InterSystems IRIS бол бодит цагийн AI/ML платформ юм

Зохиогч: Сергей Лукянчиков, InterSystems компанийн зөвлөх инженер

Бодит цагийн AI/ML тооцоолох дуудлага

InterSystems-ийн Мэдээллийн Шинжлэх Ухааны практик туршлагаас жишээ авъя:

• Ачаалагдсан худалдан авагчийн портал нь онлайн зөвлөмжийн системд холбогдсон байна. Жижиглэн худалдааны сүлжээгээр сурталчилгааны бүтцийн өөрчлөлт хийх болно (жишээлбэл, урамшууллын "хавтгай" шугамын оронд одоо "сегмент-тактик" матрицыг ашиглах болно). Зөвлөмжийн хөдөлгүүрт юу тохиолддог вэ? Зөвлөмжийн системд өгөгдөл оруулах, шинэчлэхэд юу тохиолдох вэ (оролтын өгөгдлийн хэмжээ 25000 дахин нэмэгдсэн)? Зөвлөмж боловсруулахад юу тохиолдох вэ (тэдгээрийн тоо, "хүрээ" мянга дахин нэмэгдсэний улмаас зөвлөмжийн дүрмийн шүүлтүүрийн босгыг мянга дахин бууруулах шаардлагатай болсон)?
• Тоног төхөөрөмжийн бүрэлдэхүүн хэсгүүдэд согог үүсэх магадлалыг хянах систем байдаг. Хяналтын системд технологийн процессын автоматжуулсан хяналтын системийг холбож, секунд тутамд технологийн процессын олон мянган параметрүүдийг дамжуулж байв. Өмнө нь "гарын авлагын дээж" дээр ажиллаж байсан хяналтын системд юу тохиолдох вэ (энэ нь секунд тутамд магадлалын мониторинг хийх чадвартай юу)? Процессын хяналтын системд саяхан нэмсэн мэдрэгчийн заалт бүхий оролтын өгөгдөлд хэдэн зуун баганын шинэ блок гарч ирвэл юу болох вэ (шинжилгээнд шинэ мэдрэгчийн өгөгдлийг оруулахын тулд хяналтын системийг хэр удаан зогсоох шаардлагатай вэ? )?
• Бие биенийхээ ажлын үр дүнг ашигладаг AI/ML механизмын багц (зөвлөмж, хяналт, таамаглал) бий болсон. Оролтын өгөгдлийн өөрчлөлтөд энэ цогцолборын ажиллагааг тохируулахын тулд сар бүр хэдэн хүн-цаг шаардлагатай вэ? Удирдлагын шийдвэр гаргах цогцолбороор дэмжигдсэн ерөнхий "удаашрал" гэж юу вэ (шинэ оролтын өгөгдөл гарах давтамжтай харьцуулахад түүн дэх шинэ туслах мэдээлэл гарах давтамж)?

Эдгээр болон бусад олон жишээг нэгтгэн дүгнэж үзвэл бид бодит цаг хугацаанд машин сургалт болон хиймэл оюун ухааны механизмыг ашиглахад гарах бэрхшээлийг томъёолсон болно.

• Манай компанид AI/ML хөгжүүлэлтийг бий болгох, дасан зохицох хурд (өөрчлөгдөж буй нөхцөл байдалд) бид сэтгэл хангалуун байна уу?
• Бидний ашигладаг AI/ML шийдэл нь бизнесийн бодит цагийн менежментийг хэр дэмждэг вэ?
• Бидний ашигладаг AI/ML шийдлүүд нь өгөгдөл болон бизнесийн удирдлагын практикт гарсан өөрчлөлтөд бие даан (хөгжүүлэгчгүйгээр) дасан зохицож чадах уу?

Манай нийтлэл бол AI/ML механизмуудыг ашиглах, AI/ML шийдлүүдийг угсрах (интеграцчлах), AI/ML шийдлүүдийг эрчимтэй ашиглах сургалт (туршилт) зэрэгт бүх нийтийн дэмжлэг үзүүлэх үүднээс InterSystems IRIS платформын чадавхийн талаар дэлгэрэнгүй тойм юм. өгөгдлийн урсгалууд. Энэ нийтлэлд бид зах зээлийн судалгаа, AI/ML шийдлүүдийн кейс судалгаа, бодит цагийн AI/ML платформ гэж нэрлэдэг зүйлийн үзэл баримтлалын талыг авч үзэх болно.

Судалгаанаас бидний мэддэг зүйл: бодит цагийн програмууд

Результаты судалгааЛайтбенд компани 800 онд 2019 орчим мэдээллийн технологийн мэргэжилтнүүдийн дунд явуулсан бөгөөд энэ нь:

Зураг 1 Бодит цагийн мэдээллийн тэргүүлэгч хэрэглэгчид

Энэхүү судалгааны үр дүнгийн талаарх тайлангийн чухал хэсгүүдийг орчуулгадаа иш татъя.

“... Өгөгдлийн урсгалыг нэгтгэх хэрэгслүүдийн түгээмэл хандлага, үүнтэй зэрэгцэн чингэлэг доторх тооцоололыг дэмжих нь илүү үр дүнтэй шийдлийн талаар илүү хариу үйлдэл үзүүлэх, оновчтой, динамик санал болгох зах зээлийн хүсэлтэд синергетик хариу үйлдэл үзүүлж байна. Дамжуулах өгөгдөл нь уламжлалт пакет өгөгдлөөс илүү хурдан мэдээллийг дамжуулдаг. Үүн дээр жишээлбэл, AI/ML-д суурилсан зөвлөмж гэх мэт тооцооллын аргуудыг хурдан хэрэглэх, хэрэглэгчийн сэтгэл ханамжийг нэмэгдүүлэх замаар өрсөлдөх давуу талыг бий болгох чадвар нэмэгдсэн. Авхаалж самбаатай байхын төлөөх уралдаан нь DevOps парадигмын бүх үүрэгт нөлөөлдөг бөгөөд энэ нь програмын хөгжүүлэлт, байршуулалтыг илүү үр дүнтэй болгодог. … Мэдээллийн технологийн найман зуун дөрвөн мэргэжилтэн байгууллагадаа өгөгдлийн урсгалыг хэрхэн ашиглах талаар мэдээлэл өгсөн. Санал асуулгад оролцогчид ихэвчлэн барууны орнуудад (Европт 41%, Хойд Америкт 37%) байрладаг бөгөөд жижиг, дунд, том компаниудын хооронд бараг жигд тархсан байв. ...

... Хиймэл оюун ухаан бол сүр дуулиан биш. Бүтээмжийн AI/ML програмуудад өгөгдөл дамжуулах процессыг аль хэдийн ашиглаж байгаа хүмүүсийн XNUMX хувь нь AI/ML хэрэглээ нь ирэх жил (бусад програмуудтай харьцуулахад) хамгийн их өсөлтийг үзүүлнэ гэдгийг баталж байна.

