InterSystems IRIS - universal real-time AI/ML ပလပ်ဖောင်း

စာရေးသူ- InterSystems မှ အတိုင်ပင်ခံအင်ဂျင်နီယာ Sergey Lukyanchikov

အချိန်နှင့်တပြေးညီ AI/ML ကွန်ပျူတာခေါ်ဆိုမှုများ

InterSystems တွင် Data Science လေ့ကျင့်မှုအတွေ့အကြုံမှ ဥပမာများဖြင့် စတင်ကြပါစို့။

• တင်ထားသော ဝယ်သူပေါ်တယ်သည် အွန်လိုင်း အကြံပြုချက်စနစ်နှင့် ချိတ်ဆက်ထားသည်။ လက်လီကွန်ရက်တစ်လျှောက် ပရိုမိုးရှင်းများကို ပြန်လည်ဖွဲ့စည်းခြင်းရှိလိမ့်မည် (ဥပမာ၊ ပရိုမိုးရှင်း၏ “ပြားချပ်ချပ်” လိုင်းအစား “အပိုင်း-နည်းဗျူဟာများ” မက်ထရစ်ကို ယခုအသုံးပြုပါမည်)။ အကြံပြုချက်အင်ဂျင်များ ဘာဖြစ်သွားမလဲ။ အကြံပြုချက်အင်ဂျင်သို့ ဒေတာတင်သွင်းခြင်းနှင့် အပ်ဒိတ်လုပ်ခြင်း (input data ပမာဏသည် အဆ 25000 တိုးလာသည်)။ အကြံပြုချက်များ ဖွံ့ဖြိုးတိုးတက်လာသောအခါ (၎င်းတို့၏အရေအတွက်နှင့် "အပိုင်းအခြား" အဆတစ်ထောင်တိုးလာခြင်းကြောင့် အကြံပြုချက်စည်းမျဉ်းများ၏ စစ်ထုတ်မှုအဆင့်ကို အဆတစ်ထောင် လျှော့ချရန် လိုအပ်သည်)။
• စက်ပစ္စည်းအစိတ်အပိုင်းများတွင် ချို့ယွင်းချက်များ ဖြစ်ပေါ်လာနိုင်ခြေကို စောင့်ကြည့်ရန် စနစ်တစ်ခုရှိသည်။ အလိုအလျောက် လုပ်ငန်းစဉ်ထိန်းချုပ်မှုစနစ်သည် စောင့်ကြည့်ရေးစနစ်နှင့် ချိတ်ဆက်ထားပြီး နည်းပညာဆိုင်ရာ လုပ်ငန်းစဉ်ဘောင်များကို စက္ကန့်တိုင်းတွင် ထောင်နှင့်ချီသော ပို့လွှတ်လျက်ရှိသည်။ “လက်စွဲနမူနာများ” တွင် ယခင်က လုပ်ဆောင်ခဲ့သော စောင့်ကြည့်ရေးစနစ် (၎င်းသည် တစ်စက္ကန့်မှ စက္ကန့်အထိ ဖြစ်နိုင်ခြေ စောင့်ကြည့်စစ်ဆေးခြင်းကို ပံ့ပိုးပေးနိုင်စွမ်းရှိပါသလား)။ မကြာသေးမီက လုပ်ငန်းစဉ်ထိန်းချုပ်မှုစနစ်တွင် ထည့်သွင်းထားသော အာရုံခံကိရိယာများမှ ဖတ်ရှုခြင်းများဖြင့် ထည့်သွင်းသည့်ဒေတာတွင် ကော်လံရာပေါင်းများစွာရှိသော ပိတ်ဆို့အသစ်တစ်ခု ပေါ်လာပါက မည်သို့ဖြစ်မည်နည်း (ခွဲခြမ်းစိတ်ဖြာမှုတွင် အာရုံခံကိရိယာအသစ်များမှ အချက်အလက်များကို ထည့်သွင်းရန် စောင့်ကြည့်ရေးစနစ်အား မည်မျှကြာကြာ ရပ်တန့်ရန် လိုအပ်မည်နည်း။ )?
• AI/ML ယန္တရားအစုတစ်ခု (အကြံပြုချက်၊ စောင့်ကြည့်မှု၊ ခန့်မှန်းချက်) ကို တစ်ခုနှင့်တစ်ခု အလုပ်၏ရလဒ်များကို အသုံးပြုရန် ဖန်တီးထားသည်။ input data အပြောင်းအလဲအတွက် ဤရှုပ်ထွေးသောလုပ်ဆောင်ချက်ကို လိုက်လျောညီထွေဖြစ်အောင် လစဉ်လူနာရီမည်မျှလိုအပ်သနည်း။ စီမံခန့်ခွဲမှုဆိုင်ရာ ဆုံးဖြတ်ချက်ချမှတ်ခြင်းဆိုင်ရာ ရှုပ်ထွေးမှုကို ပံ့ပိုးပေးသည့်အခါ ယေဘူယျအားဖြင့် “နှေးကွေးခြင်း” သည် အဘယ်နည်း (၎င်းတွင် ပံ့ပိုးပေးသည့် အချက်အလက်အသစ်များ ပေါ်ပေါက်သည့် ကြိမ်နှုန်းနှင့် ဒေတာအသစ်များ ထည့်သွင်းသည့် အကြိမ်ရေနှင့် ဆက်စပ်မှု)။

ဤအရာများနှင့် အခြားဥပမာများစွာကို အကျဉ်းချုပ်အားဖြင့်၊ ကျွန်ုပ်တို့သည် စက်သင်ယူမှုနှင့် ဉာဏ်ရည်တုယန္တရားများကို အချိန်နှင့်တပြေးညီ အသုံးပြုခြင်းသို့ ပြောင်းရွှေ့သည့်အခါ ပေါ်ပေါက်လာသော စိန်ခေါ်မှုများကို ပုံဖော်ခြင်းသို့ ရောက်သည်-

• ကျွန်ုပ်တို့၏ကုမ္ပဏီရှိ AI/ML ဖွံ့ဖြိုးတိုးတက်မှုများ၏ ဖန်တီးမှုနှင့် လိုက်လျောညီထွေမှု (ပြောင်းလဲနေသောအခြေအနေသို့) အရှိန်အဟုန်ဖြင့် ကျေနပ်မှုရှိပါသလား။
• ကျွန်ုပ်တို့အသုံးပြုသည့် AI/ML ဖြေရှင်းချက်များသည် အချိန်နှင့်တစ်ပြေးညီ စီးပွားရေးစီမံခန့်ခွဲမှုကို မည်မျှပံ့ပိုးပေးသနည်း။
• ကျွန်ုပ်တို့အသုံးပြုသည့် AI/ML ဖြေရှင်းချက်များသည် ဒေတာနှင့် စီးပွားရေးစီမံခန့်ခွဲမှုဆိုင်ရာ အပြောင်းအလဲများနှင့် လိုက်လျောညီထွေဖြစ်စေရန် အမှီအခိုကင်းစွာ (ဆော့ဖ်ဝဲအင်ဂျင်နီယာများမပါဘဲ) လိုက်လျောညီထွေဖြစ်စေနိုင်ပါသလား။

ကျွန်ုပ်တို့၏ဆောင်းပါးသည် AI/ML ယန္တရားများ ဖြန့်ကျက်မှုအတွက် universal ပံ့ပိုးမှု၊ AI/ML ဖြေရှင်းချက်များ၏ စုစည်းမှု (ပေါင်းစပ်မှု) နှင့် AI/ML ဖြေရှင်းချက်များအား လေ့ကျင့်မှု (စမ်းသပ်ခြင်း) ဆိုင်ရာ အကျယ်တဝင့်ဖော်ပြချက်တွင် ကျွန်ုပ်တို့၏ဆောင်းပါးသည် ဒေတာစီးကြောင်းများ။ စျေးကွက်သုတေသန၊ AI/ML ဖြေရှင်းချက်များ၏ ဖြစ်ရပ်လေ့လာမှုများနှင့် ဤဆောင်းပါးတွင် ကျွန်ုပ်တို့သည် အချိန်နှင့်တပြေးညီ AI/ML ပလပ်ဖောင်းဟုခေါ်သော သဘောတရားဆိုင်ရာ ရှုထောင့်များကို ကြည့်ရှုပါမည်။

စစ်တမ်းများမှ ကျွန်ုပ်တို့ သိထားသည်များ- အချိန်နှင့်တစ်ပြေးညီ အသုံးချပရိုဂရမ်များ

ရလဒ်များကို စစ်တမ်းLightbend မှ 800 ခုနှစ်တွင် IT ပညာရှင် 2019 နီးပါးကြားတွင် ပြုလုပ်ခဲ့ပြီး ၎င်းတို့အတွက် စကားပြောဆိုပါ-

ပုံ 1 သည် အချိန်နှင့်တပြေးညီ ဒေတာကို ဦးဆောင်နေသော သုံးစွဲသူများဖြစ်သည်။

ကျွန်ုပ်တို့၏ဘာသာပြန်တွင် ဤစစ်တမ်း၏ရလဒ်များဆိုင်ရာ အစီရင်ခံစာ၏ အရေးကြီးသောအပိုင်းအစများကို ကိုးကားကြပါစို့-

"... ဒေတာစီးကြောင်းများ ပေါင်းစပ်ခြင်းအတွက် ကိရိယာများ၏ လူကြိုက်များမှု ခေတ်ရေစီးကြောင်းနှင့် တစ်ချိန်တည်းမှာပင်၊ ကွန်တိန်နာများတွင် ကွန်ပျူတာအသုံးပြုခြင်းကို ပံ့ပိုးပေးခြင်းသည် ပိုမိုတုံ့ပြန်မှုရှိသော၊ ကျိုးကြောင်းဆီလျော်ပြီး တက်ကြွသောဖြေရှင်းချက်များအတွက် စျေးကွက်တောင်းဆိုမှုကို ပေါင်းစပ်တုံ့ပြန်မှုတစ်ခုပေးပါသည်။ Streaming data သည် သမားရိုးကျ packet data များထက် သတင်းအချက်အလက်များကို ပိုမိုမြန်ဆန်စွာ လွှဲပြောင်းပေးပါသည်။ ၎င်းတွင် ထပ်လောင်းဖြည့်စွက်သည်မှာ ဥပမာ၊ AI/ML-based အကြံပြုချက်များကဲ့သို့သော ကွန်ပြူတာနည်းလမ်းများကို လျင်မြန်စွာအသုံးချနိုင်ခြင်း၊ ဖောက်သည်စိတ်ကျေနပ်မှုတိုးမြင့်လာခြင်းဖြင့် ပြိုင်ဆိုင်မှုဆိုင်ရာအားသာချက်များကို ဖန်တီးပေးနိုင်သည်။ သွက်လက်မှုအတွက် ပြိုင်ဆိုင်မှုသည် DevOps ပါရာဒိုင်းတွင် အခန်းကဏ္ဍအားလုံးကို သက်ရောက်မှုရှိပြီး အက်ပ်လီကေးရှင်းဖွံ့ဖြိုးတိုးတက်မှုနှင့် အသုံးချမှုကို ပိုမိုထိရောက်စေသည်။ … အိုင်တီပညာရှင် ရှစ်ရာလေးဦးသည် ၎င်းတို့၏အဖွဲ့အစည်းအတွင်း ဒေတာစီးဆင်းမှုအသုံးပြုမှုနှင့်ပတ်သက်သည့် အချက်အလက်များကို ပေးဆောင်ခဲ့သည်။ ဖြေဆိုသူများသည် အနောက်နိုင်ငံများ (ဥရောပတွင် 41% နှင့် မြောက်အမေရိကတွင် 37%) တွင် အများစုတည်ရှိပြီး အသေးစား၊ အလတ်စားနှင့် အကြီးစားကုမ္ပဏီများကြားတွင် အညီအမျှခွဲဝေပေးကြသည်။ ...

