ഇന്റർസിസ്റ്റംസ് IRIS - സാർവത്രിക തൽസമയ AI/ML പ്ലാറ്റ്ഫോം

രചയിതാവ്: സെർജി ലുക്യാഞ്ചിക്കോവ്, ഇന്റർസിസ്റ്റംസിലെ കൺസൾട്ടിംഗ് എഞ്ചിനീയർ

തത്സമയ AI/ML കമ്പ്യൂട്ടിംഗ് കോളുകൾ

ഇന്റർസിസ്റ്റംസിലെ ഡാറ്റാ സയൻസ് പരിശീലനത്തിന്റെ അനുഭവത്തിൽ നിന്നുള്ള ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് നമുക്ക് ആരംഭിക്കാം:

• ലോഡ് ചെയ്ത ബയർ പോർട്ടൽ ഒരു ഓൺലൈൻ ശുപാർശ സംവിധാനവുമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു. റീട്ടെയിൽ നെറ്റ്‌വർക്കിലുടനീളം പ്രമോഷനുകളുടെ പുനഃക്രമീകരണം ഉണ്ടാകും (ഉദാഹരണത്തിന്, ഒരു "ഫ്ലാറ്റ്" പ്രൊമോഷനുകൾക്ക് പകരം, ഇപ്പോൾ ഒരു "സെഗ്മെന്റ്-ടാക്റ്റിക്സ്" മാട്രിക്സ് ഉപയോഗിക്കും). ശുപാർശ ചെയ്യുന്ന എഞ്ചിനുകൾക്ക് എന്ത് സംഭവിക്കും? ശുപാർശ എഞ്ചിനിലേക്ക് ഡാറ്റ സമർപ്പിക്കുന്നതിനും അപ്‌ഡേറ്റ് ചെയ്യുന്നതിനും എന്ത് സംഭവിക്കും (ഇൻപുട്ട് ഡാറ്റയുടെ അളവ് 25000 മടങ്ങ് വർദ്ധിച്ചു)? ശുപാർശകളുടെ വികസനത്തിന് എന്ത് സംഭവിക്കും (അവരുടെ എണ്ണത്തിലും "പരിധിയിലും" ആയിരം മടങ്ങ് വർദ്ധനവ് കാരണം ശുപാർശ നിയമങ്ങളുടെ ഫിൽട്ടറിംഗ് പരിധി ആയിരം മടങ്ങ് കുറയ്ക്കേണ്ടതിന്റെ ആവശ്യകത)?
• ഉപകരണ ഘടകങ്ങളിൽ വികസിക്കുന്ന വൈകല്യങ്ങളുടെ സാധ്യത നിരീക്ഷിക്കുന്നതിനുള്ള ഒരു സംവിധാനമുണ്ട്. ഒരു ഓട്ടോമേറ്റഡ് പ്രോസസ് കൺട്രോൾ സിസ്റ്റം മോണിറ്ററിംഗ് സിസ്റ്റവുമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു, ഓരോ സെക്കൻഡിലും ആയിരക്കണക്കിന് സാങ്കേതിക പ്രക്രിയ പാരാമീറ്ററുകൾ കൈമാറുന്നു. "മാനുവൽ സാമ്പിളുകളിൽ" മുമ്പ് പ്രവർത്തിച്ചിരുന്ന മോണിറ്ററിംഗ് സിസ്റ്റത്തിന് എന്ത് സംഭവിക്കും (രണ്ടാം ബൈ-സെക്കൻഡ് പ്രോബബിലിറ്റി മോണിറ്ററിംഗ് നൽകാൻ ഇതിന് പ്രാപ്തമാണോ)? പ്രോസസ് കൺട്രോൾ സിസ്റ്റത്തിലേക്ക് അടുത്തിടെ ചേർത്ത സെൻസറുകളിൽ നിന്നുള്ള റീഡിംഗുകൾക്കൊപ്പം നൂറുകണക്കിന് കോളങ്ങളുടെ ഒരു പുതിയ ബ്ലോക്ക് ഇൻപുട്ട് ഡാറ്റയിൽ ദൃശ്യമായാൽ എന്ത് സംഭവിക്കും (അത് ആവശ്യമായി വരുമോ, പുതിയ സെൻസറുകളിൽ നിന്നുള്ള ഡാറ്റ വിശകലനത്തിൽ ഉൾപ്പെടുത്താൻ നിരീക്ഷണ സംവിധാനം എത്രത്തോളം നിർത്തണം? )?
• പരസ്പരം ജോലിയുടെ ഫലങ്ങൾ ഉപയോഗിക്കുന്ന ഒരു കൂട്ടം AI/ML മെക്കാനിസങ്ങൾ (ശുപാർശ, നിരീക്ഷണം, പ്രവചനം) സൃഷ്ടിച്ചു. ഈ സമുച്ചയത്തിന്റെ പ്രവർത്തനം ഇൻപുട്ട് ഡാറ്റയിലെ മാറ്റങ്ങളുമായി പൊരുത്തപ്പെടുത്തുന്നതിന് ഓരോ മാസവും എത്ര മനുഷ്യ-മണിക്കൂറുകൾ ആവശ്യമാണ്? മാനേജുമെന്റ് തീരുമാനമെടുക്കൽ സമുച്ചയം (പുതിയ ഇൻപുട്ട് ഡാറ്റയുടെ ആവൃത്തിയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അതിൽ പുതിയ പിന്തുണയ്ക്കുന്ന വിവരങ്ങളുടെ ആവൃത്തി) പിന്തുണയ്ക്കുമ്പോൾ പൊതുവായ "മന്ദഗതി" എന്താണ്?

ഇവയും മറ്റ് നിരവധി ഉദാഹരണങ്ങളും സംഗ്രഹിച്ച്, തത്സമയം മെഷീൻ ലേണിംഗ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മെക്കാനിസങ്ങൾ എന്നിവയുടെ ഉപയോഗത്തിലേക്ക് നീങ്ങുമ്പോൾ ഉണ്ടാകുന്ന വെല്ലുവിളികളുടെ രൂപീകരണത്തിലേക്ക് ഞങ്ങൾ എത്തി:

• ഞങ്ങളുടെ കമ്പനിയിലെ AI/ML സംഭവവികാസങ്ങളുടെ സൃഷ്‌ടിയുടെയും പൊരുത്തപ്പെടുത്തലിന്റെയും (മാറിവരുന്ന സാഹചര്യവുമായി) ഞങ്ങൾ സംതൃപ്തനാണോ?
• ഞങ്ങൾ ഉപയോഗിക്കുന്ന AI/ML സൊല്യൂഷനുകൾ തത്സമയ ബിസിനസ് മാനേജ്‌മെന്റിനെ എത്രത്തോളം പിന്തുണയ്ക്കുന്നു?
• ഞങ്ങൾ ഉപയോഗിക്കുന്ന AI/ML സൊല്യൂഷനുകൾക്ക് സ്വതന്ത്രമായി (ഡെവലപ്പർമാരില്ലാതെ) ഡാറ്റയിലും ബിസിനസ് മാനേജ്‌മെന്റ് രീതികളിലുമുള്ള മാറ്റങ്ങളുമായി പൊരുത്തപ്പെടാൻ കഴിയുമോ?

AI/ML മെക്കാനിസങ്ങളുടെ വിന്യാസത്തിനുള്ള സാർവത്രിക പിന്തുണ, AI/ML സൊല്യൂഷനുകളുടെ അസംബ്ലി (സംയോജനം), തീവ്രതയിൽ AI/ML സൊല്യൂഷനുകളുടെ പരിശീലനം (ടെസ്റ്റിംഗ്) എന്നിവയിൽ ഇന്റർസിസ്റ്റംസ് IRIS പ്ലാറ്റ്‌ഫോമിന്റെ കഴിവുകളെക്കുറിച്ചുള്ള സമഗ്രമായ അവലോകനമാണ് ഞങ്ങളുടെ ലേഖനം. ഡാറ്റ സ്ട്രീമുകൾ. വിപണി ഗവേഷണം, AI/ML സൊല്യൂഷനുകളുടെ കേസ് പഠനങ്ങൾ, തത്സമയ AI/ML പ്ലാറ്റ്‌ഫോം എന്ന് വിളിക്കുന്നതിന്റെ ആശയപരമായ വശങ്ങൾ എന്നിവ ഈ ലേഖനത്തിൽ ഞങ്ങൾ പരിശോധിക്കും.

സർവേകളിൽ നിന്ന് നമുക്ക് അറിയാവുന്നത്: തത്സമയ ആപ്ലിക്കേഷനുകൾ

ഫലങ്ങൾ സർവേലൈറ്റ്ബെൻഡ് 800-ൽ ഏകദേശം 2019 ഐടി പ്രൊഫഷണലുകൾക്കിടയിൽ നടത്തിയത്, സ്വയം സംസാരിക്കുക:

ചിത്രം 1 തത്സമയ ഡാറ്റയുടെ മുൻനിര ഉപഭോക്താക്കൾ

ഈ സർവേയുടെ ഫലങ്ങളെക്കുറിച്ചുള്ള റിപ്പോർട്ടിന്റെ പ്രധാന ശകലങ്ങൾ നമ്മുടെ വിവർത്തനത്തിൽ ഉദ്ധരിക്കാം:

“... ഡാറ്റാ സ്ട്രീമുകൾ സംയോജിപ്പിക്കുന്നതിനുള്ള ഉപകരണങ്ങളുടെ ജനപ്രീതിയിലെ ട്രെൻഡുകൾ, അതേ സമയം, കണ്ടെയ്നറുകളിലെ കമ്പ്യൂട്ടിംഗിനെ പിന്തുണയ്ക്കുന്നത്, ഫലപ്രദമായ പരിഹാരങ്ങളുടെ കൂടുതൽ പ്രതികരണാത്മകവും യുക്തിസഹവും ചലനാത്മകവുമായ നിർദ്ദേശത്തിനായുള്ള വിപണിയുടെ അഭ്യർത്ഥനയോട് ഒരു സമന്വയ പ്രതികരണം നൽകുന്നു. സ്ട്രീമിംഗ് ഡാറ്റ പരമ്പരാഗത പാക്കറ്റ് ഡാറ്റയേക്കാൾ വേഗത്തിൽ വിവരങ്ങൾ കൈമാറുന്നു. ഉപഭോക്തൃ സംതൃപ്തി വർദ്ധിപ്പിക്കുന്നതിലൂടെ മത്സരാധിഷ്ഠിത നേട്ടങ്ങൾ സൃഷ്ടിക്കുന്നത്, ഉദാഹരണത്തിന്, AI/ML അടിസ്ഥാനമാക്കിയുള്ള ശുപാർശകൾ പോലെയുള്ള കമ്പ്യൂട്ടേഷണൽ രീതികൾ വേഗത്തിൽ പ്രയോഗിക്കാനുള്ള കഴിവ് ഇതിലേക്ക് ചേർക്കുന്നു. ചാപല്യത്തിനായുള്ള ഓട്ടം DevOps മാതൃകയിലെ എല്ലാ റോളുകളെയും സ്വാധീനിക്കുന്നു - ആപ്ലിക്കേഷൻ വികസനവും വിന്യാസവും കൂടുതൽ കാര്യക്ഷമമാക്കുന്നു. … എണ്ണൂറ്റി നാല് ഐടി പ്രൊഫഷണലുകൾ അവരുടെ ഓർഗനൈസേഷനുകളിലെ ഡാറ്റാ ഫ്ലോകളുടെ ഉപയോഗത്തെക്കുറിച്ചുള്ള വിവരങ്ങൾ നൽകി. പ്രതികരിക്കുന്നവർ പ്രധാനമായും പാശ്ചാത്യ രാജ്യങ്ങളിലാണ് (യൂറോപ്പിൽ 41%, വടക്കേ അമേരിക്കയിൽ 37%), ചെറുകിട, ഇടത്തരം, വലിയ കമ്പനികൾക്കിടയിൽ ഏതാണ്ട് തുല്യമായി വിതരണം ചെയ്യപ്പെട്ടു. ...

... ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഹൈപ്പ് അല്ല. പ്രൊഡക്ടിവിറ്റി AI/ML ആപ്ലിക്കേഷനുകളിൽ ഇതിനകം ഡാറ്റ സ്ട്രീം പ്രോസസ്സിംഗ് ഉപയോഗിക്കുന്നവരിൽ XNUMX ശതമാനം പേരും അവരുടെ AI/ML ഉപയോഗം അടുത്ത വർഷം (മറ്റ് ആപ്ലിക്കേഷനുകളുമായി താരതമ്യം ചെയ്യുമ്പോൾ) ഏറ്റവും വലിയ വളർച്ച കാണുമെന്ന് സ്ഥിരീകരിക്കുന്നു.

• പ്രതികരിച്ചവരിൽ ഭൂരിഭാഗവും പറയുന്നതനുസരിച്ച്, AI/ML സാഹചര്യങ്ങളിൽ ഡാറ്റ സ്ട്രീമുകളുടെ ഉപയോഗം അടുത്ത വർഷം ഏറ്റവും വലിയ വളർച്ച കാണും.
• താരതമ്യേന പുതിയ തരത്തിലുള്ള സാഹചര്യങ്ങൾ മാത്രമല്ല, തത്സമയ ഡാറ്റ കൂടുതലായി ഉപയോഗിക്കുന്ന പരമ്പരാഗത സാഹചര്യങ്ങളും കാരണം AI/ML-ലെ ആപ്ലിക്കേഷനുകൾ വർദ്ധിക്കും.
• AI/ML കൂടാതെ, IoT ഡാറ്റാ പൈപ്പ്‌ലൈനുകളുടെ ഉപയോക്താക്കൾക്കിടയിലെ ഉത്സാഹത്തിന്റെ തോത് ശ്രദ്ധേയമാണ് - IoT ഡാറ്റ ഇതിനകം സംയോജിപ്പിച്ചിട്ടുള്ളവരിൽ 48% പറയുന്നത്, ഈ ഡാറ്റയുടെ സാഹചര്യം നടപ്പിലാക്കുന്നത് സമീപഭാവിയിൽ ഗണ്യമായ വർദ്ധനവ് കാണുമെന്ന്. ..."