• Судалгаанд оролцогчдын дийлэнх нь AI/ML хувилбарт мэдээллийн урсгалыг ашиглах нь ирэх онд хамгийн их өсөлтийг үзүүлнэ гэж үзэж байна.
• AI/ML дэх програмууд нь зөвхөн харьцангуй шинэ хувилбаруудын улмаас өсөх төдийгүй бодит цагийн өгөгдөл улам бүр ашиглагдаж байгаа уламжлалт хувилбаруудын улмаас өсөх болно.
• AI/ML-ээс гадна IoT өгөгдлийн дамжуулах хэрэглэгчдийн дунд урам зоригийн түвшин гайхалтай байна - IoT өгөгдлийг аль хэдийн нэгтгэсэн хүмүүсийн 48% нь энэ өгөгдөл дээр хувилбарын хэрэгжилт ойрын ирээдүйд мэдэгдэхүйц нэмэгдэх болно гэж мэдэгджээ. ..."

Энэхүү нэлээд сонирхолтой судалгаанаас харахад машин сургалтын болон хиймэл оюун ухааны хувилбаруудыг өгөгдлийн урсгалын хэрэглээг тэргүүлэгч гэж үзэх нь аль хэдийн "замдаа орсон" нь тодорхой байна. Гэсэн хэдий ч ижил чухал ажиглалт бол бодит цагийн AI/ML-ийг DevOps-ийн линзээр хүлээн авах явдал юм: энд бид "бүрэн хүртээмжтэй мэдээллийн багц бүхий нэг удаагийн AI/ML" хэмээх давамгайлсан соёлыг өөрчлөх талаар аль хэдийн ярьж эхэлж болно.

Бодит цагийн AI/ML платформын үзэл баримтлал

Бодит цагийн AI/ML-ийн ердийн хэрэглээний нэг талбар бол үйлдвэрлэлийн процессын хяналт юм. Түүний жишээг ашиглан өмнөх бодлуудыг харгалзан бид бодит цагийн AI/ML платформын үзэл баримтлалыг боловсруулах болно.
Хиймэл оюун ухаан, машин сургалтын үйл явцыг удирдахад ашиглах нь хэд хэдэн онцлогтой.

• Технологийн процессын төлөв байдлын талаархи мэдээллийг эрчимтэй хүлээн авдаг: өндөр давтамжтай, өргөн хүрээний параметрийн хувьд (үйл явцын хяналтын системээс секундэд хэдэн арван мянган параметрийн утгыг дамжуулдаг)
• Согог илрүүлэх талаархи мэдээлэл, тэдгээрийн хөгжлийн талаархи мэдээллийг дурдахгүй, харин эсрэгээр нь хомс, жигд бус байдаг бөгөөд согогийг цаг тухайд нь тодорхойлох, нутагшуулах чадвар хангалтгүй байдаг (ихэвчлэн цаасан бүртгэлээр илэрхийлэгддэг)
• Практик талаас нь авч үзвэл, загваруудыг сургах, ашиглахад зөвхөн эх өгөгдлийн "хамааралтай байдлын цонх" байдаг бөгөөд энэ нь технологийн процессын динамикийг боломжийн гулсах интервалын дагуу процессын параметрүүдийн хамгийн сүүлд уншсан утгыг тусгасан болно.

Эдгээр шинж чанарууд нь технологийн процессоос эрчимтэй "өргөн зурвасын оролтын дохио" -ыг бодит цаг хугацаанд хүлээн авах, үндсэн боловсруулалт хийхээс гадна хиймэл оюун ухааны үр дүнг ашиглах, сургах, чанарын хяналтыг (зэрэгцээ) гүйцэтгэхийг шаарддаг. ML загварууд - мөн бодит цаг хугацаанд. Хамаарах цонхноос манай загвар өмсөгчдийн "хардаг" "хүрээ" байнга өөрчлөгдөж байдаг бөгөөд үүнийг дагаад өнгөрсөн хугацаанд "хүрээ" -ийн аль нэг дээр бэлтгэгдсэн AI/ML загваруудын ажлын үр дүнгийн чанар ч мөн өөрчлөгддөг. . Хэрэв AI/ML загваруудын ажлын үр дүнгийн чанар муудсан бол (жишээлбэл: "дохиолол-норм" ангиллын алдааны утга нь бидний тодорхойлсон хязгаараас хэтэрсэн) загваруудын нэмэлт сургалтыг автоматаар эхлүүлэх ёстой. илүү одоогийн "хүрээ" - мөн загваруудын нэмэлт сургалтыг эхлүүлэх мөчийг сонгохдоо сургалтын үргэлжлэх хугацаа, загваруудын одоогийн хувилбарын ажлын чанар муудаж буй динамикийг харгалзан үзэх ёстой. Загваруудын одоогийн хувилбарууд нь загваруудыг сургах явцад, мөн тэдний "шинээр бэлтгэгдсэн" хувилбарууд үүсэх хүртэл ашиглагдаж байна).

InterSystems IRIS нь бодит цагийн үйл явцыг хянах AI/ML шийдлүүдийг идэвхжүүлэх үндсэн платформын чадвартай. Эдгээр чадварыг гурван үндсэн бүлэгт хувааж болно.

• InterSystems IRIS платформ дээр бодит цаг хугацаанд ажилладаг бүтээмжтэй шийдэл болгон шинэ буюу тохируулсан одоо байгаа AI/ML механизмуудыг тасралтгүй байршуулах (Тасралтгүй байршуулах/Хүргэлт, CD)
• Ирж буй технологийн процессын өгөгдлийн урсгал, AI/ML механизмын хэрэглээний/сургалт/чанарын хяналтад зориулсан өгөгдлийн дараалал, математик загварчлалын орчинтой өгөгдөл/код/хяналтын үйлдлүүдийг солилцох, бодит цаг хугацаанд зохион байгуулалттай нэг үр дүнтэй шийдэлд тасралтгүй нэгтгэх (CI) InterSystems IRIS платформ
• InterSystems IRIS платформоор дамжуулагдсан өгөгдөл, код, хяналтын үйлдлүүдийг ("шийдвэр гаргасан") ашиглан математик загварчлалын орчинд гүйцэтгэсэн AI/ML механизмын тасралтгүй (өөрөө) сургалт (Үргэлжлүүлэн сургалт, CT)

Машины сургалт, хиймэл оюун ухаантай холбоотой платформын чадавхийг яг эдгээр бүлэгт ангилах нь санамсаргүй хэрэг биш юм. Арга зүйг иш татъя нийтлэл Энэхүү ангиллын үзэл баримтлалын үндэс болсон Google-ийн орчуулгад:

“... Өнөө үед алдартай DevOps концепци нь томоохон хэмжээний мэдээллийн системийн хөгжил, үйл ажиллагааг хамардаг. Энэхүү үзэл баримтлалыг хэрэгжүүлэх давуу тал нь хөгжүүлэлтийн мөчлөгийн үргэлжлэх хугацааг багасгах, хөгжүүлэлтийг илүү хурдан байршуулах, хувилбарын төлөвлөлтийн уян хатан байдал юм. Эдгээр ашиг тусыг олж авахын тулд DevOps нь дор хаяж хоёр туршлагыг хэрэгжүүлдэг:

• Тасралтгүй интеграци (CI)
• Тасралтгүй хүргэлт (CD)

Бүтээмжтэй AI/ML шийдлүүдийн найдвартай, гүйцэтгэлтэй угсралтыг баталгаажуулахын тулд эдгээр практик нь AI/ML платформд мөн хамаарна.