... Artificial Intelligence ဟာ ဖောင်းပွနေတာ မဟုတ်ပါဘူး။ ကုန်ထုတ်စွမ်းအား AI/ML အပလီကေးရှင်းများတွင် data stream processing ကိုအသုံးပြုပြီးသူ၏ငါးဆယ့်ရှစ်ရာခိုင်နှုန်းသည် ၎င်းတို့၏ AI/ML ကိုအသုံးပြုမှုသည် လာမည့်နှစ်တွင် အကြီးကျယ်ဆုံးတိုးတက်မှုကိုတွေ့မြင်ရလိမ့်မည် (အခြားအပလီကေးရှင်းများနှင့်နှိုင်းယှဉ်ပါက) အတည်ပြုပါသည်။

• ဖြေဆိုသူအများစု၏အဆိုအရ AI/ML အခြေအနေများတွင် ဒေတာစီးကြောင်းများကို အသုံးပြုခြင်းသည် လာမည့်နှစ်တွင် အကြီးမားဆုံးတိုးတက်မှုကို မြင်တွေ့ရမည်ဖြစ်သည်။
• AI/ML ရှိ အပလီကေးရှင်းများသည် အတော်လေး အခြေအနေသစ်များကြောင့်သာမက အချိန်နှင့်တပြေးညီ ဒေတာကို ပိုမိုအသုံးပြုနေသည့် ရိုးရာအခြေအနေများကြောင့်လည်း ကြီးထွားလာမည်ဖြစ်သည်။
• AI/ML အပြင်၊ IoT ဒေတာပိုက်လိုင်းများ၏ သုံးစွဲသူများကြား စိတ်အားထက်သန်မှုအဆင့်သည် အထင်ကြီးလောက်စရာဖြစ်သည် - IoT ဒေတာကို ပေါင်းစပ်ထားပြီးသော 48% က မကြာမီကာလအတွင်း ဤဒေတာအပေါ် ဇာတ်လမ်းပုံစံအကောင်အထည်ဖော်မှုမှာ သိသာထင်ရှားစွာ တိုးလာမည်ဟု ဆိုကြသည်။ ...”

ဤစိတ်ဝင်စားဖွယ်ကောင်းသော စစ်တမ်းမှ၊ ဒေတာစီးကြောင်းများကို သုံးစွဲမှုတွင် ခေါင်းဆောင်များအဖြစ် စက်သင်ယူမှုနှင့် ဉာဏ်ရည်တုဆိုင်ရာ မြင်ကွင်းများကို ခံယူချက်သည် “လမ်းစပေါ်နေပြီ” ဖြစ်သည်ကို ရှင်းရှင်းလင်းလင်း သိသာပါသည်။ သို့သော် ထပ်တူထပ်မျှ အရေးကြီးသော လေ့လာတွေ့ရှိချက်မှာ DevOps ၏ မှန်ဘီလူးမှတစ်ဆင့် အချိန်နှင့်တစ်ပြေးညီ AI/ML ၏ ခံယူချက်ဖြစ်သည်- ဤနေရာတွင် ကျွန်ုပ်တို့သည် “အပြည့်အ၀သုံးနိုင်သော ဒေတာအစုံဖြင့် တစ်ခါသုံး AI/ML ၏ လွှမ်းမိုးနေသော ယဉ်ကျေးမှုကို အသွင်ပြောင်းခြင်းအကြောင်း စတင်နေပြီဖြစ်သည်။”

အချိန်နှင့်တပြေးညီ AI/ML ပလပ်ဖောင်းအယူအဆ

အချိန်နှင့်တပြေးညီ AI/ML အတွက် ပုံမှန်အသုံးချဧရိယာတစ်ခုမှာ ထုတ်လုပ်မှုတွင် လုပ်ငန်းစဉ်ထိန်းချုပ်မှုဖြစ်သည်။ သူမ၏နမူနာကိုအသုံးပြု၍ ယခင်အတွေးများကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့် ကျွန်ုပ်တို့သည် အချိန်နှင့်တပြေးညီ AI/ML ပလပ်ဖောင်း၏ သဘောတရားကို ပုံဖော်ပါမည်။
လုပ်ငန်းစဉ်ထိန်းချုပ်မှုတွင် ဉာဏ်ရည်တုနှင့် စက်သင်ယူခြင်းတို့ကို အသုံးပြုခြင်းတွင် အင်္ဂါရပ်များစွာရှိသည်။

• နည်းပညာဆိုင်ရာ လုပ်ငန်းစဉ်၏ အခြေအနေအပေါ် ဒေတာကို ပြင်းပြင်းထန်ထန် လက်ခံရရှိသည်- မြင့်မားသော ကြိမ်နှုန်းဖြင့် ကန့်သတ်ဘောင်များ (လုပ်ငန်းစဉ် ထိန်းချုပ်စနစ်မှ တစ်စက္ကန့်လျှင် သောင်းနှင့်ချီသော ပါရာမီတာတန်ဖိုးများအထိ)၊
• ၎င်းတို့၏ ဖွံ့ဖြိုးတိုးတက်မှုဆိုင်ရာ ဒေတာကို ဖော်ပြခြင်းမပြုဘဲ ချို့ယွင်းချက်များကို ဖော်ထုတ်ခြင်းဆိုင်ရာ ဒေတာ၊ ဆန့်ကျင်ဘက်တွင် ရှားပါးပြီး ပုံမှန်မဟုတ်သော ချို့ယွင်းချက်များ၏ မလုံလောက်သော အမျိုးအစားခွဲခြားခြင်းနှင့် ၎င်းတို့၏ အချိန်အလိုက် နေရာချထားခြင်းတို့ဖြင့် လက္ခဏာရပ်များ (မကြာခဏဆိုသလို စက္ကူမှတ်တမ်းများဖြင့် ကိုယ်စားပြုသည်)
• လက်တွေ့ကျသောရှုထောင့်မှကြည့်လျှင် လုပ်ငန်းစဉ်ဘောင်များ၏ နောက်ဆုံးဖတ်ရှုမှုတန်ဖိုးများနှင့်အတူ လုပ်ငန်းစဉ်ဘောင်များ၏ နောက်ဆုံးဖတ်ရှုမှုတန်ဖိုးများဖြင့် အဆုံးစွန်သော ကျိုးကြောင်းဆီလျော်သော လျှောလျှောကြားကာလတစ်ခုအတွင်း နည်းပညာဆိုင်ရာ လုပ်ငန်းစဉ်များ၏ ဒိုင်းနမစ်များကို ထင်ဟပ်ဖော်ပြသည့် လေ့ကျင့်မှုနှင့် မော်ဒယ်များကို အသုံးပြုရန်အတွက် အရင်းအမြစ်ဒေတာ၏ "သက်ဆိုင်မှုပြတင်းပေါက်" တစ်ခုသာ ရနိုင်ပါသည်။

ဤအင်္ဂါရပ်များသည် နည်းပညာဆိုင်ရာလုပ်ငန်းစဉ်မှ ပြင်းထန်သော “broadband input signal” ကို အချိန်နှင့်တပြေးညီ လက်ခံရရှိခြင်းနှင့် အခြေခံလုပ်ဆောင်ခြင်းအပြင်၊ AI ၏ရလဒ်များကို (အပြိုင်) လုပ်ဆောင်ရန် (အပြိုင်) လုပ်ဆောင်ရန်၊ ML မော်ဒယ်များ - အချိန်နှင့်တပြေးညီ။ ဆက်စပ်မှု၏လျှောပြတင်းပေါက်တွင် ကျွန်ုပ်တို့၏မော်ဒယ်များ "မြင်နေရသော" ဘောင်သည် အဆက်မပြတ်ပြောင်းလဲနေသည် - ၎င်းနှင့်အတူ၊ ယခင်က "ဘောင်များ" တစ်ခုပေါ်တွင်လေ့ကျင့်ထားသော AI/ML မော်ဒယ်များ၏ အလုပ်ရလဒ်များ၏ အရည်အသွေးသည်လည်း ပြောင်းလဲသွားသည် . AI/ML မော်ဒယ်များ၏ လုပ်ဆောင်မှု ရလဒ်များ၏ အရည်အသွေး ဆိုးရွားနေပါက (ဥပမာ- "alarm-norm" အမျိုးအစား ခွဲခြားမှု၏ တန်ဖိုးသည် ကျွန်ုပ်တို့ သတ်မှတ်ထားသော ကန့်သတ်ချက်ထက် ကျော်လွန်သွားသည်)၊ မော်ဒယ်များ၏ နောက်ထပ် လေ့ကျင့်မှုများကို အလိုအလျောက် စတင်သင့်ပါသည်။ ပိုမိုလက်ရှိ "ဘောင်" - နှင့်မော်ဒယ်များ၏နောက်ထပ်လေ့ကျင့်ရေးစတင်ရန်အခိုက်အတန့်ရွေးချယ်မှုသည်လေ့ကျင့်မှုကိုယ်တိုင်၏ကြာချိန်နှင့်မော်ဒယ်များ၏လက်ရှိဗားရှင်း၏အလုပ်အရည်အသွေးတွင်ယိုယွင်းပျက်စီးမှုကိုထည့်သွင်းစဉ်းစားသင့်သည် (ကတည်းက မော်ဒယ်များ၏ လက်ရှိဗားရှင်းများကို လေ့ကျင့်သင်ကြားနေစဉ်တွင် ဆက်လက်အသုံးပြုနေပြီး ၎င်းတို့၏ "လေ့ကျင့်ပြီးသား" ဗားရှင်းများ မပေါ်ပေါက်မချင်း)။

InterSystems IRIS တွင် အချိန်နှင့်တပြေးညီ လုပ်ငန်းစဉ်ထိန်းချုပ်မှုအတွက် AI/ML ဖြေရှင်းချက်များကို ဖွင့်ရန် အဓိကပလက်ဖောင်းစွမ်းရည်များရှိသည်။ ဤစွမ်းရည်များကို အဓိကအုပ်စုသုံးစု ခွဲခြားနိုင်သည်။

