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

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā

Autors: Sergejs Lukjaņčikovs, inženieris konsultants InterSystems

Reālā laika AI/ML aprēķinu izaicinājumi

Sāksim ar piemēriem no InterSystems Data Science prakses:

  • Ā«NoslogotaisĀ» pircēja portāls ir pieslēgts tieÅ”saistes rekomendāciju sistēmai. Ir jāveic reklamÄ“Å”anas struktÅ«ras pārskatÄ«Å”ana visā mazumtirdzniecÄ«bas tÄ«klā (piemēram, vietā, lai izmantotu Ā«plakanuĀ» reklamÄ“Å”anas lÄ«niju, tagad tiks ieviesta Ā«segments-taktikaĀ» matrica). Kas notiek ar rekomendāciju mehānismiem? Kas notiek ar datu iesniegÅ”anu un aktualizāciju rekomendāciju mehānismā (ieejas datu apjoms pieauga par 25000 reizēm)? Kas notiek ar rekomendāciju radÄ«Å”anu (ir nepiecieÅ”ams tÅ«kstoÅ”kārt samazināt rekomendāciju noteikumu filtrÄ“Å”anas slieksni, ņemot vērā tÅ«kstoÅ”kārtējo pieaugumu to skaitā un Ā«asortimentāĀ»)?
  • Ir izveidota defektu attÄ«stÄ«bas varbÅ«tÄ«bu uzraudzÄ«bas sistēma. Pie tās ir pieslēgta automatizēta vadÄ«bas sistēma, kas katru sekundi nodod tÅ«kstoÅ”iem tehnoloÄ£iskā procesa parametru. Kas notiek ar uzraudzÄ«bas sistēmu, kas iepriekÅ” darbojās uz Ā«rokām izvilktāmĀ» izvēlēm (vai tā spēj nodroÅ”ināt sekundāro varbÅ«tÄ«bas uzraudzÄ«bu)? Kas notiks, ja ieejas datos parādās jauns bloks ar simtiem kolonnu sensora rādÄ«jumu, kas nesen tika ieviests automatizētajā vadÄ«bas sistēmā (vai bÅ«s nepiecieÅ”ams un uz cik ilgu laiku apturēt uzraudzÄ«bas sistēmu, lai iekļautu jaunāko sensoru datu analÄ«zē)?
  • Ir izveidots AI/ML mehānismu komplekss (rekomendējoÅ”ie, uzraudzÄ«bas, prognozes), kas izmanto viens otra rezultātus. Cik cilvēkstundas ir nepiecieÅ”amas katru mēnesi, lai pielāgotu Ŕī kompleksa darbu ieejas datu izmaiņām? Kāds ir kopējais Ā«aizkavējumsĀ» kompleksa atbalstÄ«tajā lēmumu pieņemÅ”anas procesā (jauno ieejas datu parādÄ«Å”anās biežums attiecÄ«bā pret jauno atbalstoÅ”o informāciju, kas tajā rodas)?

Apkopojot Å”os un daudzu citu piemēru, mēs nonācām pie izaicinājumu formulējumus, kas rodas pārejot uz maŔīnmācÄ«Å”anās un mākslÄ«gā intelekta mehānismu izmantoÅ”anu reālā laikā:

  • Vai mēs esam apmierināti ar AI/ML risinājumu izstrādes un pielāgoÅ”anas (mainÄ«gajā situācijā) operativitāti mÅ«su uzņēmumā?
  • Cik daudz mÅ«su izmantotie AI/ML risinājumi atbalsta biznesa pārvaldÄ«bu reālā laikā?
  • Vai mÅ«su izmantotie AI/ML risinājumi spēj patstāvÄ«gi (bez izstrādātājiem) pielāgoties datu un biznesa vadÄ«bas prakses izmaiņām?

MÅ«su raksts ir detalizēts pārskats par InterSystems IRIS platformas iespējām vispārējā AI/ML sistēmu izvietoÅ”anas atbalstā, AI/ML risinājumu apvienoÅ”anā un AI/ML risinājumu apmācÄ«bā (testÄ“Å”anā) intensÄ«vu datu plÅ«smu apstākļos. Mēs pievērsÄ«simies tirgus pētÄ«jumiem, praktiskiem piemēriem par AI/ML risinājumiem un konceptuāliem aspektiem tam, ko Å”ajā rakstā saucam par reāllaika AI/ML platformu.

Ko mums stāsta aptauju dati: reālā laika lietojumprogrammas

Rezultāti aptaujas, ko 2019. gadā veica uzņēmums Lightbend aptuveni 800 IT profesionāļu vidÅ«, runā paÅ”i par sevi:

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

Noliksim svarÄ«gākos fragmentus no Ŕī ziņojuma par aptaujas rezultātiem mÅ«su tulkojumā:

Ā«ā€¦ Datu plÅ«smu integrācijas lÄ«dzekļu, kā arÄ« konteinerizētu aprēķinu atbalsta popularitātes tendences ļauj nodroÅ”ināt sinerÄ£isku atbildi uz tirgus pieprasÄ«jumu pēc efektÄ«vāku risinājumu ātrāka, racionālāka un dinamiskāka piedāvājuma. Datu plÅ«smas ļauj ātrāk nodot informāciju nekā tradicionālie partiju dati. Tam pievienojas iespēja operatÄ«vi piemērot aprēķinu metodes, piemēram, ieteikumus, kas balstÄ«ti uz AI/ML, radot konkurētspēju, palielinot klientu apmierinātÄ«bu. SacensÄ«ba par operativitāti ietekmē arÄ« visas lomas DevOps paradigmas ietvaros ā€“ paaugstinot aplikāciju izstrādes un izvietoÅ”anas efektivitāti. ā€¦ Astoņsimts četri IT speciālisti sniedza informāciju par datu plÅ«smu izmantoÅ”anu viņu organizācijās. Respondenti galvenokārt atradās rietumu valstÄ«s (41% Eiropā un 37% Ziemeļamerikā) un bija gandrÄ«z vienmērÄ«gi sadalÄ«ti starp maziem, vidējiem un lieliem uzņēmumiem. ā€¦

Mākslīgais intelekts nav tikai hype. Piecdesmit astoņi procenti to, kuri jau izmanto datu plūsmu apstrādi produktīvos AI/ML lietojumos, apstiprina, ka tās pielietojums AI/ML nākamajā gadā piedzīvos vislielāko pieaugumu (salīdzinājumā ar citiem lietojumiem).

  • Bieži uzdotajos jautājumos lielākā daļa respondentu uzskata, ka datu plÅ«smu izmantoÅ”ana AI/ML scenārijos nākamajā gadā ievērojami palielināsies.
  • Pielietojums AI/ML pieaugs ne tikai jaunu scenāriju dēļ, bet arÄ« tradicionālo scenāriju, kur datos reālā laikā tiek izmantoti arvien intensÄ«vāk.
  • Papildus AI/ML entuziasms starp lietotājiem, kas integrējuÅ”i IoT datus, ir iespaidÄ«gs ā€” 48% no tiem apstiprina, ka Å”o datu scenāriju realizācija tuvākajā nākotnē piedzÄ«vos ievērojamu pieaugumu.

