija uz reāliem datiem, kas satur vairākas viena un tā paÅ”a defekta epizodes, parādÄ«ja, ka mÅ«su risinājums, kas ieviests InterSystems IRIS platformā, ļauj identificēt Ŕāda veida defektu attÄ«stÄ«bu vairākas dienas, pirms tos atklāj remonta komanda.

InterSystems IRIS ā€“ universāla reāllaika AI/ML skaitļoÅ”anas platforma

InterSystems IRIS platforma vienkārÅ”o reāllaika datu risinājumu izstrādi, izvietoÅ”anu un darbÄ«bu. InterSystems IRIS spēj vienlaicÄ«gi veikt darÄ«jumu un analÄ«tisko datu apstrādi; atbalstÄ«t sinhronizētus datu skatus saskaņā ar vairākiem modeļiem (ieskaitot relāciju, hierarhijas, objektu un dokumentu); darboties kā platforma dažādu datu avotu un atseviŔķu lietojumprogrammu integrÄ“Å”anai; nodroÅ”ināt uzlabotu reāllaika analÄ«zi par strukturētiem un nestrukturētiem datiem. InterSystems IRIS nodroÅ”ina arÄ« mehānismus ārējo analÄ«tisko rÄ«ku izmantoÅ”anai un ļauj elastÄ«gi kombinēt mitināŔanu mākonÄ« un vietējos serveros.

Lietojumprogrammas, kas izveidotas uz InterSystems IRIS platformas, tiek izvietotas dažādās nozarēs, palÄ«dzot uzņēmumiem realizēt nozÄ«mÄ«gus ekonomiskos ieguvumus no stratēģiskā un darbÄ«bas perspektÄ«vas, palielinot informētu lēmumu pieņemÅ”anu un mazinot plaisas starp notikumu, analÄ«zi un darbÄ«bu.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
10. attēls InterSystems IRIS arhitektūra reāllaika AI/ML kontekstā

Tāpat kā iepriekŔējā diagrammā, zemāk redzamā diagramma apvieno jauno ā€œkoordinātu sistēmuā€ (CD/CI/CT) ar diagrammu par informācijas plÅ«smu starp platformas darba elementiem. Vizualizācija sākas ar makromehānisma CD un turpinās ar makromehānismiem CI un CT.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
11. attēls Informācijas plūsmu diagramma starp InterSystems IRIS platformas AI/ML elementiem

CD mehānisma bÅ«tÄ«ba programmā InterSystems IRIS: platformas lietotāji (AI/ML risinājumu izstrādātāji) pielāgo esoÅ”os un/vai veido jaunas AI/ML izstrādes, izmantojot specializētu AI/ML mehānismiem paredzētu koda redaktoru: Jupyter (pilns nosaukums: Jupyter Notebook; Ä«suma labad dažreiz tiek saukti arÄ« Å”ajā redaktorā izveidotie dokumenti). Programmā Jupyter izstrādātājam ir iespēja rakstÄ«t, atkļūdot un pārbaudÄ«t konkrētas AI/ML izstrādes veiktspēju (tostarp izmantojot grafiku), pirms tā tiek ievietota (ā€œizvietotaā€) programmā InterSystems IRIS. Ir skaidrs, ka Ŕādā veidā izveidota jauna izstrāde saņems tikai pamata atkļūdoÅ”anu (jo Ä«paÅ”i Jupyter nedarbojas ar reāllaika datu plÅ«smām) - tas ir lietu kārtÄ«bā, jo galvenais Jupyter izstrādes rezultāts ir apstiprinājums atseviŔķa AI / ML mehānisma fundamentālai darbÄ«bai (ā€œrāda paredzamo rezultātu datu paraugāā€). LÄ«dzÄ«gi mehānismam, kas jau ir ievietots platformā (skatiet tālāk norādÄ«tos makromehānismus) pirms atkļūdoÅ”anas programmā Jupyter, var bÅ«t nepiecieÅ”ama ā€œatcelÅ”anaā€ uz ā€œpirmsplatformasā€ formu (datu nolasÄ«Å”ana no failiem, darbs ar datiem, izmantojot xDBC, nevis tabulas, tieÅ”a mijiedarbÄ«ba ar globāliem ā€” daudzdimensionālu datu masÄ«vi InterSystems IRIS ā€” utt.).