വളരെ രസകരമായ ഈ സർവേയിൽ നിന്ന്, ഡാറ്റ സ്ട്രീമുകളുടെ ഉപഭോഗത്തിൽ നേതാക്കളായി മെഷീൻ ലേണിംഗും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സാഹചര്യങ്ങളും ഇതിനകം തന്നെ "വഴിയിലാണ്" എന്ന് വ്യക്തമാണ്. DevOps-ന്റെ ലെൻസിലൂടെ തത്സമയ AI/ML-നെ കുറിച്ചുള്ള ധാരണയും ഒരുപോലെ പ്രധാനപ്പെട്ട ഒരു നിരീക്ഷണമാണ്: "പൂർണ്ണമായി ആക്‌സസ് ചെയ്യാവുന്ന ഡാറ്റാ സെറ്റോടുകൂടിയ ഡിസ്പോസിബിൾ AI/ML" എന്ന ഇപ്പോഴും പ്രബലമായ സംസ്കാരത്തിന്റെ പരിവർത്തനത്തെക്കുറിച്ച് ഇവിടെ നമുക്ക് സംസാരിക്കാൻ തുടങ്ങാം.

തത്സമയ AI/ML പ്ലാറ്റ്ഫോം ആശയം

തത്സമയ AI/ML-നുള്ള ഒരു സാധാരണ ആപ്ലിക്കേഷൻ ഏരിയ നിർമ്മാണത്തിലെ പ്രോസസ്സ് നിയന്ത്രണമാണ്. അവളുടെ ഉദാഹരണം ഉപയോഗിച്ച് മുൻ ചിന്തകൾ കണക്കിലെടുത്ത്, ഞങ്ങൾ ഒരു തത്സമയ AI/ML പ്ലാറ്റ്‌ഫോം എന്ന ആശയം രൂപപ്പെടുത്തും.
പ്രോസസ്സ് നിയന്ത്രണത്തിൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെയും മെഷീൻ ലേണിംഗിന്റെയും ഉപയോഗത്തിന് നിരവധി സവിശേഷതകൾ ഉണ്ട്:

• സാങ്കേതിക പ്രക്രിയയുടെ അവസ്ഥയെക്കുറിച്ചുള്ള ഡാറ്റ തീവ്രമായി സ്വീകരിക്കുന്നു: ഉയർന്ന ആവൃത്തിയിലും വിശാലമായ പരാമീറ്ററുകൾക്കുമായി (പ്രോസസ് കൺട്രോൾ സിസ്റ്റത്തിൽ നിന്ന് സെക്കൻഡിൽ പതിനായിരക്കണക്കിന് പാരാമീറ്റർ മൂല്യങ്ങൾ കൈമാറ്റം ചെയ്യപ്പെടുന്നു)
• വൈകല്യങ്ങൾ തിരിച്ചറിയുന്നതിനുള്ള ഡാറ്റ, അവയുടെ വികസനത്തെക്കുറിച്ചുള്ള ഡാറ്റ പരാമർശിക്കേണ്ടതില്ല, നേരെമറിച്ച്, അപര്യാപ്തവും ക്രമരഹിതവുമാണ്, വൈകല്യങ്ങളുടെ മതിയായ ടൈപ്പിഫിക്കേഷനും സമയബന്ധിതമായ അവയുടെ പ്രാദേശികവൽക്കരണവും (പലപ്പോഴും പേപ്പർ രേഖകളാൽ പ്രതിനിധീകരിക്കുന്നു)
• ഒരു പ്രായോഗിക വീക്ഷണകോണിൽ, പ്രോസസ് പാരാമീറ്ററുകളുടെ അവസാന വായന മൂല്യങ്ങളിൽ അവസാനിക്കുന്ന ന്യായമായ സ്ലൈഡിംഗ് ഇടവേളയിൽ സാങ്കേതിക പ്രക്രിയയുടെ ചലനാത്മകതയെ പ്രതിഫലിപ്പിക്കുന്ന, പരിശീലനത്തിനും മോഡലുകൾ പ്രയോഗിക്കുന്നതിനുമായി ഉറവിട ഡാറ്റയുടെ "പ്രസക്തതയുടെ ജാലകം" മാത്രമേ ലഭ്യമാകൂ.

സാങ്കേതിക പ്രക്രിയയിൽ നിന്നുള്ള തീവ്രമായ “ബ്രോഡ്‌ബാൻഡ് ഇൻപുട്ട് സിഗ്നൽ” തത്സമയം സ്വീകരിക്കുന്നതിനും അടിസ്ഥാന പ്രോസസ്സിംഗിനും പുറമേ, AI / ഫലങ്ങളുടെ പ്രയോഗവും പരിശീലനവും ഗുണനിലവാര നിയന്ത്രണവും (സമാന്തരമായി) നടത്താൻ ഈ സവിശേഷതകൾ ഞങ്ങളെ നിർബന്ധിക്കുന്നു. ML മോഡലുകൾ - തത്സമയം. പ്രസക്തിയുടെ സ്ലൈഡിംഗ് വിൻഡോയിൽ ഞങ്ങളുടെ മോഡലുകൾ "കാണുന്ന" "ഫ്രെയിം" നിരന്തരം മാറിക്കൊണ്ടിരിക്കുന്നു - അതോടൊപ്പം, മുൻകാല "ഫ്രെയിമുകളിലൊന്നിൽ" പരിശീലനം ലഭിച്ച AI / ML മോഡലുകളുടെ പ്രവർത്തന ഫലങ്ങളുടെ ഗുണനിലവാരവും മാറുന്നു. . AI/ML മോഡലുകളുടെ പ്രവർത്തന ഫലങ്ങളുടെ ഗുണനിലവാരം മോശമാകുകയാണെങ്കിൽ (ഉദാഹരണത്തിന്: "അലാറം-മാനം" വർഗ്ഗീകരണ പിശകിന്റെ മൂല്യം ഞങ്ങൾ നിർവചിച്ച പരിധിക്കപ്പുറമാണ്), മോഡലുകളുടെ അധിക പരിശീലനം സ്വയമേവ സമാരംഭിക്കേണ്ടതാണ്. കൂടുതൽ നിലവിലെ “ഫ്രെയിം” - കൂടാതെ മോഡലുകളുടെ അധിക പരിശീലനം സമാരംഭിക്കുന്നതിനുള്ള നിമിഷം തിരഞ്ഞെടുക്കുന്നത് പരിശീലനത്തിന്റെ ദൈർഘ്യവും മോഡലുകളുടെ നിലവിലെ പതിപ്പിന്റെ ജോലിയുടെ ഗുണനിലവാരത്തിലെ അപചയത്തിന്റെ ചലനാത്മകതയും കണക്കിലെടുക്കണം. മോഡലുകൾ പരിശീലിപ്പിക്കുമ്പോഴും അവയുടെ "പുതുതായി പരിശീലിപ്പിച്ച" പതിപ്പുകൾ രൂപപ്പെടുന്നതുവരെയും മോഡലുകളുടെ നിലവിലെ പതിപ്പുകൾ ഉപയോഗിക്കുന്നത് തുടരും).

തത്സമയ പ്രോസസ്സ് നിയന്ത്രണത്തിനായി AI/ML സൊല്യൂഷനുകൾ പ്രവർത്തനക്ഷമമാക്കുന്നതിനുള്ള പ്രധാന പ്ലാറ്റ്ഫോം കഴിവുകൾ InterSystems IRIS-ന് ഉണ്ട്. ഈ കഴിവുകളെ മൂന്ന് പ്രധാന ഗ്രൂപ്പുകളായി തിരിക്കാം:

• ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് പ്ലാറ്റ്‌ഫോമിൽ തത്സമയം പ്രവർത്തിക്കുന്ന ഒരു ഉൽ‌പാദനപരമായ പരിഹാരത്തിലേക്ക് പുതിയതോ പൊരുത്തപ്പെടുത്തപ്പെട്ടതോ ആയ നിലവിലുള്ള AI/ML മെക്കാനിസങ്ങളുടെ തുടർച്ചയായ വിന്യാസം (തുടർച്ചയായ വിന്യാസം/ഡെലിവറി, സിഡി).
• ഇൻകമിംഗ് ടെക്നോളജിക്കൽ പ്രോസസ് ഡാറ്റ സ്ട്രീമുകളുടെ ഒരൊറ്റ ഉൽപ്പാദന പരിഹാരത്തിലേക്കുള്ള തുടർച്ചയായ സംയോജനം (CI), AI/ML മെക്കാനിസങ്ങളുടെ ആപ്ലിക്കേഷൻ/പരിശീലനം/ഗുണനിലവാര നിയന്ത്രണം, ഡാറ്റ/കോഡ്/നിയന്ത്രണ പ്രവർത്തനങ്ങളുടെ കൈമാറ്റം, ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികൾ എന്നിവ ഉപയോഗിച്ച് തത്സമയം ക്രമീകരിക്കുന്നു. പ്ലാറ്റ്ഫോം InterSystems IRIS
• ഇന്റർസിസ്റ്റംസ് IRIS പ്ലാറ്റ്ഫോം വഴി കൈമാറുന്ന ഡാറ്റ, കോഡ്, കൺട്രോൾ പ്രവർത്തനങ്ങൾ ("തീരുമാനങ്ങൾ എടുത്തത്") ഉപയോഗിച്ച് ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികളിൽ AI/ML മെക്കാനിസങ്ങളുടെ തുടർച്ചയായ (സ്വയം) പരിശീലനം (തുടർച്ചയായ പരിശീലനം, CT).

മെഷീൻ ലേണിംഗ്, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് എന്നിവയുമായി ബന്ധപ്പെട്ട് പ്ലാറ്റ്ഫോം കഴിവുകളെ കൃത്യമായി ഈ ഗ്രൂപ്പുകളായി തരംതിരിച്ചത് ആകസ്മികമല്ല. നമുക്ക് രീതിശാസ്ത്രം ഉദ്ധരിക്കാം പ്രസിദ്ധീകരണം ഈ വർഗ്ഗീകരണത്തിന് ആശയപരമായ അടിസ്ഥാനം നൽകുന്ന Google, ഞങ്ങളുടെ വിവർത്തനത്തിൽ:

“... ഇക്കാലത്ത് ജനപ്രിയമായ DevOps ആശയം, വലിയ തോതിലുള്ള വിവര സംവിധാനങ്ങളുടെ വികസനവും പ്രവർത്തനവും ഉൾക്കൊള്ളുന്നു. ഈ ആശയം നടപ്പിലാക്കുന്നതിന്റെ പ്രയോജനങ്ങൾ വികസന ചക്രങ്ങളുടെ ദൈർഘ്യം കുറയ്ക്കൽ, വികസനങ്ങളുടെ വേഗത്തിലുള്ള വിന്യാസം, റിലീസ് ആസൂത്രണത്തിലെ വഴക്കം എന്നിവയാണ്. ഈ ആനുകൂല്യങ്ങൾ നേടുന്നതിന്, കുറഞ്ഞത് രണ്ട് രീതികളെങ്കിലും നടപ്പിലാക്കുന്നത് DevOps-ൽ ഉൾപ്പെടുന്നു:

• തുടർച്ചയായ ഏകീകരണം (CI)
• തുടർച്ചയായ ഡെലിവറി (സിഡി)

ഉൽപ്പാദനക്ഷമമായ AI/ML സൊല്യൂഷനുകളുടെ വിശ്വസനീയവും കാര്യക്ഷമവുമായ അസംബ്ലി ഉറപ്പാക്കാൻ AI/ML പ്ലാറ്റ്‌ഫോമുകൾക്കും ഈ രീതികൾ ബാധകമാണ്.

AI/ML പ്ലാറ്റ്‌ഫോമുകൾ ഇനിപ്പറയുന്ന വശങ്ങളിൽ മറ്റ് വിവര സംവിധാനങ്ങളിൽ നിന്ന് വ്യത്യസ്തമാണ്:

• ടീം കഴിവുകൾ: ഒരു AI/ML സൊല്യൂഷൻ സൃഷ്‌ടിക്കുമ്പോൾ, ഡാറ്റാ വിശകലനം നടത്തുകയും മോഡലുകൾ വികസിപ്പിക്കുകയും പരീക്ഷിക്കുകയും ചെയ്യുന്ന ഡാറ്റാ ഗവേഷണ മേഖലയിലെ ഡാറ്റാ സയന്റിസ്റ്റുകളോ “അക്കാദമിക്” വിദഗ്ധരോ ടീമിൽ സാധാരണയായി ഉൾപ്പെടുന്നു. ഈ ടീം അംഗങ്ങൾ പ്രൊഫഷണൽ പ്രൊഡക്റ്റീവ് കോഡ് ഡെവലപ്പർമാർ ആയിരിക്കില്ല.
• വികസനം: AI/ML എഞ്ചിനുകൾ പരീക്ഷണാത്മകമാണ്. ഒരു പ്രശ്നം ഏറ്റവും കാര്യക്ഷമമായ രീതിയിൽ പരിഹരിക്കുന്നതിന്, ഇൻപുട്ട് വേരിയബിളുകൾ, അൽഗോരിതങ്ങൾ, മോഡലിംഗ് രീതികൾ, മോഡൽ പാരാമീറ്ററുകൾ എന്നിവയുടെ വിവിധ കോമ്പിനേഷനുകളിലൂടെ കടന്നുപോകേണ്ടത് ആവശ്യമാണ്. അത്തരം തിരയലിന്റെ സങ്കീർണ്ണത "എന്താണ് പ്രവർത്തിച്ചത് / പ്രവർത്തിക്കാത്തത്" കണ്ടെത്തൽ, എപ്പിസോഡുകളുടെ പുനരുൽപാദനക്ഷമത ഉറപ്പാക്കൽ, ആവർത്തിച്ചുള്ള നടപ്പാക്കലുകൾക്കുള്ള സംഭവവികാസങ്ങളുടെ സാമാന്യവൽക്കരണം എന്നിവയിലാണ്.
• ടെസ്റ്റിംഗ്: AI/ML എഞ്ചിനുകൾ പരിശോധിക്കുന്നതിന് മറ്റ് മിക്ക സംഭവവികാസങ്ങളേക്കാളും വിപുലമായ ടെസ്റ്റുകൾ ആവശ്യമാണ്. സ്റ്റാൻഡേർഡ് യൂണിറ്റ്, ഇന്റഗ്രേഷൻ ടെസ്റ്റുകൾ എന്നിവയ്ക്ക് പുറമേ, സാമ്പിളുകളുടെ പരിശീലനത്തിനും നിയന്ത്രണത്തിനും മോഡൽ പ്രയോഗിക്കുന്നതിന്റെ ഫലങ്ങളുടെ ഡാറ്റ സാധുതയും ഗുണനിലവാരവും പരിശോധിക്കുന്നു.
• വിന്യാസം: AI/ML സൊല്യൂഷനുകളുടെ വിന്യാസം ഒരിക്കൽ പരിശീലിപ്പിച്ച മോഡൽ ഉപയോഗിക്കുന്ന പ്രവചന സേവനങ്ങളിൽ മാത്രം ഒതുങ്ങുന്നില്ല. ഓട്ടോമേറ്റഡ് മോഡൽ പരിശീലനവും പ്രയോഗവും നടത്തുന്ന മൾട്ടി-സ്റ്റേജ് പൈപ്പ് ലൈനുകളെ ചുറ്റിപ്പറ്റിയാണ് AI/ML സൊല്യൂഷനുകൾ നിർമ്മിച്ചിരിക്കുന്നത്. അത്തരം പൈപ്പ്ലൈനുകൾ വിന്യസിക്കുന്നതിൽ, മോഡലുകൾ പരിശീലിപ്പിക്കുന്നതിനും പരീക്ഷിക്കുന്നതിനുമായി പരമ്പരാഗതമായി ഡാറ്റാ സയന്റിസ്റ്റുകൾ സ്വമേധയാ നടത്തുന്ന നിസ്സാരമല്ലാത്ത പ്രവർത്തനങ്ങൾ ഓട്ടോമേറ്റ് ചെയ്യുന്നത് ഉൾപ്പെടുന്നു.
• ഉൽപ്പാദനക്ഷമത: കാര്യക്ഷമമല്ലാത്ത പ്രോഗ്രാമിംഗ് കാരണം മാത്രമല്ല, ഇൻപുട്ട് ഡാറ്റയുടെ നിരന്തരമായ മാറിക്കൊണ്ടിരിക്കുന്ന സ്വഭാവം കാരണം AI/ML എഞ്ചിനുകൾക്ക് ഉൽപ്പാദനക്ഷമത കുറവായിരിക്കും. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, പരമ്പരാഗത സംഭവവികാസങ്ങളുടെ പ്രകടനത്തേക്കാൾ വിശാലമായ കാരണങ്ങളാൽ AI/ML മെക്കാനിസങ്ങളുടെ പ്രകടനം കുറയുന്നു. ഇത് ഞങ്ങളുടെ AI/ML എഞ്ചിനുകളുടെ പ്രകടനം നിരീക്ഷിക്കേണ്ടതിന്റെ ആവശ്യകതയിലേക്ക് നയിക്കുന്നു, കൂടാതെ പ്രകടന സൂചകങ്ങൾ പ്രതീക്ഷകൾ നിറവേറ്റുന്നില്ലെങ്കിൽ അലേർട്ടുകൾ അയയ്ക്കുകയോ ഫലങ്ങൾ നിരസിക്കുകയോ ചെയ്യുന്നു.

AI/ML പ്ലാറ്റ്‌ഫോമുകൾ മറ്റ് വിവര സംവിധാനങ്ങൾക്ക് സമാനമാണ്, രണ്ടിനും പതിപ്പ് നിയന്ത്രണം, യൂണിറ്റ് ടെസ്റ്റിംഗ്, ഇന്റഗ്രേഷൻ ടെസ്റ്റിംഗ്, തുടർച്ചയായ വികസന വിന്യാസം എന്നിവയ്‌ക്കൊപ്പം തുടർച്ചയായ കോഡ് സംയോജനം ആവശ്യമാണ്. എന്നിരുന്നാലും, AI/ML-ന്റെ കാര്യത്തിൽ, നിരവധി പ്രധാന വ്യത്യാസങ്ങളുണ്ട്:

• CI (തുടർച്ചയുള്ള സംയോജനം) വിന്യസിച്ചിരിക്കുന്ന ഘടകങ്ങളുടെ കോഡ് പരിശോധിക്കുന്നതിനും സാധൂകരിക്കുന്നതിനുമായി പരിമിതപ്പെടുത്തിയിട്ടില്ല - ഡാറ്റയും AI/ML മോഡലുകളും പരിശോധിക്കുന്നതും സാധൂകരിക്കുന്നതും ഇതിൽ ഉൾപ്പെടുന്നു.
• CD (തുടർച്ചയായ ഡെലിവറി/വിന്യാസം, തുടർച്ചയായ വിന്യാസം) എന്നത് പാക്കേജുകളോ സേവനങ്ങളോ എഴുതുന്നതിനും പുറത്തിറക്കുന്നതിനും മാത്രമായി പരിമിതപ്പെടുത്തിയിട്ടില്ല, എന്നാൽ AI/ML സൊല്യൂഷനുകളുടെ രചനയ്ക്കും പരിശീലനത്തിനും പ്രയോഗത്തിനുമുള്ള ഒരു പ്ലാറ്റ്ഫോം സൂചിപ്പിക്കുന്നു.
• CT (തുടർച്ചയായ പരിശീലനം, തുടർച്ചയായ പരിശീലനം) ഒരു പുതിയ ഘടകമാണ് [ഏകദേശം. ലേഖനത്തിന്റെ രചയിതാവ്: DevOps എന്ന പരമ്പരാഗത ആശയവുമായി ബന്ധപ്പെട്ട ഒരു പുതിയ ഘടകം, അതിൽ CT, ഒരു ചട്ടം പോലെ, തുടർച്ചയായ പരിശോധന], AI/ML പ്ലാറ്റ്‌ഫോമുകളിൽ അന്തർലീനമാണ്, AI പരിശീലനത്തിനും പ്രയോഗിക്കുന്നതിനുമുള്ള മെക്കാനിസങ്ങളുടെ സ്വയംഭരണ മാനേജ്‌മെന്റിന് ഉത്തരവാദിയാണ് /എംഎൽ മോഡലുകൾ. ..."

മെഷീൻ ലേണിംഗിനും തത്സമയ ഡാറ്റയിൽ പ്രവർത്തിക്കുന്ന ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനും വിപുലമായ ഉപകരണങ്ങളും കഴിവുകളും (കോഡ് വികസനം മുതൽ ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികളുടെ ഓർക്കസ്ട്രേഷൻ വരെ), എല്ലാ പ്രവർത്തനപരവും വിഷയവുമായ മേഖലകൾ തമ്മിലുള്ള അടുത്ത ഏകീകരണം, മനുഷ്യരുടെ കൂടുതൽ കാര്യക്ഷമമായ ഓർഗനൈസേഷൻ എന്നിവ ആവശ്യമാണെന്ന് നമുക്ക് പ്രസ്താവിക്കാം. യന്ത്ര വിഭവങ്ങൾ.

തത്സമയ സാഹചര്യം: ഫീഡ് പമ്പുകളിലെ വൈകല്യങ്ങളുടെ വികസനം തിരിച്ചറിയൽ

പ്രോസസ് കൺട്രോൾ ഏരിയ ഒരു ഉദാഹരണമായി ഉപയോഗിക്കുന്നത് തുടരുക, ഒരു നിർദ്ദിഷ്ട പ്രശ്നം പരിഗണിക്കുക (ഞങ്ങൾ ഇതിനകം തന്നെ തുടക്കത്തിൽ തന്നെ സൂചിപ്പിച്ചു): പ്രോസസ്സ് പാരാമീറ്റർ മൂല്യങ്ങളുടെ ഒഴുക്കിനെ അടിസ്ഥാനമാക്കി പമ്പുകളിലെ വൈകല്യങ്ങളുടെ വികസനം ഞങ്ങൾ തത്സമയ നിരീക്ഷണം നൽകേണ്ടതുണ്ട്. തിരിച്ചറിഞ്ഞ വൈകല്യങ്ങളെക്കുറിച്ചുള്ള റിപ്പയർ ഉദ്യോഗസ്ഥരിൽ നിന്നുള്ള റിപ്പോർട്ടുകളും.

ചിത്രം 2 വൈകല്യങ്ങളുടെ വികസനം നിരീക്ഷിക്കുന്നതിനുള്ള പ്രശ്ന രൂപീകരണം

പ്രായോഗികമായി ഈ രീതിയിൽ ചെയ്യുന്ന മിക്ക ജോലികളുടെയും ഒരു സവിശേഷത, വിവിധ തരത്തിലുള്ള വൈകല്യങ്ങളുടെ എപ്പിസോഡിക്, ക്രമരഹിതമായ സംഭവങ്ങളുടെ (രജിസ്‌ട്രേഷൻ) പശ്ചാത്തലത്തിൽ ഡാറ്റ രസീതിന്റെ (APCS) ക്രമവും കാര്യക്ഷമതയും പരിഗണിക്കേണ്ടതുണ്ട് എന്നതാണ്. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ: പ്രോസസ്സ് കൺട്രോൾ സിസ്റ്റത്തിൽ നിന്നുള്ള ഡാറ്റ സെക്കൻഡിൽ ഒരിക്കൽ എത്തുന്നു, കൃത്യവും കൃത്യവുമാണ്, കൂടാതെ വർക്ക്ഷോപ്പിലെ ഒരു പൊതു നോട്ട്ബുക്കിലെ തീയതി സൂചിപ്പിക്കുന്ന ഒരു കെമിക്കൽ പെൻസിൽ ഉപയോഗിച്ചാണ് വൈകല്യങ്ങളെക്കുറിച്ചുള്ള കുറിപ്പുകൾ നിർമ്മിച്ചിരിക്കുന്നത് (ഉദാഹരണത്തിന്: "12.01 - കവറിൽ ചോർച്ച മൂന്നാം ബെയറിംഗിന്റെ വശത്ത് നിന്ന്").

അതിനാൽ, ഇനിപ്പറയുന്ന സുപ്രധാന പരിമിതി ഉപയോഗിച്ച് നമുക്ക് പ്രശ്നത്തിന്റെ രൂപീകരണത്തിന് അനുബന്ധമായി നൽകാം: ഞങ്ങൾക്ക് ഒരു നിർദ്ദിഷ്ട തരത്തിലുള്ള ഒരു വൈകല്യത്തിന്റെ ഒരു "ലേബൽ" മാത്രമേ ഉള്ളൂ (അതായത്, ഒരു നിർദ്ദിഷ്ട തരത്തിലുള്ള വൈകല്യത്തിന്റെ ഒരു ഉദാഹരണം പ്രോസസ്സ് നിയന്ത്രണത്തിൽ നിന്നുള്ള ഡാറ്റ പ്രതിനിധീകരിക്കുന്നു. ഒരു നിർദ്ദിഷ്‌ട തീയതിയിലെ സിസ്റ്റം - ഈ പ്രത്യേക തരത്തിലുള്ള ഒരു തകരാറിന്റെ കൂടുതൽ ഉദാഹരണങ്ങൾ ഞങ്ങളുടെ പക്കലില്ല). ഈ പരിമിതി ഞങ്ങളെ ക്ലാസിക്കൽ മെഷീൻ ലേണിംഗിന്റെ (മേൽനോട്ടത്തിലുള്ള പഠനം) പരിധിക്കപ്പുറത്തേക്ക് കൊണ്ടുപോകുന്നു, അതിനായി ധാരാളം "ടാഗുകൾ" ഉണ്ടായിരിക്കണം.

വൈകല്യങ്ങളുടെ വികസനം നിരീക്ഷിക്കുന്നതിനുള്ള ചുമതലയുടെ ചിത്രം 3 വ്യക്തത

നമ്മുടെ കൈയിലുള്ള ഒരേയൊരു "ടാഗ്" എങ്ങനെയെങ്കിലും "ഗുണിപ്പിക്കാൻ" കഴിയുമോ? അതെ നമുക്ക് കഴിയും. പമ്പിന്റെ നിലവിലെ അവസ്ഥ, രജിസ്റ്റർ ചെയ്ത വൈകല്യങ്ങളോടുള്ള സാമ്യത്തിന്റെ അളവാണ്. ക്വാണ്ടിറ്റേറ്റീവ് രീതികൾ ഉപയോഗിക്കാതെ തന്നെ, വിഷ്വൽ പെർസെപ്ഷൻ തലത്തിൽ, പ്രോസസ്സ് കൺട്രോൾ സിസ്റ്റത്തിൽ നിന്ന് വരുന്ന ഡാറ്റ മൂല്യങ്ങളുടെ ചലനാത്മകത നിരീക്ഷിച്ചുകൊണ്ട്, നിങ്ങൾക്ക് ഇതിനകം ഒരുപാട് പഠിക്കാൻ കഴിയും:

ചിത്രം 4 തന്നിരിക്കുന്ന തരത്തിലുള്ള ഒരു വൈകല്യത്തിന്റെ "അടയാളം" പശ്ചാത്തലത്തിൽ പമ്പ് അവസ്ഥയുടെ ചലനാത്മകത

എന്നാൽ വിഷ്വൽ പെർസെപ്ഷൻ (കുറഞ്ഞത് ഇപ്പോഴെങ്കിലും) നമ്മുടെ അതിവേഗം മാറിക്കൊണ്ടിരിക്കുന്ന സാഹചര്യത്തിൽ "ടാഗുകളുടെ" ഏറ്റവും അനുയോജ്യമായ ജനറേറ്ററല്ല. ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് ഉപയോഗിച്ച് റിപ്പോർട്ട് ചെയ്ത വൈകല്യങ്ങളുമായി നിലവിലെ പമ്പ് അവസ്ഥയുടെ സാമ്യം ഞങ്ങൾ വിലയിരുത്തും.