No Ŕī interesantā aptaujas rezultāta redzams, ka maŔīnmācÄ«bas un mākslÄ«gā intelekta scenāriji jau tuvojas datu plÅ«smu patēriņa lÄ«deriem. Bet ne mazāk nozÄ«mÄ«gs novērojums ir AI/ML reālajam laikam, kas tika novērots no DevOps skatupunkta: Å”eit jau var diskutēt par pāreju no paÅ”reizējās kultÅ«ras, kas balstās uz "vienreizējā AI/ML ar pilnÄ«gi pieejamiem datu kopām".

Reālā laika AI/ML platformas koncepcija

Viens no tipiskiem reālā laika AI/ML pielietojumiem ir tehnoloÄ£isko procesu vadÄ«ba ražoÅ”anā. Pamatojoties uz Å”o piemēru un ņemot vērā iepriekŔējos apsvērumus, formulēsim reālā laika AI/ML platformas koncepciju.
Mākslīgā intelekta un maŔīnmācības izmantoŔana tehnoloģisko procesu vadībā ir ar dažu īpatnību:

  • Dati par tehnoloÄ£iskā procesa stāvokli ierodas intensÄ«vi: ar lielu frekvenci un plaÅ”u parametru spektru (pat lÄ«dz desmitiem tÅ«kstoÅ”u parametru, kas tiek nodoti sekundē no AŠ”UŠ¢ŠŸ).
  • Dati par defektu noteikÅ”anu, nerunājot nemaz par to attÄ«stÄ«bu, ir, pretēji, trÅ«kstoÅ”i un neregulāri, raksturoti ar nepietiekamu defektu tipizāciju un to lokalizāciju laikā (bieži vien tiek attēloti uz papÄ«ra formā).
  • No praktiskā viedokļa, modeļu apmācÄ«bai un pielietoÅ”anai ir pieejams tikai Ā«aktuālā logaĀ» avotu dati, kas atspoguļo tehnoloÄ£iskā procesa dinamiku saprātÄ«gā slÄ«doŔā intervālā, kas noslēdzas ar pēdējiem nolasÄ«tajiem procesa parametru vērtÄ«bām.

Å Ä«s Ä«paŔības liek mums, papildus intensÄ«va Ā«platjoslas ienākoŔā signālaĀ» no tehnoloÄ£iskā procesa pieņemÅ”anai un pamata apstrādei reālajā laikā, veikt (paralēli) pielietojumu, apmācÄ«bu un kvalitātes kontroles AI/ML modeļu rezultātiem - arÄ« reālajā laikā. Tas Ā«kadr,Ā» kuru mÅ«su modeļi Ā«redzĀ» slÄ«doŔā aktÄ«vajā logā, pastāvÄ«gi mainās - un kopā ar to mainās arÄ« AI/ML modeļu rezultātu kvalitāte, kas ir apmācÄ«ti uz kāda no Ā«kadrĀ» pagātnē. Kad AI/ML modeļu rezultātu kvalitāte pasliktinās (piemēram: klasifikācijas kļūdas vērtÄ«ba Ā«trauksme-normaĀ» ir pārsniegusi mÅ«su noteiktās robežas), automātiski jāuzsāk modeļu papildu apmācÄ«ba uz aktuālā Ā«kadrĀ» - un izvēloties brÄ«di modeļu papildu apmācÄ«bas uzsākÅ”anai, jāņem vērā gan paÅ”as apmācÄ«bas ilgums, gan paÅ”reizējo modeļu darbÄ«bas kvalitātes pasliktināŔanās dinamika (jo paÅ”reizējās modeļu versijas turpina tikt pielietotas, kamēr modeļi tiek apmācÄ«ti, un kamēr nav izveidotas Ā«jauniĀ» apmācÄ«ti versijas).

InterSystems IRIS ir mākslÄ«gās inteliÄ£ences un maŔīnmācÄ«Å”anās risinājumu darbÄ«bas nodroÅ”ināŔanai reālajā laikā svarÄ«gas platformas iespējas. Å Ä«s iespējas var sadalÄ«t trÄ«s galvenajās grupās:

  • Jaunu vai adaptētu esoÅ”o AI/ML mehānismu nepārtraukta izvietoÅ”ana (Continuous Deployment/Delivery, CD) produktÄ«vā risinājumā, kas darbojas reālajā laikā uz InterSystems IRIS platformas.
  • Nepārtraukta integrācija (Continuous Integration, CI) vienotā produktÄ«vā risinājumā, kur iekļaujas tehnoloÄ£iskā procesa ienākoÅ”o datu plÅ«smas, datu rindas pielietojumam/apmācÄ«bai/kvalitātes kontrolei AI/ML mehānismu darbÄ«bā un datu/koda/valdÄ«bas ietekmju apmaiņā ar matemātisko modelÄ“Å”anas vidēm, kuru orÄ·estrāciju reālajā laikā veic InterSystems IRIS platforma.
  • PastāvÄ«ga (paÅ”-)mācÄ«Å”anās (Continuous Training, CT) AI/ML mehānismiem, kas tiek veikta matemātiskā modelÄ“Å”anas vidēs, izmantojot datus, kodu un vadÄ«bas iejaukÅ”anās (ā€žpieņemtās lēmumusā€), ko nodroÅ”ina InterSystems IRIS platforma.

Platformu iespēju klasifikācija attiecÄ«bā uz maŔīnmācÄ«Å”anos un mākslÄ«go intelektu nav nejauÅ”a tieÅ”i Ŕādām grupām. Citiem vārdiem sakot, citēsim metodoloÄ£isko publikācija Google uzņēmumu, kurā tiek sniegta konceptuālā pamata Å”ai klasifikācijai, mÅ«su tulkojumā:

ā€žā€¦ Å obrÄ«d populārā DevOps koncepcija ietver plaÅ”u informācijas sistēmu izstrādi un ekspluatāciju. Å Ä«s koncepcijas ievieÅ”anas priekÅ”rocÄ«bas ir izstrādes ciklu ilguma samazināŔana, izstrādes ātruma palielināŔana, kā arÄ« izlaidumu plānoÅ”anas elastÄ«ba. Lai gÅ«tu Ŕīs priekÅ”rocÄ«bas, DevOps pieņem vismaz divu praksi ievieÅ”anu:

  • Continuous Integration (CI)
  • Continuous Delivery (CD)

Å Ä«s prakses ir piemērojamas arÄ« AI/ML platformām ā€“ ar mērÄ·i nodroÅ”ināt uzticamu un produktÄ«vu ražoÅ”anas AI/ML risinājumu izstrādi.