SvarÄ«gs CD ievieÅ”anas aspekts InterSystems IRIS: starp platformu un Jupyter ir ieviesta divvirzienu integrācija, kas ļauj Python, R un Julia saturu pārsÅ«tÄ«t uz platformu (un pēc tam apstrādāt platformā) (visi trÄ«s ir programmÄ“Å”ana valodās attiecÄ«gajās vadoÅ”ajās atvērtā pirmkoda valodās). avota matemātiskās modelÄ“Å”anas vides). Tādējādi AI/ML satura izstrādātājiem ir iespēja veikt Ŕī satura ā€œnepārtrauktu izvietoÅ”anuā€ platformā, strādājot savā pazÄ«stamajā Jupyter redaktorā, ar pazÄ«stamām bibliotēkām, kas pieejamas Python, R, Julia, un veicot pamata atkļūdoÅ”anu (ja nepiecieÅ”ams). ārpus platformas.

Pāriesim pie CI makro mehānisma programmā InterSystems IRIS. Diagrammā parādÄ«ts ā€œreāllaika robotizētājaā€ makro process (datu struktÅ«ru, biznesa procesu un koda fragmentu komplekss, ko tie organizē matemātiskās valodās un ObjectScript - InterSystems IRIS dzimtajā izstrādes valodā). Å Ä« makroprocesa uzdevums ir uzturēt AI/ML mehānismu darbÄ«bai nepiecieÅ”amās datu rindas (pamatojoties uz datu plÅ«smām, kas tiek pārraidÄ«tas uz platformu reāllaikā), pieņemt lēmumus par pielietoÅ”anas secÄ«bu un AI/ ā€œsortimentuā€. ML mehānismi (tie ir arÄ« ā€œmatemātiskie algoritmiā€, ā€œmodeļiā€ utt. ā€“ var saukt dažādi atkarÄ«bā no realizācijas specifikas un terminoloÄ£iskajām vēlmēm), uztur datu struktÅ«ras aktuālas AI darba rezultātu analÄ«zei/ ML mehānismi (kubi, tabulas, daudzdimensionāli datu masÄ«vi utt.) utt. ā€“ atskaitēm, paneļiem utt.).

SvarÄ«gs CI ievieÅ”anas aspekts Ä«paÅ”i InterSystems IRIS: starp platformu un matemātiskās modelÄ“Å”anas vidēm ir ieviesta divvirzienu integrācija, kas ļauj izpildÄ«t saturu, kas tiek mitināts platformā Python, R un Julia to attiecÄ«gajās vidēs un saņemt atpakaļ izpildi. rezultātus. Å Ä« integrācija tiek Ä«stenota gan ā€œtermināļa režīmāā€ (t.i., AI/ML saturs tiek formulēts kā ObjectScript kods, kas izsauc vidi), gan ā€œbiznesa procesa režīmāā€ (t.i., AI/ML saturs tiek formulēts kā biznesa process izmantojot grafisko redaktoru vai dažreiz izmantojot Jupyter, vai izmantojot IDE ā€” IRIS Studio, Eclipse, Visual Studio Code). UzņēmējdarbÄ«bas procesu pieejamÄ«ba rediģēŔanai programmā Jupyter tiek atspoguļota savienojumā starp IRIS CI lÄ«menÄ« un Jupyter kompaktdiska lÄ«menÄ«. Tālāk ir sniegts sÄ«kāks pārskats par integrāciju ar matemātiskās modelÄ“Å”anas vidēm. Å ajā posmā, mÅ«suprāt, ir pamats nodroÅ”ināt, lai platformai bÅ«tu visi nepiecieÅ”amie rÄ«ki, lai Ä«stenotu AI/ML izstrādes (no "nepārtrauktas izvietoÅ”anas") ā€œnepārtrauktas integrācijasā€ reāllaika AI/ML risinājumos.