AI/ML платформууд нь бусад мэдээллийн системээс дараах шинж чанараараа ялгаатай.

• Багийн ур чадвар: AI/ML шийдлийг бий болгохдоо багт ихэвчлэн өгөгдөлд дүн шинжилгээ хийх, загвар боловсруулах, турших өгөгдлийн судалгааны чиглэлээр ажилладаг өгөгдөл судлаачид эсвэл "академик" мэргэжилтнүүд багтдаг. Эдгээр багийн гишүүд мэргэжлийн код боловсруулагч биш байж магадгүй.
• Хөгжил: AI/ML хөдөлгүүрүүд нь туршилтын шинж чанартай байдаг. Асуудлыг хамгийн үр дүнтэй аргаар шийдвэрлэхийн тулд оролтын хувьсагч, алгоритм, загварчлалын арга, загварын параметрүүдийн янз бүрийн хослолыг давах шаардлагатай. Ийм эрэл хайгуулын нарийн төвөгтэй байдал нь "юу ажилласан / болохгүй байсан" -ыг хайж олох, ангиудын давтагдах байдлыг хангах, давтан хэрэгжүүлэхэд зориулж боловсруулалтыг нэгтгэх явдал юм.
• Туршилт: AI/ML хөдөлгүүрийг турших нь бусад ихэнх хөгжүүлэлтээс илүү өргөн хүрээний туршилтуудыг шаарддаг. Стандарт нэгж ба интеграцийн туршилтаас гадна өгөгдлийн хүчинтэй байдал, загварыг сургалт, хяналтын дээжид хэрэглэх үр дүнгийн чанарыг шалгадаг.
• Байршуулах: AI/ML шийдлүүдийг ашиглах нь зөвхөн нэг удаа бэлтгэгдсэн загварыг ашигладаг урьдчилан таамаглах үйлчилгээнд хязгаарлагдахгүй. AI/ML шийдлүүд нь загварчлалын автоматжуулсан сургалт, хэрэглээг гүйцэтгэдэг олон үе шаттай дамжуулах хоолойн эргэн тойронд бүтээгдсэн. Ийм дамжуулах хоолойг байрлуулах нь загваруудыг сургах, турших чадвартай байхын тулд өгөгдөл судлаачдын гараар хийдэг уламжлалт бус үйлдлүүдийг автоматжуулах явдал юм.
• Бүтээмж: AI/ML хөдөлгүүр нь зөвхөн үр ашиггүй програмчлалын улмаас төдийгүй оролтын өгөгдлийн байнга өөрчлөгддөг шинж чанараас шалтгаалан бүтээмж муутай байдаг. Өөрөөр хэлбэл, AI/ML механизмын гүйцэтгэл нь ердийн хөгжүүлэлтийн гүйцэтгэлээс илүү өргөн хүрээний шалтгааны улмаас муудаж болно. Энэ нь манай AI/ML хөдөлгүүрүүдийн гүйцэтгэлийг хянах (онлайн) хэрэгцээ, түүнчлэн гүйцэтгэлийн үзүүлэлтүүд хүлээлтийг хангаагүй тохиолдолд анхааруулга илгээх эсвэл үр дүнгээс татгалзах шаардлагатай болдог.

AI/ML платформууд нь бусад мэдээллийн системтэй төстэй бөгөөд эдгээр нь хоёулаа хувилбарын хяналт, нэгжийн туршилт, интеграцийн туршилт, тасралтгүй хөгжүүлэлтийн байршуулалт бүхий тасралтгүй кодыг нэгтгэх шаардлагатай байдаг. Гэсэн хэдий ч AI/ML-ийн хувьд хэд хэдэн чухал ялгаа байдаг:

• CI (Тасралтгүй интеграци) нь зөвхөн байрлуулсан бүрэлдэхүүн хэсгүүдийн кодыг турших, баталгаажуулах замаар хязгаарлагдахаа больсон бөгөөд үүнд өгөгдөл болон AI/ML загваруудыг турших, баталгаажуулах зэрэг орно.
• CD (Continous Delivery/Deployment, continuous deployment) нь багц, үйлчилгээг бичих, гаргахаар хязгаарлагдахгүй бөгөөд AI/ML шийдлүүдийг бүрдүүлэх, сургах, хэрэглэх платформыг илэрхийлдэг.
• CT (Тасралтгүй сургалт, тасралтгүй сургалт) нь шинэ элемент юм [ойролцоогоор. Өгүүллийн зохиогч: КТ нь дүрмээр бол Тасралтгүй туршилт юм], AI/ML платформд байдаг, хиймэл оюун ухааныг сургах, ашиглах механизмыг бие даасан удирдах үүрэгтэй DevOps-ийн уламжлалт үзэл баримтлалтай холбоотой шинэ элемент /ML загварууд. ..."

Бодит цагийн өгөгдөл дээр ажилладаг машин сургалт, хиймэл оюун ухаан нь илүү өргөн хүрээний хэрэгсэл, чадамж (код боловсруулахаас эхлээд математик загварчлалын орчныг зохион байгуулах хүртэл), бүх функциональ болон субьект хэсгүүдийн хооронд илүү нягт уялдаа холбоотой байх, хүний ​​​​боломжийг илүү үр дүнтэй зохион байгуулах шаардлагатай гэдгийг бид хэлж чадна. машины нөөц.

Бодит цагийн хувилбар: тэжээлийн насосны согогийн хөгжлийг хүлээн зөвшөөрөх

Процессын хяналтын талбарыг жишээ болгон үргэлжлүүлэн ашиглахын тулд тодорхой асуудлыг авч үзье (бид хамгийн эхэнд дурдсан): бид процессын параметрийн утгын урсгалд үндэслэн насосны согогийг бодит цагийн хяналтаар хангах хэрэгтэй. илэрсэн согогийн талаар засварын ажилтны тайлан.

Зураг 2 Согог үүсэхийг хянах асуудлын томъёолол

Практикт ийм байдлаар тавигдсан ихэнх ажлуудын нэг онцлог нь мэдээлэл хүлээн авах тогтмол байдал, үр ашгийг (APCS) янз бүрийн төрлийн согогийн үе үе, тогтмол бус тохиолдлын (болон бүртгэлийн) дэвсгэр дээр авч үзэх ёстой. Өөрөөр хэлбэл: процессын хяналтын системээс мэдээлэл секунд тутамд зөв, үнэн зөв ирдэг бөгөөд согогийн тухай тэмдэглэлийг цехийн ерөнхий дэвтэрт огноог зааж химийн харандаагаар хийдэг (жишээ нь: "12.01 - хавтас руу гоожсон" 3-р холхивчийн талаас").

Тиймээс бид асуудлын томъёоллыг дараахь чухал хязгаарлалтаар нэмж болно: бидэнд тодорхой төрлийн согогийн зөвхөн нэг "шошго" бий (өөрөөр хэлбэл, тодорхой төрлийн согогийн жишээг процессын хяналтын өгөгдлөөр дүрсэлсэн болно. систем нь тодорхой огноо - мөн ийм төрлийн согогийн жишээ бидэнд байхгүй байна). Энэхүү хязгаарлалт нь биднийг маш олон "шошго" байх ёстой сонгодог машин сургалтын (хяналттай сургалт) хамрах хүрээнээс шууд гаргаж авдаг.