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

  • Komandas kompetences: veidojot AI/ML risinājumu, komanda parasti ietver datu zinātniekus vai ā€žakademiskosā€ ekspertus datu pētÄ«Å”anas jomā, kuri veic datu analÄ«zi, modeļu izstrādi un testÄ“Å”anu. Å ie komandas dalÄ«bnieki var arÄ« nebÅ«t profesionāli programmētāji produktÄ«vās programmatÅ«ras izstrādē.
  • Izstrāde: AI/ML mehānismi pēc savas bÅ«tÄ«bas ir eksperimentāli. Lai atrisinātu uzdevumu visefektÄ«vāk, ir nepiecieÅ”ams izmēģināt dažādas ievades mainÄ«go, algoritmu, modelÄ“Å”anas veidu un modeļa parametru kombinācijas. Šāda izmēģinājuma sarežģītÄ«ba ir saistÄ«ta ar ā€žkas darbojās/nedarbojāsā€ izsekoÅ”anu, nodroÅ”inot epizožu reproducējamÄ«bu un aplikāciju vispārināŔanu atkārtotiem ievieÅ”anas gadÄ«jumiem.
  • TestÄ“Å”ana: AI/ML mehānismu testÄ“Å”anai ir nepiecieÅ”ams plaŔāks testu klāsts nekā lielākajā daļā citu izstrādņu. Papildus parastajiem moduļu un integrācijas testiem tiek pārbaudÄ«ta datu derÄ«gums, kā arÄ« modeļa piemēroÅ”anas rezultātu kvalitāte mācÄ«bu un kontroles paraugiem.
  • Izvietojums: AI/ML risinājumu izvietoÅ”ana nenozÄ«mē tikai prognozÄ“Å”anas pakalpojumus, kas izmanto vienreiz apmācÄ«tu modeli. AI/ML risinājumi tiek veidoti ap daudzpakāpju cauruļvadiem, kas veic automatizētu modeļu apmācÄ«bu un pielietojumu. Šādu cauruļvadu izvietoÅ”ana prasa sarežģītu darbÄ«bu automatizāciju, ko tradicionāli veic datu zinātnieki roku darbu, lai iegÅ«tu iespēju apmācÄ«t un testēt modeļus.
  • Produktivitāte: AI/ML mehānismiem var pietrÅ«kt snieguma ne tikai neefektÄ«vas programmÄ“Å”anas dēļ, bet arÄ« pastāvÄ«gi mainÄ«gā ienākoÅ”o datu rakstura dēļ. Citiem vārdiem sakot, AI/ML mehānismu sniegums var pasliktināties vairāku iemeslu dēļ, nevis tikai tāpēc, ka parastās attÄ«stÄ«bas produktivitāte. Tas noved pie nepiecieÅ”amÄ«bas uzraudzÄ«t (reāllaikā) mÅ«su AI/ML mehānismu sniegumu, kā arÄ« nosÅ«tÄ«t brÄ«dinājumus vai noraidÄ«t rezultātus, ja snieguma rādÄ«tāji neatbilst gaidÄ«tajam.

AI/ML platformas ir lÄ«dzÄ«gas citām informācijas sistēmām, jo tām abām ir nepiecieÅ”ama nepārtraukta koda integrācija ar versiju kontroli, moduļu testÄ“Å”ana, integrācijas testÄ“Å”ana un nepārtraukta attÄ«stÄ«bas izvietoÅ”ana. Tomēr AI/ML gadÄ«jumā ir daži svarÄ«gi atŔķirÄ«bas punkti:

  • CI (Continuous Integration, nepārtrauktā integrācija) vairs nerobežojas tikai ar izvietoto komponentu koda testÄ“Å”anu un validāciju ā€“ tai pieder arÄ« datu un AI/ML modeļu testÄ“Å”ana un validācija.
  • CD (Continuous Delivery/Deployment, nepārtraukta izvietoÅ”ana) nenozÄ«mē tikai pakotņu vai pakalpojumu rakstÄ«Å”anu un izlaiÅ”anu, bet gan platformu AI/ML risinājumu kompozÄ«cijai, apmācÄ«bai un pielietoÅ”anai.
  • CT (Continuous Training, nepārtraukta apmācÄ«ba) ā€“ jaunais elements [autora piezÄ«me: jaunais elements, salÄ«dzinot ar tradicionālo DevOps koncepciju, kur CT, kā likums, ir Continuous Testing], kas ir raksturÄ«gs AI/ML platformām, un atbild par autonomu AI/ML modeļu apmācÄ«bas un pielietoÅ”anas mehānismu pārvaldÄ«bu. ā€¦

Mēs varam konstatēt, ka maŔīnmācÄ«ba un mākslÄ«gais intelekts, kas darbojas ar reālā laika datiem, prasa plaŔāku instrumentu un kompetenču kopumu (no koda izstrādes lÄ«dz matemātiskā modelÄ“Å”anas vidi orÄ·estrÄ“Å”anai), cieŔāku integrāciju starp visām funkcionālajām un tēmu jomām, kā arÄ« efektÄ«vāku cilvēku un maŔīnu resursu organizÄ“Å”anu.

Reālā laika scenārijs: defektu attīstības atpazīŔana baroŔanas sūknos

Turpinot izmantot piemēru no tehnoloÄ£isko procesu vadÄ«bas jomas, apskatÄ«sim konkrētu uzdevumu (kuru jau pieminējām paŔā sākumā): ir nepiecieÅ”ams nodroÅ”ināt reālā laika defektu attÄ«stÄ«bas uzraudzÄ«bu sÅ«knos, pamatojoties uz tehnoloÄ£iskā procesa parametru vērtÄ«bu plÅ«smu un remonta personāla ziņojumiem par konstatētajiem defektiem.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 2 Uzdevuma formulējums defektu attīstības uzraudzībai

Lielākās daļas lÄ«dzÄ«gu veidu uzdevumu praktiskā Ä«stenoÅ”anā iezÄ«me ir tāda, ka datu (TSA) regulāritātei un savlaicÄ«bai jāņem vērā epizodiskā un neregulārā defektu (un to reÄ£istrācijas) raÅ”anās. Citiem vārdiem sakot: dati no TSA ierodas reizi sekundē pareizi precÄ«zi, bet par defektiem tiek veiktas piezÄ«mes ar Ä·Ä«misko zÄ«muli ar norādi uz datumu kopējā burtnÄ«cā ražotnē (piemēram: "12.01 ā€“ noplÅ«de no 3. gultņa vāka").