Un galvenais makro mehānisms: CT. Bez tā nebÅ«s AI/ML platformas (lai gan ā€œreāllaikaā€ tiks ieviests caur CD/CI). CT bÅ«tÄ«ba ir platformas darbs ar maŔīnmācÄ«bas un mākslÄ«gā intelekta ā€œartefaktiemā€ tieÅ”i matemātiskās modelÄ“Å”anas vides darba sesijās: modeļi, sadales tabulas, matricu vektori, neironu tÄ«klu slāņi utt. Å is ā€œdarbsā€ vairumā gadÄ«jumu sastāv no minēto artefaktu izveides vidēs (piemēram, modeļu gadÄ«jumā ā€œizveideā€ sastāv no modeļa specifikācijas iestatÄ«Å”anas un sekojoÅ”as tā parametru vērtÄ«bu izvēles - modeļa tā sauktā ā€œapmācÄ«baā€, to pielietoÅ”ana (modeļiem: aprēķins ar mērÄ·a mainÄ«go lielumu ā€œmodeļaā€ vērtÄ«bu palÄ«dzÄ«bu - prognozes, piederÄ«ba kategorijām, notikuma iespējamÄ«ba utt.) un jau esoŔā uzlaboÅ”ana. izveidoti un pielietoti artefakti (piemēram, modeļa ievades mainÄ«go kopas pārdefinÄ“Å”ana, pamatojoties uz pielietojuma rezultātiem - lai uzlabotu prognozÄ“Å”anas precizitāti, kā opcija). Galvenais punkts, lai izprastu CT lomu, ir tā ā€œabstrakcijaā€ no CD un CI realitātes: CT ieviesÄ«s visus artefaktus, koncentrējoties uz AI/ML risinājuma skaitļoÅ”anas un matemātiskajām specifikām, ņemot vērā iespējas, ko nodroÅ”ina konkrēta vide. AtbildÄ«ba par ā€œievades nodroÅ”ināŔanuā€ un ā€œizvades piegādiā€ bÅ«s CD un CI atbildÄ«ba.

SvarÄ«gs CT ievieÅ”anas aspekts Ä«paÅ”i InterSystems IRIS: izmantojot jau iepriekÅ” minēto integrāciju ar matemātiskās modelÄ“Å”anas vidēm, platformai ir iespēja iegÅ«t tos paÅ”us artefaktus no darba sesijām, kas matemātiskajās vidēs tiek vadÄ«tas tās kontrolē, un (pats galvenais) pārvērst. tos platformas datu objektos. Piemēram, izplatÄ«Å”anas tabulu, kas tikko izveidota darba Python sesijā, var (neapturot Python sesiju) pārsÅ«tÄ«t uz platformu, piemēram, globāla (daudzdimensiju InterSystems IRIS datu masÄ«va) formā un izmantot aprēķiniem citā AI/ML- mehānismā (realizēts citas vides valodā - piemēram, R) - vai virtuālā tabulā. Vēl viens piemērs: paralēli modeļa darbÄ«bas ā€œnormālajam režīmamā€ (Python darba sesijā) tā ievades datiem tiek veikts ā€œauto-MLā€: automātiska optimālo ievades mainÄ«go un parametru vērtÄ«bu atlase. Un kopā ar ā€œparastoā€ apmācÄ«bu produktÄ«vs modelis reāllaikā saņem arÄ« tā specifikācijas ā€œoptimizācijas priekÅ”likumuā€ - kurā mainās ievades mainÄ«go kopa, mainās parametru vērtÄ«bas (ne vairs apmācÄ«bas rezultātā). Python versijā, bet apmācÄ«bas rezultātā ar ā€œalternatÄ«vuā€ versiju, piemēram, H2O steku), ļaujot kopējam AI/ML risinājumam autonomi tikt galā ar negaidÄ«tām izmaiņām modelējamo ievaddatu un parādÄ«bu raksturā. .

Sīkāk iepazīsimies ar InterSystems IRIS platformas AI/ML funkcionalitāti, izmantojot reāla prototipa piemēru.