• InterSystems IRIS ပလပ်ဖောင်းပေါ်တွင် အချိန်နှင့်တပြေးညီ လုပ်ဆောင်နေသော လက်ရှိ AI/ML ယန္တရားများ အသစ် သို့မဟုတ် လိုက်လျောညီထွေဖြစ်အောင် AI/ML ယန္တရားများကို စဉ်ဆက်မပြတ် ဖြန့်ကျက်ချထားခြင်း (Continuous Deployment/Delivery၊ CD)
• အဆက်မပြတ်ပေါင်းစည်းခြင်း (CI) သည် ဝင်လာသော နည်းပညာဆိုင်ရာ လုပ်ငန်းစဉ်ဒေတာစီးကြောင်းများ၏ တစ်ခုတည်းသော အကျိုးဖြစ်ထွန်းသော အဖြေတစ်ခုအဖြစ်၊ AI/ML ယန္တရားများ၏ အရည်အသွေးထိန်းချုပ်မှုအတွက် လျှောက်လွှာ/လေ့ကျင့်ရေး/အရည်အသွေးထိန်းချုပ်မှုအတွက် ဒေတာတန်းစီခြင်းနှင့် ဒေတာ/ကုဒ်/ထိန်းချုပ်မှုလုပ်ဆောင်ချက်များကို အချိန်နှင့်တပြေးညီ ကြိုးကိုင်ပေးထားသည့် သင်္ချာပုံစံပတ်ဝန်းကျင်များဖြင့် ဖလှယ်ခြင်း ပလပ်ဖောင်း InterSystems IRIS
• InterSystems IRIS ပလပ်ဖောင်းမှ ထုတ်လွှင့်သော ဒေတာ၊ ကုဒ်နှင့် ထိန်းချုပ်မှုလုပ်ဆောင်ချက်များ (“ဆုံးဖြတ်ချက်များ”) ကို အသုံးပြု၍ သင်္ချာပုံစံပတ်ဝန်းကျင်တွင် AI/ML ယန္တရားများ၏ စဉ်ဆက်မပြတ် (ကိုယ်တိုင်) လေ့ကျင့်ရေး (Continuous Training, CT)

စက်သင်ယူမှုနှင့် ဉာဏ်ရည်တုဆိုင်ရာ ပလက်ဖောင်းစွမ်းရည်များကို အတိအကျ ခွဲခြားသတ်မှတ်ခြင်းသည် မတော်တဆမဟုတ်ပေ။ နည်းစနစ်ပိုင်းကို ကိုးကားကြပါစို့ ထုတ်ဝေ ကျွန်ုပ်တို့၏ဘာသာပြန်ချက်တွင် ဤအမျိုးအစားခွဲခြားမှုအတွက် သဘောတရားအခြေခံကို ပံ့ပိုးပေးသော Google၊

“... ယနေ့ခေတ်ရေပန်းစားနေတဲ့ DevOps အယူအဆဟာ အကြီးစားသတင်းအချက်အလက်စနစ်တွေရဲ့ ဖွံ့ဖြိုးတိုးတက်မှုနဲ့ လည်ပတ်မှုကို အကျုံးဝင်ပါတယ်။ ဤသဘောတရားကို အကောင်အထည်ဖော်ခြင်း၏ အားသာချက်များမှာ ဖွံ့ဖြိုးတိုးတက်မှု စက်ဝန်းများ၏ ကြာချိန်ကို လျှော့ချခြင်း၊ ဖွံ့ဖြိုးတိုးတက်မှုများကို ပိုမိုမြန်ဆန်စွာ အသုံးချခြင်းနှင့် ထုတ်ဝေမှု အစီအစဉ်ဆွဲခြင်းတွင် လိုက်လျောညီထွေရှိခြင်းတို့ဖြစ်သည်။ ဤအကျိုးကျေးဇူးများရရှိရန် DevOps သည် အနည်းဆုံး အလေ့အကျင့်နှစ်ခုကို အကောင်အထည်ဖော်ရန် ပါဝင်သည်-

• ဆက်တိုက်ပေါင်းစည်းခြင်း (CI)
• ဆက်တိုက်ပေးပို့ခြင်း (CD)

ဤအလေ့အကျင့်များသည် ထိရောက်သော AI/ML ဖြေရှင်းချက်များ၏ ယုံကြည်စိတ်ချရပြီး စွမ်းဆောင်ရည်ပြည့်ဝသော စုဝေးမှုကိုသေချာစေရန် AI/ML ပလပ်ဖောင်းများနှင့်လည်း သက်ဆိုင်ပါသည်။

AI/ML ပလပ်ဖောင်းများသည် အောက်ပါအချက်များတွင် အခြားသော အချက်အလက်စနစ်များနှင့် ကွဲပြားသည်-

• အဖွဲ့လိုက်အရည်အချင်းများ- AI/ML ဖြေရှင်းချက်တစ်ခုကို ဖန်တီးသောအခါ၊ အဖွဲ့သည် ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်း၊ တီထွင်ခြင်းနှင့် စမ်းသပ်ခြင်းပုံစံများကို လုပ်ဆောင်သော ဒေတာသုတေသနနယ်ပယ်ရှိ ဒေတာသုတေသနနယ်ပယ်တွင် ဒေတာသိပ္ပံပညာရှင်များ သို့မဟုတ် "ပညာရပ်ဆိုင်ရာ" ကျွမ်းကျင်သူများ ပါဝင်လေ့ရှိပါသည်။ ဤအဖွဲ့၀င်များသည် ပရော်ဖက်ရှင်နယ် ဖြစ်ထွန်းသော ကုဒ်ဆော့ဖ်ဝဲရေးသားသူများ မဟုတ်နိုင်ပါ။
• ဖွံ့ဖြိုးတိုးတက်မှု- AI/ML အင်ဂျင်များသည် သဘာဝတွင် စမ်းသပ်ဆဲဖြစ်သည်။ ပြဿနာတစ်ခုအား အထိရောက်ဆုံးနည်းလမ်းဖြင့် ဖြေရှင်းနိုင်ရန်၊ ထည့်သွင်းမှုကိန်းရှင်များ၊ အယ်လဂိုရီသမ်များ၊ မော်ဒယ်လ်နည်းလမ်းများနှင့် မော်ဒယ်ဘောင်များကို အမျိုးမျိုးသော ပေါင်းစပ်ပေါင်းစပ်မှုများမှတစ်ဆင့် လုပ်ဆောင်ရန် လိုအပ်ပါသည်။ ထိုသို့ရှာဖွေမှု၏ ရှုပ်ထွေးမှုသည် အပိုင်းများကို ပြန်ပွားနိုင်စေရန်၊ ထပ်ခါတလဲလဲ အကောင်အထည်ဖော်မှုများအတွက် တိုးတက်မှုများကို ယေဘူယျအဖြစ် သေချာစေသည့် "အလုပ်/မလုပ်ဘူး" ကို ခြေရာခံခြင်းဖြစ်သည်။
• စမ်းသပ်ခြင်း- AI/ML အင်ဂျင်များကို စမ်းသပ်ခြင်းသည် အခြားသော တိုးတက်မှုအများစုထက် စမ်းသပ်မှုများစွာ လိုအပ်ပါသည်။ စံယူနစ်နှင့် ပေါင်းစပ်စစ်ဆေးမှုများအပြင်၊ လေ့ကျင့်ရေးနှင့် ထိန်းချုပ်နမူနာများတွင် မော်ဒယ်ကို အသုံးပြုခြင်း၏ ရလဒ်များ၏ အရည်အသွေးနှင့် ဒေတာတရားဝင်မှုကို စမ်းသပ်သည်။
• အသုံးချခြင်း- AI/ML ဖြေရှင်းချက်များကို ဖြန့်ကျက်ခြင်းသည် တစ်ကြိမ်လေ့ကျင့်ထားသည့် မော်ဒယ်ကို အသုံးပြုသည့် ကြိုတင်ခန့်မှန်းဝန်ဆောင်မှုများအတွက် အကန့်အသတ်မရှိပါ။ AI/ML ဖြေရှင်းချက်များအား အလိုအလျောက် မော်ဒယ်လေ့ကျင့်ရေးနှင့် အသုံးချမှု လုပ်ဆောင်သည့် အဆင့်ဆင့်သော ပိုက်လိုင်းများအနီးတွင် တည်ဆောက်ထားသည်။ ထိုသို့သောပိုက်လိုင်းများကို ဖြန့်ကျက်ရာတွင် အသေးအဖွဲမဟုတ်သော လုပ်ဆောင်ချက်များကို အလိုအလျောက်လုပ်ဆောင်ခြင်းတွင် ဒေတာသိပ္ပံပညာရှင်များက လေ့ကျင့်သင်ကြားပေးပြီး မော်ဒယ်များကို စမ်းသပ်နိုင်စေရန်အတွက် အစဉ်အလာအတိုင်း လုပ်ဆောင်ခြင်းဖြစ်သည်။
• ကုန်ထုတ်စွမ်းအား- AI/ML အင်ဂျင်များသည် ထိရောက်မှုမရှိသော ပရိုဂရမ်ရေးဆွဲခြင်းကြောင့်သာမက input data ၏ အဆက်မပြတ်ပြောင်းလဲနေသော သဘောသဘာဝကြောင့်လည်း ကုန်ထုတ်စွမ်းအား ချို့တဲ့နိုင်သည်။ တစ်နည်းဆိုရသော် AI/ML ယန္တရားများ၏ စွမ်းဆောင်ရည်သည် သမားရိုးကျတိုးတက်မှုများထက် ပိုမိုကျယ်ပြန့်သော အကြောင်းပြချက်များကြောင့် ကျဆင်းသွားနိုင်သည်။ ၎င်းသည် ကျွန်ုပ်တို့၏ AI/ML အင်ဂျင်များ၏ စွမ်းဆောင်ရည်ကို (အွန်လိုင်း) စောင့်ကြည့်ရန် လိုအပ်သည့်အပြင် စွမ်းဆောင်ရည်ညွှန်းကိန်းများသည် မျှော်လင့်ထားသည်များနှင့် မကိုက်ညီပါက ရလဒ်များကို သတိပေးချက်များပေးပို့ခြင်း သို့မဟုတ် ငြင်းပယ်ခြင်းတို့ကို ဖြစ်စေသည်။

AI/ML ပလပ်ဖောင်းများသည် ဗားရှင်းထိန်းချုပ်မှု၊ ယူနစ်စမ်းသပ်မှု၊ ပေါင်းစည်းမှုစမ်းသပ်မှုနှင့် စဉ်ဆက်မပြတ် ဖွံ့ဖြိုးတိုးတက်မှု ဖြန့်ကျက်မှုတို့နှင့်အတူ ဆက်တိုက်ကုဒ်ပေါင်းစပ်မှု လိုအပ်သော AI/ML ပလပ်ဖောင်းများသည် အခြားသော အချက်အလက်စနစ်များနှင့် ဆင်တူသည်။ သို့သော်လည်း AI/ML ကိစ္စတွင်၊ များစွာသော အရေးကြီးသော ကွဲပြားချက်များ ရှိပါသည်။