Tādējādi varam papildināt uzdevuma formulējumu ar Å”o svarÄ«go ierobežojumu: ā€ždefektaā€ marķējums konkrētam veidam ir tikai viens (t.i., konkrēta veida defekta piemērs ir attēlots ar TSA datiem konkrētā datumā ā€“ un vairāk konkrēta veida defekta piemēru mums nav). Å is ierobežojums uzreiz mÅ«s izsmej no klasiskās maŔīnmācÄ«bas (supervised learning), kurā ā€žmarķējumiemā€ jābÅ«t daudz.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 3 Precizējums uzdevumam par defektu attīstības uzraudzību

Vai mēs varam kādā veidā "pavairot" mums pieejamo vienÄ«go "uzlÄ«mi"? Jā, varam. PaÅ”reizējais sÅ«knÄ“Å”anas stāvoklis tiek raksturots ar lÄ«dzÄ«bas pakāpi reÄ£istrētajiem defektiem. Pat bez kvantitatÄ«vo metožu pielietoÅ”anas, vizuālās uztveres lÄ«menÄ«, novērojot datu vērtÄ«bu dinamiku, kas nāk no AŠ”Š£Š¢ŠŸ, jau var daudz mācÄ«ties:

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 4 SÅ«knÄ“Å”anas stāvokļa dinamika fona attēlā ar konkrēta veida defekta "uzlÄ«mi"

Bet vizuālā uztvere (vismaz pagaidām) nav vislabākais "uzlÄ«mju" Ä£enerators mÅ«su ātri mainÄ«gajā scenārijā. MÅ«su mērÄ·is ir novērtēt paÅ”reizējā sÅ«knÄ“Å”anas stāvokļa lÄ«dzÄ«bu reÄ£istrētajiem defektiem, izmantojot statistisko testu.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 5 Statistiskā testa pielietojums datiem, kas nāk no AŠ”Š£Š¢ŠŸ, fona attēlā ar defekta "uzlÄ«mi"

Statistiskais tests nosaka varbÅ«tÄ«bu, ka tehnoloÄ£iskā procesa parametru vērtÄ«bu ieraksti, kas iegÅ«ti no AŠ”Š£Š¢ŠŸ "plÅ«sma-pakete", ir lÄ«dzÄ«gi noteikta veida defekta "uzlÄ«mes" ierakstiem. Statistiskā testa rezultātā aprēķinātā varbÅ«tÄ«bas vērtÄ«ba (statistiskās lÄ«dzÄ«bas indekss) tiek pārvērsta 0 vai 1 vērtÄ«bā, kļūstot par "uzlÄ«mi" maŔīnmācÄ«bai katram konkrētajam ierakstam pētÄ«tajā lÄ«dzÄ«bas paketē. T.i., pēc tam, kad jauna ierakstu pakete par sÅ«knÄ“Å”anas stāvokli ir apstrādāta ar statistisko testu, mums ir iespēja (a) pievienot Å”o paketi mācÄ«bu datu kopai AI/ML modeļa apmācÄ«bai un (b) veikt kvalitātes kontroli esoŔās modeļa versijas darbā, piemērojot to Å”ai paketei.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 6 MaŔīnmācÄ«bu modeļa pielietojums datiem, kas nāk no AŠ”Š£Š¢ŠŸ, fona attēlā ar defekta "uzlÄ«mi"

Vienā no mÅ«su iepriekŔējiem webināriem Mēs rādām un skaidrojam, kā InterSystems IRIS platforma ļauj Ä«stenot jebkuru AI/ML mehānismu nepārtrauktos biznesa procesos, kas nodroÅ”ina modeļu rezultātu pareizÄ«bas kontroli un pielāgo modelÄ“Å”anas parametru izmaiņas. Realizējot prototipu mÅ«su scenārijam ar sÅ«kņiem, mēs izmantojam visus InterSystems IRIS piedāvātos funkcionālos rÄ«kus, iekļaujot mÅ«su risinājuma procesā-analizatorā nevis klasisko uzraudzÄ«to mācÄ«Å”anos, bet drÄ«zāk pastiprinātu mācÄ«Å”anos (reinforcement learning), kas automātiski pārvalda datu izvēli modeļu apmācÄ«bai. ApmācÄ«bai tiek iekļauti ieraksti, kuros rodas ā€ždetekcijas konsenssā€ pēc statistiskā testa un paÅ”reizējā modeļa piemēroÅ”anas ā€“ t.i., gan statistiskais tests (pēc lÄ«dzÄ«bas indeksa pārvērÅ”anas uz 0 vai 1), gan modelis ir atdevis rezultātu 1 Å”iem ierakstiem. Jaunā modeļa apmācÄ«Å”anas procesā, validējot to (jaunapmācÄ«tais modelis tiek pielietots paÅ”a apmācÄ«bas datu kopai, iepriekÅ” piemērojot statistisko testu), ieraksti, kuri ā€žneizturējaā€ rezultātu 1 pēc statistiskā testa (dēļ nepārtrauktas klātbÅ«tnes apmācÄ«bas datu kopā ar sākotnējā ā€ždefektaā€ marķējumu), tiek izslēgti no apmācÄ«bas datu kopas, un jaunā modeļa versija tiek apmācÄ«ta ar ā€ždefektaā€ marķējumu pluss ar ā€žizturējuÅ”ajiemā€ ierakstiem no plÅ«smas.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 7 AI/ML aprēķinu automatizācija InterSystems IRIS

Ja rodas vajadzÄ«ba pēc sava veida ā€žotrā viedokļaā€ par detekcijas kvalitāti, ko iegÅ«st lokālos aprēķinos InterSystems IRIS, tiek izveidots procesa padomnieks, lai veiktu modeli apmācÄ«bu un piemēroÅ”anu uz kontroles datu kopu ar mākoņa pakalpojumu palÄ«dzÄ«bu (piemēram, Microsoft Azure, Amazon Web Services, Google Cloud Platform u.c.):

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 8 ā€žOtrais viedoklisā€ no Microsoft Azure saskaņā ar InterSystems IRIS orÄ·estrāciju

MÅ«su scenārija prototips InterSystems IRIS ir izstrādāts kā aÄ£entu sistēma analÄ«tiskajiem procesiem, kas nodroÅ”ina mijiedarbÄ«bu ar aprÄ«kojuma objektu (sÅ«kni), matemātiskās modelÄ“Å”anas vidēm (Python, R un Julia) un nodroÅ”ina visu iesaistÄ«to AI/ML mehānismu paÅ”mācÄ«Å”anos ā€“ reālo datu plÅ«smā.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 9 Galvenā funkcionalitāte AI/ML risinājumam reāllaikā InterSystems IRIS

Praktisks rezultāts, ko nodroŔina mūsu prototips:

  • Modeļa atpazÄ«tais defekta paraugs (12. janvāris):

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā

  • Modeļa atpazÄ«tais attÄ«stÄ«bas defekts, kas nav iekļauts paraugā (11. septembris; pats defekts tika konstatēts remontgrupas tikai pēc divām dienām ā€“ 13. septembrÄ«):

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Simulācija, kas balstÄ«ta uz reāliem datiem ar vairākiem tā paÅ”a defekta epizodēm, parādÄ«ja, ka mÅ«su risinājums, kas Ä«stenots platformā InterSystems IRIS, ļauj atklāt Ŕādu defektu attÄ«stÄ«bu vairākas dienas pirms tā atklāŔanas remontgrupas.