Zemāk redzamajā diagrammā slaida kreisajā pusē ir biznesa procesa daļa, kas realizē skriptu izpildi Python un R. Centrālajā daļā ir attiecÄ«gi dažu Å”o skriptu izpildes vizuālie žurnāli, Python un R. TÅ«lÄ«t aiz tiem ir satura piemēri vienā un citā valodā, kas pārsÅ«tÄ«ti izpildei uz atbilstoŔām vidēm. Beigās labajā pusē ir vizualizācijas, kuru pamatā ir skripta izpildes rezultāti. AugÅ”pusē esoŔās vizualizācijas tika veiktas IRIS Analytics (dati tika ņemti no Python uz InterSystems IRIS datu platformu un parādÄ«ti informācijas panelÄ«, izmantojot platformu), apakŔā tika veiktas tieÅ”i R darba sesijā un no turienes izvadÄ«tas uz grafiskajiem failiem. . SvarÄ«gs aspekts: prototipā uzrādÄ«tais fragments ir atbildÄ«gs par modeļa apmācÄ«bu (iekārtu stāvokļu klasifikāciju) uz datiem, kas saņemti reāllaikā no iekārtas simulatora procesa, pēc komandas no klasifikācijas kvalitātes monitora procesa, kas novērots modeļa pielietoÅ”anas laikā. AI/ML risinājuma ievieÅ”ana mijiedarbojoÅ”u procesu (ā€œaÄ£entuā€) veidā tiks apspriesta tālāk.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
12. attēls Mijiedarbība ar Python, R un Julia programmā InterSystems IRIS

Platformas procesi (tie ir arÄ« ā€œbiznesa procesiā€, ā€œanalÄ«tiskie procesiā€, ā€œkonveļlÄ«niā€ utt. - atkarÄ«bā no konteksta), pirmkārt, tiek rediģēti grafiskajā biznesa procesu redaktorā paŔā platformā un tādā veidā. veidā, ka vienlaikus tiek izveidota gan tā blokshēma, gan atbilstoÅ”ais AI/ML mehānisms (programmas kods). Kad mēs sakām, ka ā€œir iegÅ«ts AI/ML mehānismsā€, mēs sākotnēji domājam hibriditāti (viena procesa ietvaros): saturs matemātiskās modelÄ“Å”anas vides valodās atrodas blakus saturam SQL (tostarp paplaÅ”inājumi no IntegrētaisML), programmā InterSystems ObjectScript ar citām atbalstÄ«tajām valodām. Turklāt platformas process sniedz ļoti plaÅ”as iespējas ā€œrenderÄ“Å”anaiā€ hierarhiski ligzdotu fragmentu veidā (kā redzams piemērā zemāk esoÅ”ajā diagrammā), kas ļauj efektÄ«vi organizēt pat ļoti sarežģītu saturu, nekad ā€œneizkrÄ«totā€. grafiskā formāta (ā€œnegrafiskosā€ formātos). Ā» metodes/klases/procedÅ«ras utt.). Tas ir, nepiecieÅ”amÄ«bas gadÄ«jumā (un tas ir paredzēts lielākajā daļā projektu) absolÅ«ti visu AI/ML risinājumu var realizēt grafiskā paÅ”dokumentējoŔā formātā. LÅ«dzu, ņemiet vērā, ka zemāk esoŔās diagrammas centrālajā daļā, kas attēlo augstāku ā€œligzdoÅ”anas lÄ«meniā€, ir skaidrs, ka papildus faktiskajam modeļa apmācÄ«bas darbam (izmantojot Python un R) tiek analizēta t.s. Tiek pievienota apmācÄ«tā modeļa ROC lÄ«kne, kas ļauj vizuāli (un arÄ« skaitļoÅ”anas) novērtēt apmācÄ«bas kvalitāti - un Ŕī analÄ«ze tiek realizēta Julia valodā (attiecÄ«gi izpildÄ«ta Julia matemātiskajā vidē).

