इंटरसिस्टम्स IRIS - युनिव्हर्सल रिअल-टाइम AI/ML प्लॅटफॉर्म

लेखक: सेर्गेई लुक्यानचिकोव्ह, इंटरसिस्टम्स सल्लागार अभियंता

रिअल-टाइम AI/ML संगणकीय आव्हाने

इंटरसिस्टम्समधील डेटा सायन्स सरावाच्या अनुभवातील उदाहरणांसह प्रारंभ करूया:

• "लोड केलेले" खरेदीदार पोर्टल ऑनलाइन शिफारस प्रणालीशी जोडलेले आहे. किरकोळ नेटवर्कच्या स्केलवर पदोन्नतींची पुनर्रचना होत आहे (उदाहरणार्थ, जाहिरातींच्या “फ्लॅट” रेषेऐवजी, “सेगमेंट-टॅक्टिक्स” मॅट्रिक्स आता वापरला जाईल). शिफारस करणाऱ्यांचे काय होते? शिफारस करणार्‍या यंत्रणेकडे डेटा सबमिट करणे आणि अद्यतनित केल्याने काय होते (इनपुट डेटाचे प्रमाण 25000 पटीने वाढले आहे)? शिफारशींच्या विकासाचे काय होते (त्यांची संख्या आणि "वर्गीकरण" मध्ये हजारपट वाढ झाल्यामुळे शिफारसी नियमांच्या फिल्टरिंग थ्रेशोल्डमध्ये हजारपट घट होण्याची आवश्यकता)?
• उपकरणांच्या नोड्समधील दोषांच्या विकासाच्या संभाव्यतेवर लक्ष ठेवण्यासाठी एक प्रणाली आहे. प्रत्येक सेकंदाला हजारो प्रक्रिया पॅरामीटर्स प्रसारित करणारी एक प्रक्रिया नियंत्रण प्रणाली मॉनिटरिंग सिस्टमशी जोडलेली होती. यापूर्वी "मॅन्युअल सॅम्पल" वर काम करणार्‍या मॉनिटरिंग सिस्टमचे काय होते (ती सेकंद-टू-सेकंड संभाव्यता देखरेख प्रदान करण्यास सक्षम आहे का)? प्रक्रिया नियंत्रण प्रणालीमध्ये अलीकडे जोडलेल्या सेन्सर्सच्या रीडिंगसह इनपुट डेटामध्ये शेकडो स्तंभांसह नवीन ब्लॉक दिसल्यास काय होईल (नवीन सेन्सर्सचा डेटा समाविष्ट करण्यासाठी मॉनिटरिंग सिस्टम थांबवणे आवश्यक आहे की नाही आणि किती काळ आवश्यक आहे? विश्लेषण)?
• एकमेकांच्या कामाचे परिणाम वापरून एआय/एमएल यंत्रणेचा एक संच (शिफारसीय, देखरेख, भविष्य सांगणारा) तयार केला गेला आहे. या कॉम्प्लेक्सच्या ऑपरेशनला इनपुट डेटामधील बदलांशी जुळवून घेण्यासाठी मासिक किती मनुष्य-तास आवश्यक आहेत? निर्णय घेण्याच्या कॉम्प्लेक्सद्वारे समर्थित एकूण "मंदी" काय आहे (नवीन इनपुट डेटाच्या वारंवारतेच्या सापेक्ष नवीन समर्थन माहितीच्या घटनेची वारंवारता)?

या आणि इतर अनेक उदाहरणांचा सारांश देताना, आम्ही मशीन लर्निंग आणि रीअल-टाइम आर्टिफिशियल इंटेलिजन्स मेकॅनिझमच्या वापराकडे जाताना उद्भवणाऱ्या आव्हानांच्या निर्मितीवर आलो:

• आमच्या कंपनीतील एआय/एमएल घडामोडींच्या निर्मिती आणि अनुकूलन (बदलत्या परिस्थितीनुसार) गतीने आम्ही समाधानी आहोत का?
• आम्ही वापरत असलेली AI/ML सोल्यूशन्स रिअल-टाइम व्यवसाय व्यवस्थापनाला किती प्रमाणात समर्थन देतात?
• आम्ही वापरत असलेली AI/ML सोल्यूशन्स स्वतंत्रपणे (डेव्हलपरशिवाय) डेटा आणि व्यवसाय व्यवस्थापन पद्धतींमधील बदलांशी जुळवून घेण्यास सक्षम आहेत का?

आमचा लेख एआय / एमएल यंत्रणा तैनात करण्यासाठी सार्वत्रिक समर्थन, एआय / एमएल सोल्यूशन्सचे असेंब्ली (एकीकरण) आणि गहन डेटावर एआय / एमएल सोल्यूशन्सचे प्रशिक्षण (चाचणी) च्या दृष्टीने इंटरसिस्टम्स आयआरआयएस प्लॅटफॉर्मच्या क्षमतांचे तपशीलवार विहंगावलोकन आहे. वाहते. या लेखात आम्ही मार्केट रिसर्च, एआय/एमएल सोल्यूशन्सचे केस स्टडीज आणि रिअल-टाइम एआय/एमएल प्लॅटफॉर्म म्हणून संदर्भित केलेल्या वैचारिक पैलूंकडे वळू.

आम्हाला सर्वेक्षणांमधून काय माहित आहे: रिअल-टाइम अनुप्रयोग

निकाल सर्वेक्षणLightbend द्वारे 800 मध्ये सुमारे 2019 IT व्यावसायिकांमध्ये आयोजित केले गेले:

आकृती 1 रिअल-टाइम डेटाचे अग्रगण्य ग्राहक

या सर्वेक्षणाच्या निकालांवरील अहवालाचे तुकडे आमच्या भाषांतरात आमच्यासाठी महत्त्वाचे आहेत ते उद्धृत करूया:

"...डेटाफ्लो इंटिग्रेशन टूल्सच्या लोकप्रियतेतील ट्रेंड आणि त्याच वेळी, कंटेनराइज्ड कंप्युटिंगसाठी समर्थन प्रभावी उपायांच्या अधिक कार्यक्षम, तर्कसंगत, डायनॅमिक प्रस्तावासाठी बाजाराच्या मागणीला एक समन्वयात्मक प्रतिसाद देतात. डेटा प्रवाह पारंपारिक पॅकेट डेटापेक्षा अधिक वेगाने माहिती हस्तांतरित करण्याची परवानगी देतात. यामध्ये वाढीव ग्राहकांच्या समाधानाद्वारे स्पर्धात्मक फायदे निर्माण करण्यासाठी AI/ML-आधारित शिफारसी यांसारख्या संगणकीय पद्धती त्वरीत लागू करण्याची क्षमता जोडली आहे. चपळतेची शर्यत DevOps पॅराडाइममधील सर्व भूमिकांवर देखील परिणाम करते - अनुप्रयोग विकास आणि उपयोजन अधिक कार्यक्षम बनवते. … आठशे चार आयटी व्यावसायिकांनी त्यांच्या संस्थांमध्ये डेटा प्रवाहाच्या वापराविषयी माहिती दिली. प्रतिसादकर्ते प्रामुख्याने पाश्चात्य देशांमध्ये (युरोपमध्ये 41% आणि उत्तर अमेरिकेत 37%) स्थित होते आणि लहान, मध्यम आणि मोठ्या कंपन्यांमध्ये जवळजवळ समान रीतीने वितरित केले गेले. …

… कृत्रिम बुद्धिमत्ता हा प्रचार नाही. जे आधीच उत्पादक AI/ML ऍप्लिकेशन्समध्ये डेटाफ्लो प्रोसेसिंगचा वापर करतात त्यापैकी अठ्ठावन्न टक्के लोक पुष्टी करतात की त्यांचा AI/ML मधील वापर पुढील वर्षी (इतर ऍप्लिकेशन्सच्या तुलनेत) सर्वात मोठा फायदा बघेल.