ചിത്രം 5 "ലേബൽ" എന്ന തകരാറിന്റെ പശ്ചാത്തലത്തിൽ ഇൻകമിംഗ് ഡാറ്റയിലേക്ക് ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് പ്രയോഗിക്കുന്നു

പ്രോസസ്സ് കൺട്രോൾ സിസ്റ്റത്തിൽ നിന്ന് ലഭിച്ച "ഫ്ലോ-പാക്കറ്റിലെ" സാങ്കേതിക പ്രക്രിയയുടെ പാരാമീറ്ററുകളുടെ മൂല്യങ്ങളുള്ള റെക്കോർഡുകൾ ഒരു പ്രത്യേക തരത്തിലുള്ള വൈകല്യത്തിന്റെ "ടാഗിന്റെ" റെക്കോർഡുകൾക്ക് സമാനമാകാനുള്ള സാധ്യത ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് നിർണ്ണയിക്കുന്നു. ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് പ്രയോഗിക്കുന്നതിന്റെ ഫലമായി കണക്കാക്കിയ പ്രോബബിലിറ്റി മൂല്യം (സ്റ്റാറ്റിസ്റ്റിക്കൽ സാമ്യത സൂചിക) 0 അല്ലെങ്കിൽ 1 മൂല്യത്തിലേക്ക് പരിവർത്തനം ചെയ്യപ്പെടുന്നു, സാമ്യതയ്ക്കായി പരിശോധിക്കുന്ന പാക്കറ്റിലെ ഓരോ നിർദ്ദിഷ്ട റെക്കോർഡിലും മെഷീൻ ലേണിംഗിനുള്ള ഒരു "ലേബൽ" ആയി മാറുന്നു. അതായത്, പുതിയതായി ലഭിച്ച പമ്പ് സ്റ്റേറ്റ് റെക്കോർഡുകളുടെ ഒരു പാക്കേജ് സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് ഉപയോഗിച്ച് പ്രോസസ്സ് ചെയ്തതിന് ശേഷം, (എ) AI/ML മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിനുള്ള പരിശീലന സെറ്റിലേക്ക് ഈ പാക്കേജ് ചേർക്കാനും (ബി) ഗുണനിലവാര നിയന്ത്രണം നടപ്പിലാക്കാനും ഞങ്ങൾക്ക് അവസരമുണ്ട്. ഈ പാക്കേജിൽ ഉപയോഗിക്കുമ്പോൾ മോഡലിന്റെ നിലവിലെ പതിപ്പ്.

ചിത്രം 6 ഒരു തകരാർ "ലേബൽ" പശ്ചാത്തലത്തിൽ ഇൻകമിംഗ് ഡാറ്റയിലേക്ക് ഒരു മെഷീൻ ലേണിംഗ് മോഡൽ പ്രയോഗിക്കുന്നു

ഞങ്ങളുടെ മുമ്പത്തെ ഒന്നിൽ വെബിനാറുകൾ മോഡലിംഗ് ഫലങ്ങളുടെ വിശ്വാസ്യത നിരീക്ഷിക്കുകയും മോഡൽ പാരാമീറ്ററുകൾ പൊരുത്തപ്പെടുത്തുകയും ചെയ്യുന്ന ബിസിനസ്സ് പ്രക്രിയകൾ തുടർച്ചയായി നടപ്പിലാക്കുന്ന രൂപത്തിൽ ഏത് AI/ML മെക്കാനിസവും നടപ്പിലാക്കാൻ InterSystems IRIS പ്ലാറ്റ്ഫോം നിങ്ങളെ എങ്ങനെ അനുവദിക്കുന്നു എന്ന് ഞങ്ങൾ കാണിക്കുകയും വിശദീകരിക്കുകയും ചെയ്യുന്നു. പമ്പുകൾ ഉപയോഗിച്ച് ഞങ്ങളുടെ സാഹചര്യത്തിന്റെ ഒരു പ്രോട്ടോടൈപ്പ് നടപ്പിലാക്കുമ്പോൾ, വെബിനാർ സമയത്ത് അവതരിപ്പിച്ച എല്ലാ ഇന്റർസിസ്റ്റംസ് IRIS പ്രവർത്തനങ്ങളും ഞങ്ങൾ ഉപയോഗിക്കുന്നു - ഞങ്ങളുടെ പരിഹാരത്തിന്റെ ഭാഗമായി അനലൈസർ പ്രക്രിയയിൽ നടപ്പിലാക്കുന്നു, ക്ലാസിക്കൽ മേൽനോട്ടത്തിലുള്ള പഠനമല്ല, മറിച്ച് പരിശീലന മോഡലുകൾക്കുള്ള തിരഞ്ഞെടുപ്പ് സ്വയമേവ നിയന്ത്രിക്കുന്ന റൈൻഫോഴ്സ്മെന്റ് ലേണിംഗ് . സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റും മോഡലിന്റെ നിലവിലെ പതിപ്പും പ്രയോഗിച്ചതിന് ശേഷം "കണ്ടെത്തൽ സമവായം" ഉണ്ടാകുന്ന രേഖകൾ പരിശീലന സാമ്പിളിൽ അടങ്ങിയിരിക്കുന്നു - അതായത്, സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് (സാമ്യത സൂചിക 0 അല്ലെങ്കിൽ 1 ആക്കി മാറ്റിയ ശേഷം) മോഡൽ ഫലം സൃഷ്ടിച്ചു. അത്തരം രേഖകളിൽ 1. മോഡലിന്റെ പുതിയ പരിശീലന സമയത്ത്, അതിന്റെ മൂല്യനിർണ്ണയ സമയത്ത് (പുതുതായി പരിശീലിപ്പിച്ച മോഡൽ അതിന്റെ സ്വന്തം പരിശീലന സാമ്പിളിലേക്ക് പ്രയോഗിക്കുന്നു, അതിന് ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റിന്റെ പ്രാഥമിക പ്രയോഗത്തോടെ), പ്രോസസ്സിംഗിന് ശേഷം ഫലം 1 "നിലനിറുത്താത്ത" രേഖകൾ സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റ് വഴി (പരിശീലനത്തിലെ സ്ഥിരമായ സാന്നിധ്യം കാരണം, വൈകല്യത്തിന്റെ യഥാർത്ഥ "ലേബലിൽ" നിന്നുള്ള റെക്കോർഡുകളുടെ ഒരു സാമ്പിൾ), പരിശീലന സെറ്റിൽ നിന്ന് നീക്കംചെയ്യുന്നു, കൂടാതെ മോഡലിന്റെ പുതിയ പതിപ്പ് "ലേബലിൽ" നിന്ന് പഠിക്കുന്നു. വൈകല്യവും സ്ട്രീമിൽ നിന്നുള്ള "നിലനിർത്തി" റെക്കോർഡുകളും.

ചിത്രം 7 ഇന്റർസിസ്റ്റംസ് IRIS-ലെ AI/ML കണക്കുകൂട്ടലുകളുടെ റോബോട്ടൈസേഷൻ

InterSystems IRIS-ൽ പ്രാദേശിക കണക്കുകൂട്ടലുകൾ നടത്തുമ്പോൾ ലഭിച്ച കണ്ടെത്തലിന്റെ ഗുണനിലവാരത്തെക്കുറിച്ച് ഒരു തരത്തിലുള്ള "രണ്ടാം അഭിപ്രായം" ആവശ്യമുണ്ടെങ്കിൽ, ക്ലൗഡ് സേവനങ്ങൾ ഉപയോഗിച്ച് ഒരു നിയന്ത്രണ ഡാറ്റാസെറ്റിൽ മോഡലുകളുടെ പരിശീലനവും പ്രയോഗവും നടത്തുന്നതിന് ഒരു ഉപദേശക പ്രക്രിയ സൃഷ്ടിക്കപ്പെടുന്നു (ഉദാഹരണത്തിന്, Microsoft അസൂർ, ആമസോൺ വെബ് സേവനങ്ങൾ, ഗൂഗിൾ ക്ലൗഡ് പ്ലാറ്റ്ഫോം മുതലായവ):

ചിത്രം 8 ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് സംഘടിപ്പിക്കുന്ന മൈക്രോസോഫ്റ്റ് അസ്യൂറിൽ നിന്നുള്ള രണ്ടാമത്തെ അഭിപ്രായം

ഇന്റർസിസ്റ്റംസ് IRIS-ലെ ഞങ്ങളുടെ സാഹചര്യത്തിന്റെ പ്രോട്ടോടൈപ്പ് ഒരു ഉപകരണ ഒബ്‌ജക്‌റ്റ് (പമ്പ്), ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികൾ (പൈത്തൺ, ആർ, ജൂലിയ) എന്നിവയുമായി സംവദിക്കുന്ന ഒരു ഏജന്റ്-അധിഷ്‌ഠിത വിശകലന പ്രക്രിയയായാണ് രൂപകൽപ്പന ചെയ്‌തിരിക്കുന്നത്. ML മെക്കാനിസങ്ങൾ - തത്സമയ ഡാറ്റ സ്ട്രീമുകളിൽ .

ചിത്രം 9 InterSystems IRIS-ലെ തത്സമയ AI/ML സൊല്യൂഷന്റെ പ്രധാന പ്രവർത്തനം

ഞങ്ങളുടെ പ്രോട്ടോടൈപ്പിന്റെ പ്രായോഗിക ഫലം:

• മാതൃകാ വൈകല്യം തിരിച്ചറിഞ്ഞു (ജനുവരി 12):

• സാമ്പിളിൽ ഉൾപ്പെടുത്തിയിട്ടില്ലാത്ത മോഡൽ തിരിച്ചറിഞ്ഞ ഒരു വികസ്വര വൈകല്യം (സെപ്റ്റംബർ 11, രണ്ട് ദിവസത്തിന് ശേഷം, സെപ്റ്റംബർ 13 ന് റിപ്പയർ ടീം തന്നെ ഈ തകരാർ തിരിച്ചറിഞ്ഞു):

ഒരേ വൈകല്യത്തിന്റെ നിരവധി എപ്പിസോഡുകൾ അടങ്ങിയ യഥാർത്ഥ ഡാറ്റയിലെ സിമുലേഷൻ കാണിക്കുന്നത്, ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് പ്ലാറ്റ്‌ഫോമിൽ നടപ്പിലാക്കിയ ഞങ്ങളുടെ പരിഹാരം, റിപ്പയർ ടീം കണ്ടെത്തുന്നതിന് കുറച്ച് ദിവസങ്ങൾക്ക് മുമ്പ് ഇത്തരത്തിലുള്ള വൈകല്യങ്ങളുടെ വികസനം തിരിച്ചറിയാൻ ഞങ്ങളെ അനുവദിക്കുന്നു.

InterSystems IRIS - ഒരു സാർവത്രിക തത്സമയ AI/ML കമ്പ്യൂട്ടിംഗ് പ്ലാറ്റ്ഫോം

InterSystems IRIS പ്ലാറ്റ്ഫോം തത്സമയ ഡാറ്റാ സൊല്യൂഷനുകളുടെ വികസനവും വിന്യാസവും പ്രവർത്തനവും ലളിതമാക്കുന്നു. InterSystems IRIS-ന് ഒരേസമയം ട്രാൻസാക്ഷൻ, അനലിറ്റിക്കൽ ഡാറ്റ പ്രോസസ്സിംഗ് നടത്താൻ കഴിയും; ഒന്നിലധികം മോഡലുകൾ (റിലേഷണൽ, ഹൈറാർക്കിക്കൽ, ഒബ്ജക്റ്റ്, ഡോക്യുമെന്റ് എന്നിവ ഉൾപ്പെടെ) അനുസരിച്ച് സമന്വയിപ്പിച്ച ഡാറ്റ കാഴ്ചകളെ പിന്തുണയ്ക്കുക; വൈവിധ്യമാർന്ന ഡാറ്റ ഉറവിടങ്ങളും വ്യക്തിഗത ആപ്ലിക്കേഷനുകളും സമന്വയിപ്പിക്കുന്നതിനുള്ള ഒരു പ്ലാറ്റ്ഫോമായി പ്രവർത്തിക്കുക; ഘടനാപരമായതും ഘടനയില്ലാത്തതുമായ ഡാറ്റയിൽ വിപുലമായ തത്സമയ അനലിറ്റിക്‌സ് നൽകുക. ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് ബാഹ്യ വിശകലന ടൂളുകൾ ഉപയോഗിക്കുന്നതിനുള്ള സംവിധാനങ്ങളും നൽകുന്നു കൂടാതെ ക്ലൗഡിലും പ്രാദേശിക സെർവറുകളിലും ഹോസ്റ്റിംഗിന്റെ ഫ്ലെക്സിബിൾ കോമ്പിനേഷൻ അനുവദിക്കുന്നു.

InterSystems IRIS പ്ലാറ്റ്‌ഫോമിൽ നിർമ്മിച്ച ആപ്ലിക്കേഷനുകൾ വിവിധ വ്യവസായങ്ങളിൽ വിന്യസിച്ചിരിക്കുന്നു, കമ്പനികളെ തന്ത്രപരവും പ്രവർത്തനപരവുമായ വീക്ഷണകോണിൽ നിന്ന് കാര്യമായ സാമ്പത്തിക നേട്ടങ്ങൾ കൈവരിക്കാൻ സഹായിക്കുന്നു, അറിവുള്ള തീരുമാനമെടുക്കൽ വർദ്ധിപ്പിക്കുകയും ഇവന്റ്, വിശകലനം, പ്രവർത്തനം എന്നിവയ്ക്കിടയിലുള്ള വിടവ് നികത്തുകയും ചെയ്യുന്നു.