• CI (Continuous Integration) သည် အသုံးချထားသော အစိတ်အပိုင်းများ၏ ကုဒ်ကို စမ်းသပ်ခြင်းနှင့် တရားဝင်ခြင်းအတွက် အကန့်အသတ်မဟုတ်တော့ပါ - ၎င်းတွင် ဒေတာစမ်းသပ်ခြင်းနှင့် အတည်ပြုခြင်းနှင့် AI/ML မော်ဒယ်များလည်း ပါဝင်သည်။
• CD (စဉ်ဆက်မပြတ် ပေးပို့ခြင်း/ဖြန့်ကျက်ခြင်း၊ စဉ်ဆက်မပြတ် ဖြန့်ကျက်ခြင်း) သည် ပက်ကေ့ဂျ်များ သို့မဟုတ် ဝန်ဆောင်မှုများကို ရေးသားခြင်းနှင့် ထုတ်လွှတ်ခြင်းအတွက် အကန့်အသတ်မရှိသော်လည်း AI/ML ဖြေရှင်းချက်များကို ပေါင်းစပ်ခြင်း၊ လေ့ကျင့်သင်ကြားခြင်းနှင့် အသုံးချခြင်းအတွက် ပလပ်ဖောင်းတစ်ခုကို ရည်ညွှန်းပါသည်။
• CT (Continuous Training၊ စဉ်ဆက်မပြတ် လေ့ကျင့်ရေး) သည် ဒြပ်စင်အသစ်တစ်ခုဖြစ်သည်။ ဆောင်းပါး၏ရေးသားသူ- CT သည် စည်းကမ်းအတိုင်း၊ ဆက်တိုက်စမ်းသပ်ခြင်းဖြစ်သည့် DevOps ၏ ရိုးရာအယူအဆနှင့်ဆက်စပ်သော ဒြပ်စင်အသစ်တစ်ခု၊ AI/ML ပလပ်ဖောင်းများတွင် မွေးရာပါ AI/ML ပလပ်ဖောင်းများတွင် လေ့ကျင့်သင်ကြားခြင်းနှင့် အသုံးချခြင်းဆိုင်ရာယန္တရားများ၏ ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်စီမံခန့်ခွဲမှုအတွက် တာဝန်ရှိသည်။ /ML မော်ဒယ်များ။ ...”

အချိန်နှင့်တစ်ပြေးညီ ဒေတာများပေါ်တွင် လုပ်ဆောင်နေသော စက်သင်ယူမှုနှင့် ဉာဏ်ရည်တုသည် ပိုမိုကျယ်ပြန့်သော ကိရိယာများနှင့် အရည်အချင်းများ (ကုဒ်ဖွံ့ဖြိုးတိုးတက်မှုမှ သင်္ချာပုံစံပုံသဏ္ဍာန်ပတ်ဝန်းကျင်များအထိ)၊ လုပ်ငန်းဆိုင်ရာနှင့် ဘာသာရပ်နယ်ပယ်အားလုံးအကြား ပိုမိုနီးကပ်စွာပေါင်းစပ်မှု၊ ပိုမိုထိရောက်သော အဖွဲ့အစည်းနှင့် လူသားတို့အကြား ပိုမိုထိရောက်သော ပေါင်းစပ်မှုတစ်ခု လိုအပ်ကြောင်း ကျွန်ုပ်တို့ပြောနိုင်သည်။ စက်အရင်းအမြစ်များ။

အချိန်နှင့်တပြေးညီ မြင်ကွင်း- feed pumps များတွင် ချို့ယွင်းချက်များ ဖြစ်ပေါ်လာခြင်းကို အသိအမှတ်ပြုခြင်း။

ဥပမာတစ်ခုအနေဖြင့် လုပ်ငန်းစဉ်ထိန်းချုပ်ဧရိယာကို ဆက်လက်အသုံးပြုခြင်းဖြင့် တိကျသောပြဿနာတစ်ခုအား ထည့်သွင်းစဉ်းစားပါ (အစပိုင်းတွင် ကျွန်ုပ်တို့ဖော်ပြခဲ့ပြီးဖြစ်သည်) - လုပ်ငန်းစဉ်ပါရာမီတာတန်ဖိုးများကို အခြေခံ၍ ပန့်များအတွင်း ချို့ယွင်းချက်များ ဖွံ့ဖြိုးတိုးတက်မှုကို အချိန်နှင့်တစ်ပြေးညီ စောင့်ကြည့်စစ်ဆေးရန် လိုအပ်ပါသည်။ ဖော်ထုတ်ထားသော ချို့ယွင်းချက်များအကြောင်း ပြုပြင်ရေးဝန်ထမ်းများထံမှ အစီရင်ခံစာများ။

ပုံ 2 ချို့ယွင်းချက်များ ဖွံ့ဖြိုးတိုးတက်မှုကို စောင့်ကြည့်ခြင်းအတွက် ပြဿနာပုံစံရေးဆွဲခြင်း။

လက်တွေ့တွင် ဤနည်းဖြင့် လုပ်ဆောင်သည့် အလုပ်အများစု၏ အင်္ဂါရပ်တစ်ခုမှာ ဒေတာလက်ခံရရှိမှု (APCS) ၏ ပုံမှန်နှင့် ထိရောက်မှုကို အမျိုးအစားအမျိုးမျိုး၏ အပိုင်းနှင့် ပုံမှန်မဟုတ်သော ဖြစ်ပျက်မှု (နှင့် မှတ်ပုံတင်ခြင်း) တို့၏ ချို့ယွင်းချက်များ၏ နောက်ခံမြင်ကွင်းနှင့် ဆန့်ကျင်ဘက်တွင် ထည့်သွင်းစဉ်းစားရမည်ဖြစ်သည်။ တစ်နည်းဆိုရသော်- လုပ်ငန်းစဉ်ထိန်းချုပ်မှုစနစ်မှ ဒေတာသည် တစ်စက္ကန့်လျှင်တစ်ကြိမ် ရောက်ရှိလာသည်၊ မှန်ကန်ပြီး တိကျသည်၊ ချို့ယွင်းချက်များအကြောင်း မှတ်စုများကို အလုပ်ရုံရှိ ယေဘူယျမှတ်စုစာအုပ်တွင် ရက်စွဲကို ညွှန်ပြသော ဓာတုခဲတံဖြင့် ပြုလုပ်ထားသည် (ဥပမာ- “12.01 – အဖုံးထဲသို့ ယိုစိမ့်ခြင်း 3rd bearing ၏ဘက်ခြမ်းမှ") ။

ထို့ကြောင့်၊ ကျွန်ုပ်တို့သည် အောက်ပါအရေးကြီးသောကန့်သတ်ချက်ဖြင့် ပြဿနာ၏ဖော်မြူလာကို ဖြည့်စွက်နိုင်သည်- ကျွန်ုပ်တို့တွင် သီးခြားအမျိုးအစားတစ်ခု၏ "တံဆိပ်" ချို့ယွင်းချက်တစ်ခုသာရှိသည် (ဆိုလိုသည်မှာ၊ အမျိုးအစားတစ်ခု၏ ချို့ယွင်းချက်တစ်ခု၏ ဥပမာတစ်ခုသည် လုပ်ငန်းစဉ်ထိန်းချုပ်မှုမှဒေတာဖြင့် ကိုယ်စားပြုသည် တိကျသောရက်စွဲတစ်ခုတွင် စနစ် - ကျွန်ုပ်တို့တွင် ဤအမျိုးအစား၏ ချို့ယွင်းချက် နောက်ထပ် ဥပမာများ မရှိပါ။) ဤကန့်သတ်ချက်သည် "တဂ်များ" များစွာရှိသင့်သည့် ဂန္ထဝင်စက်သင်ကြားမှု (ကြီးကြပ်သင်ကြားမှု) ၏ နယ်ပယ်ထက် ကျော်လွန်သွားပါသည်။

ပုံ 3 ချို့ယွင်းချက်များ ဖွံ့ဖြိုးတိုးတက်မှုကို စောင့်ကြည့်စစ်ဆေးခြင်းလုပ်ငန်း၏ ရှင်းလင်းချက်

ကျွန်ုပ်တို့၏ဆန္ဒအရ တစ်ခုတည်းသော “tag” ကို တစ်နည်းနည်းဖြင့် “များပြား” နိုင်ပါသလား။ ဟုတ်ကဲ့ ကျွန်တော် တတ်နိုင်ပါတယ်။ ပန့်၏လက်ရှိအခြေအနေသည် မှတ်ပုံတင်ထားသောချို့ယွင်းချက်များနှင့် ဆင်တူသည့်အတိုင်းအတာဖြင့် သွင်ပြင်လက္ခဏာဖြစ်သည်။ ပမာဏနည်းလမ်းများကို အသုံးမပြုဘဲပင်၊ အမြင်အာရုံခံယူမှုအဆင့်တွင်၊ လုပ်ငန်းစဉ်ထိန်းချုပ်မှုစနစ်မှ ရောက်ရှိလာသော ဒေတာတန်ဖိုးများ၏ ဒိုင်းနမစ်များကို လေ့လာခြင်းဖြင့်၊ သင်သည် များစွာသင်ယူနိုင်နေပြီဖြစ်သည်။

ပုံ 4 ပေးထားသောအမျိုးအစားတစ်ခု၏ချို့ယွင်းချက်တစ်ခု၏ "အမှတ်အသား" ၏နောက်ခံနှင့်ဆန့်ကျင်ဘက်ပန့်အခြေအနေ၏ Dynamics

သို့သော် အမြင်အာရုံခံယူချက် (အနည်းဆုံး ယခုခေတ်) သည် ကျွန်ုပ်တို့၏ လျင်မြန်စွာပြောင်းလဲနေသော အခြေအနေတွင် "tags" ၏ အသင့်တော်ဆုံး ဂျင်နရေတာ မဟုတ်ပေ။ ကိန်းဂဏန်းစစ်ဆေးမှုကို အသုံးပြု၍ ဖော်ပြထားသော ချို့ယွင်းချက်များနှင့် လက်ရှိစုပ်စက်အခြေအနေ၏ ဆင်တူယိုးမှားကို အကဲဖြတ်ပါမည်။

ပုံ 5 ချို့ယွင်းချက် “အညွှန်း” ၏ နောက်ကွယ်မှ ဝင်လာသော ဒေတာအတွက် ကိန်းဂဏန်းစမ်းသပ်မှုကို အသုံးချခြင်း