InterSystems IRIS ā€“ universāla AI/ML reāllaika aprēķinu platforma

Platforma InterSystems IRIS atvieglo risinājumu izstrādi, izvietoÅ”anu un ekspluatāciju reāllaika datos. InterSystems IRIS spēj vienlaikus veikt transakciju un analÄ«tisko datu apstrādi; atbalstÄ«t sinhronizētus datu skatÄ«jumus, izmantojot vairākus modeļus (tostarp relāciju, hierarhisku, objektu un dokumentu); kalpot par datu avotu un atseviŔķu lietojumprogrammu integrācijas platformu; nodroÅ”ināt attÄ«stÄ«tu analÄ«tiku reāllaikā strukturētiem un nesakārtotiem datiem. InterSystems IRIS arÄ« nodroÅ”ina mehānismus ārēju analÄ«tisku rÄ«ku izmantoÅ”anai, ļaujot elastÄ«gi kombinēt mākoņu un vietējo serveru izvietojumu.

Lietojumprogrammas, kas izstrādātas uz platformas InterSystems IRIS, ir ieviestas dažādās nozarēs, palÄ«dzot uzņēmumiem gÅ«t nozÄ«mÄ«gu ekonomisko labumu stratēģiskajās un operatÄ«vajās perspektÄ«vās, uzlabojot lēmumu pieņemÅ”anas informētÄ«bu un novērÅ”ot "pūŔļus" starp notikumu, analÄ«zi un rÄ«cÄ«bu.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 10 InterSystems IRIS arhitektūra AI/ML reāllaikā kontekstā

LÄ«dzÄ«gi kā iepriekŔējā diagrammā, zemāk redzamā diagramma apvieno jauno "koordinātu sistēmu" (CD/CI/CT) ar informācijas plÅ«smu shēmu starp platformas darbÄ«bas elementiem. Vizualizācija sākas ar makromehānismu CD un turpinās ar makromehānismiem CI un CT.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 11 Informācijas plūsmu shēma starp platformas InterSystems IRIS AI/ML elementiem

CD mehānisma bÅ«tÄ«ba InterSystems IRIS: platformas lietotāji (AI/ML risinājumu izstrādātāji) pielāgo jau esoÅ”os un/vai izstrādā jaunus AI/ML risinājumus, izmantojot specializētu AI/ML mehānismu programmatÅ«ras koda redaktoru: Jupyter (pilns nosaukums: Jupyter Notebook; tāpat, rÅ«pÄ«bas dēļ, dažreiz dokumentus, kas izveidoti Å”ajā redaktorā, sauc arÄ« par Jupyter dokumentiem). Jupyter izstrādātājam ir iespēja rakstÄ«t, debugēt un pārliecināties par konkrēta AI/ML risinājuma darba spēju (tostarp, izmantojot grafiku) pirms tā izvietoÅ”anas (ā€ždeployā€ InterSystems IRIS. Ir viegli saprotams, ka Ŕādā veidā izveidotās jaunās izstrādes tiks pakļautas tikai pamata debugÄ“Å”anai (jo, Ä«paÅ”i, Jupyter nestrādā ar reālā laika datu plÅ«smām) ā€“ tas ir normāli, jo galvenais rezultāts Jupyter izstrādē ir apstiprināt atseviŔķa AI/ML mehānisma principiālo darba spēju (ā€žparaugu datu apstrādē tas rāda gaidÄ«to rezultātuā€). Analogi, jau platformā izvietots mehānisms (sk. nākamos makromehānismus) pirms debugÄ“Å”anas Jupyter var prasÄ«t ā€žatgrieztiesā€ pie ā€žpamatplatformasā€ veida (datu lasÄ«Å”ana no failiem, darbs ar datiem caur xDBC vietā tabulām, tieÅ”a mijiedarbÄ«ba ar globālajām struktÅ«rām ā€“ daudzdimensiju InterSystems IRIS datu masÄ«viem ā€“ utt.).

SvarÄ«gs aspekts CD Ä«stenoÅ”anai tieÅ”i InterSystems IRIS: starp platformu un Jupyter ir ieviesta divvirzienu integrācija, kas ļauj pārsÅ«tÄ«t platformā (un turpmāk apstrādāt platformā) saturu valodās Python, R un Julia (visas trÄ«s ir programmÄ“Å”anas valodas attiecÄ«gajās vadoÅ”ajās open-source matemātiskās modelÄ“Å”anas vidēs). Tādējādi AI/ML satura izstrādātājiem ir iespēja veikt ā€žnepārtrauktu izvietoÅ”anuā€ Å”ajā saturā platformā, strādājot ierastajā Jupyter redaktorā ar pazÄ«stamajām bibliotēkām, kas pieejamas Python, R, Julia, un veicot pamata debugÄ“Å”anu (ja nepiecieÅ”ams) ārpus platformas.

Pārejam pie makromehānisma CI InterSystems IRIS. Diagrammā attēlots "reālā laika robotizētāja" makroprocess (kompleks atbilstoÅ”i datu struktÅ«rām, biznesa procesiem un to orÄ·estrētām koda fragmentiem valodās matsred un ObjectScript ā€“ InterSystems IRIS native izstrādes valodā). Å Ä« makroprocesa uzdevums ir uzturēt nepiecieÅ”amās AI/ML mehānismu datu rindas (balstoties uz datu plÅ«smām, kas tiek nosÅ«tÄ«tas platformai reālā laikā), pieņemt lēmumus par AI/ML mehānismu piemēroÅ”anas secÄ«bu un "asortimentu" (ko var dēvēt arÄ« par "matemātiskiem algoritmiem", "modeļiem" utt. ā€“ atkarÄ«bā no konkrētās realizācijas un terminoloÄ£ijas izvēles), kā arÄ« uzturēt datu struktÅ«ras, lai analizētu AI/ML mehānismu darba rezultātus (kubi, tabulas, daudzdimensiju datu masÄ«vi utt. ā€“ pārskatiem, dÄ“Å”bordiem utt.).