• बहुसंख्य प्रतिसादकर्त्यांच्या मते, एआय/एमएल परिस्थितींमध्ये डेटा प्रवाहाचा वापर पुढील वर्षात सर्वात मोठी वाढ प्राप्त करेल.
• AI/ML मधील अनुप्रयोग केवळ तुलनेने नवीन प्रकारच्या परिस्थितींद्वारेच नव्हे तर पारंपारिक परिस्थितींद्वारे देखील वाढतील, ज्यामध्ये वास्तविक-वेळ डेटा वाढत्या प्रमाणात वापरला जातो.
• AI/ML व्यतिरिक्त, IoT डेटा पाइपलाइन वापरकर्त्यांमधील उत्साहाची पातळी प्रभावी आहे - ज्यांनी आधीच IoT डेटा एकत्रित केला आहे त्यापैकी 48% लोक म्हणतात की या डेटावरील परिस्थितीच्या अंमलबजावणीमध्ये नजीकच्या भविष्यात लक्षणीय वाढ होईल. … »

या ऐवजी मनोरंजक सर्वेक्षणातून, हे पाहिले जाऊ शकते की डेटा प्रवाहाच्या वापरामध्ये नेते म्हणून मशीन लर्निंग आणि कृत्रिम बुद्धिमत्ता परिस्थितीची धारणा आधीच "मार्गावर" आहे. परंतु DevOps ऑप्टिक्सद्वारे रिअल-टाइम एआय / एमएल ची धारणा तितकेच महत्त्वाचे निरीक्षण बनते: येथे आपण "पूर्णपणे प्रवेश करण्यायोग्य डेटा सेटसह एक-वेळ एआय / एमएल" च्या अद्याप प्रबळ संस्कृतीच्या परिवर्तनाबद्दल आधीच बोलू शकतो.

रिअल-टाइम AI/ML प्लॅटफॉर्म संकल्पना

रिअल-टाइम AI/ML साठी एक विशिष्ट अनुप्रयोग उत्पादन प्रक्रिया नियंत्रणात आहे. त्याच्या उदाहरणावर आणि मागील प्रतिबिंबे लक्षात घेऊन, आम्ही रिअल-टाइम AI/ML प्लॅटफॉर्मची संकल्पना तयार करू.
प्रक्रिया नियंत्रणामध्ये कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंगच्या वापरामध्ये अनेक वैशिष्ट्ये आहेत:

• तांत्रिक प्रक्रियेच्या स्थितीवरील डेटा तीव्रतेने प्राप्त केला जातो: उच्च वारंवारता आणि पॅरामीटर्सच्या विस्तृत श्रेणीसह (प्रक्रिया नियंत्रण प्रणालीमधून प्रति सेकंद हजारो पॅरामीटर मूल्ये प्रसारित केली जातात)
• दोष शोधण्याचा डेटा, त्यांच्या विकासावरील डेटाचा उल्लेख न करणे, उलटपक्षी, दुर्मिळ आणि अनियमित आहे, दोषांचे अपुरे टाइपिंग आणि वेळेत त्यांचे स्थानिकीकरण (बहुतेकदा कागदावरील नोंदीद्वारे दर्शविलेले) द्वारे वैशिष्ट्यीकृत आहे.
• व्यावहारिक दृष्टिकोनातून, प्रशिक्षण आणि मॉडेल लागू करण्यासाठी केवळ प्रारंभिक डेटाची "संबंधित विंडो" उपलब्ध आहे, वाजवी स्लाइडिंग अंतरासाठी तांत्रिक प्रक्रियेची गतिशीलता प्रतिबिंबित करते, प्रक्रिया पॅरामीटर्सच्या शेवटच्या वाचलेल्या मूल्यांसह समाप्त होते.

ही वैशिष्ट्ये आम्हाला प्रक्रियेतून तीव्र "ब्रॉडबँड इनपुट" प्राप्त करण्यासाठी आणि मूलभूत रिअल-टाइम प्रक्रियेव्यतिरिक्त, एआय/एमएल मॉडेल्सच्या कामाच्या परिणामांचे अनुप्रयोग, प्रशिक्षण आणि गुणवत्ता नियंत्रण (समांतर) करण्यास भाग पाडतात - वास्तविक वेळेत देखील. आमची मॉडेल्स प्रासंगिकतेच्या स्लाइडिंग विंडोमध्ये "पाहणारी" "फ्रेम" सतत बदलत असते - आणि त्यासह, भूतकाळातील "फ्रेम" पैकी एकावर प्रशिक्षित एआय / एमएल मॉडेल्सच्या कामाच्या परिणामांची गुणवत्ता देखील बदलते. . जर एआय / एमएल मॉडेल्सच्या कामाच्या परिणामांची गुणवत्ता खराब झाली (उदाहरणार्थ: "अलार्म-नॉर्म" वर्गीकरण त्रुटीचे मूल्य आम्ही परिभाषित केलेल्या सीमांच्या पलीकडे गेले आहे), मॉडेलचे पुन्हा प्रशिक्षण स्वयंचलितपणे सुरू केले पाहिजे. संबंधित "फ्रेम" - आणि मॉडेलचे पुन्हा प्रशिक्षण सुरू करण्याच्या क्षणाची निवड करताना, प्रशिक्षणाचा कालावधी स्वतःच कसा आहे, तसेच मॉडेलच्या वर्तमान आवृत्तीच्या गुणवत्तेत बिघाड होण्याची गतिशीलता (सध्याच्या आवृत्त्यांपासून) लक्षात घेतली पाहिजे. मॉडेल्स प्रशिक्षित होत असताना आणि त्यांच्या “नवीन प्रशिक्षित” आवृत्त्या तयार होईपर्यंत) लागू केले जातील.

प्रक्रिया नियंत्रणासाठी रिअल-टाइम AI/ML सोल्यूशन्स सक्षम करण्यासाठी InterSystems IRIS कडे प्रमुख प्लॅटफॉर्म क्षमता आहेत. या शक्यता तीन मुख्य गटांमध्ये विभागल्या जाऊ शकतात:

• इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर रिअल टाइममध्ये कार्यरत असलेल्या उत्पादक सोल्युशनमध्ये नवीन किंवा रुपांतरित विद्यमान AI/ML यंत्रणांची सतत तैनाती (सतत तैनाती / वितरण, सीडी)
• येणार्‍या प्रक्रियेच्या डेटा प्रवाहाच्या एकाच उत्पादक समाधानामध्ये सतत एकत्रीकरण (CI), एआय/एमएल यंत्रणेच्या अनुप्रयोग/प्रशिक्षण/गुणवत्ता नियंत्रणासाठी डेटा रांगा आणि गणितीय मॉडेलिंग वातावरणासह डेटा/कोड/नियंत्रण एक्सचेंज, जे रिअल-टाइममध्ये आयोजित केले जातात. इंटरसिस्टम्स IRIS प्लॅटफॉर्म
• इंटरसिस्टम्स IRIS प्लॅटफॉर्मद्वारे प्रसारित डेटा, कोड आणि नियंत्रण क्रिया ("निर्णय") वापरून गणितीय मॉडेलिंग वातावरणात केले जाणारे AI/ML यंत्रणांचे सतत (स्वयं-) शिक्षण (सतत प्रशिक्षण, CT)

तंतोतंत अशा गटांमध्ये मशीन लर्निंग आणि कृत्रिम बुद्धिमत्तेच्या संबंधात प्लॅटफॉर्म क्षमतांचे वर्गीकरण अपघाती नाही. चला पद्धतशीर उद्धृत करूया प्रकाशन Google, जे या वर्गीकरणासाठी संकल्पनात्मक आधार प्रदान करते, आमच्या भाषांतरात:

“... आजकाल लोकप्रिय असलेली DevOps संकल्पना, मोठ्या प्रमाणात माहिती प्रणालींचा विकास आणि ऑपरेशन समाविष्ट करते. या संकल्पनेच्या अंमलबजावणीचे फायदे म्हणजे विकास चक्राचा कालावधी कमी करणे, विकास तैनातीचा वेग, प्रकाशन नियोजनाची लवचिकता. हे फायदे साध्य करण्यासाठी, DevOps मध्ये किमान दोन पद्धतींची अंमलबजावणी समाविष्ट आहे:

• सतत एकत्रीकरण (CI)
• सतत वितरण (CD)

उत्पादक AI/ML सोल्यूशन्सची मजबूत आणि कार्यक्षम बिल्ड सुनिश्चित करण्यासाठी या पद्धती AI/ML प्लॅटफॉर्मवर देखील लागू होतात.