ကိန်းဂဏန်းစမ်းသပ်မှုတစ်ခုသည် လုပ်ငန်းစဉ်ထိန်းချုပ်မှုစနစ်မှရရှိသော "စီးဆင်းမှုပက်ကတ်" ရှိ နည်းပညာဆိုင်ရာ လုပ်ငန်းစဉ်ဘောင်များ၏ တန်ဖိုးများနှင့် မှတ်တမ်းများသည် အချို့သောအမျိုးအစားတစ်ခု၏ "တက်ဂ်" ၏ မှတ်တမ်းများနှင့် ဆင်တူကြောင်း ကိန်းဂဏန်းစမ်းသပ်မှုတစ်ခုက ဆုံးဖြတ်သည်။ ကိန်းဂဏန်းစမ်းသပ်မှုတစ်ခုအသုံးပြုခြင်းကြောင့် တွက်ချက်ထားသော ဖြစ်နိုင်ခြေတန်ဖိုး (ကိန်းဂဏန်းအလားတူအညွှန်းကိန်း) ကို 0 သို့မဟုတ် 1 တန်ဖိုးသို့ ပြောင်းသွားပြီး ဆင်တူယိုးမှားစစ်ဆေးထားသည့် ပက်ကတ်ရှိ မှတ်တမ်းတစ်ခုစီရှိ စက်သင်ယူမှုအတွက် "တံဆိပ်" ဖြစ်လာပါသည်။ ဆိုလိုသည်မှာ၊ အသစ်ရရှိထားသော ပန့်ပြည်နယ်မှတ်တမ်းများကို ကိန်းဂဏန်းစမ်းသပ်မှုဖြင့် စီမံဆောင်ရွက်ပြီးနောက်၊ ကျွန်ုပ်တို့သည် (က) AI/ML မော်ဒယ်ကို လေ့ကျင့်သင်ကြားရန်အတွက် သတ်မှတ်ထားသော လေ့ကျင့်မှုတွင် ဤပက်ကေ့ဂျ်ကို ပေါင်းထည့်ရန်နှင့် (ခ) အရည်အသွေးထိန်းချုပ်မှုကို လုပ်ဆောင်ရန် အခွင့်အရေးရှိသည်။ ၎င်းကို ဤပက်ကေ့ဂျ်တွင် အသုံးပြုသောအခါ မော်ဒယ်၏ လက်ရှိဗားရှင်း။

ပုံ 6 ချို့ယွင်းချက် “အညွှန်း” ၏ နောက်ကွယ်မှ ဝင်လာသောဒေတာတွင် စက်သင်ယူမှုပုံစံကို အသုံးပြုခြင်း

ငါတို့အရင်က တယောက်ထဲမှာ webinars များ ကျွန်ုပ်တို့သည် InterSystems IRIS ပလပ်ဖောင်းမှ သင့်အား မော်ဒယ်လ်ရလဒ်များ၏ ယုံကြည်စိတ်ချရမှုကို စောင့်ကြည့်စစ်ဆေးပြီး မော်ဒယ်ဘောင်များကို လိုက်လျောညီထွေဖြစ်အောင် လုပ်ဆောင်သည့် လုပ်ငန်းလုပ်ငန်းစဉ်များကို စဉ်ဆက်မပြတ်လုပ်ဆောင်သည့်ပုံစံဖြင့် မည်သည့် AI/ML ယန္တရားအား အကောင်အထည်ဖော်နိုင်သည်ကို ကျွန်ုပ်တို့ပြသပြီး ရှင်းပြပါသည်။ ကျွန်ုပ်တို့၏ ဇာတ်လမ်းပုံစံကို ပန့်များဖြင့် အကောင်အထည်ဖော်သည့်အခါ၊ webinar အတွင်း တင်ပြထားသည့် InterSystems IRIS လုပ်ဆောင်နိုင်စွမ်းအားလုံးကို ကျွန်ုပ်တို့အသုံးပြုသည် - ကျွန်ုပ်တို့၏ဖြေရှင်းချက်၏တစ်စိတ်တစ်ပိုင်းအနေဖြင့် classical ကြီးကြပ်သင်ကြားခြင်းမဟုတ်ဘဲ ကျွန်ုပ်တို့၏ဖြေရှင်းချက်၏တစ်စိတ်တစ်ပိုင်းအနေဖြင့် ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ငန်းစဉ်တွင် အကောင်အထည်ဖော်ဆောင်ရွက်ခြင်း၊ . လေ့ကျင့်ရေးနမူနာတွင် ကိန်းဂဏန်းစမ်းသပ်မှုနှင့် မော်ဒယ်၏ လက်ရှိဗားရှင်းနှစ်မျိုးလုံးကို ကျင့်သုံးပြီးနောက် "ထောက်လှမ်းမှု" ဖြစ်ပေါ်လာသည့် မှတ်တမ်းများပါရှိသည် - ဆိုလိုသည်မှာ ကိန်းဂဏန်းစမ်းသပ်မှုနှစ်ခုစလုံး (ဆင်တူယိုးမှားအညွှန်းကိန်း 0 သို့မဟုတ် 1 သို့ ပြောင်းလဲပြီးနောက်) နှင့် မော်ဒယ်က ရလဒ်ကို ထုတ်လုပ်သည်။ ထိုသို့သောမှတ်တမ်းများပေါ်တွင် 1. မော်ဒယ်အသစ်လေ့ကျင့်ရေးကာလအတွင်း၊ ၎င်း၏တရားဝင်ချိန်အတွင်း (အသစ်လေ့ကျင့်ထားသောပုံစံကို ၎င်း၏ကိုယ်ပိုင်လေ့ကျင့်ရေးနမူနာသို့ အသုံးချပြီး၊ ၎င်းအတွက် ကိန်းဂဏန်းစမ်းသပ်မှုတစ်ခု၏ ပဏာမအသုံးချမှုနှင့်အတူ)၊ လုပ်ဆောင်ပြီးသည့်နောက် “မထိန်းသိမ်းထား” သော မှတ်တမ်းများ 1၊ ကိန်းဂဏန်းစမ်းသပ်မှုဖြင့် (လေ့ကျင့်ရေးတွင် အဆက်မပြတ်ရှိနေခြင်းကြောင့် ချို့ယွင်းချက်၏ မူရင်း "တံဆိပ်" မှ မှတ်တမ်းနမူနာများကို) လေ့ကျင့်ရေးအစုမှ ဖယ်ရှားပြီး မော်ဒယ်ဗားရှင်းအသစ်သည် "တံဆိပ်" မှ သင်ယူသည်။ ချွတ်ယွင်းချက် နှင့် ထုတ်လွှင့်မှုမှ "ထိန်းသိမ်းထားသော" မှတ်တမ်းများ။

ပုံ 7 InterSystems IRIS ရှိ AI/ML တွက်ချက်မှုများကို စက်ရုပ်ပြုလုပ်ခြင်း။

InterSystems IRIS တွင် ဒေသဆိုင်ရာ တွက်ချက်မှုများအတွင်း ရရှိသော ထောက်လှမ်းမှု အရည်အသွေးနှင့် ပတ်သက်၍ "ဒုတိယ သဘောထား" အမျိုးအစား လိုအပ်ပါက၊ cloud ဝန်ဆောင်မှုများကို အသုံးပြုသည့် ထိန်းချုပ်ဒေတာအစုံတွင် မော်ဒယ်များကို လေ့ကျင့်ခြင်းနှင့် အသုံးချခြင်းအတွက် အကြံပေးလုပ်ငန်းစဉ်ကို လုပ်ဆောင်ရန် ဖန်တီးထားခြင်းဖြစ်သည် (ဥပမာ၊ Microsoft၊ Azure၊ Amazon Web Services၊ Google Cloud Platform စသည်ဖြင့်။)

ပုံ 8 InterSystems IRIS မှ ကြိုးကိုင်ထားသည့် Microsoft Azure မှ ဒုတိယ သဘောထား

InterSystems IRIS ရှိ ကျွန်ုပ်တို့၏ရှေ့ပြေးပုံစံကို စက်ပစ္စည်းအရာဝတ္တု (pump)၊ သင်္ချာပုံစံပြပတ်ဝန်းကျင်များ (Python၊ R နှင့် Julia) နှင့် သက်ဆိုင်သည့်အရာဝတ္တု (pump) နှင့် အပြန်အလှန်တုံ့ပြန်သည့် အေးဂျင့်အခြေပြု ခွဲခြမ်းစိတ်ဖြာမှုစနစ်တစ်ခုအဖြစ် ဒီဇိုင်းထုတ်ထားပြီး AI/ ပါ၀င်ပတ်သက်မှုအားလုံးကို သေချာစေပါသည်။ ML ယန္တရားများ - အချိန်နှင့်တစ်ပြေးညီ ဒေတာစီးကြောင်းများ။

ပုံ 9 InterSystems IRIS ရှိ အချိန်နှင့်တပြေးညီ AI/ML ဖြေရှင်းချက်၏ အဓိကလုပ်ဆောင်နိုင်စွမ်း

ကျွန်ုပ်တို့၏ ရှေ့ပြေးပုံစံ၏ လက်တွေ့ကျသောရလဒ်

• နမူနာပုံစံ ချွတ်ယွင်းချက် (ဇန်နဝါရီ 12) မှ အသိအမှတ်ပြုသည်-

• နမူနာတွင်မပါဝင်သော မော်ဒယ်မှ အသိအမှတ်ပြုထားသော ဖွံ့ဖြိုးဆဲ ချို့ယွင်းချက်တစ်ခု (စက်တင်ဘာ 11၊ နှစ်ရက်အကြာ၊ စက်တင်ဘာလ 13 ရက်နေ့တွင် ပြုပြင်ရေးအဖွဲ့က ဖော်ထုတ်ခဲ့သည်)။

တူညီသောချို့ယွင်းချက်၏ အပိုင်းများစွာပါရှိသော အစစ်အမှန်ဒေတာကို သရုပ်ဖော်ခြင်းတွင် InterSystems IRIS ပလပ်ဖောင်းပေါ်တွင် အကောင်အထည်ဖော်ထားသော ကျွန်ုပ်တို့၏ဖြေရှင်းချက်သည် ပြုပြင်ရေးအဖွဲ့မှ မတွေ့ရှိမီ ရက်အတော်ကြာတွင် ဤအမျိုးအစား၏ချို့ယွင်းချက်များကို ဖော်ထုတ်နိုင်စေကြောင်း ပြသခဲ့သည်။

InterSystems IRIS - universal real-time AI/ML computing platform တစ်ခု

InterSystems IRIS ပလပ်ဖောင်းသည် အချိန်နှင့်တပြေးညီ ဒေတာဖြေရှင်းချက်များ၏ ဖွံ့ဖြိုးတိုးတက်မှု၊ အသုံးချမှုနှင့် လုပ်ဆောင်မှုများကို ရိုးရှင်းစေသည်။ InterSystems IRIS သည် ငွေပေးငွေယူနှင့် ခွဲခြမ်းစိတ်ဖြာမှုဒေတာကို တပြိုင်နက်တည်း လုပ်ဆောင်နိုင်စွမ်းရှိသည်။ မော်ဒယ်များစွာအရ (ဆက်စပ်မှု၊ အထက်အောက်၊ အရာဝတ္ထုနှင့် စာရွက်စာတမ်း အပါအဝင်)၊ ကျယ်ပြန့်သော ဒေတာရင်းမြစ်များနှင့် တစ်ဦးချင်း အပလီကေးရှင်းများကို ပေါင်းစည်းရန်အတွက် ပလပ်ဖောင်းတစ်ခုအဖြစ် ဆောင်ရွက်သည်။ ဖွဲ့စည်းတည်ဆောက်ပုံနှင့်ဖွဲ့စည်းပုံမထားသောဒေတာများအတွက် အဆင့်မြင့်အချိန်နှင့်တပြေးညီ ခွဲခြမ်းစိတ်ဖြာမှုများကို ပံ့ပိုးပေးပါသည်။ InterSystems IRIS သည် ပြင်ပ ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ ကိရိယာများကို အသုံးပြုရန်အတွက် ယန္တရားများကို ထောက်ပံ့ပေးပြီး cloud တွင် hosting နှင့် local servers များတွင် လိုက်လျောညီထွေရှိသော ပေါင်းစပ်မှုကို ခွင့်ပြုပါသည်။