SvarÄ«gs aspekts CI ievieÅ”anā tieÅ”i InterSystems IRIS: starp platformu un matemātiskās modelÄ“Å”anas vidēm ir Ä«stenota divvirzienu integrācija, kas ļauj izpildÄ«t platformā izvietoto saturu Python, R un Julia valodās to atbilstoÅ”ajās vidēs, iegÅ«stot atpakaļ izpildes rezultātus. Å Ä« integrācija tiek Ä«stenota gan "termināla režīmā" (t.i., AI/ML saturs tiek formulēts kā kods ObjectScript valodā, kas veic izsaukumus uz matemātiskajām vidēm), gan "biznesa procesa režīmā" (t.i., AI/ML saturs tiek formulēts kā biznesa process, izmantojot grafisko redaktoru, vai dažreiz Jupyter, vai IDE ā€“ IRIS Studio, Eclipse, Visual Studio Code). Biznesa procesu pieejamÄ«ba rediģēŔanai Jupyter ir atspoguļota, izmantojot saikni starp IRIS CI lÄ«menÄ« un Jupyter CD lÄ«menÄ«. SÄ«kāka pārskats par integrāciju ar matemātiskās modelÄ“Å”anas vidēm tiks sniegts tālāk. Å ajā posmā, mÅ«suprāt, ir visi pamati, lai fiksētu platformā visus nepiecieÅ”amos rÄ«kus "nepārtrauktās integrācijas" AI/ML attÄ«stÄ«bai (kas nāk no "nepārtrauktas izvietoÅ”anas") uz AI/ML reālā laika risinājumiem.

Un galvenais makromehanisms: CT. Bez tā nav iespējama AI/ML platforma (lai gan "reāllaiks" tiks Ä«stenots caur CD/CI). CT bÅ«tÄ«ba ir platformas darbs ar maŔīnmācÄ«Å”anās un mākslÄ«gā intelekta "artefaktiem" tieÅ”i matemātiskās modelÄ“Å”anas darba sesijās: modeļiem, sadalÄ«jumu tabulām, vektoriem-matriks, neironu tÄ«klu slāņiem utt. Å Ä« "darba" pamatā, lielākajā daļā gadÄ«jumu, ir iepriekÅ”minēto artefaktu izveide vidēs (piemēram, modeļiem "izveide" ietver modeļa specifikācijas noteikÅ”anu un tā parametru vērtÄ«bu meklÄ“Å”anu ā€“ tā saucamā modela "apmācÄ«ba"), to izmantoÅ”ana (modeļiem: rezultātu aprēķināŔana ar to palÄ«dzÄ«bu "modeļa" mērÄ·a mainÄ«gajiem ā€“ prognozēm, piederÄ«bai kategorijai, notikuma varbÅ«tÄ«bas etc.) un jau izveidoto un izmantoto artefaktu uzlaboÅ”ana (piemēram, modeļa ievades mainÄ«go kopas pārdefinÄ“Å”ana pēc izmantoÅ”anas rezultātiem ā€“ ar mērÄ·i uzlabot prognozÄ“Å”anas precizitāti, kā variants). Galvenais punkts, lai saprastu CT lomu, ir tā "abstrakcija" no CD un CI realitātēm: CT Ä«stenos visus artefaktus, balstoties uz AI/ML risinājuma aprēķinu un matemātisko specifiku, ņemot vērā konkrēto vidi sniegtās iespējas. AtbildÄ«ba par "ievades datu nodroÅ”ināŔanu" un "rezultātu piegādi" gulstas uz CD un CI.

SvarÄ«gs aspekts CT ievieÅ”anā InterSystems IRIS: izmantojot iepriekÅ” minēto integrāciju ar matemātisko modelÄ“Å”anas vidēm, platforma spēj iegÅ«t no darba sesijām, kas notiek tās uzraudzÄ«bā matemātiskajās vidēs, tieÅ”i tos artefaktus un (visvairāk svarÄ«gi) pārvērst tos par platformas datu objektiem. Piemēram, nesen izveidotā sadalÄ«juma tabula, kas radusies Python darba sesijā, var tikt (bez Python sesijas pārtraukÅ”anas) pārcelta platformā kā, piemēram, globālais (daudzdimensiju datu masÄ«vs InterSystems IRIS) ā€“ un izmantota aprēķiniem citā AI/ML mehānismā (Ä«stenotā citā valodā ā€“ piemēram, R valodā) ā€“ vai virtuālajā tabulā. Vēl viens piemērs: paralēli modeļa ā€žstandarta režīmamā€ (Python darba sesijā) uz tās ievades datiem tiek veikta ā€žauto-MLā€: automātiska optimālo ievades mainÄ«go un parametru vērtÄ«bu izvēle. Un kopā ar ā€žstandartaā€ apmācÄ«bu produktÄ«vā modeļa reālā laika režīmā saņem arÄ« ā€žoptimizācijas piedāvājumuā€ tās specifikācijai ā€“ kurā mainās ievades mainÄ«go kopums, mainās parametru vērtÄ«bas (nevis pēc apmācÄ«bas Python, bet pēc ā€žalternatÄ«vāsā€ versijas apmācÄ«bas, piemēram, H2O stekā), ļaujot kopējam AI/ML risinājumam autonomi tikt galā ar neparedzētām izmaiņām ievades datu raksturā un modelējamajās parādÄ«bās.

IepazÄ«simies sÄ«kāk ar InterSystems IRIS platformas AI/ML funkcionalitāti, izmantojot piemēru no reāli esoÅ”a prototipa.

Zemāk redzamajā diagrammā, kreisajā slÄ«dņa daļā ir biznesa procesa daļa, kas Ä«steno skriptu izpildi Python un R valodās. Centrālajā daļā ir vizuālie palaiÅ”anas žurnāli dažiem no Å”iem skriptiem, attiecÄ«gi Python un R valodā. Uzreiz aiz tiem ir piemēri satura, kas nodots izpildei attiecÄ«gajās vidēs, abās valodās. Labajā pusē beigās ir vizualizācijas, kas balstÄ«tas uz skriptu izpildes rezultātiem. AugŔējās vizualizācijas ir veiktas programmā IRIS Analytics (dati ir iegÅ«ti no Python uz datu platformu InterSystems IRIS un izvietoti uz dēļa ar platformas lÄ«dzekļiem), apakŔējās ir veiktas tieÅ”i R darba sesijā un eksportētas uz grafiskajiem failiem. SvarÄ«gs aspekts: attēlotā fragmenta prototipā ir atbildÄ«ga par modeļa apmācÄ«bu (iekārtu stāvokļa klasifikācija) uz datiem, kas nonāk reālajā laikā no iekārtu simulācijas procesa, pēc kvalitātes klasifikācijas uzraudzÄ«bas procesa komandas, kas tiek novērota modeļa piemēroÅ”anas laikā. Par AI/ML risinājuma Ä«stenoÅ”anu kā komplektu savstarpēji mijiedarbojoÅ”os procesus (ā€žaÄ£entusā€) tiks runāts tālāk.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Zīmējums 12 Sadarbība ar Python, R un Julia programmās InterSystems IRIS