Зураг 3 Согог үүсэхийг хянах даалгаврыг тодруулах

Бид өөрсдийн мэдэлд байгаа цорын ганц "шошго"-ыг ямар нэгэн байдлаар "үржүүлж" чадах уу? Тиймээ бид чадна. Шахуургын одоогийн байдал нь бүртгэгдсэн согогтой ижил төстэй байдлын түвшингээр тодорхойлогддог. Тоон аргыг ашиглаагүй ч гэсэн харааны ойлголтын түвшинд процессын хяналтын системээс ирж буй өгөгдлийн утгын динамикийг ажигласнаар та маш их зүйлийг сурч чадна.

Зураг 4 Өгөгдсөн төрлийн согогийн "тэмдэг"-ийн дэвсгэр дээрх насосны төлөв байдлын динамик

Гэхдээ харааны ойлголт (ядаж одоогийн байдлаар) бидний хурдацтай өөрчлөгдөж буй хувилбарт "шошго" үүсгэх хамгийн тохиромжтой хэрэгсэл биш юм. Бид статистикийн туршилтыг ашиглан одоогийн насосны нөхцөл байдлын мэдээлсэн согогтой ижил төстэй байдлыг үнэлэх болно.

Зураг 5 Гэмтлийн "шошго"-ны дэвсгэр дээр ирж буй өгөгдөлд статистикийн тест хийх

Статистикийн туршилт нь процессын хяналтын системээс хүлээн авсан "урсгалын багц" дахь технологийн процессын параметрүүдийн утгууд бүхий бүртгэл нь тодорхой төрлийн согогийн "шошго" -ын бүртгэлтэй төстэй байх магадлалыг тодорхойлдог. Статистикийн тестийг хэрэглэсний үр дүнд тооцоолсон магадлалын утга (статистикийн ижил төстэй байдлын индекс) нь 0 эсвэл 1-ийн утга болгон хувиргаж, ижил төстэй эсэхийг шалгаж буй багц дахь тодорхой бичлэг бүрт машин сургалтын "шошго" болдог. Өөрөөр хэлбэл, шинээр хүлээн авсан насосны төлөв байдлын бүртгэлийн багцыг статистикийн туршилтаар боловсруулсны дараа бид (a) AI/ML загварыг сургах сургалтын багцад энэ багцыг нэмэх, (б) төхөөрөмжийн чанарын хяналтыг хийх боломжтой болно. энэ багцад ашиглах үед тухайн загварын одоогийн хувилбар.

Зураг 6 Согогийн "шошго"-ны дэвсгэр дээр ирж буй өгөгдөлд машин сургалтын загварыг ашиглах

Бидний өмнөх нэгэнд вэбинарууд Бид InterSystems IRIS платформ нь загварчлалын үр дүнгийн найдвартай байдлыг хянаж, загварын параметрүүдийг тохируулах бизнесийн үйл явцыг тасралтгүй гүйцэтгэх хэлбэрээр аливаа AI/ML механизмыг хэрэгжүүлэх боломжийг танд олгож, тайлбарлаж байна. Насос бүхий хувилбарынхаа прототипийг хэрэгжүүлэхдээ бид вэбинарын үеэр танилцуулсан InterSystems IRIS-ийн бүх функцийг ашигладаг бөгөөд энэ нь сонгодог хяналттай сургалт биш харин сургалтын загваруудын сонголтыг автоматаар удирддаг бататгах сургалтыг шийдлийн нэг хэсэг болгон анализаторын процесст хэрэгжүүлдэг. . Сургалтын түүвэр нь статистикийн тест болон загварын одоогийн хувилбарыг хоёуланг нь хэрэглэсний дараа "илрүүлэх зөвшилцөл" бий болсон бүртгэлийг агуулдаг - өөрөөр хэлбэл статистикийн тест (ижил төстэй байдлын индексийг 0 эсвэл 1 болгон хувиргасны дараа) болон үр дүнг гаргасан загвар хоёулаа Ийм бүртгэл дээр 1. Загварыг шинээр сургах явцад түүнийг баталгаажуулах явцад (шинээр бэлтгэгдсэн загварыг өөрийн сургалтын дээжид хэрэглэж, түүнд статистикийн туршилтыг урьдчилан хэрэглэсэн) боловсруулсны дараа 1-р үр дүнг “хадгалаагүй” бүртгэл. статистикийн туршилтаар (сургалт дээр согогийн анхны "шошго"-оос дээжийн бичлэг байнга байдаг тул) сургалтын багцаас хасагдаж, загварын шинэ хувилбар нь "шошго" -оос суралцдаг. согог дээр нэмээд урсгалаас "хадгалагдсан" бичлэгүүд.

Зураг 7 InterSystems IRIS дээр AI/ML тооцооллын роботжуулалт

Хэрэв InterSystems IRIS-д орон нутгийн тооцооллын явцад олж авсан илрүүлэлтийн чанарын талаар "хоёрдахь санал" шаардлагатай бол үүлэн үйлчилгээг (жишээлбэл, Microsoft) ашиглан хяналтын өгөгдлийн багц дээр загваруудыг сургах, ашиглах зөвлөх процессыг бий болгодог. Azure, Amazon Web Services, Google Cloud Platform гэх мэт):

Зураг 8 InterSystems IRIS зохион байгуулсан Microsoft Azure-ийн хоёр дахь санал

InterSystems IRIS дахь манай хувилбарын загвар нь тоног төхөөрөмжийн объект (насос), математик загварчлалын орчин (Python, R, Julia) -тай харилцан үйлчилдэг аналитик үйл явцын агент дээр суурилсан систем болгон бүтээгдсэн бөгөөд холбогдох бүх хиймэл оюун ухааныг бие даан суралцах боломжийг олгодог. ML механизмууд - бодит цагийн өгөгдлийн урсгал дээр.

Зураг 9 InterSystems IRIS дахь бодит цагийн AI/ML шийдлийн үндсэн функцууд

Манай прототипийн практик үр дүн:

• Загвар хүлээн зөвшөөрсөн сорьцын согог (12-р сарын XNUMX):

• Дээжинд ороогүй загварт танигдсан хөгжиж буй согог (11-р сарын 13, согогийг өөрөө хоёр хоногийн дараа буюу XNUMX-р сарын XNUMX-нд засварын баг илрүүлсэн):

Ижил согогийн хэд хэдэн тохиолдлыг агуулсан бодит өгөгдлийн загварчлал нь InterSystems IRIS платформ дээр хэрэгжсэн бидний шийдэл нь засварын баг илрүүлэхээс хэд хоногийн өмнө энэ төрлийн согогийг илрүүлэх боломжийг бидэнд олгодог болохыг харуулж байна.