AI/ML प्लॅटफॉर्म खालील बाबींमध्ये इतर माहिती प्रणालींपेक्षा वेगळे आहेत:

• टीम क्षमता: एआय/एमएल सोल्यूशन तयार करताना, टीममध्ये सामान्यत: डेटा सायंटिस्ट किंवा डेटा सायंटिस्ट समाविष्ट असतात जे डेटा विश्लेषण, मॉडेल डेव्हलपमेंट आणि प्रमाणीकरण करतात. हे कार्यसंघ सदस्य उत्पादक कोडचे व्यावसायिक विकासक नसू शकतात.
• विकास: AI/ML यंत्रणा प्रायोगिक स्वरूपाच्या आहेत. समस्येचे सर्वात कार्यक्षमतेने निराकरण करण्यासाठी, इनपुट व्हेरिएबल्स, अल्गोरिदम, मॉडेलिंग पद्धती आणि मॉडेल पॅरामीटर्सच्या विविध संयोजनांद्वारे क्रमवारी लावणे आवश्यक आहे. अशा शोधाची जटिलता "काय काम केले / काम केले नाही" याचा मागोवा घेणे, भागांची पुनरुत्पादकता सुनिश्चित करणे, आवर्ती अंमलबजावणीसाठी विकासाचे सामान्यीकरण करणे यात आहे.
• चाचणी: एआय/एमएल यंत्रणेच्या चाचणीसाठी इतर घडामोडींच्या तुलनेत मोठ्या चाचण्यांची आवश्यकता असते. ठराविक युनिट आणि एकत्रीकरण चाचण्यांव्यतिरिक्त, डेटाची वैधता आणि मॉडेलला प्रशिक्षण आणि नियंत्रण नमुने लागू करण्याच्या परिणामांची गुणवत्ता तपासली जाते.
• तैनाती: एआय/एमएल सोल्यूशन्सची तैनाती केवळ एक प्रशिक्षित मॉडेल लागू करणार्‍या भविष्यसूचक सेवांपुरती मर्यादित नाही. एआय/एमएल सोल्यूशन्स मल्टी-स्टेज पाइपलाइनच्या आसपास तयार केले जातात जे स्वयंचलित प्रशिक्षण आणि मॉडेल्सचे अनुप्रयोग करतात. अशा पाइपलाइन्सच्या तैनातीमध्ये मॉडेल्सचे प्रशिक्षण आणि चाचणी घेण्यास सक्षम होण्यासाठी डेटा शास्त्रज्ञांद्वारे पारंपारिकपणे स्वहस्ते पारंपारिकपणे नॉन-क्षुल्लक पायऱ्या स्वयंचलित करणे समाविष्ट आहे.
• उत्पादक: एआय/एमएल इंजिन्सची कार्यक्षमता केवळ अकार्यक्षम प्रोग्रामिंगमुळेच नाही तर इनपुट डेटाच्या सतत बदलणाऱ्या स्वरूपामुळे देखील असू शकते. दुस-या शब्दात सांगायचे तर, पारंपारिक घडामोडींच्या कार्यक्षमतेच्या तुलनेत एआय/एमएल यंत्रणांची कार्यक्षमता अनेक कारणांमुळे खराब होऊ शकते. यामुळे आमच्या एआय/एमएल इंजिनच्या कार्यप्रदर्शनाचे निरीक्षण (ऑनलाइन) करणे आवश्यक आहे, आणि कार्यप्रदर्शन अपेक्षेप्रमाणे नसल्यास अलर्ट पाठवणे किंवा निकाल नाकारणे आवश्यक आहे.

एआय/एमएल प्लॅटफॉर्म इतर माहिती प्रणालींप्रमाणेच आहेत ज्यात दोन्हीसाठी आवृत्ती नियंत्रण, युनिट चाचणी, एकत्रीकरण चाचणी, सतत विकास तैनातीसह सतत कोड एकत्रीकरण आवश्यक आहे. तथापि, AI/ML च्या बाबतीत, काही महत्त्वाचे फरक आहेत:

• CI (निरंतर एकीकरण) यापुढे तैनात केलेल्या घटकांच्या कोडची चाचणी आणि प्रमाणीकरण करण्यापुरते मर्यादित नाही – यात डेटा आणि AI/ML मॉडेलची चाचणी आणि प्रमाणीकरण देखील समाविष्ट आहे.
• सीडी (सतत वितरण / उपयोजन, सतत उपयोजन) हे पॅकेजेस किंवा सेवा लिहिणे आणि जारी करणे इतकेच मर्यादित नाही, तर ते एआय/एमएल सोल्यूशन्स तयार करणे, शिकणे आणि लागू करणे यासाठी एक व्यासपीठ सूचित करते.
• सीटी (सतत प्रशिक्षण, सतत शिक्षण) - एक नवीन घटक [अंदाजे. लेखाच्या लेखकाद्वारे: DevOps च्या पारंपारिक संकल्पनेच्या संबंधात एक नवीन घटक, ज्यामध्ये CT सहसा सतत चाचणी असते], AI / ML प्लॅटफॉर्ममध्ये अंतर्निहित, AI / ML मॉडेल्स शिकण्यासाठी आणि लागू करण्यासाठी यंत्रणा स्वायत्तपणे व्यवस्थापित करण्यासाठी जबाबदार. ..."

आम्ही असे म्हणू शकतो की रीअल-टाइम डेटावर काम करणार्‍या मशीन लर्निंग आणि कृत्रिम बुद्धिमत्तेसाठी मोठ्या प्रमाणात साधने आणि क्षमतांची आवश्यकता असते (कोड डेव्हलपमेंटपासून ते गणितीय मॉडेलिंग वातावरणाच्या ऑर्केस्ट्रेशनपर्यंत), सर्व कार्यात्मक आणि विषय क्षेत्रांमध्ये जवळचे एकत्रीकरण, मानवी आणि अधिक कार्यक्षम संघटना. मशीन संसाधने.

रिअल-टाइम परिस्थिती: फीड पंपमधील दोषांचा विकास ओळखणे

उदाहरण म्हणून प्रक्रिया नियंत्रणाचे क्षेत्र वापरणे सुरू ठेवून, विशिष्ट कार्याचा विचार करा (आम्ही अगदी सुरुवातीलाच नमूद केले आहे): प्रक्रिया पॅरामीटर्सच्या प्रवाहावर आधारित पंपांमधील दोषांच्या विकासाचे वास्तविक-वेळ निरीक्षण प्रदान करणे आवश्यक आहे. आणि आढळलेल्या दोषांवर देखभाल कर्मचार्‍यांचे अहवाल.

आकृती 2 दोषांच्या विकासाचे निरीक्षण करण्याच्या कार्याचे सूत्रीकरण

व्यवहारात अशा प्रकारे सेट केलेल्या बहुसंख्य कार्यांचे वैशिष्ठ्य म्हणजे डेटा प्राप्तीची (APCS) नियमितता आणि कार्यक्षमता विविध प्रकारच्या दोषांच्या एपिसोडिक आणि अनियमित घटना (आणि नोंदणी) च्या पार्श्वभूमीवर विचारात घेतली पाहिजे. दुसऱ्या शब्दांत: प्रक्रिया नियंत्रण प्रणालीचा डेटा दुसऱ्यांदा योग्य-अचूक येतो आणि दोष एका अमिट पेन्सिलने कार्यशाळेतील सामान्य नोटबुकमध्ये तारखेसह रेकॉर्ड केले जातात (उदाहरणार्थ: “12.01 - कव्हरमधून गळती. 3 रा बेअरिंगची बाजू").

अशाप्रकारे, खालील महत्त्वाच्या मर्यादेसह समस्येचे सूत्रीकरण पूरक करणे शक्य आहे: आमच्याकडे विशिष्ट प्रकारच्या दोषाचे फक्त एक "लेबल" आहे (म्हणजे, विशिष्ट प्रकारच्या दोषाचे उदाहरण डेटाद्वारे दर्शवले जाते. विशिष्ट तारखेसाठी प्रक्रिया नियंत्रण प्रणाली - आणि आमच्याकडे या विशिष्ट प्रकारच्या दोषाची अधिक उदाहरणे नाहीत). हे निर्बंध ताबडतोब आपल्याला शास्त्रीय मशीन लर्निंग (पर्यवेक्षित शिक्षण) च्या व्याप्तीच्या पलीकडे घेऊन जातात, ज्यासाठी भरपूर “लेबल” असावेत.

आकृती 3 दोषांच्या विकासाचे निरीक्षण करण्याच्या कार्याचे परिष्करण

आपण आपल्या विल्हेवाटीवर असलेल्या एकमेव "लेबल"ला कसा तरी "गुणा" करू शकतो? हो आपण करू शकतो. पंपची वर्तमान स्थिती नोंदणीकृत दोषांच्या समानतेच्या डिग्रीद्वारे दर्शविली जाते. परिमाणवाचक पद्धतींचा वापर न करताही, व्हिज्युअल आकलनाच्या पातळीवर, प्रक्रिया नियंत्रण प्रणालीमधून येणार्‍या डेटा मूल्यांच्या गतिशीलतेचे निरीक्षण करून, आपण आधीच बरेच काही शिकू शकता:

आकृती 4 दिलेल्या प्रकारच्या दोषाच्या "चिन्ह" च्या पार्श्वभूमीवर पंपच्या स्थितीची गतिशीलता

परंतु आपल्या झपाट्याने बदलणाऱ्या परिस्थितीत व्हिज्युअल समज (किमान सध्या तरी) "टॅग" चे सर्वात योग्य जनरेटर नाही. आम्ही सांख्यिकीय चाचणी वापरून नोंदवलेल्या दोषांशी पंपच्या वर्तमान स्थितीचे समानतेचे मूल्यांकन करू.