Platformas procesi (tie paÅ”i ā€žbiznesa procesiā€, ā€žanalÄ«tiskie procesiā€, ā€žcaurulÄ«tesā€ utt. ā€“ atkarÄ«bā no konteksta) vispirms tiek rediģēti biznesa procesa grafiskajā redaktora platformā tā, ka tajā paŔā laikā tiek izveidota gan tā blokshēma, gan atbilstoÅ”ais AI/ML mehānisms (programmatÅ«ras kods). Runājot par to, ka ā€žveidojas AI/ML mehānismsā€, mēs sākotnēji domājam par hibriditāti (viena procesa ietvaros): saturam matemātiskās modelÄ“Å”anas vidēs lÄ«dzās ir SQL valodas saturs (t.sk., ar paplaÅ”inājumiem no IntegratedML), uz InterSystems ObjectScript, ar citiem atbalstÄ«tajiem valodām. Turklāt platformas process sniedz ļoti plaÅ”as iespējas ā€žattēloÅ”anaiā€ kā hierarhiski strukturēti fragmenti (kā redzams piemērā zemāk), ļaujot efektÄ«vi organizēt pat ļoti sarežģītu saturu, nekad neiznākot no grafiskā formāta (ieliekot ā€žne-grafiskajosā€ mĆ©todos/kategorijās/procedÅ«rās utt.). T.i., ja nepiecieÅ”ams (un to paredzams lielākajā daļā projektu), absolÅ«ti visas AI/ML risinājuma daļas var tikt ieviestas grafiskā paÅ”dokumentojoÅ”os formātā. VērÅ”am uzmanÄ«bu, ka diagrammas centrālajā daļā, kurā attēlots augstāks ā€ždziļuma lÄ«menisā€, ir redzams, ka, papildus paÅ”a modeļa apmācÄ«bas darba (izmantojot Python un R), tiek pievienota tā sauktā ROC-lÄ«knes apmācÄ«tā modeļa analÄ«ze, kas ļauj vizuāli (un arÄ« aprēķināti) novērtēt apmācÄ«bas kvalitāti ā€“ un Ŕī analÄ«ze tiek realizēta valodā Julia (izpildās, attiecÄ«gi, Julia matemātiskajā vidē).

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 13 Vizuālā vide AI/ML risinājumu kompozīcijai InterSystems IRIS

Kā jau iepriekÅ” minēts, sākotnējā izstrāde un (dažos gadÄ«jumos) jau platformā ieviesto AI/ML mehānismu pielāgoÅ”ana tiks/vai var tikt veikta ārpus platformas Jupyter redaktorā. Zemāk esoÅ”ajā diagrammā redzam piemēru esoŔā platformas procesa pielāgoÅ”anai (to paÅ”u, kas norādÄ«ts augstāk) ā€“ Ŕādi izskatās Jupyter tā fragments, kas atbild par modeļa apmācÄ«bu. Saturs Python valodā ir pieejams redigeÅ”anai, atkļūdoÅ”anai, grafikas izvadei tieÅ”i Jupyter. Izmaiņas (ja nepiecieÅ”ams) var tikt veiktas ar tÅ«lÄ«tēju sinhronizāciju platformas procesā, tostarp tā produktÄ«vā versijā. Analogā veidā jauns saturs var tikt nosÅ«tÄ«ts platformai (automātiski izveidojot jaunu platformas procesu).

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 14 Jupyter Notebook izmantoÅ”ana AI/ML mehānisma rediģēŔanai InterSystems IRIS platformā

Platform process adaptation can be carried out not only in graphical or laptop format but also in a 'total' IDE (Integrated Development Environment) format. Such IDEs include IRIS Studio (native IRIS studio), Visual Studio Code (InterSystems IRIS extension for VSCode), and Eclipse (Atelier plugin). In some cases, it is possible for a team of developers to use all three IDEs simultaneously. The diagram below shows an example of editing the same process in IRIS Studio, Visual Studio Code, and Eclipse. All content is available for editing: Python/R/Julia/SQL, ObjectScript, and business processes.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Figure 15 Development of the InterSystems IRIS business process in various IDEs

Mention should be made of the tools for describing and executing business processes in InterSystems IRIS using Business Process Language (BPL). BPL allows the use of 'ready-made integration components' (activities) in business processes, which indeed provides a solid basis for claiming that 'continuous integration' is implemented in InterSystems IRIS. The ready-made components of the business process (activities and connections between them) are a powerful accelerator for building AI/ML solutions. And not only for construction: due to the activities and connections between them, an 'autonomous management layer' emerges over disparate AI/ML developments and mechanisms, capable of making decisions based on the situation in real time.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Figure 16 Ready-made components of business processes for continuous integration (CI) on the InterSystems IRIS platform

The concept of agent systems (also known as multi-agent systems) has strong positions in robotics, and the InterSystems IRIS platform organically supports it through the 'product-process' construct. In addition to unlimited possibilities for 'stuffing' each process with the functionality required for a comprehensive solution, endowing the system of platform processes with the property of 'agentness' allows for the creation of effective solutions for extremely unstable modeled phenomena (behavior of social/biological systems, partiallyobservable technological processes, etc.).

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Figure 16 Operation of the AI/ML solution in the form of an agent system of business processes in InterSystems IRIS

Turpinām mÅ«su InterSystems IRIS apskatu ar stāstu par platformas pielietojumu, lai risinātu vairākas reāllaika uzdevumu kategorijas (pietiekami detalizēta iepazÄ«Å”anās ar dažām labākajām platformas AI/ML praksēm notiek vienā no mÅ«su iepriekŔējiem) webināriem).

Par ā€žkarstajām pēdāmā€ iepriekŔējā diagrammā, zemāk sniegta detalizētāka aÄ£entu sistēmas diagramma. Diagrammā redzams tas pats prototips, ir redzami visi četri procesu aÄ£enti, hokemēti attiecÄ«bas starp tiem: GENERATOR ā€“ apstrādā sensora datu Ä£enerÄ“Å”anu, BUFFER ā€“ pārvalda datu rindas, ANALYZER ā€“ veic paÅ”u maŔīnmācÄ«Å”anos, MONITOR ā€“ uzrauga maŔīnmācÄ«Å”anās kvalitāti un dod signālu par nepiecieÅ”amÄ«bu atkārtoti apmācÄ«t modeli.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 17 AI/ML risinājuma kompozīcija aģentu sistēmas formā biznesa procesos InterSystems IRIS

Diagrammā zemāk ilustrēts cits robotizēta prototipa autonomais darbs (tekstu emocionālās krāsas atpazÄ«Å”ana) noteiktā laika posmā. AugŔējā daļā ā€“ modeļa apmācÄ«bas kvalitātes rādÄ«tāja attÄ«stÄ«ba (kvalitāte aug), apakŔējā daļā ā€“ modeļa kvalitātes piemēroÅ”anas dinamika un atkārtotas apmācÄ«bas fakti (sarkanie svÄ«triņas). Kā var redzēt, risinājums ir efektÄ«vs un autonomi apmācÄ«jies, un darbojas noteiktajā kvalitātes lÄ«menÄ« (kvalitātes rādÄ«tāja vērtÄ«bas nesamazinās zem 80%).