InterSystems IRIS - бүх нийтийн бодит цагийн AI/ML тооцоолох платформ

InterSystems IRIS платформ нь бодит цагийн өгөгдлийн шийдлүүдийг боловсруулах, байршуулах, ажиллуулах ажлыг хялбаршуулдаг. InterSystems IRIS нь гүйлгээний болон аналитик өгөгдөл боловсруулалтыг нэгэн зэрэг гүйцэтгэх чадвартай; олон загвар (харилцаа, шаталсан, объект, баримт бичиг гэх мэт) дагуу синхрончлогдсон өгөгдлийн харагдах байдлыг дэмжих; өргөн хүрээний мэдээллийн эх сурвалж, бие даасан програмуудыг нэгтгэх платформ болж ажиллах; бүтэцлэгдсэн болон бүтэцгүй өгөгдөл дээр бодит цагийн дэвшилтэт аналитик үзүүлэх. InterSystems IRIS нь гадны аналитик хэрэгслийг ашиглах механизмыг бий болгож, үүлэн болон локал сервер дээр байршуулах уян хатан хослолыг зөвшөөрдөг.

InterSystems IRIS платформ дээр бүтээгдсэн программууд нь янз бүрийн салбаруудад ашиглагдаж, компаниудад стратегийн болон үйл ажиллагааны хэтийн төлөвөөс ихээхэн хэмжээний эдийн засгийн үр өгөөжийг хүртэхэд тусалж, мэдээлэлтэй шийдвэр гаргах, үйл явдал, дүн шинжилгээ, үйл ажиллагааны хоорондын зөрүүг арилгахад тусалдаг.

Зураг 10 Бодит цагийн AI/ML-ийн хүрээнд InterSystems IRIS архитектур

Өмнөх диаграмын нэгэн адил доорх диаграмм нь шинэ "координатын систем" (CD/CI/CT)-ийг платформын ажлын элементүүдийн хоорондох мэдээллийн урсгалын диаграммтай хослуулсан болно. Дүрслэл нь макромеханизм CD-ээс эхэлж, CI болон CT макромеханизмуудаар үргэлжилдэг.

Зураг 11 InterSystems IRIS платформын AI/ML элементүүдийн хоорондох мэдээллийн урсгалын диаграмм

InterSystems IRIS дахь CD механизмын мөн чанар: платформ хэрэглэгчид (AI/ML шийдлүүдийг хөгжүүлэгчид) AI/ML механизмуудад зориулсан тусгай код засварлагч ашиглан одоо байгаа AI/ML хөгжүүлэлтийг дасан зохицох ба/эсвэл шинээр бий болгох: Jupyter (бүтэн нэр: Jupyter Notebook; Товчхондоо энэ редактор дээр үүсгэсэн баримт бичгүүдийг заримдаа бас нэрлэдэг). Jupyter дээр хөгжүүлэгч нь тодорхой AI/ML хөгжүүлэлтийг InterSystems IRIS-д ("байршуулах") өмнө бичих, дибаг хийх, гүйцэтгэлийг (график ашиглан) шалгах боломжтой. Ийм байдлаар бүтээгдсэн шинэ хөгжүүлэлт нь зөвхөн үндсэн дибаг хийх нь тодорхой байна (ялангуяа Бархасбадь нь бодит цагийн өгөгдлийн урсгалтай ажилладаггүй) - энэ нь бүх зүйлийн дарааллаар юм, учир нь Бархасбадийн хөгжлийн гол үр дүн юм. Энэ нь тусдаа AI / ML механизмын үндсэн ажиллагааны баталгаа юм ("өгөгдлийн дээж дээр хүлээгдэж буй үр дүнг харуулна"). Үүний нэгэн адил, Jupyter-д дибаг хийхээс өмнө платформ дээр аль хэдийн байрлуулсан механизм (дараах макро механизмуудыг үзнэ үү) нь "платформын өмнөх" маягт руу "буцах" шаардлагатай байж болно (файлуудаас өгөгдлийг унших, хүснэгтийн оронд xDBC-ээр дамжуулан өгөгдөлтэй ажиллах,). глобалууд - олон хэмжээст өгөгдлийн массивууд - InterSystems IRIS - гэх мэт.) -тэй шууд харьцах.

InterSystems IRIS-д CD хэрэгжүүлэх чухал тал: платформ болон Бархасбадийн хооронд хоёр чиглэлтэй интеграцчлал хэрэгжиж, Python, R, Julia-н агуулгыг платформ руу шилжүүлэх (дараа нь платформ дээр боловсруулах) боломжийг олгосон (гурвуулаа програмчлал юм). харгалзах тэргүүлэх нээлттэй эх хэл дээрх хэлүүд). эх математик загварчлалын орчин). Тиймээс AI/ML контент хөгжүүлэгчид өөрсдийн мэддэг Jupyter редактор дээрээ, Python, R, Julia-д байдаг танил номын сангуудаар ажиллаж, үндсэн дибаг хийх (шаардлагатай бол) платформ дээр "тасралтгүй байршуулах" боломжтой болсон. платформоос гадуур.

InterSystems IRIS дахь CI макро механизм руу шилжье. Диаграмм нь "бодит цагийн роботжуулагч" -ын макро процессыг харуулж байна (өгөгдлийн бүтэц, бизнесийн үйл явц, тэдгээрийн математик хэл болон ObjectScript - InterSystems IRIS-ийн төрөлх хөгжүүлэлтийн хэлээр зохион байгуулсан кодын фрагментуудын цогц). Энэхүү макро процессын үүрэг бол AI/ML механизмыг ажиллуулахад шаардлагатай өгөгдлийн дарааллыг хадгалах (бодит цаг хугацаанд платформ руу дамжуулсан мэдээллийн урсгалд үндэслэн), хэрэглээний дараалал, AI-ийн "төрөл бүрийн" талаар шийдвэр гаргах явдал юм. ML механизмууд (тэдгээрийг мөн "математик алгоритмууд", "загварууд" гэх мэт - хэрэгжилтийн онцлог, нэр томъёоны сонголтоос хамааран өөр өөрөөр нэрлэж болно), AI-ийн ажлын үр дүнд дүн шинжилгээ хийх мэдээллийн бүтцийг шинэчилж байх. ML механизм (шоо, хүснэгт, олон хэмжээст өгөгдлийн массив гэх мэт) гэх мэт – тайлан, хяналтын самбар гэх мэт).

InterSystems IRIS-д CI хэрэгжилтийн чухал тал: платформ болон математик загварчлалын орчны хооронд хоёр чиглэлтэй интеграцчлал хэрэгжсэн бөгөөд энэ нь платформд байршуулсан контентыг Python, R, Julia-д тус тусын орчинд ажиллуулж, гүйцэтгэлийн үр дүнг буцааж авах боломжийг танд олгоно. Энэхүү интеграци нь "терминал горим" (жишээ нь: AI/ML контент нь хүрээлэн буй орчинд дуудлага хийдэг ObjectScript код хэлбэрээр илэрхийлэгддэг) болон "бизнесийн үйл явцын горим" (өөрөөр хэлбэл, AI/ML агуулгыг бизнесийн процесс болгон томъёолсон) хоёуланд нь хэрэгждэг. график засварлагч, заримдаа Jupyter, эсвэл IDE - IRIS Studio, Eclipse, Visual Studio Code ашиглан). Jupyter дээр засварлах бизнесийн процессууд байгаа нь CI түвшний IRIS болон CD түвшний Jupyter хоорондын холболтоор илэрдэг. Математик загварчлалын орчинтой интеграцийн талаар илүү нарийвчилсан тоймыг доор өгөв. Энэ үе шатанд, бидний бодлоор, платформ нь AI/ML хөгжүүлэлтийг ("тасралтгүй байршуулалтаас" ирдэг) бодит цагийн AI/ML шийдэл болгон "тасралтгүй нэгтгэх"-ийг хэрэгжүүлэхэд шаардлагатай бүх хэрэгсэлтэй байх бүрэн үндэслэлтэй.