InterSystems IRIS ပလပ်ဖောင်းပေါ်တွင် တည်ဆောက်ထားသော အက်ပလီကေးရှင်းများကို စက်မှုလုပ်ငန်းမျိုးစုံတွင် အသုံးပြုထားပြီး ကုမ္ပဏီများအနေဖြင့် ဗျူဟာမြောက်နှင့် လုပ်ငန်းလည်ပတ်မှုဆိုင်ရာ ရှုထောင့်မှ သိသာထင်ရှားသော စီးပွားရေးအကျိုးအမြတ်များကို သိရှိနားလည်စေရန်၊ အသိဥာဏ်ရှိသော ဆုံးဖြတ်ချက်ချခြင်းကို တိုးမြှင့်ပေးပြီး ဖြစ်ရပ်၊ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် လုပ်ဆောင်မှုအကြား ကွာဟချက်များကို ပေါင်းကူးပေးပါသည်။

ပုံ 10 သည် အချိန်နှင့်တပြေးညီ AI/ML ၏အကြောင်းအရာတွင် InterSystems IRIS ဗိသုကာပညာ

ယခင်ပုံကြမ်းကဲ့သို့ပင်၊ အောက်ဖော်ပြပါပုံသည် “ညှိနှိုင်းစနစ်” (CD/CI/CT) အသစ်ကို ပလပ်ဖောင်း၏ လုပ်ဆောင်နေသော ဒြပ်စင်များကြားတွင် သတင်းအချက်အလက်စီးဆင်းမှုပုံစံတစ်ခုနှင့် ပေါင်းစပ်ထားသည်။ အမြင်အာရုံကို macromechanism CD ဖြင့်စတင်ပြီး macromechanisms CI နှင့် CT တို့ဖြင့် ဆက်လက်လုပ်ဆောင်သည်။

ပုံ 11 InterSystems IRIS ပလပ်ဖောင်း၏ AI/ML ဒြပ်စင်များအကြား သတင်းအချက်အလက်စီးဆင်းမှု ပုံကြမ်း

InterSystems IRIS ရှိ CD ယန္တရား၏ အနှစ်သာရ- ပလက်ဖောင်းအသုံးပြုသူများ (AI/ML ဖြေရှင်းချက်များအား တီထွင်သူများ) သည် AI/ML ယန္တရားများအတွက် အထူးပြုကုဒ်တည်းဖြတ်သူအား အသုံးပြု၍ လက်ရှိ AI/ML ဖွံ့ဖြိုးတိုးတက်မှုများကို ပေါင်းစပ်ကာ AI/ML အသစ်များကို ဖန်တီးသည်- Jupyter (အမည်အပြည့်အစုံ- Jupyter Notebook; အတိုချုပ်ပြောရလျှင် ဤတည်းဖြတ်မှုတွင် ဖန်တီးထားသော စာရွက်စာတမ်းများကို တစ်ခါတစ်ရံဟုလည်း ခေါ်သည်)။ Jupyter တွင်၊ ဆော့ဖ်ဝဲအင်ဂျင်နီယာတစ်ဦးသည် InterSystems IRIS တွင်မထားရှိမီ (“deployed”) ၏ သီးခြား AI/ML ဖွံ့ဖြိုးတိုးတက်မှု (ဂရပ်ဖစ်အသုံးပြုခြင်းအပါအဝင်) စွမ်းဆောင်ရည် (“deployed”) ကို ရေးနိုင်၊ အမှားရှာစစ်ဆေးရန်နှင့် အတည်ပြုရန် အခွင့်အရေးရှိသည်။ ဤနည်းဖြင့် ဖန်တီးထားသော ဖွံ့ဖြိုးတိုးတက်မှုအသစ်သည် အခြေခံ အမှားရှာပြင်ခြင်းသာ ရရှိလိမ့်မည် (အထူးသဖြင့် Jupyter သည် အချိန်နှင့်တပြေးညီ ဒေတာစီးကြောင်းများနှင့် အလုပ်မလုပ်သောကြောင့်) - Jupyter တွင် ဖွံ့ဖြိုးတိုးတက်မှု၏ အဓိကရလဒ်ဖြစ်သောကြောင့်၊ သီးခြား AI / ML ယန္တရား၏ အခြေခံလုပ်ဆောင်နိုင်စွမ်းကို အတည်ပြုခြင်းဖြစ်သည် (“ဒေတာနမူနာတွင် မျှော်လင့်ထားသည့်ရလဒ်ကိုပြသသည်”)။ အလားတူပင်၊ Jupyter တွင် အမှားရှာခြင်းမပြုမီ ပလပ်ဖောင်းတွင် ချထားပြီးသား ယန္တရားတစ်ခု (အောက်ပါ မက်ခရို-ယန္တရားများကို ကြည့်ပါ)၊ Jupyter တွင် အမှားရှာပြင်ခြင်းမပြုမီ “ကြိုတင်ပလပ်ဖောင်း” ဖောင်သို့ “ပြန်သိမ်းရန်” လိုအပ်နိုင်သည် (ဇယားများအစား xDBC မှတဆင့် ဒေတာဖြင့် လုပ်ဆောင်သည့် ဖိုင်များမှ ဒေတာကိုဖတ်ရှုခြင်း၊ ဂလိုဘယ်လ်များနှင့် တိုက်ရိုက် အပြန်အလှန် ဆက်သွယ်မှု - ဘက်ပေါင်းစုံ ဒေတာ ခင်းကျင်းမှုများ InterSystems IRIS – စသည်ဖြင့်)။

InterSystems IRIS တွင် CD အကောင်အထည်ဖော်ခြင်း၏ အရေးကြီးသော ကဏ္ဍတစ်ခု- ပလက်ဖောင်းနှင့် Jupyter အကြား နှစ်လမ်းညွန်ပေါင်းစည်းမှုကို လုပ်ဆောင်ခဲ့ပြီး၊ Python၊ R နှင့် Julia ရှိ အကြောင်းအရာများကို ပလပ်ဖောင်းသို့ လွှဲပြောင်းနိုင်စေသည် (ထို့နောက် ပလပ်ဖောင်းတွင် လုပ်ဆောင်နေသည်) (သုံးခုစလုံးသည် ပရိုဂရမ်ရေးဆွဲခြင်းဖြစ်သည် သက်ဆိုင်သော ထိပ်တန်း open-source languages ​​များတွင် ဘာသာစကားများ)) source mathematical modeling environments)။ ထို့ကြောင့်၊ AI/ML အကြောင်းအရာ developer များသည် Python, R, Julia တွင် ရရှိနိုင်သော အကျွမ်းတဝင်ရှိသော ဒစ်ဂျစ်တိုက်များနှင့်အတူ ၎င်းတို့၏ ရင်းနှီးသော Jupyter တည်းဖြတ်မှုတွင် အလုပ်လုပ်ကာ ပလက်ဖောင်းရှိ ဤအကြောင်းအရာ၏ "စဉ်ဆက်မပြတ် ဖြန့်ကျက်ခြင်း" ကို လုပ်ဆောင်ရန် အခွင့်အလမ်း ရှိသည်။ ပလက်ဖောင်းအပြင်ဘက်။

InterSystems IRIS ရှိ CI မက်ခရိုယန္တရားသို့ ဆက်သွားကြပါစို့။ ပုံကြမ်းသည် “အချိန်နှင့်တပြေးညီ စက်ရုပ်အသုံးပြုသူ” ၏ မက်ခရိုလုပ်ငန်းစဉ်ကို ပြသသည် (ဒေတာဖွဲ့စည်းပုံများ၊ လုပ်ငန်းလုပ်ငန်းစဉ်များနှင့် ကုဒ်အပိုင်းအစများကို သင်္ချာဘာသာစကားများနှင့် ObjectScript - InterSystems IRIS ၏ မူရင်းဖွံ့ဖြိုးတိုးတက်မှုဘာသာစကား) ကို ပြသသည်။ ဤ macro လုပ်ငန်းစဉ်၏ တာဝန်မှာ AI/ML ယန္တရားများ လည်ပတ်ရန်အတွက် လိုအပ်သော ဒေတာတန်းစီခြင်းကို ထိန်းသိမ်းရန် (အချိန်နှင့်တပြေးညီ ပလပ်ဖောင်းသို့ ပေးပို့သည့် ဒေတာစီးကြောင်းများကို အခြေခံ၍)၊ လျှောက်လွှာ၏ အစီအစဥ်နှင့် AI/ ၏ "အမျိုးအစားခွဲ" အကြောင်း ဆုံးဖြတ်ချက်များချရန်၊ ML ယန္တရားများ (၎င်းတို့သည် "သင်္ချာဆိုင်ရာ အယ်လဂိုရီသမ်များ"၊ "မော်ဒယ်များ" စသည်ဖြင့် အမျိုးမျိုးခေါ်ဆိုနိုင်သည်)၊ AI/ အလုပ်၏ရလဒ်များကို ခွဲခြမ်းစိတ်ဖြာခြင်းအတွက် ဒေတာဖွဲ့စည်းပုံများကို ခေတ်မီနေပါစေ။ ML ယန္တရားများ (cubes၊ tables၊ multi-dimensional data arrays စသည်ဖြင့်)။ စသည်ဖြင့် - အစီရင်ခံစာများ၊ ဒက်ရှ်ဘုတ်များ စသည်ဖြင့်)။

InterSystems IRIS တွင် CI အကောင်အထည်ဖော်မှု၏ အရေးကြီးသော ကဏ္ဍတစ်ခု- ပလက်ဖောင်းနှင့် သင်္ချာပုံသဏ္ဍာန်ပတ်ဝန်းကျင်များကြားတွင် နှစ်ထပ်လမ်းညွန်ပေါင်းစပ်မှုကို အကောင်အထည်ဖော်ခဲ့ပြီး၊ ၎င်းတို့သည် သက်ဆိုင်ရာပတ်ဝန်းကျင်များတွင် Python၊ R နှင့် Julia ရှိ ပလပ်ဖောင်းတွင် လက်ခံကျင်းပသည့် အကြောင်းအရာများကို လုပ်ဆောင်နိုင်ပြီး ရလဒ်များကို ပြန်လည်ရရှိစေသည်။ ဤပေါင်းစပ်မှုကို "terminal mode" တွင် နှစ်မျိုးလုံးအကောင်အထည်ဖော်သည် (ဆိုလိုသည်မှာ၊ AI/ML အကြောင်းအရာကို ပတ်ဝန်းကျင်သို့ခေါ်ဆိုမှုများပြုလုပ်သည့် ObjectScript ကုဒ်အဖြစ် ပုံဖော်ထားသည်) နှင့် "စီးပွားရေးလုပ်ငန်းစဉ်မုဒ်" တွင် (ဆိုလိုသည်မှာ၊ AI/ML အကြောင်းအရာကို လုပ်ငန်းလုပ်ငန်းစဉ်တစ်ခုအဖြစ် ပုံဖော်ထားသည်။ ဂရပ်ဖစ် တည်းဖြတ်သူကို အသုံးပြုခြင်း သို့မဟုတ် တစ်ခါတစ်ရံ Jupyter အသုံးပြုခြင်း သို့မဟုတ် IDE - IRIS Studio၊ Eclipse၊ Visual Studio Code ကို အသုံးပြုခြင်း)။ Jupyter တွင်တည်းဖြတ်ရန်အတွက် လုပ်ငန်းလုပ်ငန်းစဉ်များရရှိနိုင်မှုကို CI အဆင့်တွင် CI အဆင့်နှင့် Jupyter မှ CD အဆင့်ရှိ IRIS အကြားချိတ်ဆက်မှုမှတစ်ဆင့် ရောင်ပြန်ဟပ်နေသည်။ သင်္ချာပုံသဏ္ဍာန် ပတ်၀န်းကျင်များနှင့် ပေါင်းစပ်ခြင်း၏ အသေးစိတ် ခြုံငုံသုံးသပ်ချက်ကို အောက်တွင် ဖော်ပြထားသည်။ ဤအဆင့်တွင်၊ ကျွန်ုပ်တို့၏အမြင်အရ၊ ပလပ်ဖောင်းတွင် AI/ML ဖွံ့ဖြိုးတိုးတက်မှုများ (“စဉ်ဆက်မပြတ်ဖြန့်ကျက်မှုမှ ဆင်းသက်လာသော) AI/ML ဖွံ့ဖြိုးတိုးတက်မှုများ၏ “စဉ်ဆက်မပြတ်ပေါင်းစည်းမှု” ကို အကောင်အထည်ဖော်ရန်အတွက် လိုအပ်သောကိရိယာများအားလုံးရှိရန် သေချာစေရန် အကြောင်းပြချက်များစွာရှိပါသည်။