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 18 Nepārtraukta (paÅ”)pārkāpe (CT) uz platformas InterSystems IRIS

Par automātisko ML mēs jau iepriekÅ” esam runājuÅ”i, taču apakŔējā diagrammā Ŕī funkcionalitāte ir parādÄ«ta sÄ«kāk, izmantojot vēl vienu prototipu. Grafiskajā shēmā parādÄ«ta biznesa procesa fragments, kas aktivizē modelÄ“Å”anu H2O stekā, parādÄ«ti Ŕīs modelÄ“Å”anas rezultāti (acÄ«mredzama iegÅ«tās modeļa dominÄ“Å”ana pār "rokām veidotajiem" modeļiem saskaņā ar salÄ«dzinoÅ”o ROC lÄ«kņu diagrammu, kā arÄ« automatizēta "visietekmÄ«gāko mainÄ«go" identificÄ“Å”ana no pieejamā datu kopas). SvarÄ«gs punkts Å”eit ir laika un ekspertu resursu ietaupÄ«jums, ko sniedz automātiskais ML: tas, ko mÅ«su platforma paveic pusminÅ«tē (optimālā modeļa atraÅ”ana un apmācÄ«ba), ekspertam var aizņemt no nedēļas lÄ«dz mēnesim.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 19 Automātiskā ML integrācija AI/ML risinājumā uz InterSystems IRIS platformas

ApakŔējā diagramma nedaudz "traucē kulmināciju", taču tā ir laba iespēja noslēgt stāstÄ«jumu par reāllaika risināmo uzdevumu klasēm: mēs atgādinām, ka, neskatoties uz visām InterSystems IRIS platformas iespējām, modeļu apmācÄ«ba tieÅ”i tās vadÄ«bā nav obligāta. Platforma var ārēji iegÅ«t tā dēvēto PMML modeļa specifikāciju, kas apmācÄ«ta rÄ«cÄ«bā, kas nav platformas vadÄ«bā, ā€“ un piemērot Å”o modeli reālā laikā kopÅ” tā importa. PMML specifikācijas. Tajā paŔā laikā ir svarÄ«gi ņemt vērā, ka tālu ne visi AI/ML artefakti var tikt samazināti lÄ«dz PMML specifikācijai, pat ja lielākā daļa visizplatÄ«tāko artefaktu to ļauj izdarÄ«t. Tādējādi InterSystems IRIS platformai ir "atvērta kontÅ«ra" un tā nenozÄ«mē "platformas verdzÄ«bu" lietotājiem.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 20 Automātiskā ML integrācija AI/ML risinājumā uz InterSystems IRIS platformas

Ievērosim papildu InterSystems IRIS platformas priekÅ”rocÄ«bas (visu skaidrÄ«bas labad attiecÄ«bā uz tehnoloÄ£isko procesu vadÄ«bu), kurām ir liela nozÄ«me reāllaika mākslÄ«gā intelekta un maŔīnmācÄ«Å”anās automatizācijā:

  • AttÄ«stÄ«ti integrācijas rÄ«ki ar jebkuriem datu avotiem un patērētājiem (AUTS/SCADA, iekārtas, APK un RM, ERP u.tml.)
  • IebÅ«vēta multimodelu DBMS augstas veiktspējas transakciju-analÄ«tiskai apstrādei (HibrÄ«dā transakciju/analÄ«tiskā apstrāde, HTAP) jebkuros datu apjomos tehnoloÄ£isko procesu
  • Izstrādes rÄ«ki nepārtrauktai AI/ML risinājumu izvietoÅ”anai reālā laika režīmā, balstoties uz Python, R, Julia
  • AdaptÄ«vi biznesa procesi nepārtrauktai integrācijai un (paÅ”)mācÄ«Å”anās AI/ML risinājumu reālā laika režīmā
  • IebÅ«vēti Business Intelligence rÄ«ki tehnoloÄ£isko procesu datu un AI/ML risinājumu rezultātu vizualizācijai
  • API pārvaldÄ«ba lai piegādātu AI/ML risinājumu rezultātus AASUTP/SCADA, informācijas analÄ«tiskajās sistēmās, brÄ«dinājumu nosÅ«tÄ«Å”anā u.c.

AI/ML risinājumi uz InterSystems IRIS platformas viegli integrējas esoÅ”ajā IT infrastruktÅ«rā. InterSystems IRIS platforma nodroÅ”ina augstu AI/ML risinājumu droŔību ar augstas pieejamÄ«bas un katastrofu izturÄ«bai atbalstÄ«tām konfigurācijām un elastÄ«gu izvietoÅ”anu virtuālajās vidēs, fiziskajos serveros, privātajos un publiskajos mākoņos, Docker konteineros.

Tādējādi InterSystems IRIS ir universāla reālā laika AI/ML aprēķinu platforma. Mūsu platformas universālums tiek apstiprināts praksē ar de facto ierobežojumu trūkumu par implementējamo aprēķinu sarežģītību, kā arī InterSystems IRIS spēju apvienot (reālā laikā) dažādu nozaru scenāriju apstrādi un izcilu jebkuru funkciju un mehānismu pielāgojamību konkrētajām lietotāju vajadzībām.

InterSystems IRIS ā€“ universāla AI/ML platforma reāllaikā
Attēls 21 InterSystems IRIS ā€” universāla reālā laika AI/ML aprēķinu platforma

Lai nodroÅ”inātu kvalitatÄ«vāku mijiedarbÄ«bu ar tiem mÅ«su lasÄ«tājiem, kuriem ir interesanti Å”eit pasniegtie materiāli, mēs iesakām neapstāties tikai pie tā izlasÄ«Å”anas un turpināt dialogu "Ä«stenÄ«bā". Mēs ar prieku sniegsim atbalstu AI/ML reālā laika scenāriju formulÄ“Å”anā, izstrādāsim kopÄ«gu prototipu uz InterSystems IRIS platformas un izveidosim un Ä«stenosim praktisku ceļa karti mākslÄ«gā intelekta un maŔīnmācÄ«Å”anās ievieÅ”anai jÅ«su ražoÅ”anas un vadÄ«bas procesos. MÅ«su AI/ML ekspertu grupas kontaktadreses e-pasts ā€“ MLToolkit@intersystems.com.

Avots: habr.com

Iegādājieties uzticamu tÄ«mekļa hostingu ar DDoS aizsardzÄ«bu, VPS VDS serveriem šŸ”„ Iegādājieties uzticamu tÄ«mekļa hostingu ar DDoS aizsardzÄ«bu, VPS VDS serveriem | ProHoster