आकृती 5 दोषाच्या "लेबल" च्या पार्श्वभूमीवर येणार्‍या डेटावर सांख्यिकीय चाचणी लागू करणे

सांख्यिकीय चाचणी ही संभाव्यता निश्चित करते की प्रक्रिया नियंत्रण प्रणालीकडून प्राप्त झालेल्या "फ्लो-पॅकेट" मधील तांत्रिक प्रक्रिया पॅरामीटर्सच्या मूल्यांसह रेकॉर्ड विशिष्ट प्रकारच्या दोषांच्या "लेबल" रेकॉर्डसारखेच असतात. सांख्यिकीय चाचणी (सांख्यिकीय समानता निर्देशांक) लागू केल्यामुळे गणना केलेले संभाव्यता मूल्य 0 किंवा 1 च्या मूल्यामध्ये रूपांतरित केले जाते, समानता पॅकेजमधील प्रत्येक विशिष्ट रेकॉर्डमध्ये मशीन लर्निंगसाठी "लेबल" बनते. म्हणजेच, सांख्यिकीय चाचणीसह पंप स्टेट रेकॉर्डच्या नवीन प्राप्त पॅकेजवर प्रक्रिया केल्यानंतर, आमच्याकडे (अ) एआय/एमएल मॉडेलचे प्रशिक्षण देण्यासाठी हे पॅकेज प्रशिक्षण नमुन्यात जोडण्याची आणि (ब) गुणवत्तेचे परीक्षण करण्याची संधी आहे. मॉडेलची वर्तमान आवृत्ती जेव्हा या पॅकेजवर लागू केली जाते.

आकृती 6 दोषाच्या "लेबल" च्या पार्श्वभूमीवर येणार्‍या डेटावर मशीन लर्निंग मॉडेल लागू करणे

आमच्या मागील एक मध्ये वेबिनार इंटरसिस्टम्स IRIS प्लॅटफॉर्म तुम्हाला कोणत्याही AI/ML यंत्रणा कार्यान्वित करण्याची अनुमती देते हे आम्ही दाखवतो आणि स्पष्ट करतो जे सिम्युलेशन परिणामांची विश्वासार्हता नियंत्रित करते आणि मॉडेल पॅरामीटर्स अनुकूल करते. पंपांसह आमच्या परिस्थितीचा प्रोटोटाइप अंमलात आणताना, आम्ही वेबिनार दरम्यान सादर केलेल्या सर्व इंटरसिस्टम्स IRIS कार्यक्षमता वापरतो - आमच्या समाधानाचा भाग म्हणून विश्लेषक प्रक्रियेत अंमलबजावणी करणे, शास्त्रीय पर्यवेक्षित शिक्षण नव्हे तर मजबुतीकरण शिक्षण, जे प्रशिक्षणासाठी नमुना स्वयंचलितपणे नियंत्रित करते. मॉडेल प्रशिक्षण नमुन्यात नोंदी ठेवल्या जातात ज्यावर सांख्यिकीय चाचणी आणि मॉडेलची वर्तमान आवृत्ती - म्हणजे दोन्ही सांख्यिकीय चाचणी (समानता निर्देशांक 0 किंवा 1 मध्ये बदलल्यानंतर) आणि मॉडेलने अशा नोंदींवर परिणाम दिला 1. मॉडेलच्या नवीन प्रशिक्षणासह, त्याच्या प्रमाणीकरणादरम्यान (नवीन प्रशिक्षित मॉडेल त्याच्या स्वत: च्या प्रशिक्षण नमुन्यावर लागू केले जाते, त्यास सांख्यिकीय चाचणीच्या प्राथमिक अर्जासह), "केले सांख्यिकीय चाचणीद्वारे प्रक्रिया केल्यानंतर निकाल 1 धरू नका (प्रशिक्षणात सतत उपस्थितीमुळे दोषांच्या मूळ "लेबल" मधील रेकॉर्डचा नमुना) प्रशिक्षण नमुन्यातून काढून टाकला जातो आणि मॉडेलची नवीन आवृत्ती शिकते. दोषाच्या "लेबल" वरून तसेच प्रवाहातील "होल्ड" रेकॉर्ड.

आकृती 7 इंटरसिस्टम्स IRIS मध्ये AI/ML गणनेचे रोबोटायझेशन

InterSystems IRIS मध्ये स्थानिक संगणनाद्वारे प्राप्त केलेल्या गुणवत्तेवर "द्वितीय मत" ची आवश्यकता असल्यास, क्लाउड सेवा वापरून नियंत्रण डेटासेटवर प्रशिक्षण-अर्ज मॉडेल करण्यासाठी सल्लागार प्रक्रिया तयार केली जाते (उदाहरणार्थ, Microsoft Azure , Amazon वेब सेवा , Google क्लाउड प्लॅटफॉर्म इ.):

आकृती 8 इंटरसिस्टम्स IRIS द्वारे मांडलेले Microsoft Azure चे दुसरे मत

इंटरसिस्टम्स IRIS मधील आमच्या परिस्थितीचा प्रोटोटाइप विश्लेषणात्मक प्रक्रियेच्या एजंट-आधारित प्रणालीच्या स्वरूपात बनविला गेला आहे जी उपकरणे ऑब्जेक्ट (पंप), गणितीय मॉडेलिंग वातावरण (पायथन, आर आणि ज्युलिया) यांच्याशी संवाद साधते आणि सर्वांना स्वयं-शिक्षण प्रदान करते. सहभागी AI/ML यंत्रणा - रिअल-टाइम डेटा प्रवाहावर.

आकृती 9 इंटरसिस्टम्स IRIS मध्ये रिअल-टाइम AI/ML सोल्यूशनची मुख्य कार्यक्षमता

आमच्या प्रोटोटाइपचा व्यावहारिक परिणाम:

• मॉडेलद्वारे ओळखला जाणारा दोष नमुना (१२ जानेवारी):

• मॉडेलद्वारे ओळखला जाणारा एक विकसनशील दोष, जो नमुन्यात समाविष्ट नव्हता (सप्टेंबर 11, दोष स्वतःच दुरुस्ती पथकाने दोन दिवसांनंतर शोधला - 13 सप्टेंबर):

समान दोषाचे अनेक भाग असलेल्या वास्तविक डेटावरील सिम्युलेशनने असे दर्शवले आहे की इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर अंमलात आणलेले आमचे सोल्यूशन, आम्हाला या प्रकारच्या दोषांचा विकास शोधण्याच्या अनेक दिवस आधी ते दुरूस्ती कार्यसंघाद्वारे शोधण्याची परवानगी देते.

इंटरसिस्टम्स IRIS - युनिव्हर्सल रिअल-टाइम एआय/एमएल कॉम्प्युटिंग प्लॅटफॉर्म

InterSystems IRIS प्लॅटफॉर्म रिअल-टाइम डेटा सोल्यूशन्सचा विकास, उपयोजन आणि ऑपरेशन सुलभ करते. इंटरसिस्टम्स IRIS एकाच वेळी व्यवहार आणि विश्लेषणात्मक डेटा प्रक्रिया करण्यास सक्षम आहे; अनेक मॉडेल्स (रिलेशनल, श्रेणीबद्ध, ऑब्जेक्ट आणि दस्तऐवजासह) नुसार डेटाचे सिंक्रोनाइझ केलेले दृश्य राखणे; विस्तृत डेटा स्रोत आणि वैयक्तिक अनुप्रयोगांसाठी एकीकरण मंच म्हणून कार्य करा; संरचित आणि असंरचित डेटावर प्रगत रिअल-टाइम विश्लेषण प्रदान करते. इंटरसिस्टम्स IRIS बाह्य विश्लेषणात्मक साधनांच्या वापरासाठी यंत्रणा देखील प्रदान करते, क्लाउड आणि स्थानिक सर्व्हरवर होस्टिंग एकत्र करण्याची लवचिकता देते.

इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर तयार केलेले अॅप्लिकेशन्स सर्व उद्योगांमध्ये तैनात केले गेले आहेत, ज्यामुळे कंपन्यांना धोरणात्मक आणि ऑपरेशनल दृष्टीकोनातून महत्त्वपूर्ण आर्थिक मूल्य प्राप्त करण्यात मदत होते, निर्णय घेणे वाढवते आणि घटना, विश्लेषण आणि कृती यांच्यातील अंतर कमी करते.