ചിത്രം 10 തത്സമയ AI/ML പശ്ചാത്തലത്തിൽ ഇന്റർസിസ്റ്റംസ് IRIS ആർക്കിടെക്ചർ

മുമ്പത്തെ ഡയഗ്രം പോലെ, ചുവടെയുള്ള ഡയഗ്രം പുതിയ "കോർഡിനേറ്റ് സിസ്റ്റം" (സിഡി / സിഐ / സിടി) പ്ലാറ്റ്‌ഫോമിന്റെ പ്രവർത്തന ഘടകങ്ങൾ തമ്മിലുള്ള വിവരങ്ങളുടെ ഒഴുക്കിന്റെ ഒരു ഡയഗ്രമുമായി സംയോജിപ്പിക്കുന്നു. ദൃശ്യവൽക്കരണം മാക്രോമെക്കാനിസം സിഡിയിൽ ആരംഭിക്കുകയും സിഐ, സിടി എന്നീ മാക്രോ മെക്കാനിസങ്ങളിൽ തുടരുകയും ചെയ്യുന്നു.

ചിത്രം 11 ഇന്റർസിസ്റ്റംസ് IRIS പ്ലാറ്റ്‌ഫോമിന്റെ AI/ML ഘടകങ്ങൾക്കിടയിൽ വിവരങ്ങളുടെ രേഖാചിത്രം ഒഴുകുന്നു

InterSystems IRIS-ലെ CD മെക്കാനിസത്തിന്റെ സാരം: പ്ലാറ്റ്ഫോം ഉപയോക്താക്കൾ (AI/ML സൊല്യൂഷനുകളുടെ ഡെവലപ്പർമാർ) AI/ML മെക്കാനിസങ്ങൾക്കായി ഒരു പ്രത്യേക കോഡ് എഡിറ്റർ ഉപയോഗിച്ച് നിലവിലുള്ളതും കൂടാതെ/അല്ലെങ്കിൽ പുതിയ AI/ML വികസനങ്ങൾ സൃഷ്ടിക്കുന്നു: Jupyter (പൂർണ്ണമായ പേര്: Jupyter Notebook; സംക്ഷിപ്തതയ്‌ക്കായി, ഈ എഡിറ്ററിൽ സൃഷ്‌ടിച്ച ഡോക്യുമെന്റുകളെ ചിലപ്പോൾ വിളിക്കാറുണ്ട്). Jupyter-ൽ, ഇന്റർസിസ്റ്റംസ് IRIS-ൽ സ്ഥാപിക്കുന്നതിന് മുമ്പ് ("വിന്യസിച്ചിരിക്കുന്നു") ഒരു നിർദ്ദിഷ്‌ട AI/ML ഡവലപ്‌മെന്റിന്റെ പ്രകടനം (ഗ്രാഫിക്‌സ് ഉൾപ്പെടെ) എഴുതാനും ഡീബഗ് ചെയ്യാനും പരിശോധിക്കാനും ഒരു ഡവലപ്പർക്ക് അവസരമുണ്ട്. ഈ രീതിയിൽ സൃഷ്ടിച്ച ഒരു പുതിയ വികസനത്തിന് അടിസ്ഥാന ഡീബഗ്ഗിംഗ് മാത്രമേ ലഭിക്കൂ എന്ന് വ്യക്തമാണ് (പ്രത്യേകിച്ച്, തത്സമയ ഡാറ്റ സ്ട്രീമുകളിൽ ജൂപ്പിറ്റർ പ്രവർത്തിക്കുന്നില്ല) - ഇത് കാര്യങ്ങളുടെ ക്രമത്തിലാണ്, കാരണം വ്യാഴത്തിലെ വികസനത്തിന്റെ പ്രധാന ഫലം ഒരു പ്രത്യേക AI / ML മെക്കാനിസത്തിന്റെ അടിസ്ഥാന പ്രവർത്തനക്ഷമതയുടെ സ്ഥിരീകരണമാണ് ("ഒരു ഡാറ്റാ സാമ്പിളിൽ പ്രതീക്ഷിച്ച ഫലം കാണിക്കുന്നു"). അതുപോലെ, ജൂപ്പിറ്ററിൽ ഡീബഗ്ഗിംഗ് ചെയ്യുന്നതിന് മുമ്പ് പ്ലാറ്റ്‌ഫോമിൽ സ്ഥാപിച്ചിട്ടുള്ള ഒരു മെക്കാനിസത്തിന് (ഇനിപ്പറയുന്ന മാക്രോ-മെക്കാനിസങ്ങൾ കാണുക) ഒരു "പ്രീ-പ്ലാറ്റ്‌ഫോം" ഫോമിലേക്ക് ഒരു "റോൾബാക്ക്" ആവശ്യമായി വന്നേക്കാം (ഫയലുകളിൽ നിന്നുള്ള ഡാറ്റ വായിക്കൽ, പട്ടികകൾക്ക് പകരം xDBC വഴിയുള്ള ഡാറ്റ ഉപയോഗിച്ച് പ്രവർത്തിക്കുക, ഗ്ലോബുകളുമായുള്ള നേരിട്ടുള്ള ഇടപെടൽ - മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ അറേകൾ ഇന്റർസിസ്റ്റംസ് IRIS – മുതലായവ).

ഇന്റർസിസ്റ്റംസ് ഐറിസിൽ സിഡി നടപ്പിലാക്കുന്നതിന്റെ ഒരു പ്രധാന വശം: പ്ലാറ്റ്‌ഫോമിനും ജൂപ്പിറ്ററിനും ഇടയിൽ ദ്വിദിശ സംയോജനം നടപ്പിലാക്കി, പൈത്തൺ, ആർ, ജൂലിയ എന്നിവയിലെ ഉള്ളടക്കം പ്ലാറ്റ്‌ഫോമിലേക്ക് മാറ്റാൻ അനുവദിക്കുന്നു (പിന്നീട്, പ്ലാറ്റ്‌ഫോമിൽ പ്രോസസ്സ് ചെയ്യുന്നു) (മൂന്നും പ്രോഗ്രാമിംഗ് ആണ്. അനുബന്ധ മുൻനിര ഓപ്പൺ സോഴ്‌സ് ഭാഷകളിലെ ഭാഷകൾ) ഉറവിട ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികൾ). അതിനാൽ, AI/ML ഉള്ളടക്ക ഡെവലപ്പർമാർക്ക് പ്ലാറ്റ്‌ഫോമിൽ ഈ ഉള്ളടക്കത്തിന്റെ “തുടർച്ചയായ വിന്യാസം” നടത്താനും അവരുടെ പരിചിതമായ ജൂപ്പിറ്റർ എഡിറ്ററിൽ പ്രവർത്തിക്കാനും പൈത്തൺ, ആർ, ജൂലിയ എന്നിവയിൽ പരിചിതമായ ലൈബ്രറികൾ ഉപയോഗിക്കാനും അടിസ്ഥാന ഡീബഗ്ഗിംഗ് നടത്താനുമുള്ള അവസരമുണ്ട് (ആവശ്യമെങ്കിൽ) പ്ലാറ്റ്ഫോമിന് പുറത്ത്.

InterSystems IRIS-ലെ CI മാക്രോ മെക്കാനിസത്തിലേക്ക് നമുക്ക് പോകാം. ഡയഗ്രം "റിയൽ-ടൈം റോബോട്ടൈസറിന്റെ" മാക്രോ പ്രക്രിയ കാണിക്കുന്നു (ഡാറ്റാ സ്ട്രക്ചറുകൾ, ബിസിനസ്സ് പ്രക്രിയകൾ, കോഡ് ശകലങ്ങൾ എന്നിവയുടെ ഒരു സമുച്ചയം അവർ ഗണിതശാസ്ത്ര ഭാഷകളിലും ഒബ്ജക്റ്റ് സ്ക്രിപ്റ്റിലും - ഇന്റർസിസ്റ്റംസ് ഐറിസിന്റെ നേറ്റീവ് ഡെവലപ്മെന്റ് ഭാഷയിൽ). AI/ML മെക്കാനിസങ്ങളുടെ പ്രവർത്തനത്തിന് ആവശ്യമായ ഡാറ്റ ക്യൂകൾ നിലനിർത്തുക എന്നതാണ് ഈ മാക്രോ പ്രക്രിയയുടെ ചുമതല (തത്സമയം പ്ലാറ്റ്‌ഫോമിലേക്ക് കൈമാറുന്ന ഡാറ്റ സ്ട്രീമുകളെ അടിസ്ഥാനമാക്കി), ആപ്ലിക്കേഷന്റെ ക്രമം, AI/ ന്റെ "ശേഖരണം" എന്നിവയെക്കുറിച്ച് തീരുമാനങ്ങൾ എടുക്കുക. ML മെക്കാനിസങ്ങൾ (അവയും "ഗണിതശാസ്ത്ര അൽഗോരിതങ്ങൾ", "മോഡലുകൾ" മുതലായവയാണ് - നടപ്പിലാക്കുന്നതിന്റെയും ടെർമിനോളജിക്കൽ മുൻഗണനകളുടെയും പ്രത്യേകതകൾ അനുസരിച്ച് വ്യത്യസ്തമായി വിളിക്കാം), AI/ യുടെ പ്രവർത്തന ഫലങ്ങൾ വിശകലനം ചെയ്യുന്നതിനായി ഡാറ്റ ഘടനകൾ കാലികമായി സൂക്ഷിക്കുക. ML മെക്കാനിസങ്ങൾ (ക്യൂബുകൾ, ടേബിളുകൾ, മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ അറേകൾ മുതലായവ) മുതലായവ - റിപ്പോർട്ടുകൾക്കും ഡാഷ്‌ബോർഡുകൾക്കും മറ്റും).

ഇന്റർസിസ്റ്റംസ് IRIS-ൽ CI നടപ്പിലാക്കുന്നതിന്റെ ഒരു പ്രധാന വശം: പ്ലാറ്റ്‌ഫോമിനും ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികൾക്കും ഇടയിൽ ദ്വിദിശ സംയോജനം നടപ്പിലാക്കിയിട്ടുണ്ട്, പൈത്തൺ, ആർ, ജൂലിയ എന്നിവയിലെ പ്ലാറ്റ്‌ഫോമിൽ ഹോസ്റ്റ് ചെയ്‌തിരിക്കുന്ന ഉള്ളടക്കം അതത് പരിതസ്ഥിതികളിൽ എക്‌സിക്യൂട്ട് ചെയ്യാനും എക്‌സിക്യൂഷൻ ഫലങ്ങൾ തിരികെ സ്വീകരിക്കാനും നിങ്ങളെ അനുവദിക്കുന്നു. ഈ സംയോജനം "ടെർമിനൽ മോഡിലും" (അതായത്, AI/ML ഉള്ളടക്കം പരിസ്ഥിതിയിലേക്ക് കോളുകൾ ചെയ്യുന്ന ഒബ്ജക്റ്റ്സ്ക്രിപ്റ്റ് കോഡായി രൂപപ്പെടുത്തിയിരിക്കുന്നു) "ബിസിനസ് പ്രോസസ് മോഡിലും" (അതായത്, AI/ML ഉള്ളടക്കം ഒരു ബിസിനസ് പ്രക്രിയയായി രൂപപ്പെടുത്തിയിരിക്കുന്നു. ഒരു ഗ്രാഫിക്കൽ എഡിറ്റർ ഉപയോഗിച്ച്, അല്ലെങ്കിൽ ചിലപ്പോൾ ജൂപ്പിറ്റർ ഉപയോഗിക്കുന്നു, അല്ലെങ്കിൽ ഒരു IDE - IRIS സ്റ്റുഡിയോ, എക്ലിപ്സ്, വിഷ്വൽ സ്റ്റുഡിയോ കോഡ്). ജൂപ്പിറ്ററിൽ എഡിറ്റ് ചെയ്യുന്നതിനുള്ള ബിസിനസ്സ് പ്രക്രിയകളുടെ ലഭ്യത സിഐ തലത്തിൽ ഐആർഐഎസും സിഡി തലത്തിൽ ജൂപ്പിറ്ററും തമ്മിലുള്ള ബന്ധത്തിലൂടെ പ്രതിഫലിക്കുന്നു. ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികളുമായുള്ള സംയോജനത്തിന്റെ കൂടുതൽ വിശദമായ അവലോകനം ചുവടെ നൽകിയിരിക്കുന്നു. ഈ ഘട്ടത്തിൽ, ഞങ്ങളുടെ അഭിപ്രായത്തിൽ, തത്സമയ AI/ML സൊല്യൂഷനുകളിലേക്ക് AI/ML വികസനങ്ങളുടെ ("തുടർച്ചയായ വിന്യാസത്തിൽ നിന്ന് വരുന്നത്) "തുടർച്ചയായ സംയോജനം" നടപ്പിലാക്കുന്നതിന് ആവശ്യമായ എല്ലാ ഉപകരണങ്ങളും പ്ലാറ്റ്‌ഫോമിലുണ്ടെന്ന് ഉറപ്പാക്കാൻ എല്ലാ കാരണവുമുണ്ട്.