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
13. attēls. Vizuālā vide AI/ML risinājumu sastāvam programmā InterSystems IRIS

Kā minēts iepriekÅ”, platformā jau ieviesto AI/ML mehānismu sākotnējā izstrāde un (dažos gadÄ«jumos) adaptācija tiks/var tikt veikta ārpus platformas Jupyter redaktorā. Zemāk esoÅ”ajā diagrammā redzams esoÅ”as platformas procesa pielāgoÅ”anas piemērs (tāds pats, kas diagrammā augstāk) - Ŕādi izskatās fragments, kas ir atbildÄ«gs par modeļa apmācÄ«bu Jupyter. Python saturs ir pieejams rediģēŔanai, atkļūdoÅ”anai un grafikas izvadei tieÅ”i programmā Jupyter. Izmaiņas (ja nepiecieÅ”ams) var veikt ar tÅ«lÄ«tēju sinhronizāciju platformas procesā, ieskaitot tās produktÄ«vo versiju. Jaunu saturu uz platformu var pārsÅ«tÄ«t lÄ«dzÄ«gā veidā (automātiski tiek Ä£enerēts jauns platformas process).

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
14. attēls. Jupyter piezÄ«mjdatora izmantoÅ”ana AI/ML dzinēja rediģēŔanai InterSystems IRIS platformā

Platformas procesa pielāgoÅ”anu var veikt ne tikai grafiskā vai klēpjdatora formātā, bet arÄ« ā€œtotālāā€ IDE (Integrated Development Environment) formātā. Å ie IDE ir IRIS Studio (vietējā IRIS studija), Visual Studio Code (InterSystems IRIS paplaÅ”inājums VSCode) un Eclipse (Atelier spraudnis). Dažos gadÄ«jumos izstrādes komanda var izmantot visus trÄ«s IDE vienlaikus. Tālāk redzamajā diagrammā ir parādÄ«ts piemērs viena un tā paÅ”a procesa rediģēŔanai programmā IRIS Studio, Visual Studio Code un Eclipse. PilnÄ«gi viss saturs ir pieejams rediģēŔanai: Python/R/Julia/SQL, ObjectScript un biznesa process.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
15. attēls InterSystems IRIS biznesa procesa attīstība dažādās IDE

ÄŖpaÅ”i jāatzÄ«mē rÄ«ki InterSystems IRIS biznesa procesu aprakstÄ«Å”anai un izpildei biznesa procesu valodā (BPL). BPL ļauj biznesa procesos izmantot ā€œgatavus integrācijas komponentusā€ (aktivitātes), kas faktiski dod pamatu apgalvot, ka InterSystems IRIS ir ieviesta ā€œnepārtraukta integrācijaā€. Gatavās biznesa procesa sastāvdaļas (aktivitātes un savienojumi starp tām) ir spēcÄ«gs paātrinātājs AI/ML risinājuma komplektÄ“Å”anai. Un ne tikai montāžas: pateicoties aktivitātēm un saiknēm starp tām pār atŔķirÄ«gām AI/ML izstrādēm un mehānismiem, rodas ā€œautonoms pārvaldÄ«bas slānisā€, kas spēj pieņemt lēmumus atbilstoÅ”i situācijai, reāllaikā.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
16. attēls. Gatavi biznesa procesa komponenti nepārtrauktai integrācijai (CI) InterSystems IRIS platformā

AÄ£entu sistēmu koncepcijai (pazÄ«stama arÄ« kā ā€œvairāku aÄ£entu sistēmasā€) ir spēcÄ«ga pozÄ«cija robotizācijā, un InterSystems IRIS platforma to organiski atbalsta, izmantojot ā€œprodukta procesaā€ konstrukciju. Papildus neierobežotajām iespējām katru procesu ā€œpiepildÄ«tā€ ar kopējam risinājumam nepiecieÅ”amo funkcionalitāti, platformas procesu sistēmas pieŔķirÅ”ana ar ā€œaÄ£entÅ«rasā€ Ä«paŔību ļauj radÄ«t efektÄ«vus risinājumus ārkārtÄ«gi nestabilām simulētām parādÄ«bām (sociālo/uzvedÄ«bu). biosistēmas, daļēji novērojami tehnoloÄ£iskie procesi utt.).

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
16. attēls AI/ML risinājuma kā uz aģentiem balstītas biznesa procesu sistēmas darbība programmā InterSystems IRIS

Mēs turpinām InterSystems IRIS apskatu ar stāstu par platformas lietiŔķo izmantoÅ”anu, lai atrisinātu visas reāllaika problēmu klases (diezgan detalizēts ievads par dažām platformas AI/ML labākajām praksēm InterSystems IRIS ir atrodams vienā no mÅ«su iepriekŔējās vebināri).