Мөн гол макро механизм: CT. Үүнгүйгээр AI/ML платформ байхгүй болно (хэдийгээр "бодит цаг" нь CD/CI-ээр хэрэгжих болно). CT-ийн мөн чанар нь платформ нь машин сургалтын "олдвор" болон хиймэл оюун ухааныг математик загварчлалын орчны ажлын хэсэгт шууд ашиглах явдал юм: загвар, түгээлтийн хүснэгт, матрицын вектор, мэдрэлийн сүлжээний давхарга гэх мэт. Энэхүү "ажил" нь ихэнх тохиолдолд хүрээлэн буй орчинд дурдсан олдворуудыг бий болгохоос бүрддэг (жишээлбэл, загваруудын хувьд "бүтээл" нь загварын тодорхойлолтыг тохируулах, дараа нь түүний параметрүүдийн утгыг сонгохоос бүрдэнэ - Загварын "сургалт" гэж нэрлэгддэг), тэдгээрийн хэрэглээ (загваруудын хувьд: зорилтот хувьсагчийн "загвар" утгуудын тусламжтайгаар тооцоолох - урьдчилсан мэдээ, категорийн гишүүнчлэл, үйл явдлын магадлал гэх мэт) болон аль хэдийн сайжруулсан. үүсгэсэн болон ашигласан олдворууд (жишээлбэл, хэрэглээний үр дүнд үндэслэн загвар оруулах хувьсагчийн багцыг дахин тодорхойлох - урьдчилан таамаглах нарийвчлалыг сайжруулахын тулд сонголт болгон). КТ-ийн үүргийг ойлгох гол зүйл бол түүнийг CD ба CI-ийн бодит байдлаас "хийсвэрлэх" явдал юм: CT нь тодорхой орчны өгсөн боломжуудын хүрээнд AI/ML шийдлийн тооцоолол болон математикийн онцлогт анхаарлаа төвлөрүүлж бүх олдворуудыг хэрэгжүүлэх болно. “Оролтоор хангах”, “гаралтыг хүргэх” үүргийг CD болон CI хариуцна.

InterSystems IRIS-д тусгайлан CT-ийг хэрэгжүүлэх чухал тал: дээр дурдсан математик загварчлалын орчинтой нэгтгэх замаар платформ нь математик орчинд өөрийн хяналтан дор ажиллаж байгаа ажлын хэсгүүдээс эдгээр олдворуудыг гаргаж авах чадвартай бөгөөд (хамгийн чухал нь) эргүүлэх боломжтой. тэдгээрийг платформын өгөгдлийн объект болгон . Жишээлбэл, ажиллаж байгаа Python сесс дээр саяхан үүсгэсэн түгээлтийн хүснэгтийг (Python сессийг зогсоохгүйгээр) платформ руу жишээлбэл глобал (олон хэмжээст InterSystems IRIS өгөгдлийн массив) хэлбэрээр шилжүүлж, ашиглаж болно. өөр AI/ML- механизм (өөр орчны хэлээр хэрэгжсэн - жишээ нь, R) - эсвэл виртуал хүснэгтэд тооцоолол хийх. Өөр нэг жишээ: загварын үйл ажиллагааны "хэвийн горим" -той зэрэгцэн (Python-ийн ажлын хэсэгт) "auto-ML" нь түүний оролтын өгөгдөл дээр хийгддэг: оновчтой оролтын хувьсагч ба параметрийн утгыг автоматаар сонгох. "Тогтмол" сургалтын зэрэгцээ бодит цаг хугацаанд бүтээмжтэй загвар нь өөрийн тодорхойлолтыг "оновчлох саналыг" хүлээн авдаг - үүнд оролтын хувьсагчдын багц өөрчлөгдөж, параметрийн утгууд өөрчлөгддөг (сургалтын үр дүнд байхаа больсон). Python-д, гэхдээ H2O стек гэх мэт өөрийн "алтернатив" хувилбараар сургасны үр дүнд AI/ML шийдэл нь загварчилж буй оролтын өгөгдөл, үзэгдлийн шинж чанарын гэнэтийн өөрчлөлтийг бие даан даван туулах боломжийг олгодог. .

InterSystems IRIS-ийн AI/ML платформын функцтэй бодит амьдрал дээрх жишээн дээр илүү дэлгэрэнгүй танилцацгаая.

Доорх диаграммд слайдын зүүн талд Python болон R дээр скриптүүдийг гүйцэтгэх бизнесийн үйл явцын нэг хэсэг байна. Төв хэсэгт эдгээр скриптүүдийн заримын гүйцэтгэлийн харааны бүртгэлүүд тус тус байна. Python болон R-д. Тэдгээрийн шууд ард тохирох орчинд ажиллуулахаар шилжүүлсэн нэг болон өөр хэл дээрх агуулгын жишээнүүд байдаг. Баруун талын төгсгөлд скриптийн гүйцэтгэлийн үр дүнд үндэслэсэн дүрслэлүүд байна. Дээд талын дүрслэлийг IRIS Analytics дээр хийсэн (өгөгдлийг Python-оос InterSystems IRIS өгөгдлийн платформ дээр авч, платформ ашиглан хяналтын самбар дээр харуулсан), доод талд нь R ажлын сесс дээр шууд хийж, тэндээс график файлууд руу гаргав. . Нэг чухал тал: загварт танилцуулсан фрагмент нь загварыг ашиглах явцад ажиглагдсан чанарын хяналтын үйл явцын ангиллын тушаалын дагуу төхөөрөмжийн симулятор процессоос бодит цаг хугацаанд хүлээн авсан өгөгдөл дээр загварыг сургах үүрэгтэй (тоног төхөөрөмжийн төлөв байдлын ангилал). AI/ML шийдлийг харилцан үйлчлэлийн багц хэлбэрээр ("агент") хэрэгжүүлэх талаар цаашид хэлэлцэх болно.