പ്രധാന മാക്രോ മെക്കാനിസം: സിടി. അതില്ലാതെ, AI/ML പ്ലാറ്റ്‌ഫോം ഉണ്ടാകില്ല (സിഡി/സിഐ വഴി "തത്സമയം" നടപ്പിലാക്കുമെങ്കിലും). ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികളുടെ പ്രവർത്തന സെഷനുകളിൽ നേരിട്ട് മെഷീൻ ലേണിംഗിന്റെയും കൃത്രിമ ബുദ്ധിയുടെയും "ആർട്ടിഫാക്റ്റുകൾ" ഉള്ള പ്ലാറ്റ്‌ഫോമിന്റെ പ്രവർത്തനമാണ് സിടിയുടെ സാരം: മോഡലുകൾ, വിതരണ പട്ടികകൾ, മാട്രിക്സ് വെക്‌ടറുകൾ, ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ പാളികൾ മുതലായവ. ഈ "സൃഷ്ടി", മിക്ക കേസുകളിലും, പരിതസ്ഥിതികളിൽ സൂചിപ്പിച്ച ആർട്ടിഫാക്റ്റുകൾ സൃഷ്ടിക്കുന്നത് ഉൾക്കൊള്ളുന്നു (മോഡലുകളുടെ കാര്യത്തിൽ, ഉദാഹരണത്തിന്, "സൃഷ്ടി" എന്നത് മോഡലിന്റെ സ്പെസിഫിക്കേഷനും അതിന്റെ പാരാമീറ്ററുകളുടെ മൂല്യങ്ങളുടെ തുടർന്നുള്ള തിരഞ്ഞെടുപ്പും ഉൾക്കൊള്ളുന്നു - മോഡലിന്റെ "പരിശീലനം" എന്ന് വിളിക്കപ്പെടുന്നവ), അവയുടെ ആപ്ലിക്കേഷൻ (മോഡലുകൾക്കായി: ടാർഗെറ്റ് വേരിയബിളുകളുടെ "മോഡൽ" മൂല്യങ്ങളുടെ സഹായത്തോടെ കണക്കുകൂട്ടൽ - പ്രവചനങ്ങൾ, വിഭാഗം അംഗത്വം, ഒരു സംഭവത്തിന്റെ സാധ്യത മുതലായവ) കൂടാതെ ഇതിനകം മെച്ചപ്പെടുത്തൽ ആർട്ടിഫാക്‌റ്റുകൾ സൃഷ്‌ടിക്കുകയും പ്രയോഗിക്കുകയും ചെയ്‌തു (ഉദാഹരണത്തിന്, ആപ്ലിക്കേഷന്റെ ഫലങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു കൂട്ടം മോഡൽ ഇൻപുട്ട് വേരിയബിളുകൾ പുനർ നിർവചിക്കുന്നു - പ്രവചന കൃത്യത മെച്ചപ്പെടുത്തുന്നതിന്, ഒരു ഓപ്ഷനായി). CT യുടെ പങ്ക് മനസ്സിലാക്കുന്നതിലെ പ്രധാന കാര്യം CD, CI എന്നിവയുടെ യാഥാർത്ഥ്യങ്ങളിൽ നിന്നുള്ള അതിന്റെ "അമൂർത്തീകരണം" ആണ്: CT എല്ലാ പുരാവസ്തുക്കളും നടപ്പിലാക്കും, നിർദ്ദിഷ്ട പരിതസ്ഥിതികൾ നൽകുന്ന കഴിവുകൾക്കുള്ളിൽ AI/ML സൊല്യൂഷന്റെ കമ്പ്യൂട്ടേഷണൽ, ഗണിതപരമായ പ്രത്യേകതകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കും. "ഇൻപുട്ടുകൾ നൽകുന്നതിനും" "ഔട്ട്പുട്ടുകൾ വിതരണം ചെയ്യുന്നതിനുമുള്ള" ഉത്തരവാദിത്തം സിഡിയുടെയും സിഐയുടെയും ഉത്തരവാദിത്തമായിരിക്കും.

ഇന്റർസിസ്റ്റംസ് ഐറിസിൽ CT നടപ്പിലാക്കുന്നതിന്റെ ഒരു പ്രധാന വശം: മുകളിൽ സൂചിപ്പിച്ച ഗണിത മോഡലിംഗ് പരിതസ്ഥിതികളുമായുള്ള സംയോജനം ഉപയോഗിച്ച്, പ്ലാറ്റ്‌ഫോമിന് ഗണിത പരിതസ്ഥിതികളിൽ അതിന്റെ നിയന്ത്രണത്തിൽ പ്രവർത്തിക്കുന്ന വർക്ക് സെഷനുകളിൽ നിന്ന് ആ പുരാവസ്തുക്കൾ എക്‌സ്‌ട്രാക്റ്റുചെയ്യാനുള്ള കഴിവുണ്ട് (ഏറ്റവും പ്രധാനമായി) അവയെ പ്ലാറ്റ്ഫോം ഡാറ്റാ ഒബ്ജക്റ്റുകളായി മാറ്റുന്നു. ഉദാഹരണത്തിന്, ഒരു പ്രവർത്തിക്കുന്ന പൈത്തൺ സെഷനിൽ സൃഷ്‌ടിച്ച ഒരു വിതരണ പട്ടിക (പൈത്തൺ സെഷൻ നിർത്താതെ) പ്ലാറ്റ്‌ഫോമിലേക്ക് മാറ്റാം, ഉദാഹരണത്തിന്, ഒരു ഗ്ലോബൽ (ഒരു മൾട്ടിഡൈമൻഷണൽ ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് ഡാറ്റ അറേ) - കൂടാതെ ഉപയോഗിക്കുകയും ചെയ്യുന്നു മറ്റൊരു AI/ML- മെക്കാനിസത്തിലെ കണക്കുകൂട്ടലുകൾക്കായി (മറ്റൊരു പരിസ്ഥിതിയുടെ ഭാഷയിൽ - ഉദാഹരണത്തിന്, R-ൽ) - അല്ലെങ്കിൽ ഒരു വെർച്വൽ പട്ടിക. മറ്റൊരു ഉദാഹരണം: മോഡലിന്റെ പ്രവർത്തനത്തിന്റെ "സാധാരണ മോഡ്" സമാന്തരമായി (പൈത്തൺ വർക്കിംഗ് സെഷനിൽ), "ഓട്ടോ-എംഎൽ" അതിന്റെ ഇൻപുട്ട് ഡാറ്റയിൽ നടപ്പിലാക്കുന്നു: ഒപ്റ്റിമൽ ഇൻപുട്ട് വേരിയബിളുകളുടെയും പാരാമീറ്റർ മൂല്യങ്ങളുടെയും യാന്ത്രിക തിരഞ്ഞെടുപ്പ്. “പതിവ്” പരിശീലനത്തിനൊപ്പം, തത്സമയം ഒരു ഉൽ‌പാദന മോഡലിന് അതിന്റെ സ്പെസിഫിക്കേഷന്റെ “ഒപ്റ്റിമൈസേഷനുള്ള നിർദ്ദേശവും” ലഭിക്കുന്നു - അതിൽ ഇൻപുട്ട് വേരിയബിളുകളുടെ സെറ്റ് മാറുന്നു, പാരാമീറ്റർ മൂല്യങ്ങൾ മാറുന്നു (ഇനി പരിശീലനത്തിന്റെ ഫലമായി അല്ല പൈത്തണിൽ, എന്നാൽ H2O സ്റ്റാക്ക് പോലെയുള്ള ഒരു "ബദൽ" പതിപ്പ് ഉപയോഗിച്ചുള്ള പരിശീലനത്തിന്റെ ഫലമായി, മൊത്തത്തിലുള്ള AI/ML സൊല്യൂഷനെ ഇൻപുട്ട് ഡാറ്റയുടെ സ്വഭാവത്തിലെയും പ്രതിഭാസങ്ങളുടെയും സ്വഭാവത്തിലെ അപ്രതീക്ഷിത മാറ്റങ്ങളെ സ്വയംഭരണപരമായി നേരിടാൻ അനുവദിക്കുന്നു. .

ഒരു യഥാർത്ഥ ജീവിത പ്രോട്ടോടൈപ്പിന്റെ ഉദാഹരണം ഉപയോഗിച്ച്, InterSystems IRIS-ന്റെ പ്ലാറ്റ്ഫോം AI/ML പ്രവർത്തനത്തെക്കുറിച്ച് കൂടുതൽ വിശദമായി നമുക്ക് പരിചയപ്പെടാം.

ചുവടെയുള്ള ഡയഗ്രാമിൽ, സ്ലൈഡിന്റെ ഇടതുവശത്ത്, പൈത്തണിലും R എന്നതിലും സ്ക്രിപ്റ്റുകളുടെ നിർവ്വഹണം നടപ്പിലാക്കുന്ന ബിസിനസ്സ് പ്രക്രിയയുടെ ഒരു ഭാഗമുണ്ട്. മധ്യഭാഗത്ത് യഥാക്രമം ഈ സ്ക്രിപ്റ്റുകളിൽ ചിലതിന്റെ നിർവ്വഹണത്തിന്റെ വിഷ്വൽ ലോഗുകൾ ഉണ്ട്, പൈത്തണിലും R. അവയ്‌ക്ക് തൊട്ടുപിന്നിൽ, ഉചിതമായ പരിതസ്ഥിതികളിലേക്ക് നിർവ്വഹിക്കുന്നതിനായി കൈമാറുന്ന ഒന്നിലും മറ്റൊരു ഭാഷയിലും ഉള്ള ഉള്ളടക്കത്തിന്റെ ഉദാഹരണങ്ങളുണ്ട്. വലതുവശത്ത് അവസാനം സ്ക്രിപ്റ്റ് എക്സിക്യൂഷന്റെ ഫലങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ള വിഷ്വലൈസേഷനുകൾ ഉണ്ട്. മുകളിലെ വിഷ്വലൈസേഷനുകൾ IRIS Analytics-ലാണ് നിർമ്മിച്ചിരിക്കുന്നത് (ഡാറ്റ പൈത്തണിൽ നിന്ന് ഇന്റർസിസ്റ്റംസ് IRIS ഡാറ്റാ പ്ലാറ്റ്‌ഫോമിലേക്ക് എടുത്ത് പ്ലാറ്റ്‌ഫോം ഉപയോഗിച്ച് ഒരു ഡാഷ്‌ബോർഡിൽ പ്രദർശിപ്പിക്കുന്നു), ചുവടെ R വർക്ക് സെഷനിൽ നേരിട്ട് നിർമ്മിക്കുകയും അവിടെ നിന്ന് ഗ്രാഫിക് ഫയലുകളിലേക്ക് ഔട്ട്‌പുട്ട് ചെയ്യുകയും ചെയ്തു. . ഒരു പ്രധാന വശം: മോഡലിന്റെ പ്രയോഗത്തിൽ നിരീക്ഷിച്ച വർഗ്ഗീകരണ ഗുണനിലവാര മോണിറ്റർ പ്രക്രിയയിൽ നിന്നുള്ള കമാൻഡ് അനുസരിച്ച്, ഉപകരണ സിമുലേറ്റർ പ്രക്രിയയിൽ നിന്ന് തത്സമയം ലഭിച്ച ഡാറ്റയിൽ മോഡലിനെ (ഉപകരണ അവസ്ഥകളുടെ വർഗ്ഗീകരണം) പരിശീലിപ്പിക്കുന്നതിന് പ്രോട്ടോടൈപ്പിലെ അവതരിപ്പിച്ച ശകലം ഉത്തരവാദിയാണ്. ഒരു കൂട്ടം സംവേദന പ്രക്രിയകളുടെ ("ഏജൻറ്സ്") രൂപത്തിൽ ഒരു AI/ML സൊല്യൂഷൻ നടപ്പിലാക്കുന്നത് കൂടുതൽ ചർച്ച ചെയ്യും.

ചിത്രം 12 ഇന്റർസിസ്റ്റംസ് ഐറിസിലെ പൈത്തൺ, ആർ, ജൂലിയ എന്നിവയുമായുള്ള ഇടപെടൽ

പ്ലാറ്റ്ഫോം പ്രക്രിയകൾ (അവയും "ബിസിനസ് പ്രക്രിയകൾ", "വിശകലന പ്രക്രിയകൾ", "പൈപ്പ്ലൈനുകൾ" മുതലായവയാണ് - സന്ദർഭത്തെ ആശ്രയിച്ച്), ഒന്നാമതായി, പ്ലാറ്റ്ഫോമിലെ തന്നെ ഗ്രാഫിക്കൽ ബിസിനസ് പ്രോസസ്സ് എഡിറ്ററിൽ എഡിറ്റുചെയ്യുന്നു, കൂടാതെ അത്തരം ഒരു അതിന്റെ ബ്ലോക്ക് ഡയഗ്രാമും അനുബന്ധ AI/ML മെക്കാനിസവും (പ്രോഗ്രാം കോഡ്) ഒരേസമയം സൃഷ്ടിക്കുന്ന രീതി. "ഒരു AI/ML മെക്കാനിസം ലഭിച്ചു" എന്ന് പറയുമ്പോൾ നമ്മൾ ആദ്യം അർത്ഥമാക്കുന്നത് ഹൈബ്രിഡിറ്റിയാണ് (ഒരു പ്രക്രിയയ്ക്കുള്ളിൽ): ഗണിതശാസ്ത്ര മോഡലിംഗ് പരിതസ്ഥിതികളുടെ ഭാഷകളിലെ ഉള്ളടക്കം SQL ലെ ഉള്ളടക്കത്തോട് ചേർന്നാണ് (ഇതിൽ നിന്നുള്ള വിപുലീകരണങ്ങൾ ഉൾപ്പെടെ. ഇന്റഗ്രേറ്റഡ് എം.എൽ), പിന്തുണയ്‌ക്കുന്ന മറ്റ് ഭാഷകൾക്കൊപ്പം ഇന്റർസിസ്റ്റംസ് ഒബ്‌ജക്റ്റ് സ്‌ക്രിപ്റ്റിൽ. കൂടാതെ, പ്ലാറ്റ്‌ഫോം പ്രക്രിയ ശ്രേണിപരമായി നെസ്റ്റഡ് ശകലങ്ങളുടെ രൂപത്തിൽ "റെൻഡറിംഗ്" ചെയ്യുന്നതിനുള്ള വളരെ വിശാലമായ അവസരങ്ങൾ നൽകുന്നു (ചുവടെയുള്ള ഡയഗ്രാമിലെ ഉദാഹരണത്തിൽ കാണുന്നത് പോലെ), ഇത് വളരെ സങ്കീർണ്ണമായ ഉള്ളടക്കം പോലും "വീഴാതെ" ഫലപ്രദമായി സംഘടിപ്പിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. ഗ്രാഫിക്കൽ ഫോർമാറ്റിന്റെ ("ഗ്രാഫിക്കൽ അല്ലാത്ത" ഫോർമാറ്റുകളിലേക്ക്). » രീതികൾ/ക്ലാസുകൾ/നടപടികൾ മുതലായവ). അതായത്, ആവശ്യമെങ്കിൽ (മിക്ക പ്രൊജക്റ്റുകളിലും ഇത് മുൻകൂട്ടി കണ്ടിട്ടുണ്ട്), AI/ML സൊല്യൂഷൻ പൂർണ്ണമായും ഒരു ഗ്രാഫിക്കൽ സെൽഫ് ഡോക്യുമെന്റിംഗ് ഫോർമാറ്റിൽ നടപ്പിലാക്കാൻ കഴിയും. ചുവടെയുള്ള ഡയഗ്രാമിന്റെ മധ്യഭാഗത്ത്, ഉയർന്ന “നെസ്റ്റിംഗ് ലെവലിനെ” പ്രതിനിധീകരിക്കുന്നു എന്നത് ശ്രദ്ധിക്കുക, മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിനുള്ള യഥാർത്ഥ ജോലിക്ക് പുറമേ (പൈത്തണും R ഉം ഉപയോഗിച്ച്) എന്ന് വിളിക്കപ്പെടുന്ന ഒരു വിശകലനം. പരിശീലനം ലഭിച്ച മോഡലിന്റെ ROC വക്രം ചേർത്തു, പരിശീലനത്തിന്റെ ഗുണനിലവാരം ദൃശ്യപരമായി (കമ്പ്യൂട്ടേഷനിലും) വിലയിരുത്താൻ അനുവദിക്കുന്നു - ഈ വിശകലനം ജൂലിയ ഭാഷയിൽ നടപ്പിലാക്കുന്നു (അതനുസരിച്ച്, ജൂലിയ ഗണിത പരിതസ്ഥിതിയിൽ നടപ്പിലാക്കുന്നു).