Karsts par iepriekŔējo diagrammu, zemāk ir detalizētāka aÄ£entu sistēmas diagramma. Diagrammā redzams viens un tas pats prototips, redzami visi četri aÄ£entu procesi, shematiski uzzÄ«mētas attiecÄ«bas starp tiem: Ä¢ENERATORS - apstrādā datu izveidi ar iekārtu sensoriem, BUFERIS - pārvalda datu rindas, ANALIZĒJS - pats veic maŔīnmācÄ«Å”anos, MONITORS - uzrauga maŔīnmācÄ«bas kvalitāti un sniedz signālu par nepiecieÅ”amÄ«bu pārkvalificēt modeli.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
17. attēls. AI/ML risinājuma sastāvs uz aģentiem balstītas biznesa procesu sistēmas veidā programmā InterSystems IRIS

Zemāk redzamā diagramma ilustrē cita robotizēta prototipa autonomu darbÄ«bu (tekstu emocionālā krāsojuma atpazÄ«Å”ana) kādu laiku. AugŔējā daļā ir modeļu apmācÄ«bas kvalitātes rādÄ«tāja evolÅ«cija (kvalitāte aug), apakŔējā daļā ir modeļu pielietoÅ”anas kvalitātes rādÄ«tāja dinamika un atkārtotas apmācÄ«bas fakti (sarkanās svÄ«tras). Kā redzat, risinājums ir apguvis sevi efektÄ«vi un autonomi un darbojas noteiktā kvalitātes lÄ«menÄ« (kvalitātes rādÄ«tāja vērtÄ«bas nekrÄ«tas zem 80%).

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
18. attēls Nepārtraukta (paÅ”)apmācÄ«ba (CT) InterSystems IRIS platformā

Mēs arÄ« iepriekÅ” minējām ā€œauto-MLā€, taču zemāk esoÅ”ajā diagrammā ir detalizēti parādÄ«ta Ŕīs funkcijas izmantoÅ”ana, izmantojot cita prototipa piemēru. Biznesa procesa fragmenta grafiskā diagramma parāda darbÄ«bu, kas iedarbina modelÄ“Å”anu H2O skurstenÄ«, parāda Ŕīs modelÄ“Å”anas rezultātus (iegÅ«tā modeļa nepārprotamo dominējoÅ”o stāvokli pār ā€œcilvēka radÄ«tajiemā€ modeļiem saskaņā ar salÄ«dzinoÅ”o diagrammu ROC lÄ«knes, kā arÄ« sākotnējā datu kopā pieejamo ā€œietekmÄ«gāko mainÄ«go lielumuā€ automatizēta identificÄ“Å”ana). Å eit svarÄ«gs ir laika un ekspertu resursu ietaupÄ«jums, kas tiek panākts ar ā€œauto-MLā€ palÄ«dzÄ«bu: tas, ko mÅ«su platformas process paveic pusminÅ«tes laikā (optimālā modeļa atraÅ”ana un apmācÄ«ba), ekspertam var aizņemt no nedēļas lÄ«dz mēnesim.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
19. attēls ā€œAuto-MLā€ integrācija AI/ML risinājumā InterSystems IRIS platformā

Zemāk redzamā diagramma nedaudz palaiž garām bÅ«tÄ«bu, taču tas ir labs veids, kā beigt stāstu par reāllaika problēmu risināŔanas klasēm: atgādinām, ka ar visām InterSystems IRIS platformas iespējām tās kontrolē esoÅ”ie apmācÄ«bas modeļi ir nav obligāti. Platforma var saņemt no ārpuses tā saukto modeļa PMML specifikāciju, kas apmācÄ«ta rÄ«kā, kas nav platformas kontrolē, un lietot Å”o modeli reāllaikā no tā importÄ“Å”anas brīža. PMML specifikācijas. Ir svarÄ«gi ņemt vērā, ka ne visus AI/ML artefaktus var reducēt lÄ«dz PMML specifikācijai, pat ja lielākā daļa izplatÄ«tāko artefaktu to pieļauj. Tādējādi InterSystems IRIS platforma ir ā€œatvērta cilpaā€ un lietotājiem nenozÄ«mē ā€œplatformas verdzÄ«buā€.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
20. attēls ā€œAuto-MLā€ integrācija AI/ML risinājumā InterSystems IRIS platformā