နှင့် အဓိက macro ယန္တရား- CT။ ၎င်းမရှိဘဲ၊ AI/ML ပလပ်ဖောင်းရှိမည်မဟုတ် (“ အချိန်နှင့်တစ်ပြေးညီ” ကို CD/CI မှတဆင့်အကောင်အထည်ဖော်လိမ့်မည်) ။ CT ၏ အနှစ်သာရမှာ သင်္ချာပုံသဏ္ဍာန် ပတ်၀န်းကျင်၏ လုပ်ငန်းခွင်အစည်းအဝေးများတွင် စက်သင်ယူမှုနှင့် ဉာဏ်ရည်တု၏ "ပစ္စည်း" နှင့် ပလပ်ဖောင်း၏ အလုပ်ဖြစ်သည်- မော်ဒယ်များ၊ ဖြန့်ဖြူးရေးဇယားများ၊ matrix vectors၊ neural networks အလွှာများ စသည်တို့ဖြစ်သည်။ ဤ "အလုပ်" သည် ကိစ္စအများစုတွင် ပတ်ဝန်းကျင်တွင် ဖော်ပြထားသော ရှေးဟောင်းပစ္စည်းများကို ဖန်တီးခြင်း ပါ၀င်သည် (ဥပမာ၊ "ဖန်တီးမှု" တွင် မော်ဒယ်များ၏ သတ်မှတ်ချက်သတ်မှတ်ချက်များနှင့် ၎င်း၏ ကန့်သတ်ဘောင်များ၏ တန်ဖိုးများကို နောက်ဆက်တွဲရွေးချယ်မှုများ ပါဝင်သည် - မော်ဒယ်၏ "လေ့ကျင့်ရေး" ဟုခေါ်သည်)၊ ၎င်းတို့၏လျှောက်လွှာ (မော်ဒယ်များအတွက်- ပစ်မှတ်ကိန်းရှင်များ၏ "မော်ဒယ်" တန်ဖိုးများကို ၎င်းတို့၏အကူအညီဖြင့် တွက်ချက်ခြင်း - ခန့်မှန်းချက်များ၊ အမျိုးအစားအဖွဲ့ဝင်ဖြစ်မှု၊ ပွဲတစ်ခု၏ဖြစ်နိုင်ခြေ စသည်ဖြင့်) နှင့် တိုးတက်မှု၊ ဖန်တီးပြီး အသုံးပြုထားသော ရှေးဟောင်းပစ္စည်းများ (ဥပမာ၊ အပလီကေးရှင်း၏ ရလဒ်များအပေါ် အခြေခံ၍ မော်ဒယ်ထည့်သွင်းသည့် variable အစုအဝေးကို ပြန်လည်သတ်မှတ်ခြင်း - ရွေးချယ်မှုတစ်ခုအနေဖြင့် ကြိုတင်ခန့်မှန်းခြင်း တိကျမှုကို မြှင့်တင်ရန်အတွက်)။ CT ၏ အခန်းကဏ္ဍကို နားလည်ရန် အဓိကအချက်မှာ CD နှင့် CI ၏ အဖြစ်မှန်များမှ ၎င်း၏ " abstraction " ဖြစ်သည် ။ “သွင်းအားစုများ ပံ့ပိုးပေးခြင်း” နှင့် “ထွက်ကုန်များ ပေးပို့ခြင်း” အတွက် တာဝန်သည် CD နှင့် CI ၏ တာဝန်ဖြစ်သည်။

InterSystems IRIS တွင် အထူးပြု CT ကို အကောင်အထည်ဖော်ခြင်း၏ အရေးကြီးသော ရှုထောင့်တစ်ခု- အထက်တွင်ဖော်ပြခဲ့ပြီးသော သင်္ချာပုံသဏ္ဍာန်ဆိုင်ရာ ပတ်ဝန်းကျင်များနှင့် ပေါင်းစပ်မှုကို အသုံးပြု၍ ပလပ်ဖောင်းသည် သင်္ချာပတ်ဝန်းကျင်တွင် ၎င်း၏ထိန်းချုပ်မှုအောက်တွင် လုပ်ဆောင်နေသော အလုပ်အစည်းအဝေးများမှ ထိုအရာများကို ထုတ်ယူနိုင်စွမ်းရှိပြီး (အရေးအကြီးဆုံးမှာ) အလှည့်အပြောင်းဖြစ်သည်။ ၎င်းတို့ကို platform data objects များအဖြစ်သို့ ဥပမာအားဖြင့်၊ အလုပ်လုပ်သော Python စက်ရှင်တွင် မကြာသေးမီက ဖန်တီးထားသည့် ဖြန့်ချီရေးဇယားသည် (Python စက်ရှင်ကို ရပ်တန့်ခြင်းမရှိဘဲ) ဥပမာ၊ ကမ္ဘာလုံးဆိုင်ရာ (ဘက်စုံသုံး InterSystems IRIS ဒေတာ ခင်းကျင်းမှုပုံစံ) ပုံစံဖြင့် ပလပ်ဖောင်းသို့ လွှဲပြောင်းပေးနိုင်သည်။ အခြား AI/ML- ယန္တရား (အခြားပတ်ဝန်းကျင်၏ဘာသာစကားဖြင့် အကောင်အထည်ဖော်ခြင်း - ဥပမာ R ဖြင့်) - သို့မဟုတ် virtual table တွင် တွက်ချက်မှုများအတွက်။ အခြားဥပမာ- မော်ဒယ်၏လုပ်ဆောင်မှု၏ "ပုံမှန်မုဒ်" နှင့်အပြိုင် (Python အလုပ်လုပ်သည့်စက်ရှင်တွင်) "အော်တို-ML" ကို ၎င်း၏ထည့်သွင်းမှုဒေတာတွင် လုပ်ဆောင်သည်- အကောင်းဆုံးထည့်သွင်းမှုကိန်းရှင်များနှင့် ကန့်သတ်ဘောင်တန်ဖိုးများကို အလိုအလျောက်ရွေးချယ်ခြင်း။ “ပုံမှန်” လေ့ကျင့်မှုနှင့်အတူ၊ အချိန်နှင့်တပြေးညီ အကျိုးဖြစ်ထွန်းသော မော်ဒယ်လ်သည် ၎င်း၏ သတ်မှတ်ချက်၏ “ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ရန် အဆိုပြုချက်” ကို လက်ခံရရှိသည် - ယင်းတွင် ထည့်သွင်းမှုကိန်းရှင်များအစုအဝေးတွင် ပြောင်းလဲခြင်း၊ ကန့်သတ်ချက်တန်ဖိုးများ ပြောင်းလဲခြင်း (လေ့ကျင့်မှု၏ရလဒ်အဖြစ် မရှိတော့ပါ။ Python တွင်၊ သို့သော် H2O stack ကဲ့သို့သော သူ့ဘာသာသူ၏ "အခြားရွေးချယ်စရာ" ဗားရှင်းဖြင့် လေ့ကျင့်မှု၏ရလဒ်အနေဖြင့်) အလုံးစုံ AI/ML ဖြေရှင်းချက်အား ထည့်သွင်းဒေတာနှင့် ဖြစ်ရပ်ဆန်းများ၏ သဘောသဘာဝတွင် မမျှော်လင့်ထားသော အပြောင်းအလဲများကို အလိုအလျောက်ရင်ဆိုင်နိုင်စေရန် ခွင့်ပြုပေးပါသည်။ .

လက်တွေ့ဘဝရှေ့ပြေးပုံစံ နမူနာကို အသုံးပြု၍ InterSystems IRIS ၏ ပလပ်ဖောင်း AI/ML လုပ်ဆောင်ချက်ကို ပိုမိုအသေးစိတ်သိရှိနားလည်ကြပါစို့။

အောက်ဖော်ပြပါပုံတွင်၊ slide ၏ဘယ်ဘက်ခြမ်းတွင် Python နှင့် R တွင် scripts များကို execution လုပ်သည့် လုပ်ငန်းလုပ်ငန်းစဉ်၏ အစိတ်အပိုင်းတစ်ခုရှိသည်။ ဗဟိုပိုင်းတွင် ဤ scripts အချို့ကို execute လုပ်ခြင်းဆိုင်ရာ မှတ်တမ်းများ အသီးသီးရှိပါသည်၊ Python နှင့် R။ ၎င်းတို့နောက်တွင် သင့်လျော်သောပတ်ဝန်းကျင်သို့ အကောင်အထည်ဖော်ရန်အတွက် လွှဲပြောင်းပေးသည့် ဘာသာစကားတစ်ခုနှင့်တစ်ခု အခြားဘာသာစကားတစ်ခုရှိ အကြောင်းအရာ နမူနာများဖြစ်သည်။ ညာဘက်ရှိ အဆုံးတွင် ဇာတ်ညွှန်းလုပ်ဆောင်ခြင်း၏ ရလဒ်များအပေါ် အခြေခံ၍ ပုံဖော်မှုများဖြစ်သည်။ ထိပ်ရှိ ပုံရိပ်ယောင်များကို IRIS Analytics တွင် ပြုလုပ်ခဲ့သည် (ဒေတာကို Python မှ InterSystems IRIS ဒေတာပလပ်ဖောင်းသို့ ယူဆောင်သွားပြီး ပလပ်ဖောင်းကို အသုံးပြု၍ ဒက်ရှ်ဘုတ်ပေါ်တွင် ပြသထားသည်)၊ အောက်ခြေတွင် R work session တွင် တိုက်ရိုက်ပြုလုပ်ပြီး ထိုနေရာမှ ဂရပ်ဖစ်ဖိုင်များဆီသို့ အထွက်အား ပြုလုပ်ခဲ့သည်။ . အရေးကြီးသောအချက်- နမူနာပုံစံရှိတင်ပြထားသည့်အပိုင်းအစသည် မော်ဒယ်ကိုအသုံးပြုနေစဉ်အတွင်း အမျိုးအစားခွဲခြင်းအရည်အသွေးစောင့်ကြည့်စစ်ဆေးခြင်းလုပ်ငန်းစဉ်မှ အမိန့်ပေးချက်အရ စက်ကိရိယာဆင်တူရေးတာလုပ်ငန်းစဉ်မှ အချိန်နှင့်တပြေးညီရရှိသည့်ဒေတာအပေါ် မော်ဒယ် (စက်ပစ္စည်းအမျိုးအစားခွဲခြားခြင်း) ကို လေ့ကျင့်ပေးရန် တာဝန်ရှိသည်။ အပြန်အလှန်အကျိုးပြုသည့် လုပ်ငန်းစဉ်များ (“အေးဂျင့်များ”) ပုံစံဖြင့် AI/ML ဖြေရှင်းချက် အကောင်အထည်ဖော်မှုကို ဆက်လက်ဆွေးနွေးပါမည်။