ചിത്രം 13 ഇന്റർസിസ്റ്റംസ് IRIS-ലെ AI/ML സൊല്യൂഷനുകളുടെ ഘടനയ്‌ക്കായുള്ള വിഷ്വൽ എൻവയോൺമെന്റ്

നേരത്തെ സൂചിപ്പിച്ചതുപോലെ, പ്ലാറ്റ്‌ഫോമിൽ ഇതിനകം നടപ്പിലാക്കിയ AI/ML മെക്കാനിസങ്ങളുടെ പ്രാരംഭ വികസനവും (ചില സന്ദർഭങ്ങളിൽ) പൊരുത്തപ്പെടുത്തലും ജൂപ്പിറ്റർ എഡിറ്ററിൽ പ്ലാറ്റ്‌ഫോമിന് പുറത്ത് ചെയ്യും/ചെയ്യാനാകും. ചുവടെയുള്ള ഡയഗ്രാമിൽ, നിലവിലുള്ള ഒരു പ്ലാറ്റ്ഫോം പ്രോസസ്സ് (മുകളിലുള്ള ഡയഗ്രം പോലെ) പൊരുത്തപ്പെടുത്തുന്നതിനുള്ള ഒരു ഉദാഹരണം ഞങ്ങൾ കാണുന്നു - മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിന് ഉത്തരവാദിയായ ശകലം ജൂപ്പിറ്ററിൽ കാണുന്നത് ഇങ്ങനെയാണ്. എഡിറ്റിംഗ്, ഡീബഗ്ഗിംഗ്, ഗ്രാഫിക്സ് ഔട്ട്പുട്ട് എന്നിവയ്ക്ക് പൈത്തൺ ഉള്ളടക്കം നേരിട്ട് ജൂപ്പിറ്ററിൽ ലഭ്യമാണ്. പ്ലാറ്റ്‌ഫോം പ്രോസസിലേക്ക് തൽക്ഷണ സിൻക്രൊണൈസേഷൻ ഉപയോഗിച്ച് മാറ്റങ്ങൾ (ആവശ്യമെങ്കിൽ) അതിന്റെ ഉൽപ്പാദന പതിപ്പ് ഉൾപ്പെടെ നടത്താം. സമാനമായ രീതിയിൽ പ്ലാറ്റ്‌ഫോമിലേക്ക് പുതിയ ഉള്ളടക്കം കൈമാറാൻ കഴിയും (ഒരു പുതിയ പ്ലാറ്റ്‌ഫോം പ്രോസസ്സ് സ്വയമേവ സൃഷ്‌ടിക്കപ്പെടും).

ചിത്രം 14 InterSystems IRIS പ്ലാറ്റ്‌ഫോമിൽ AI/ML എഞ്ചിൻ എഡിറ്റ് ചെയ്യാൻ ജൂപ്പിറ്റർ നോട്ട്ബുക്ക് ഉപയോഗിക്കുന്നു

ഒരു പ്ലാറ്റ്ഫോം പ്രക്രിയയുടെ അഡാപ്റ്റേഷൻ ഒരു ഗ്രാഫിക്കൽ അല്ലെങ്കിൽ ലാപ്ടോപ്പ് ഫോർമാറ്റിൽ മാത്രമല്ല - "മൊത്തം" IDE (ഇന്റഗ്രേറ്റഡ് ഡെവലപ്മെന്റ് എൻവയോൺമെന്റ്) ഫോർമാറ്റിലും നടത്താം. IRIS സ്റ്റുഡിയോ (നേറ്റീവ് IRIS സ്റ്റുഡിയോ), വിഷ്വൽ സ്റ്റുഡിയോ കോഡ് (VSCode-നുള്ള ഇന്റർസിസ്റ്റംസ് IRIS എക്സ്റ്റൻഷൻ), എക്ലിപ്സ് (Atelier പ്ലഗിൻ) എന്നിവയാണ് ഈ IDE-കൾ. ചില സാഹചര്യങ്ങളിൽ, ഒരു ഡെവലപ്‌മെന്റ് ടീമിന് മൂന്ന് IDE-കളും ഒരേസമയം ഉപയോഗിക്കുന്നത് സാധ്യമാണ്. IRIS സ്റ്റുഡിയോയിലും വിഷ്വൽ സ്റ്റുഡിയോ കോഡിലും എക്ലിപ്‌സിലും സമാന പ്രോസസ്സ് എഡിറ്റ് ചെയ്യുന്നതിനുള്ള ഒരു ഉദാഹരണം ചുവടെയുള്ള ഡയഗ്രം കാണിക്കുന്നു. എഡിറ്റിംഗിനായി എല്ലാ ഉള്ളടക്കവും ലഭ്യമാണ്: പൈത്തൺ/ആർ/ജൂലിയ/എസ്‌ക്യുഎൽ, ഒബ്‌ജക്‌ട് സ്‌ക്രിപ്റ്റ്, ബിസിനസ് പ്രോസസ്.

ചിത്രം 15 വിവിധ ഐഡിഇകളിൽ ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് ബിസിനസ് പ്രക്രിയയുടെ വികസനം

ബിസിനസ് പ്രോസസ് ലാംഗ്വേജിൽ (ബിപിഎൽ) ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് ബിസിനസ് പ്രക്രിയകൾ വിവരിക്കുന്നതിനും നടപ്പിലാക്കുന്നതിനുമുള്ള ഉപകരണങ്ങൾ പ്രത്യേക പരാമർശം അർഹിക്കുന്നു. ബി‌പി‌എൽ ബിസിനസ്സ് പ്രക്രിയകളിൽ “റെഡിമെയ്ഡ് ഇന്റഗ്രേഷൻ ഘടകങ്ങൾ” (പ്രവർത്തനങ്ങൾ) ഉപയോഗിക്കുന്നത് സാധ്യമാക്കുന്നു - വാസ്തവത്തിൽ, ഇന്റർസിസ്റ്റംസ് ഐറിസിൽ “തുടർച്ചയായ സംയോജനം” നടപ്പിലാക്കുന്നുവെന്ന് പറയാൻ എല്ലാ കാരണവും നൽകുന്നു. ഒരു AI/ML സൊല്യൂഷൻ കൂട്ടിച്ചേർക്കുന്നതിനുള്ള ശക്തമായ ആക്സിലറേറ്ററാണ് റെഡിമെയ്ഡ് ബിസിനസ് പ്രോസസ് ഘടകങ്ങൾ (പ്രവർത്തനങ്ങളും അവയ്ക്കിടയിലുള്ള കണക്ഷനുകളും). അസംബ്ലികൾ മാത്രമല്ല: വ്യത്യസ്‌ത AI/ML സംഭവവികാസങ്ങളിലും മെക്കാനിസങ്ങളിലും അവയ്‌ക്കിടയിലുള്ള പ്രവർത്തനങ്ങൾക്കും ബന്ധങ്ങൾക്കും നന്ദി, തത്സമയം സാഹചര്യത്തിനനുസരിച്ച് തീരുമാനങ്ങൾ എടുക്കാൻ കഴിവുള്ള ഒരു “സ്വയംഭരണ മാനേജുമെന്റ് പാളി” ഉയർന്നുവരുന്നു.

ചിത്രം 16 ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് പ്ലാറ്റ്‌ഫോമിലെ തുടർച്ചയായ സംയോജനത്തിനുള്ള (സിഐ) റെഡിമെയ്ഡ് ബിസിനസ് പ്രോസസ് ഘടകങ്ങൾ

ഏജന്റ് സിസ്റ്റങ്ങളുടെ ആശയം ("മൾട്ടി-ഏജന്റ് സിസ്റ്റങ്ങൾ" എന്നും അറിയപ്പെടുന്നു) റോബോട്ടൈസേഷനിൽ ശക്തമായ ഒരു സ്ഥാനമുണ്ട്, കൂടാതെ "ഉൽപ്പന്ന-പ്രക്രിയ" നിർമ്മാണത്തിലൂടെ ഇന്റർസിസ്റ്റംസ് IRIS പ്ലാറ്റ്ഫോം അതിനെ ജൈവികമായി പിന്തുണയ്ക്കുന്നു. മൊത്തത്തിലുള്ള പരിഹാരത്തിന് ആവശ്യമായ പ്രവർത്തനക്ഷമതയുള്ള ഓരോ പ്രക്രിയയും "സ്റ്റഫ്" ചെയ്യുന്നതിനുള്ള പരിമിതികളില്ലാത്ത സാധ്യതകൾക്ക് പുറമേ, പ്ലാറ്റ്ഫോം പ്രക്രിയകളുടെ സിസ്റ്റത്തിന് "ഏജൻസി" യുടെ സ്വത്ത് നൽകുന്നത് അങ്ങേയറ്റം അസ്ഥിരമായ അനുകരണ പ്രതിഭാസങ്ങൾക്ക് (സാമൂഹിക പെരുമാറ്റം/ പെരുമാറ്റം) ഫലപ്രദമായ പരിഹാരങ്ങൾ സൃഷ്ടിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്നു. ബയോസിസ്റ്റംസ്, ഭാഗികമായി നിരീക്ഷിക്കാവുന്ന സാങ്കേതിക പ്രക്രിയകൾ മുതലായവ).

ചിത്രം 16 ഇന്റർസിസ്റ്റംസ് IRIS-ൽ ഒരു ഏജന്റ് അധിഷ്‌ഠിത ബിസിനസ്സ് പ്രോസസ്സ് സിസ്റ്റമായി AI/ML സൊല്യൂഷന്റെ പ്രവർത്തനം

തത്സമയ പ്രശ്‌നങ്ങളുടെ മുഴുവൻ ക്ലാസുകളും പരിഹരിക്കുന്നതിനുള്ള പ്ലാറ്റ്‌ഫോമിന്റെ പ്രായോഗിക ഉപയോഗത്തെക്കുറിച്ചുള്ള ഒരു സ്റ്റോറിയുമായി ഞങ്ങൾ InterSystems IRIS-നെക്കുറിച്ചുള്ള ഞങ്ങളുടെ അവലോകനം തുടരുന്നു (InterSystems IRIS-ലെ പ്ലാറ്റ്‌ഫോം AI/ML-ന്റെ ചില മികച്ച സമ്പ്രദായങ്ങളെക്കുറിച്ചുള്ള വിശദമായ ആമുഖം ഒന്നിൽ കാണാം. ഞങ്ങളുടെ മുമ്പത്തെ വെബിനാറുകൾ).

മുമ്പത്തെ ഡയഗ്രാമിന്റെ കുതികാൽ, ഏജന്റ് സിസ്റ്റത്തിന്റെ കൂടുതൽ വിശദമായ ഡയഗ്രം ചുവടെയുണ്ട്. ഡയഗ്രം ഒരേ പ്രോട്ടോടൈപ്പ് കാണിക്കുന്നു, നാല് ഏജന്റ് പ്രക്രിയകളും ദൃശ്യമാണ്, അവ തമ്മിലുള്ള ബന്ധങ്ങൾ ക്രമാനുഗതമായി വരച്ചിരിക്കുന്നു: ജനറേറ്റർ - ഉപകരണ സെൻസറുകൾ ഉപയോഗിച്ച് ഡാറ്റ സൃഷ്ടിക്കുന്നത് പ്രോസസ്സ് ചെയ്യുന്നു, ബഫർ - ഡാറ്റ ക്യൂകൾ നിയന്ത്രിക്കുന്നു, അനലൈസർ - മെഷീൻ ലേണിംഗ് സ്വയം ചെയ്യുന്നു, മോണിറ്റർ - നിരീക്ഷിക്കുന്നു മെഷീൻ ലേണിംഗിന്റെ ഗുണനിലവാരവും മോഡലിനെ വീണ്ടും പരിശീലിപ്പിക്കേണ്ടതിന്റെ ആവശ്യകതയെക്കുറിച്ചുള്ള ഒരു സിഗ്നൽ സമർപ്പിക്കുന്നു.