Зураг 12 InterSystems IRIS дахь Python, R, Julia нартай харилцах

Платформын процессууд (тэдгээр нь мөн "бизнесийн үйл явц", "шинжилгээний үйл явц", "шугам хоолой" гэх мэт - нөхцөл байдлаас хамааран) юуны өмнө платформ дээрх бизнес процессын график засварлагч дээр засварлагддаг. Энэ нь түүний блок диаграмм болон харгалзах AI/ML механизм (програмын код) хоёуланг нь нэгэн зэрэг үүсгэдэг. Бид "AI/ML механизмыг олж авсан" гэж хэлэхэд бид эхлээд эрлийз (нэг процессийн дотор) гэсэн үг юм: математик загварчлалын орчны хэл дээрх агуулга нь SQL-ийн агуулгатай (үүнд өргөтгөлүүдийг оруулаад) зэргэлдээ байдаг. IntegratedML), InterSystems ObjectScript дээр, бусад дэмжигдсэн хэлтэй. Түүгээр ч зогсохгүй платформын үйл явц нь шаталсан хэсгүүдийн хэлбэрээр (доорх диаграмын жишээнээс харж болно) "үзүүлэх" маш өргөн боломжийг олгодог бөгөөд энэ нь танд маш нарийн төвөгтэй агуулгыг хэзээ ч "унах"гүйгээр үр дүнтэй зохион байгуулах боломжийг олгодог. график форматын ("график бус" формат руу). » арга/анги/процедур гэх мэт). Өөрөөр хэлбэл, шаардлагатай бол (мөн энэ нь ихэнх төслүүдэд байдаг) AI/ML шийдлийг бүхэлд нь графикаар өөрөө баримтжуулах хэлбэрээр хэрэгжүүлэх боломжтой юм. Доорх диаграммын төв хэсэгт илүү өндөр "үүрлэх түвшин"-ийг харуулсан загварт сургах бодит ажилаас гадна (Python ба R ашиглан) дүн шинжилгээ хийх нь тодорхой байгааг анхаарна уу. Сургагдсан загварын ROC муруйг нэмж, сургалтын чанарыг нүдээр (мөн тооцооллын хувьд) үнэлэх боломжийг олгодог бөгөөд энэ дүн шинжилгээг Жулиа хэл дээр (түүний дагуу Жулиа математикийн орчинд гүйцэтгэсэн) хэрэгжүүлдэг.

Зураг 13 InterSystems IRIS дахь AI/ML шийдлүүдийн найрлагад зориулсан харааны орчин

Өмнө дурьдсанчлан, платформ дээр аль хэдийн хэрэгжсэн AI/ML механизмын анхны хөгжүүлэлт ба (зарим тохиолдолд) дасан зохицох ажлыг Jupyter редактор дахь платформоос гадуур хийж болно. Доорх диаграммд бид одоо байгаа платформын үйл явцыг дасан зохицох жишээг харж байна (дээрх диаграммд байгаатай адил) - загварыг сургах үүрэгтэй фрагмент нь Бархасбадь дээр иймэрхүү харагдаж байна. Python контентыг Jupyter дээр шууд засварлах, дибаг хийх, график гаргах боломжтой. Өөрчлөлтийг (шаардлагатай бол) платформын процесс, түүний дотор бүтээмжтэй хувилбарыг агшин зуур синхрончлох замаар хийж болно. Шинэ контентыг ижил төстэй аргаар платформ руу шилжүүлж болно (шинэ платформын процесс автоматаар үүсдэг).

Зураг 14 InterSystems IRIS платформ дээрх AI/ML хөдөлгүүрийг засварлахад Jupyter Notebook-г ашиглаж байна.

Платформын процессыг дасан зохицох ажлыг зөвхөн график эсвэл зөөврийн компьютер хэлбэрээр төдийгүй "нийт" IDE (Integrated Development Environment) форматаар хийж болно. Эдгээр IDE нь IRIS Studio (уугуул IRIS студи), Visual Studio Code (VSCode-д зориулсан InterSystems IRIS өргөтгөл) болон Eclipse (Atelier залгаас) юм. Зарим тохиолдолд хөгжүүлэлтийн баг бүх гурван IDE-г нэгэн зэрэг ашиглах боломжтой байдаг. Доорх диаграммд ижил процессыг IRIS студи, Visual Studio Code болон Eclipse дээр засварлах жишээг үзүүлэв. Python/R/Julia/SQL, ObjectScript болон бизнесийн үйл явц зэрэг бүх контентыг засварлах боломжтой.

Зураг 15 Төрөл бүрийн IDE-д InterSystems IRIS бизнесийн үйл явцыг хөгжүүлэх

InterSystems IRIS бизнесийн үйл явцыг Business Process Language (BPL) дээр тайлбарлах, гүйцэтгэх хэрэгслүүдийг онцгойлон дурдах хэрэгтэй. BPL нь бизнесийн үйл явцад "бэлэн нэгтгэх бүрэлдэхүүн хэсгүүд" (үйл ажиллагаа) ашиглах боломжийг олгодог бөгөөд энэ нь үнэн хэрэгтээ InterSystems IRIS-д "тасралтгүй интеграцчлал" хэрэгждэг гэж хэлэх бүх үндэслэлийг өгдөг. Бизнесийн үйл явцын бэлэн бүрэлдэхүүн хэсгүүд (үйл ажиллагаа ба тэдгээрийн хоорондын холболт) нь AI/ML шийдлийг угсрах хүчирхэг хурдасгуур юм. Зөвхөн угсралт биш: AI/ML-ийн ялгаатай хөгжүүлэлт, механизмуудын хоорондын үйл ажиллагаа, холболтын ачаар бодит цаг хугацаанд нөхцөл байдлын дагуу шийдвэр гаргах чадвартай "бие даасан удирдлагын давхарга" үүсдэг.

Зураг 16 InterSystems IRIS платформ дээр тасралтгүй нэгтгэх (CI)-д зориулсан бэлэн бизнес үйл явцын бүрэлдэхүүн хэсгүүд

Агент системийн тухай ойлголт (мөн "олон агентын систем" гэж нэрлэдэг) роботжуулалтад хүчтэй байр суурь эзэлдэг бөгөөд InterSystems IRIS платформ нь үүнийг "бүтээгдэхүүн-процесс" бүтэцээр дамжуулан органик байдлаар дэмждэг. Процесс бүрийг ерөнхий шийдэлд шаардлагатай функцээр "чихэх" хязгааргүй боломжоос гадна платформын үйл явцын системийг "агентлаг"-ын өмчөөр хангах нь туйлын тогтворгүй дуураймал үзэгдлийн (нийгмийн зан байдал) үр дүнтэй шийдлийг бий болгох боломжийг олгодог. биосистем, хэсэгчлэн ажиглагдах технологийн процесс гэх мэт).

Зураг 16 AI/ML шийдлийг InterSystems IRIS дахь агент дээр суурилсан бизнесийн үйл явцын систем болгон ажиллуулах

Бид InterSystems IRIS-ийн талаархи тоймоо бодит цагийн асуудлыг бүхэлд нь шийдвэрлэхэд зориулсан платформыг ашигласан түүхээр үргэлжлүүлж байна (InterSystems IRIS дээрх AI/ML платформын зарим шилдэг туршлагын талаар нэлээд дэлгэрэнгүй танилцуулгыг нэгээс олж болно. бидний өмнөх вэбинарууд).

Өмнөх диаграмын өсгий дээр халуун, доор агент системийн илүү нарийвчилсан диаграмм байна. Диаграмм нь ижил прототипийг харуулж байна, бүх дөрвөн агент процесс харагдаж байна, тэдгээрийн хоорондын хамаарлыг схемийн дагуу зурсан: GENERATOR - тоног төхөөрөмжийн мэдрэгчээр өгөгдөл үүсгэх процессыг боловсруулдаг, BUFFER - өгөгдлийн дарааллыг удирддаг, ANALYZER - машин сургалтыг өөрөө гүйцэтгэдэг, MONITOR - хяналт тавьдаг. машин сургалтын чанар, загварыг дахин сургах шаардлагатай байгаа тухай дохио өгдөг.