Uzskaitīsim InterSystems IRIS papildu platformas priekŔrocības (skaidrības labad saistībā ar procesa vadību), kurām ir liela nozīme mākslīgā intelekta automatizācijā un reāllaika maŔīnmācībā:

  • Izstrādāti integrācijas rÄ«ki ar jebkuriem datu avotiem un patērētājiem (procesu vadÄ«bas sistēma/SCADA, aprÄ«kojums, MRO, ERP utt.)
  • IebÅ«vēts vairāku modeļu DBVS jebkura tehnoloÄ£iskā procesa datu apjoma augstas veiktspējas darÄ«jumu un analÄ«tiskai apstrādei (hibrÄ«da transakcija/analÄ«tiskā apstrāde, HTAP)
  • Izstrādes rÄ«ki nepārtrauktai AI/ML dzinēju izvietoÅ”anai reāllaika risinājumiem, kuru pamatā ir Python, R, Julia
  • AdaptÄ«vi biznesa procesi nepārtrauktai reāllaika AI/ML risinājumu dzinēju integrācijai un (paÅ”)mācÄ«bai
  • IebÅ«vēti biznesa inteliÄ£ences rÄ«ki procesa datu un AI/ML risinājuma rezultātu vizualizÄ“Å”anai
  • API pārvaldÄ«ba AI/ML risinājuma rezultātu nogādāŔanai uz procesu vadÄ«bas sistēmām/SCADA, informācijas un analÄ«tiskajām sistēmām, brÄ«dinājumu nosÅ«tÄ«Å”anai utt.

AI/ML risinājumi InterSystems IRIS platformā viegli iekļaujas esoÅ”ajā IT infrastruktÅ«rā. InterSystems IRIS platforma nodroÅ”ina augstu AI/ML risinājumu uzticamÄ«bu, atbalstot kļūmju un katastrofu izturÄ«gas konfigurācijas un elastÄ«gu izvietoÅ”anu virtuālajā vidē, fiziskos serveros, privātos un publiskos mākoņos un Docker konteineros.

Tādējādi InterSystems IRIS ir universāla reāllaika AI/ML skaitļoÅ”anas platforma. MÅ«su platformas universālumu praksē apstiprina tas, ka nav de facto ierobežojumu attiecÄ«bā uz Ä«stenoto aprēķinu sarežģītÄ«bu, InterSystems IRIS spēja apvienot (reāllaikā) dažādu nozaru scenāriju apstrādi un izcilā pielāgoÅ”anās spēja jebkuras platformas funkcijas un mehānismi lietotāju Ä«paÅ”ajām vajadzÄ«bām.

InterSystems IRIS ā€“ universāla reāllaika AI/ML platforma
21. attēls InterSystems IRIS ā€“ universāla reāllaika AI/ML skaitļoÅ”anas platforma

Lai sazinātos ar tiem mÅ«su lasÄ«tājiem, kurus interesē Å”eit sniegtais materiāls, mēs iesakām neaprobežoties tikai ar tā lasÄ«Å”anu un turpināt dialogu ā€œtieÅ”raidēā€. Ar prieku sniegsim atbalstu reāllaika AI/ML scenāriju formulÄ“Å”anā saistÄ«bā ar JÅ«su uzņēmuma specifiku, veiksim kopÄ«gu prototipu izstrādi InterSystems IRIS platformā, formulēsim un praksē ieviesÄ«sim ceļvedi mākslÄ«gā intelekta un maŔīnmācÄ«bas ievieÅ”anai. jÅ«su ražoÅ”anas un vadÄ«bas procesos. MÅ«su AI/ML ekspertu komandas saziņas e-pasts ā€” [e-pasts aizsargāts].

Avots: www.habr.com

Pievieno komentāru