ചിത്രം 17 ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസിലെ ഒരു ഏജന്റ് അധിഷ്‌ഠിത ബിസിനസ് പ്രോസസ്സ് സിസ്റ്റത്തിന്റെ രൂപത്തിൽ ഒരു AI/ML സൊല്യൂഷന്റെ ഘടന

കുറച്ച് സമയത്തേക്ക് മറ്റൊരു റോബോട്ടിക് പ്രോട്ടോടൈപ്പിന്റെ (ടെക്സ്റ്റുകളുടെ വൈകാരിക നിറത്തിന്റെ തിരിച്ചറിയൽ) സ്വയംഭരണ പ്രവർത്തനത്തെ ചുവടെയുള്ള ഡയഗ്രം വ്യക്തമാക്കുന്നു. മുകളിലെ ഭാഗത്ത് മോഡൽ പരിശീലനത്തിന്റെ ഗുണനിലവാര സൂചകത്തിന്റെ പരിണാമം (ഗുണനിലവാരം വളരുന്നു), താഴത്തെ ഭാഗത്ത് മോഡൽ ആപ്ലിക്കേഷന്റെ ഗുണനിലവാര സൂചകത്തിന്റെ ചലനാത്മകതയും ആവർത്തിച്ചുള്ള പരിശീലനത്തിന്റെ വസ്തുതകളും (ചുവന്ന വരകൾ) ആണ്. നിങ്ങൾക്ക് കാണാനാകുന്നതുപോലെ, പരിഹാരം സ്വയം കാര്യക്ഷമമായും സ്വയംഭരണമായും പഠിച്ചു, ഒരു നിശ്ചിത നിലവാരത്തിൽ പ്രവർത്തിക്കുന്നു (ഗുണനിലവാരമുള്ള സ്കോർ മൂല്യങ്ങൾ 80% ൽ താഴെയാകില്ല).

ചിത്രം 18 InterSystems IRIS പ്ലാറ്റ്‌ഫോമിലെ തുടർച്ചയായ (സ്വയം) പരിശീലനം (CT)

"ഓട്ടോ-എംഎൽ" ഞങ്ങൾ നേരത്തെ സൂചിപ്പിച്ചിരുന്നു, എന്നാൽ ചുവടെയുള്ള ഡയഗ്രം മറ്റൊരു പ്രോട്ടോടൈപ്പിന്റെ ഉദാഹരണം ഉപയോഗിച്ച് ഈ പ്രവർത്തനത്തിന്റെ ഉപയോഗം വിശദമായി കാണിക്കുന്നു. ഒരു ബിസിനസ് പ്രക്രിയയുടെ ഒരു ശകലത്തിന്റെ ഗ്രാഫിക്കൽ ഡയഗ്രം, H2O സ്റ്റാക്കിലെ മോഡലിംഗിനെ പ്രേരിപ്പിക്കുന്ന പ്രവർത്തനം കാണിക്കുന്നു, ഈ മോഡലിംഗിന്റെ ഫലങ്ങൾ കാണിക്കുന്നു ("മനുഷ്യനിർമ്മിത" മോഡലുകളേക്കാൾ ഫലമായുണ്ടാകുന്ന മോഡലിന്റെ വ്യക്തമായ ആധിപത്യം, താരതമ്യ ഡയഗ്രം അനുസരിച്ച് ROC കർവുകളും യഥാർത്ഥ ഡാറ്റാ സെറ്റിൽ ലഭ്യമായ "ഏറ്റവും സ്വാധീനമുള്ള വേരിയബിളുകളുടെ" ഓട്ടോമേറ്റഡ് ഐഡന്റിഫിക്കേഷനും). ഇവിടെ ഒരു പ്രധാന കാര്യം "ഓട്ടോ-എംഎൽ" വഴി നേടിയെടുക്കുന്ന സമയവും വിദഗ്ദ്ധ വിഭവങ്ങളും ലാഭിക്കലാണ്: ഞങ്ങളുടെ പ്ലാറ്റ്ഫോം പ്രക്രിയ അര മിനിറ്റിനുള്ളിൽ ചെയ്യുന്നത് (ഒപ്റ്റിമൽ മോഡൽ കണ്ടെത്തുകയും പരിശീലിപ്പിക്കുകയും ചെയ്യുക) ഒരു വിദഗ്ദ്ധന് ഒരാഴ്ച മുതൽ ഒരു മാസം വരെ എടുക്കാം.

ചിത്രം 19 ഇന്റർസിസ്റ്റംസ് IRIS പ്ലാറ്റ്‌ഫോമിലെ ഒരു AI/ML സൊല്യൂഷനിലേക്ക് “ഓട്ടോ-എംഎൽ” സംയോജിപ്പിക്കൽ

ചുവടെയുള്ള ഡയഗ്രം പോയിന്റ് അൽപ്പം നഷ്‌ടപ്പെടുത്തുന്നു, പക്ഷേ തത്സമയ പ്രശ്‌നങ്ങളുടെ ക്ലാസുകളെക്കുറിച്ചുള്ള കഥ അവസാനിപ്പിക്കുന്നതിനുള്ള ഒരു നല്ല മാർഗമാണിത്: InterSystems IRIS പ്ലാറ്റ്‌ഫോമിന്റെ എല്ലാ കഴിവുകളോടും കൂടി, പരിശീലന മോഡലുകൾ അതിന്റെ നിയന്ത്രണത്തിലാണെന്ന് ഞങ്ങൾ നിങ്ങളെ ഓർമ്മിപ്പിക്കുന്നു. നിർബന്ധമില്ല. പ്ലാറ്റ്‌ഫോമിന്റെ നിയന്ത്രണത്തിലല്ലാത്ത ഒരു ടൂളിൽ പരിശീലിപ്പിച്ച മോഡലിന്റെ PMML സ്പെസിഫിക്കേഷൻ എന്ന് വിളിക്കപ്പെടുന്ന പ്ലാറ്റ്‌ഫോമിന് പുറത്ത് നിന്ന് സ്വീകരിക്കാൻ കഴിയും - കൂടാതെ ഈ മോഡൽ ഇറക്കുമതി ചെയ്‌ത നിമിഷം മുതൽ തത്സമയം പ്രയോഗിക്കുക. PMML സവിശേഷതകൾ. എല്ലാ AI/ML ആർട്ടിഫാക്‌റ്റുകളും ഒരു PMML സ്‌പെസിഫിക്കേഷനായി ചുരുക്കാൻ കഴിയില്ല എന്നത് കണക്കിലെടുക്കേണ്ടത് പ്രധാനമാണ്, ഏറ്റവും സാധാരണമായ ആർട്ടിഫാക്‌റ്റുകൾ ഇത് അനുവദിച്ചാലും. അതിനാൽ, InterSystems IRIS പ്ലാറ്റ്ഫോം "ഓപ്പൺ ലൂപ്പ്" ആണ്, മാത്രമല്ല ഉപയോക്താക്കൾക്കുള്ള "പ്ലാറ്റ്ഫോം അടിമത്തം" എന്നല്ല അർത്ഥമാക്കുന്നത്.

ചിത്രം 20 ഇന്റർസിസ്റ്റംസ് IRIS പ്ലാറ്റ്‌ഫോമിലെ ഒരു AI/ML സൊല്യൂഷനിലേക്ക് “ഓട്ടോ-എംഎൽ” സംയോജിപ്പിക്കൽ

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന്റെയും തത്സമയ മെഷീൻ ലേണിംഗിന്റെയും ഓട്ടോമേഷനിൽ വലിയ പ്രാധാന്യമുള്ള InterSystems IRIS-ന്റെ (വ്യക്തതയ്ക്കായി, പ്രോസസ്സ് നിയന്ത്രണവുമായി ബന്ധപ്പെട്ട്) അധിക പ്ലാറ്റ്ഫോം നേട്ടങ്ങൾ നമുക്ക് പട്ടികപ്പെടുത്താം:

• ഏതെങ്കിലും ഡാറ്റാ ഉറവിടങ്ങളുമായും ഉപഭോക്താക്കളുമായും (പ്രോസസ് കൺട്രോൾ സിസ്റ്റം/എസ്‌സി‌എ‌ഡി‌എ, ഉപകരണങ്ങൾ, എംആർഒ, ഇആർ‌പി മുതലായവ) വികസിപ്പിച്ച സംയോജന ഉപകരണങ്ങൾ
• അന്തർനിർമ്മിത മൾട്ടി മോഡൽ DBMS സാങ്കേതിക പ്രോസസ്സ് ഡാറ്റയുടെ ഏത് അളവിലും ഉയർന്ന പ്രകടനമുള്ള ഇടപാട്, വിശകലന പ്രോസസ്സിംഗ് (ഹൈബ്രിഡ് ട്രാൻസാക്ഷൻ/അനലിറ്റിക്കൽ പ്രോസസ്സിംഗ്, HTAP)
• പൈത്തൺ, ആർ, ജൂലിയ അടിസ്ഥാനമാക്കിയുള്ള തത്സമയ പരിഹാരങ്ങൾക്കായി AI/ML എഞ്ചിനുകളുടെ തുടർച്ചയായ വിന്യാസത്തിനുള്ള വികസന ഉപകരണങ്ങൾ
• തത്സമയ AI/ML സൊല്യൂഷൻ എഞ്ചിനുകളുടെ തുടർച്ചയായ സംയോജനത്തിനും (സ്വയം) പഠനത്തിനുമുള്ള അഡാപ്റ്റീവ് ബിസിനസ്സ് പ്രക്രിയകൾ
• പ്രോസസ്സ് ഡാറ്റയും ഒരു AI/ML സൊല്യൂഷന്റെ ഫലങ്ങളും ദൃശ്യവൽക്കരിക്കുന്നതിനുള്ള ബിൽറ്റ്-ഇൻ ബിസിനസ് ഇന്റലിജൻസ് ടൂളുകൾ
• API മാനേജ്മെന്റ് പ്രോസസ്സ് കൺട്രോൾ സിസ്റ്റങ്ങൾ/എസ്‌സി‌എ‌ഡി‌എ, ഇൻഫർമേഷൻ ആൻഡ് അനലിറ്റിക്കൽ സിസ്റ്റങ്ങൾ, അലേർട്ടുകൾ അയയ്ക്കൽ തുടങ്ങിയവയിലേക്ക് AI/ML സൊല്യൂഷന്റെ ഫലങ്ങൾ നൽകുന്നതിന്.

InterSystems IRIS പ്ലാറ്റ്‌ഫോമിലെ AI/ML സൊല്യൂഷനുകൾ നിലവിലുള്ള ഐടി ഇൻഫ്രാസ്ട്രക്ചറിലേക്ക് എളുപ്പത്തിൽ യോജിക്കുന്നു. ഇന്റർസിസ്റ്റംസ് ഐആർഐഎസ് പ്ലാറ്റ്‌ഫോം, വിർച്വൽ എൻവയോൺമെന്റുകളിലും ഫിസിക്കൽ സെർവറുകളിലും സ്വകാര്യ, പൊതു ക്ലൗഡുകളിലും ഡോക്കർ കണ്ടെയ്‌നറുകളിലും തകരാർ-സഹിഷ്ണുത, ദുരന്ത-സഹിഷ്ണുത കോൺഫിഗറേഷനുകളും വഴക്കമുള്ള വിന്യാസവും പിന്തുണയ്‌ക്കുന്നതിലൂടെ AI/ML പരിഹാരങ്ങളുടെ ഉയർന്ന വിശ്വാസ്യത ഉറപ്പാക്കുന്നു.

അങ്ങനെ, InterSystems IRIS ഒരു സാർവത്രിക തത്സമയ AI/ML കമ്പ്യൂട്ടിംഗ് പ്ലാറ്റ്‌ഫോമാണ്. നടപ്പിലാക്കിയ കണക്കുകൂട്ടലുകളുടെ സങ്കീർണ്ണതയിൽ യഥാർത്ഥ നിയന്ത്രണങ്ങളുടെ അഭാവം, വൈവിധ്യമാർന്ന വ്യവസായങ്ങളിൽ നിന്നുള്ള സാഹചര്യങ്ങൾ (തത്സമയം) സംയോജിപ്പിക്കാനുള്ള ഇന്റർസിസ്റ്റംസ് IRIS ന്റെ കഴിവ്, അസാധാരണമായ പൊരുത്തപ്പെടുത്തൽ എന്നിവയാൽ ഞങ്ങളുടെ പ്ലാറ്റ്‌ഫോമിന്റെ സാർവത്രികത പ്രായോഗികമായി സ്ഥിരീകരിക്കപ്പെടുന്നു. ഉപയോക്താക്കളുടെ പ്രത്യേക ആവശ്യങ്ങൾക്കനുസൃതമായി ഏതെങ്കിലും പ്ലാറ്റ്ഫോം പ്രവർത്തനങ്ങളും സംവിധാനങ്ങളും.

ചിത്രം 21 ഇന്റർസിസ്റ്റംസ് IRIS - ഒരു സാർവത്രിക തത്സമയ AI/ML കമ്പ്യൂട്ടിംഗ് പ്ലാറ്റ്ഫോം

ഇവിടെ അവതരിപ്പിച്ചിരിക്കുന്ന മെറ്റീരിയലിൽ താൽപ്പര്യമുള്ള ഞങ്ങളുടെ വായനക്കാരുമായി കൂടുതൽ കാര്യമായ ഇടപെടൽ നടത്തുന്നതിന്, അത് വായിക്കാനും "ലൈവ്" എന്ന സംഭാഷണം തുടരാനും ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു. നിങ്ങളുടെ കമ്പനിയുടെ പ്രത്യേകതകളുമായി ബന്ധപ്പെട്ട് തത്സമയ AI/ML സാഹചര്യങ്ങൾ രൂപപ്പെടുത്തുന്നതിനും ഇന്റർസിസ്റ്റംസ് IRIS പ്ലാറ്റ്‌ഫോമിൽ സംയുക്ത പ്രോട്ടോടൈപ്പിംഗ് നടത്തുന്നതിനും കൃത്രിമ ബുദ്ധിയും മെഷീൻ ലേണിംഗും അവതരിപ്പിക്കുന്നതിനുള്ള ഒരു റോഡ്‌മാപ്പ് രൂപപ്പെടുത്തുന്നതിനും പ്രായോഗികമായി നടപ്പിലാക്കുന്നതിനും ഞങ്ങൾ സന്തുഷ്ടരാണ്. നിങ്ങളുടെ ഉൽപ്പാദന, മാനേജ്മെന്റ് പ്രക്രിയകളിലേക്ക്. ഞങ്ങളുടെ AI/ML വിദഗ്ദ്ധ ടീമിനെ ബന്ധപ്പെടാനുള്ള ഇമെയിൽ - [ഇമെയിൽ പരിരക്ഷിച്ചിരിക്കുന്നു].

അവലംബം: www.habr.com