Зураг 17 InterSystems IRIS дахь агент дээр суурилсан бизнесийн үйл явцын систем хэлбэрээр AI/ML шийдлийн найрлага

Доорх диаграмм нь өөр нэг робот прототипийн бие даасан үйл ажиллагааг (текстийн сэтгэл хөдлөлийн өнгийг таних) хэсэг хугацаанд харуулсан болно. Дээд хэсэгт загварын сургалтын чанарын үзүүлэлтийн хувьсал (чанар өсч байна), доод хэсэгт загварын хэрэглээний чанарын үзүүлэлтийн динамик, давтан сургалтын баримтууд (улаан судал) байна. Таны харж байгаагаар шийдэл нь өөрөө үр дүнтэй, бие даасан байдлаар суралцаж, өгөгдсөн чанарын түвшинд ажилладаг (чанарын оноо 80% -иас доош буудаггүй).

Зураг 18 InterSystems IRIS платформ дээрх тасралтгүй (өөрөө) сургалт (CT)

Бид өмнө нь "auto-ML" гэж дурьдсан боловч доорх диаграмм нь өөр прототипийн жишээн дээр энэ функцийг ашиглахыг нарийвчлан харуулж байна. Бизнесийн үйл явцын фрагментийн график диаграмм нь H2O стек дэх загварчлалыг өдөөж буй үйл ажиллагааг харуулж, энэхүү загварчлалын үр дүнг харуулж байна (харьцуулсан диаграммын дагуу үүссэн загвар нь "хүний ​​бүтээсэн" загвараас илт давамгайлж байна. ROC муруй, мөн анхны өгөгдлийн багцад байгаа "хамгийн нөлөө бүхий хувьсагчдыг" автоматаар тодорхойлох). Энд нэг чухал зүйл бол "auto-ML"-ээр дамжуулан цаг хугацаа, шинжээчийн нөөцийг хэмнэх явдал юм: манай платформын үйл явц нь хагас минутын дотор хийдэг (хамгийн оновчтой загварыг олох, сургах) шинжээчид долоо хоногоос нэг сар хүртэл хугацаа шаардагдана.

Зураг 19 InterSystems IRIS платформ дээрх "auto-ML"-ийг AI/ML шийдэлд нэгтгэх

Доорх диаграмм нь гол санааг бага зэрэг орхигдуулсан боловч энэ нь бодит цагийн асуудлуудын ангиллыг шийдэж байгаа тухай түүхийг төгсгөх сайн арга юм: InterSystems IRIS платформын бүх боломжуудыг ашиглан сургалтын загварууд нь түүний хяналтанд байдаг гэдгийг бид танд сануулж байна. заавал биш. Платформ нь платформын хяналтанд байдаггүй хэрэгсэлд сургагдсан загварын PMML тодорхойлолтыг гаднаас нь хүлээн авч, энэ загварыг импортолсон цагаас нь эхлэн бодит цаг хугацаанд нь ашиглах боломжтой. PMML техникийн үзүүлэлтүүд. Хамгийн түгээмэл олдворуудын ихэнх нь үүнийг зөвшөөрдөг байсан ч бүх AI/ML олдворуудыг PMML тодорхойлолт болгон бууруулж болохгүй гэдгийг анхаарах нь чухал юм. Тиймээс InterSystems IRIS платформ нь "нээлттэй давталт" бөгөөд хэрэглэгчдийн хувьд "платформын боолчлол" гэсэн үг биш юм.

Зураг 20 InterSystems IRIS платформ дээрх "auto-ML"-ийг AI/ML шийдэлд нэгтгэх

Хиймэл оюун ухаан, бодит цагийн машин сургалтын автоматжуулалтад чухал ач холбогдолтой InterSystems IRIS-ийн нэмэлт платформын давуу талуудыг (үйл явцын хяналттай холбоотой тодорхой болгох үүднээс) жагсаая.

• Аливаа мэдээллийн эх сурвалж, хэрэглэгчидтэй нэгтгэх хэрэгслийг боловсруулсан (үйл явцын хяналтын систем/SCADA, тоног төхөөрөмж, MRO, ERP гэх мэт)
• Баригдсан олон загварын DBMS Технологийн процессын дурын хэмжээний өгөгдлийн өндөр гүйцэтгэлтэй гүйлгээний болон аналитик боловсруулалт (Hybrid Transaction/Analytical Processing, HTAP) хийхэд зориулагдсан.
• Python, R, Julia дээр суурилсан бодит цагийн шийдлүүдэд зориулсан AI/ML хөдөлгүүрийг тасралтгүй байршуулах хөгжүүлэлтийн хэрэгслүүд
• Бодит цагийн AI/ML шийдлийн хөдөлгүүрүүдийг тасралтгүй нэгтгэх, (өөрөө) сурахад дасан зохицох бизнесийн үйл явц
• Процессын өгөгдөл болон AI/ML шийдлийн үр дүнг нүдээр харуулахад зориулсан бизнесийн тагнуулын хэрэгслүүд
• API менежмент AI/ML шийдлийн үр дүнг процессын хяналтын систем/SCADA, мэдээлэл, аналитик системд хүргэх, сэрэмжлүүлэг илгээх гэх мэт.

InterSystems IRIS платформ дээрх AI/ML шийдлүүд нь одоо байгаа мэдээллийн технологийн дэд бүтцэд амархан нийцдэг. InterSystems IRIS платформ нь виртуал орчин, физик сервер, хувийн болон нийтийн үүл, Docker контейнер зэрэгт алдаа, гамшигт тэсвэртэй тохиргоо, уян хатан байршуулалтыг дэмжсэнээр AI/ML шийдлүүдийн өндөр найдвартай байдлыг хангадаг.

Тиймээс InterSystems IRIS нь бодит цагийн AI/ML тооцоолох бүх нийтийн платформ юм. Хэрэгжүүлсэн тооцооллын нарийн төвөгтэй байдалд де факто хязгаарлалт байхгүй, InterSystems IRIS нь олон төрлийн салбарын хувилбаруудын боловсруулалтыг (бодит цаг хугацаанд) хослуулах чадвар, платформын онцгой дасан зохицох чадвар зэргээрээ манай платформын түгээмэл байдал нь практик дээр нотлогддог. хэрэглэгчдийн тодорхой хэрэгцээнд нийцүүлэн платформын аливаа функц, механизм.

Зураг 21 InterSystems IRIS - бүх нийтийн бодит цагийн AI/ML тооцоолох платформ

Энд танилцуулсан материалыг сонирхож буй манай уншигчидтай илүү бодитой харилцахын тулд бид үүнийг уншихаар хязгаарлагдахгүй, харилцан яриагаа "шууд" үргэлжлүүлэхийг зөвлөж байна. Бид танай компанийн онцлогтой холбоотой бодит цагийн AI/ML хувилбаруудыг боловсруулахад дэмжлэг үзүүлэх, InterSystems IRIS платформ дээр хамтарсан прототип хийх, хиймэл оюун ухаан, машин сургалтыг нэвтрүүлэх замын зураглалыг боловсруулж, практикт хэрэгжүүлэхэд таатай байх болно. өөрийн үйлдвэрлэл, удирдлагын үйл явц руу . Манай AI/ML шинжээчийн багтай холбоо барих имэйл – [имэйлээр хамгаалагдсан].

Эх сурвалж: www.habr.com