आकृती 10 रिअल-टाइम AI/ML च्या संदर्भात इंटरसिस्टम्स IRIS आर्किटेक्चर

मागील आकृतीप्रमाणे, खालील आकृती नवीन "समन्वय प्रणाली" (CD/CI/CT) प्लॅटफॉर्म वर्क आयटममधील माहितीच्या प्रवाहासह एकत्र करते. व्हिज्युअलायझेशन सीडी मॅक्रो-मेकॅनिझमसह सुरू होते आणि सीआय आणि सीटी मॅक्रो-मेकॅनिझमसह सुरू होते.

आकृती 11 इंटरसिस्टम्स IRIS प्लॅटफॉर्मच्या AI/ML घटकांदरम्यान माहिती प्रवाहाची योजना

इंटरसिस्टम्स IRIS मधील सीडी मेकॅनिझमचे सार: प्लॅटफॉर्म वापरकर्ते (एआय / एमएल सोल्यूशन डेव्हलपर) विद्यमान AI / एमएल मेकॅनिझम कोड एडिटर वापरून विद्यमान परिस्थितीशी जुळवून घेतात आणि / किंवा नवीन एआय / एमएल विकास तयार करतात: ज्युपीटर (पूर्ण नाव: ज्युपिटर नोटबुक; देखील, संक्षिप्ततेसाठी, या संपादकामध्ये तयार केलेल्या दस्तऐवजांना कधीकधी म्हटले जाते). Jupyter मध्ये, विकासकाला InterSystems IRIS मध्ये होस्ट होण्यापूर्वी (“उपयोजित”) विशिष्ट AI/ML डेव्हलपमेंटचे कार्यप्रदर्शन (ग्राफिक्स वापरण्यासह) लिहिण्याची, डीबग करण्याची आणि सत्यापित करण्याची संधी असते. हे स्पष्ट आहे की अशा प्रकारे तयार केलेल्या नवीन विकासास केवळ मूलभूत डीबगिंग प्राप्त होईल (कारण, विशेषतः, ज्युपिटर रिअल-टाइम डेटा प्रवाहांसह कार्य करत नाही) - हे गोष्टींच्या क्रमाने आहे, कारण ज्युपिटरमधील विकासाचा मुख्य परिणाम वेगळ्या एआय / एमएल-यंत्रणाच्या मूलभूत कार्यक्षमतेची पुष्टी आहे ("डेटा नमुना वर अपेक्षित परिणाम दर्शवितो"). त्याचप्रमाणे, Jupyter मध्ये डीबग करण्यापूर्वी प्लॅटफॉर्ममध्ये आधीच ठेवलेल्या यंत्रणेला (खालील मॅक्रो-मेकॅनिझम पहा) "प्री-प्लॅटफॉर्म" फॉर्मवर "रोलबॅक" आवश्यक असू शकते (फाईल्समधील डेटा वाचणे, टेबलांऐवजी xDBC द्वारे डेटासह कार्य करणे, जागतिकांशी थेट संवाद - बहुआयामी डेटा अॅरे इंटरसिस्टम्स IRIS - इ.).

इंटरसिस्टम्स IRIS मधील सीडी अंमलबजावणीचा एक महत्त्वाचा पैलू म्हणजे प्लॅटफॉर्म आणि ज्युपिटर दरम्यान द्विदिशात्मक एकत्रीकरण लागू केले गेले आहे, जे तुम्हाला पायथन, आर आणि ज्युलिया मधील सामग्री प्लॅटफॉर्मवर (आणि पुढे, प्लॅटफॉर्मवर प्रक्रिया) हस्तांतरित करण्यास अनुमती देते (तीनही आहेत. गणितीय मॉडेलिंगच्या संबंधित अग्रगण्य मुक्त स्रोत वातावरणातील प्रोग्रामिंग भाषा). अशा प्रकारे, AI/ML सामग्री विकसकांना ही सामग्री प्लॅटफॉर्मवर “सततपणे उपयोजित” करण्याची क्षमता आहे, त्यांच्या परिचित ज्युपिटर संपादकामध्ये, Python, R, Julia मध्ये उपलब्ध असलेल्या परिचित लायब्ररीसह आणि प्लॅटफॉर्मच्या बाहेर मूलभूत डीबगिंग (आवश्यक असल्यास) करण्याची क्षमता आहे. .

इंटरसिस्टम्स IRIS मधील CI च्या मॅक्रो मेकॅनिझमकडे वळू. आकृती "रिअल-टाइम रोबोट" ची मॅक्रो-प्रक्रिया दर्शविते (डेटा स्ट्रक्चर्स, व्यवसाय प्रक्रिया आणि कोडच्या तुकड्यांचा एक कॉम्प्लेक्स मॅट्सच्या भाषांमध्ये आणि ऑब्जेक्टस्क्रिप्ट भाषेत - इंटरसिस्टम्सची मूळ विकास भाषा IRIS). या मॅक्रो प्रक्रियेचे कार्य एआय / एमएल यंत्रणा (रिअल टाइममध्ये प्लॅटफॉर्मवर प्रसारित केलेल्या डेटा प्रवाहावर आधारित) च्या ऑपरेशनसाठी आवश्यक डेटा रांग राखणे, अनुप्रयोगाच्या क्रमाबद्दल आणि एआय / च्या "श्रेणी" बद्दल निर्णय घेणे आहे. एमएल मेकॅनिझम (ते "गणितीय अल्गोरिदम", "मॉडेल" देखील आहेत. - अंमलबजावणीची वैशिष्ट्ये आणि संज्ञानात्मक प्राधान्यांवर अवलंबून भिन्न म्हटले जाऊ शकते), एआय / एमएल यंत्रणेच्या कार्याच्या परिणामांचे विश्लेषण करण्यासाठी डेटा स्ट्रक्चर्स अद्ययावत ठेवा. (क्यूब्स, टेबल्स, बहुआयामी डेटा अॅरे, इ.) इ. - अहवाल, डॅशबोर्ड, इ.).

इंटरसिस्टम्स IRIS मधील CI च्या अंमलबजावणीचा एक महत्त्वाचा पैलू म्हणजे प्लॅटफॉर्म आणि गणितीय मॉडेलिंग वातावरणामध्ये द्विदिशात्मक एकीकरण लागू केले जाते, जे Python, R आणि Julia मधील प्लॅटफॉर्ममध्ये होस्ट केलेल्या सामग्रीला त्यांच्या संबंधित वातावरणात कार्यान्वित करण्याच्या परिणामांसह कार्यान्वित करण्यास अनुमती देते. . हे एकत्रीकरण "टर्मिनल मोड" (म्हणजे एआय/एमएल सामग्री मॅट्सवर कॉल करण्यासाठी ऑब्जेक्टस्क्रिप्ट कोड म्हणून तयार केली जाते) आणि "व्यवसाय प्रक्रिया मोड" (म्हणजे एआय/एमएल सामग्री ग्राफिक संपादक वापरून व्यवसाय प्रक्रिया म्हणून तयार केली जाते) दोन्हीमध्ये लागू केली जाते, किंवा कधी कधी Jupyter वापरून, किंवा IDE वापरून - IRIS स्टुडिओ, Eclipse, Visual Studio Code). ज्युपिटरमधील व्यवसाय प्रक्रियांची संपादनक्षमता सीआय स्तरावरील IRIS आणि सीडी स्तरावरील ज्युपिटर यांच्यातील संबंधांवरून दिसून येते. गणितीय मॉडेलिंग वातावरणासह एकत्रीकरणाचे अधिक तपशीलवार विहंगावलोकन खाली दिले आहे. या टप्प्यावर, आमच्या मते, AI/ML विकासाचे "सतत एकीकरण" ("निरंतर तैनाती" पासून येणारे) रीअल-टाइम AI मध्ये लागू करण्यासाठी सर्व आवश्यक साधनांच्या व्यासपीठावर उपस्थिती निश्चित करण्याचे सर्व कारण आहे. एमएल उपाय.

आणि मुख्य मॅक्रो यंत्रणा: सीटी. त्याशिवाय, कोणतेही AI/ML प्लॅटफॉर्म नसेल (जरी “वास्तविक वेळ” CD/CI द्वारे लागू केली जाईल). सीटीचे सार म्हणजे प्लॅटफॉर्मचे कार्य म्हणजे मशीन लर्निंग आणि कृत्रिम बुद्धिमत्तेच्या "कलाकृती" सह गणितीय मॉडेलिंग वातावरणाच्या कामकाजाच्या सत्रांमध्ये थेट: मॉडेल, वितरण सारण्या, मॅट्रिक्स वेक्टर, न्यूरल नेटवर्कचे स्तर इ. हे “कार्य”, बहुतेक प्रकरणांमध्ये, वातावरणात नमूद केलेल्या कलाकृती तयार करणे समाविष्ट करते (मॉडेलच्या बाबतीत, उदाहरणार्थ, “निर्मिती” मध्ये मॉडेल तपशील सेट करणे आणि त्यानंतरच्या पॅरामीटर्सच्या मूल्यांची निवड करणे समाविष्ट आहे - मॉडेलचे तथाकथित "प्रशिक्षण"), त्यांचा अनुप्रयोग (मॉडेलसाठी: लक्ष्य व्हेरिएबल्सच्या "मॉडेल" मूल्यांची गणना करण्यासाठी त्यांचा वापर करणे - अंदाज, श्रेणीशी संबंधित, घटना घडण्याची संभाव्यता इ.) आणि सुधारणे आधीच तयार केलेल्या आणि लागू केलेल्या कलाकृती (उदाहरणार्थ, अनुप्रयोगाच्या परिणामांवर आधारित मॉडेल इनपुट व्हेरिएबल्सचा संच पुन्हा परिभाषित करणे – एक पर्याय म्हणून अंदाज अचूकता वाढवण्यासाठी). CT ची भूमिका समजून घेण्याचा मुख्य मुद्दा म्हणजे CD आणि CI च्या वास्तविकतेतून "अमूर्तता": CT सर्व कलाकृतींची अंमलबजावणी करेल, विशिष्ट वातावरणाद्वारे प्रदान केलेल्या क्षमतांमध्ये AI/ML सोल्यूशनच्या संगणकीय आणि गणितीय वैशिष्ट्यांवर लक्ष केंद्रित करेल. . "इनपुट डेटा प्रदान करणे" आणि "परिणाम वितरित करणे" ही जबाबदारी सीडी आणि सीआयची असेल.

इंटरसिस्टम्स IRIS मधील CT अंमलबजावणीचा एक महत्त्वाचा पैलू: वर नमूद केलेल्या गणितीय मॉडेलिंग वातावरणासह एकत्रीकरणाचा वापर करून, प्लॅटफॉर्ममध्ये वातावरणात त्याच्या नियंत्रणाखाली चालू असलेल्या कार्य सत्रांमधून समान कलाकृती काढण्याची आणि (सर्वात महत्त्वाचे म्हणजे) त्यांना बदलण्याची क्षमता आहे. प्लॅटफॉर्म डेटा ऑब्जेक्ट्स. उदाहरणार्थ, कार्यरत पायथन सत्रात नुकतेच तयार केलेले वितरण सारणी (पायथनमधील सत्र न थांबवता) प्लॅटफॉर्मवर हस्तांतरित केले जाऊ शकते, उदाहरणार्थ, जागतिक (बहुआयामी इंटरसिस्टम्स IRIS डेटा अॅरे) - आणि वापरले दुसर्‍या एआय / एमएल- यंत्रणा (आधीपासूनच दुसर्‍या वातावरणाच्या भाषेत अंमलात आणलेले आहे - उदाहरणार्थ, आर मध्ये) - किंवा आभासी टेबल. दुसरे उदाहरण: मॉडेल ऑपरेशनच्या "सामान्य मोड" च्या समांतर (पायथॉन वर्किंग सेशनमध्ये), "ऑटो-एमएल" त्याच्या इनपुट डेटावर चालते: इष्टतम इनपुट व्हेरिएबल्स आणि पॅरामीटर मूल्यांची स्वयंचलित निवड. आणि "नियमित" प्रशिक्षणासोबत, रिअल टाइममधील उत्पादक मॉडेलला त्याच्या स्पेसिफिकेशनसाठी "ऑप्टिमायझेशन प्रस्ताव" देखील प्राप्त होतो - ज्यामध्ये इनपुट व्हेरिएबल्सचा संच बदलतो, पॅरामीटर मूल्ये बदलतात (पायथॉनमधील प्रशिक्षणाचा परिणाम म्हणून नाही , परंतु "स्वतःची पर्यायी आवृत्ती, उदाहरणार्थ, H2O स्टॅकमध्ये) प्रशिक्षणाच्या परिणामी, एकूण AI/ML सोल्यूशनला इनपुट डेटाच्या स्वरूपातील अनपेक्षित बदल आणि मॉडेल बनवल्या जाणार्‍या घटनांचा स्वायत्तपणे सामना करण्यास अनुमती देते.

वास्तविक जीवनातील प्रोटोटाइपचे उदाहरण वापरून InterSystems IRIS च्या प्लॅटफॉर्म AI/ML कार्यक्षमतेशी अधिक तपशीलवार परिचित होऊ या.

खालील चित्रात, स्लाइडच्या डाव्या बाजूला, व्यवसाय प्रक्रियेचा एक भाग आहे जो पायथन आणि आर मध्ये स्क्रिप्ट्सची प्रक्रिया लागू करतो. मध्य भागात, यापैकी काही स्क्रिप्ट्सच्या अंमलबजावणीसाठी व्हिज्युअल लॉग आहेत, अनुक्रमे, पायथन आणि आर मध्ये. त्यांच्या मागे एक आणि दुसर्‍या भाषेतील सामग्रीची उदाहरणे आहेत, योग्य वातावरणात अंमलबजावणीसाठी सबमिट केली आहेत. उजवीकडे शेवटी स्क्रिप्टच्या अंमलबजावणीच्या परिणामांवर आधारित व्हिज्युअलायझेशन आहेत. शीर्षस्थानी व्हिज्युअलायझेशन IRIS Analytics वर केले जातात (डाटा Python वरून InterSystems IRIS डेटा प्लॅटफॉर्मवर घेतला जातो आणि प्लॅटफॉर्म वापरून डॅशबोर्डवर प्रदर्शित केला जातो), तळाशी ते R वर्किंग सेशनमध्ये बनवले जातात आणि तेथून आउटपुट ग्राफिक फाइल्स. एक महत्त्वाचा पैलू: प्रोटोटाइपमधील सादर केलेला तुकडा, उपकरणाच्या प्रोसेस-सिम्युलेटरमधून रिअल टाइममध्ये येणार्‍या डेटावर, वर्गीकरणाच्या गुणवत्तेच्या प्रोसेस-मॉनिटरच्या आदेशानुसार मॉडेलला (उपकरणांच्या स्थितीचे वर्गीकरण) प्रशिक्षण देण्यासाठी जबाबदार आहे. मॉडेलच्या वापरादरम्यान निरीक्षण केले. एआय/एमएल सोल्यूशनची परस्परसंवाद प्रक्रिया ("एजंट") संच म्हणून अंमलबजावणीवर पुढे चर्चा केली जाईल.

आकृती 12 इंटरसिस्टम्स IRIS मधील पायथन, आर आणि ज्युलियाशी संवाद

प्लॅटफॉर्म प्रक्रिया (त्या देखील “व्यवसाय प्रक्रिया”, “विश्लेषणात्मक प्रक्रिया”, “पाइपलाइन” इ. - संदर्भानुसार) प्रामुख्याने प्लॅटफॉर्ममध्येच ग्राफिकल व्यवसाय प्रक्रिया संपादकामध्ये संपादित केल्या जातात आणि अशा प्रकारे दोन्ही त्याचा ब्लॉक डायग्राम आणि संबंधित AI/ML यंत्रणा (प्रोग्राम कोड) एकाच वेळी तयार केली जाते. "एआय / एमएल यंत्रणा प्राप्त झाली आहे" या वस्तुस्थितीबद्दल बोलताना, आम्हाला सुरुवातीला संकरितता (समान प्रक्रियेत) अभिप्रेत आहे: गणितीय मॉडेलिंग वातावरणातील भाषांमधील सामग्री SQL मधील सामग्रीला लागून आहे (यामधील विस्तारांसह इंटिग्रेटेडएमएल), इंटरसिस्टम ऑब्जेक्टस्क्रिप्टमध्ये, इतर समर्थित भाषांसह. शिवाय, प्लॅटफॉर्म प्रक्रिया श्रेणीबद्धपणे नेस्टेड तुकड्यांच्या स्वरूपात "रेखांकन" करण्यासाठी खूप विस्तृत शक्यता प्रदान करते (खालील आकृतीमधील उदाहरणामध्ये पाहिल्याप्रमाणे), जे तुम्हाला "बाहेर न पडता" अगदी जटिल सामग्री देखील प्रभावीपणे व्यवस्थापित करण्यास अनुमती देते. कुठेही ग्राफिक स्वरूप (“नॉन-ग्राफिक» पद्धती/वर्ग/प्रक्रिया इ. मध्ये). म्हणजेच, आवश्यक असल्यास (आणि बहुतेक प्रकल्पांमध्ये ते अपेक्षित आहे), पूर्णपणे सर्व AI/ML उपाय ग्राफिकल स्व-टिप्पणी स्वरूपात लागू केले जाऊ शकतात. कृपया लक्षात घ्या की खालील आकृतीच्या मध्यभागी, जे उच्च "नेस्टिंग लेव्हल" दर्शविते, आपण हे पाहू शकता की मॉडेलला प्रशिक्षण देण्याच्या वास्तविक कार्याव्यतिरिक्त (पायथन आणि आर वापरून), तथाकथित आरओसीचे विश्लेषण. प्रशिक्षित मॉडेलचे वक्र जोडले गेले आहे, जे दृष्यदृष्ट्या (आणि संगणकीयदृष्ट्या देखील) प्रशिक्षणाच्या गुणवत्तेचे मूल्यांकन करण्यास अनुमती देते - आणि हे विश्लेषण ज्युलिया भाषेत लागू केले जाते (ते अनुक्रमे ज्युलिया वातावरणात अंमलात आणले जाते).

आकृती 13 इंटरसिस्टम्स IRIS मध्ये AI/ML सोल्यूशन्स तयार करण्यासाठी व्हिज्युअल वातावरण

आधी सांगितल्याप्रमाणे, प्लॅटफॉर्ममध्ये आधीच अंमलात आणलेल्या AI/ML यंत्रणांचे प्रारंभिक विकास आणि (काही प्रकरणांमध्ये) रुपांतर प्लॅटफॉर्मच्या बाहेर ज्युपिटर एडिटरमध्ये केले जाऊ शकते. खालील आकृतीमध्ये, आम्ही विद्यमान प्लॅटफॉर्म प्रक्रियेला अनुकूल करण्याचे उदाहरण पाहतो (वरील आकृतीप्रमाणेच) - मॉडेलला प्रशिक्षण देण्यासाठी जबाबदार असलेला तुकडा ज्युपिटरमध्ये कसा दिसतो. ज्युपिटरमध्ये थेट संपादन, डीबगिंग, ग्राफिक्स आउटपुटसाठी पायथन सामग्री उपलब्ध आहे. बदल (आवश्यक असल्यास) प्लॅटफॉर्म प्रक्रियेमध्ये झटपट सिंक्रोनाइझेशनसह, त्याच्या उत्पादन आवृत्तीसह केले जाऊ शकतात. त्याचप्रमाणे, नवीन सामग्री प्लॅटफॉर्मवर हस्तांतरित केली जाऊ शकते (एक नवीन प्लॅटफॉर्म प्रक्रिया स्वयंचलितपणे व्युत्पन्न होते).

आकृती 14 इंटरसिस्टम्स IRIS प्लॅटफॉर्ममध्ये AI/ML इंजिन संपादित करण्यासाठी ज्युपिटर नोटबुक वापरणे

प्लॅटफॉर्म प्रक्रियेचे अनुकूलन केवळ ग्राफिकल किंवा नोटबुक स्वरूपातच नाही तर “एकूण” IDE (इंटिग्रेटेड डेव्हलपमेंट एन्व्हायर्नमेंट) स्वरूपात देखील केले जाऊ शकते. हे IDE IRIS स्टुडिओ (नेटिव्ह IRIS स्टुडिओ), व्हिज्युअल स्टुडिओ कोड (VSCode साठी इंटरसिस्टम्स IRIS विस्तार), आणि Eclipse (Atelier प्लगइन) आहेत. काही प्रकरणांमध्ये, विकास कार्यसंघाला एकाच वेळी तीनही IDE वापरणे शक्य आहे. खालील आकृती IRIS स्टुडिओ, व्हिज्युअल स्टुडिओ कोड आणि एक्लिप्समध्ये समान प्रक्रिया संपादित करण्याचे उदाहरण दाखवते. पूर्णपणे सर्व सामग्री संपादनासाठी उपलब्ध आहे: पायथन / आर / ज्युलिया / एसक्यूएल, आणि ऑब्जेक्टस्क्रिप्ट आणि एक व्यवसाय प्रक्रिया.

आकृती 15 विविध IDE मध्ये इंटरसिस्टम्स IRIS व्यवसाय प्रक्रियेचा विकास

InterSystems IRIS व्यवसाय प्रक्रिया वर्णन आणि बिझनेस प्रोसेस लँग्वेज (BPL) मध्ये अंमलबजावणी साधने विशेष उल्लेखास पात्र आहेत. बीपीएल व्यवसाय प्रक्रियेत "रेडीमेड इंटिग्रेशन घटक" (क्रियाकलाप) वापरणे शक्य करते - जे खरेतर, इंटरसिस्टम्स IRIS मध्ये "सतत एकीकरण" लागू केले आहे असे ठासून सांगण्याचे पूर्ण कारण देते. तयार व्यवसाय प्रक्रिया घटक (क्रियाकलाप आणि त्यांच्यातील दुवे) AI/ML सोल्यूशन एकत्र करण्यासाठी सर्वात शक्तिशाली प्रवेगक आहेत. आणि केवळ असेंब्लीच नाही: त्यांच्यातील क्रियाकलाप आणि कनेक्शनबद्दल धन्यवाद, भिन्न एआय / एमएल विकास आणि यंत्रणा, एक "स्वायत्त व्यवस्थापन स्तर" दिसून येतो जो वास्तविक वेळेत परिस्थितीनुसार निर्णय घेण्यास सक्षम आहे.

आकृती 16 इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर सतत एकात्मता (CI) साठी तयार व्यवसाय प्रक्रिया घटक

एजंट सिस्टमची संकल्पना (ते "मल्टी-एजंट सिस्टम" देखील आहेत) रोबोटिक्समध्ये मजबूत स्थान आहे, आणि इंटरसिस्टम्स IRIS प्लॅटफॉर्म "उत्पादन-प्रक्रिया" रचनेद्वारे सेंद्रियपणे त्याचे समर्थन करते. एकूणच समाधानासाठी आवश्यक असलेल्या कार्यक्षमतेसह प्रत्येक प्रक्रियेला "स्टफिंग" करण्याच्या अमर्याद शक्यतांव्यतिरिक्त, "एजन्सी" च्या मालमत्तेसह प्लॅटफॉर्म प्रक्रियेची प्रणाली प्रदान केल्याने तुम्हाला अत्यंत अस्थिर सिम्युलेटेड घटना (सामाजिक/बायोसिस्टमचे वर्तन) साठी प्रभावी उपाय तयार करण्याची परवानगी मिळते. , अंशतः निरीक्षण करण्यायोग्य तांत्रिक प्रक्रिया इ.).

आकृती 16 इंटरसिस्टम्स IRIS मध्ये व्यवसाय प्रक्रिया एजंट प्रणाली म्हणून AI/ML सोल्यूशनचे ऑपरेशन

रिअल-टाइम समस्यांचे संपूर्ण वर्ग सोडवण्यासाठी प्लॅटफॉर्मच्या वापराविषयीच्या एका कथेसह आम्ही इंटरसिस्टम्स आयआरआयएसचे आमचे पुनरावलोकन सुरू ठेवतो (इंटरसिस्टम्स आयआरआयएसवरील प्लॅटफॉर्म एआय/एमएलच्या काही सर्वोत्तम पद्धतींबद्दल तपशीलवार माहिती आमच्या मागील एकामध्ये आढळते. वेबिनार).

मागील आकृतीच्या तीव्र पाठपुराव्यात, खाली एजंट सिस्टमचे अधिक तपशीलवार आकृती आहे. आकृती समान प्रोटोटाइप दर्शविते, सर्व चार एजंट प्रक्रिया दृश्यमान आहेत, त्यांच्यातील संबंध योजनाबद्धपणे रेखाटले आहेत: जनरेटर - उपकरण सेन्सरद्वारे डेटा तयार करणे हाताळतो, बफर - डेटाच्या रांगा व्यवस्थापित करतो, विश्लेषक - स्वतः मशीन लर्निंग करतो, मॉनिटर - नियंत्रित करतो मशीन लर्निंगची गुणवत्ता आणि मॉडेलला पुन्हा प्रशिक्षित करणे आवश्यक असल्याचे सिग्नल फीड करते.

आकृती 17 इंटरसिस्टम्स IRIS मध्ये व्यवसाय प्रक्रिया एजंट प्रणाली म्हणून AI/ML सोल्यूशनची रचना

खालील आकृती काही काळासाठी दुसर्‍या रोबोटिक प्रोटोटाइपचे (भावनिक मजकूर ओळख) स्वायत्त कार्य दर्शवते. वरच्या भागात - मॉडेल लर्निंग क्वालिटी इंडिकेटरची उत्क्रांती (गुणवत्ता वाढत आहे), खालच्या भागात - मॉडेल अॅप्लिकेशन क्वालिटी इंडिकेटरची डायनॅमिक्स आणि वारंवार प्रशिक्षणाची तथ्ये (रेड बार). जसे आपण पाहू शकता, सोल्यूशन कार्यक्षमतेने आणि स्वायत्तपणे स्वयं-शिकले गेले आहे आणि दिलेल्या गुणवत्ता स्तरावर कार्य करते (गुणवत्ता निर्देशकाची मूल्ये 80% च्या खाली येत नाहीत).

आकृती 18 इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर सतत (स्व-) शिक्षण (CT)

आम्ही आधी "ऑटो-एमएल" देखील नमूद केले आहे, परंतु खालील आकृती उदाहरण म्हणून दुसरा प्रोटोटाइप वापरून या कार्यक्षमतेचा तपशीलवार वापर दर्शवते. व्यवसाय प्रक्रियेच्या तुकड्याचा ग्राफिक आकृती H2O स्टॅकमध्ये सिम्युलेशन सुरू करणारी क्रियाकलाप दर्शविते, या सिम्युलेशनचे परिणाम दर्शविते (आरओसी वक्रांच्या तुलनात्मक तक्त्यानुसार, "मानवनिर्मित" मॉडेल्सवर परिणामी मॉडेलचे स्पष्ट वर्चस्व , तसेच मूळ डेटा सेटमध्ये उपलब्ध असलेल्या "सर्वात प्रभावशाली चल" ची स्वयंचलित ओळख). येथे महत्त्वाचा मुद्दा म्हणजे वेळ आणि तज्ञ संसाधनांची बचत, जी "ऑटो-एमएल" द्वारे साध्य केली जाते: आमची प्लॅटफॉर्म प्रक्रिया अर्ध्या मिनिटात काय करते (इष्टतम मॉडेल शोधणे आणि प्रशिक्षण देणे), तज्ञांना एका आठवड्यापासून ते एक आठवडा लागू शकतो. महिना

आकृती 19 इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर आधारित AI/ML सोल्यूशनमध्ये ऑटो-एमएल एकत्रीकरण

खाली दिलेला आकृती "क्लायमॅक्स खाली ठोठावतो" थोडेसे, परंतु रिअल-टाइम समस्यांचे वर्गीकरण पूर्ण करण्याचा हा एक चांगला मार्ग आहे: आम्ही तुम्हाला आठवण करून देतो की इंटरसिस्टम्स IRIS प्लॅटफॉर्मच्या सर्व क्षमतांसह, प्रशिक्षण मॉडेल त्याचे नियंत्रण अनिवार्य नाही. प्लॅटफॉर्म प्लॅटफॉर्मद्वारे नियंत्रित नसलेल्या टूलमध्ये प्रशिक्षित तथाकथित PMML मॉडेल स्पेसिफिकेशन बाह्यरित्या प्राप्त करू शकतो - आणि हे मॉडेल आयात केल्याच्या क्षणापासून रिअल टाइममध्ये लागू करू शकते. PMML तपशील. त्याच वेळी, हे लक्षात घेणे महत्त्वाचे आहे की सर्व AI/ML आर्टिफॅक्ट्स PMML स्पेसिफिकेशनमध्ये कमी केल्या जाऊ शकत नाहीत, जरी सर्वात सामान्य कलाकृतींनी याची परवानगी दिली असली तरीही. अशा प्रकारे, इंटरसिस्टम्स IRIS प्लॅटफॉर्ममध्ये "ओपन लूप" आहे आणि याचा अर्थ वापरकर्त्यांसाठी "प्लॅटफॉर्म गुलामगिरी" नाही.

आकृती 20 इंटरसिस्टम्स IRIS प्लॅटफॉर्मवर आधारित AI/ML सोल्यूशनमध्ये ऑटो-एमएल एकत्रीकरण

आम्ही InterSystems IRIS चे अतिरिक्त प्लॅटफॉर्म फायदे सूचीबद्ध करतो (स्पष्टतेसाठी, प्रक्रिया नियंत्रणाच्या संबंधात), जे कृत्रिम बुद्धिमत्ता आणि रीअल-टाइम मशीन लर्निंगच्या ऑटोमेशनमध्ये खूप महत्वाचे आहेत:

• कोणत्याही डेटा स्रोत आणि ग्राहकांसह प्रगत एकीकरण साधने (PCS/SCADA, उपकरणे, MRO, ERP, इ.)
• अंगभूत मल्टी-मॉडेल DBMS उच्च-कार्यक्षमता व्यवहार-विश्लेषणात्मक प्रक्रियेसाठी (हायब्रीड व्यवहार/विश्लेषणात्मक प्रक्रिया, HTAP) प्रक्रिया डेटाच्या कोणत्याही खंडांच्या
• पायथन, आर, ज्युलियावर आधारित रिअल-टाइम एआय/एमएल निर्णय इंजिनच्या सतत तैनातीसाठी विकास साधने
• रिअल-टाइम एआय/एमएल सोल्यूशन्सचे सतत एकीकरण आणि (स्व-) शिक्षण यंत्रणांसाठी अनुकूल व्यवसाय प्रक्रिया
• प्रक्रिया डेटा आणि AI/ML सोल्यूशन परिणाम व्हिज्युअलायझ करण्यासाठी एम्बेडेड बिझनेस इंटेलिजन्स टूल्स
• API व्यवस्थापन प्रक्रिया नियंत्रण प्रणाली / SCADA, माहिती आणि विश्लेषणात्मक प्रणाली, सूचना पाठवणे इत्यादीसाठी AI/ML सोल्यूशनचे परिणाम वितरीत करण्यासाठी.

InterSystems IRIS प्लॅटफॉर्मवर आधारित AI/ML सोल्यूशन्स सध्याच्या IT पायाभूत सुविधांमध्ये सहज बसतात. इंटरसिस्टम्स IRIS प्लॅटफॉर्म दोष-सहिष्णु आणि आपत्ती-सहिष्णु कॉन्फिगरेशन आणि आभासी वातावरणात, भौतिक सर्व्हरवर, खाजगी आणि सार्वजनिक ढगांमध्ये, डॉकर कंटेनरमध्ये लवचिक उपयोजनासाठी समर्थनाद्वारे AI/ML सोल्यूशन्सची उच्च विश्वासार्हता प्रदान करते.

अशा प्रकारे, InterSystems IRIS हे एक सार्वत्रिक रिअल-टाइम AI/ML संगणकीय प्लॅटफॉर्म आहे. आमच्या प्लॅटफॉर्मच्या सार्वत्रिकतेची पुष्टी व्यवहारात लागू केलेल्या गणनांच्या जटिलतेवर वास्तविक निर्बंधांच्या अनुपस्थितीमुळे, विविध प्रकारच्या उद्योगांमधील परिस्थितींच्या प्रक्रियेस एकत्रित करण्याची (रिअल टाइममध्ये) इंटरसिस्टम्स IRIS ची क्षमता आणि अपवादात्मक अनुकूलता याद्वारे पुष्टी केली जाते. प्लॅटफॉर्मची कोणतीही कार्ये आणि यंत्रणा विशिष्ट वापरकर्त्याच्या गरजांसाठी.

आकृती 21 इंटरसिस्टम्स IRIS - युनिव्हर्सल रिअल-टाइम AI/ML संगणन प्लॅटफॉर्म

येथे सादर केलेल्या सामग्रीमध्ये स्वारस्य असलेल्या आमच्या वाचकांशी अधिक ठोस संवादासाठी, आम्ही शिफारस करतो की तुम्ही ते वाचण्यापुरते मर्यादित राहू नका आणि संवाद “लाइव्ह” सुरू ठेवा. तुमच्या कंपनीच्या वैशिष्ट्यांच्या संदर्भात रिअल-टाइम एआय/एमएल परिस्थिती तयार करण्यासाठी, इंटरसिस्टीम्स IRIS प्लॅटफॉर्मवर संयुक्त प्रोटोटाइपिंग करण्यास, कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंगची ओळख करून देण्यासाठी एक रोडमॅप तयार करण्यात आणि प्रत्यक्षात आणण्यात आम्हाला आनंद होईल. तुमच्या उत्पादन आणि व्यवस्थापन प्रक्रियेत. आमच्या AI/ML तज्ञ गटाचा संपर्क ईमेल पत्ता आहे [ईमेल संरक्षित].

स्त्रोत: www.habr.com