ပုံ 12 InterSystems IRIS ရှိ Python၊ R နှင့် Julia နှင့် အပြန်အလှန်အကျိုးသက်ရောက်မှု

ပလပ်ဖောင်းလုပ်ငန်းစဉ်များ (၎င်းတို့သည် "စီးပွားရေးလုပ်ငန်းစဉ်များ"၊ "ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ငန်းစဉ်များ"၊ "ပိုက်လိုင်းများ" စသည် - အကြောင်းအရာပေါ်မူတည်၍) ပထမဦးစွာ၊ ပထမဦးစွာ၊ ပလပ်ဖောင်းကိုယ်တိုင်က ဂရပ်ဖစ်စီးပွားရေးလုပ်ငန်းစဉ်တည်းဖြတ်သူတွင် တည်းဖြတ်ထားပြီး၊ ၎င်း၏ ဘလောက်ပုံကြမ်းနှင့် သက်ဆိုင်သော AI/ML ယန္တရား (ပရိုဂရမ်ကုဒ်) နှစ်ခုလုံးကို တစ်ပြိုင်နက် ဖန်တီးသည့်နည်းလမ်း။ "AI/ML ယန္တရားတစ်ခုရရှိသည်" ဟုကျွန်ုပ်တို့ပြောသောအခါ၊ ကျွန်ုပ်တို့သည် အစပိုင်းတွင် ပေါင်းစပ်မှု (လုပ်ငန်းစဉ်တစ်ခုအတွင်း) ကိုဆိုလိုသည်- သင်္ချာပုံစံပုံစံပတ်ဝန်းကျင်များ၏ ဘာသာစကားများတွင် အကြောင်းအရာသည် SQL ရှိအကြောင်းအရာနှင့် ကပ်လျက် (အဆက်များအပါအဝင်၊ ပေါင်းစပ်MLInterSystems ObjectScript တွင် အခြားသော ပံ့ပိုးထားသော ဘာသာစကားများဖြင့်။ ထို့အပြင်၊ ပလပ်ဖောင်းလုပ်ငန်းစဉ်သည် အထက်အောက် အသိုက်အမြုပ်ထားသောအပိုင်းအစများပုံစံဖြင့် "တင်ဆက်ခြင်း" အတွက် အလွန်ကျယ်ပြန့်သော အခွင့်အလမ်းများကို ပေးဆောင်သည် (အောက်ပါပုံတွင် နမူနာတွင်တွေ့မြင်နိုင်သည်)၊ ၎င်းသည် သင်သည် အလွန်ရှုပ်ထွေးသည့်အကြောင်းအရာများကိုပင် ထိရောက်စွာ စုစည်းနိုင်စေမည့် "အစွန်းမရောက်ဘဲ" ဂရပ်ဖစ်ဖော်မတ် (“ဂရပ်ဖစ်မဟုတ်သော” ဖော်မတ်များ)။ » နည်းလမ်းများ/အတန်းများ/လုပ်ထုံးလုပ်နည်းများ စသည်ဖြင့်)။ ဆိုလိုသည်မှာ လိုအပ်ပါက (ပရောဂျက်အများစုတွင် ကြိုမြင်ထားသည်)၊ AI/ML ဖြေရှင်းချက်တစ်ခုလုံးကို graphical self-documenting format ဖြင့် အကောင်အထည်ဖော်နိုင်သည်။ ပိုမိုမြင့်မားသော "nesting အဆင့်" ကိုကိုယ်စားပြုသည့်အောက်ဖော်ပြပါပုံ၏ဗဟိုတွင်၊ မော်ဒယ် (Python နှင့် R ကိုအသုံးပြု၍) လေ့ကျင့်ခြင်း၏ လက်တွေ့လုပ်ဆောင်မှုအပြင် ထင်ရှားသည်မှာ ထင်ရှားပါသည်။ လေ့ကျင့်သင်ကြားထားသော မော်ဒယ်၏ ROC မျဉ်းကွေးကို ပေါင်းထည့်ထားပြီး၊ လေ့ကျင့်ရေး၏ အရည်အသွေးကို အမြင်အာရုံ (သာမက တွက်ချက်မှုအရပါ) အကဲဖြတ်နိုင်သည် - ဤခွဲခြမ်းစိတ်ဖြာချက်ကို Julia ဘာသာစကားဖြင့် အကောင်အထည်ဖော်သည် (ထို့အတူ Julia သင်္ချာပတ်ဝန်းကျင်တွင် လုပ်ဆောင်သည်)။

ပုံ 13 InterSystems IRIS ရှိ AI/ML ဖြေရှင်းချက်များ၏ ဖွဲ့စည်းမှုများအတွက် အမြင်အာရုံပတ်ဝန်းကျင်

အစောပိုင်းတွင်ဖော်ပြခဲ့သည့်အတိုင်း၊ ကနဦးဖွံ့ဖြိုးတိုးတက်မှုနှင့် (အချို့ကိစ္စများတွင်) ပလပ်ဖောင်းတွင်အကောင်အထည်ဖော်ပြီးဖြစ်သော AI/ML ယန္တရားများကို လိုက်လျောညီထွေဖြစ်စေမည့် Jupyter တည်းဖြတ်သူရှိ ပလပ်ဖောင်းပြင်ပတွင် လုပ်ဆောင်နိုင်သည်။ အောက်ဖော်ပြပါပုံတွင် ကျွန်ုပ်တို့သည် ရှိပြီးသားပလပ်ဖောင်းလုပ်ငန်းစဉ်ကို လိုက်လျောညီထွေဖြစ်စေမည့် ဥပမာတစ်ခု (အထက်ဖော်ပြပါပုံတွင်ကဲ့သို့ပင်) ကိုတွေ့ရသည် - ဤသည်မှာ Jupyter တွင် လေ့ကျင့်သင်ကြားမှုအတွက် တာဝန်ရှိသောအပိုင်းအစသည် မော်ဒယ်ပုံစံအတိုင်းဖြစ်သည်။ Python အကြောင်းအရာကို Jupyter တွင် တိုက်ရိုက်တည်းဖြတ်ခြင်း၊ အမှားပြင်ဆင်ခြင်းနှင့် ဂရပ်ဖစ်အထွက်အတွက် ရနိုင်ပါသည်။ အပြောင်းအလဲများ (လိုအပ်ပါက) ၎င်း၏အကျိုးရှိသောဗားရှင်းအပါအဝင် ပလပ်ဖောင်းလုပ်ငန်းစဉ်တွင် ချက်ခြင်းထပ်တူပြုခြင်းဖြင့် ပြုလုပ်နိုင်ပါသည်။ အကြောင်းအရာအသစ်များကို အလားတူနည်းဖြင့် ပလပ်ဖောင်းသို့ လွှဲပြောင်းနိုင်သည် (ပလပ်ဖောင်းလုပ်ငန်းစဉ်အသစ်ကို အလိုအလျောက်ထုတ်ပေးသည်)။

ပုံ 14 InterSystems IRIS ပလပ်ဖောင်းရှိ AI/ML အင်ဂျင်ကို တည်းဖြတ်ရန် Jupyter Notebook ကိုအသုံးပြုခြင်း

ပလက်ဖောင်းတစ်ခု၏ လိုက်လျောညီထွေမှုလုပ်ငန်းစဉ်ကို ဂရပ်ဖစ် သို့မဟုတ် လက်တော့ပ်ဖော်မတ်တွင်သာမက "စုစုပေါင်း" IDE (ပေါင်းစပ်ဖွံ့ဖြိုးတိုးတက်မှုပတ်ဝန်းကျင်) ဖော်မတ်တွင်လည်း လုပ်ဆောင်နိုင်ပါသည်။ ဤ IDE များသည် IRIS Studio (ဇာတိ IRIS စတူဒီယို)၊ Visual Studio Code (VSCode အတွက် InterSystems IRIS တိုးချဲ့မှု) နှင့် Eclipse (Atelier plugin) တို့ဖြစ်သည်။ အချို့ကိစ္စများတွင်၊ ဖွံ့ဖြိုးတိုးတက်ရေးအဖွဲ့သည် IDE သုံးခုလုံးကို တစ်ပြိုင်နက် အသုံးပြုရန် ဖြစ်နိုင်သည်။ အောက်ဖော်ပြပါ ပုံသည် IRIS စတူဒီယို၊ Visual Studio Code နှင့် Eclipse တွင် တူညီသောလုပ်ငန်းစဉ်ကို တည်းဖြတ်ခြင်း၏ နမူနာကို ပြသထားသည်။ အကြောင်းအရာအားလုံးကို တည်းဖြတ်ရန်အတွက် လုံးဝရရှိနိုင်ပါသည်- Python/R/Julia/SQL၊ ObjectScript နှင့် လုပ်ငန်းလုပ်ငန်းစဉ်။

ပုံ 15 IDEs အမျိုးမျိုးရှိ InterSystems IRIS လုပ်ငန်းလုပ်ငန်းစဉ် ဖွံ့ဖြိုးတိုးတက်ရေး

Business Process Language (BPL) တွင် InterSystems IRIS လုပ်ငန်းလုပ်ငန်းစဉ်များကို ဖော်ပြခြင်းနှင့် အကောင်အထည်ဖော်ခြင်းအတွက် ကိရိယာများသည် အထူးဖော်ပြထိုက်ပါသည်။ BPL သည် လုပ်ငန်းလုပ်ငန်းစဉ်များတွင် “အသင့်လုပ်ထားသော ပေါင်းစပ်အစိတ်အပိုင်းများ” (လှုပ်ရှားမှုများ) ကို အသုံးပြုရန် ဖြစ်နိုင်ချေရှိပြီး၊ အမှန်မှာ၊ “InterSystems IRIS” တွင် “စဉ်ဆက်မပြတ်ပေါင်းစည်းခြင်း” ကို အကောင်အထည်ဖော်သည်ဟုဆိုရန် အကြောင်းပြချက်တိုင်းကို ပေးပါသည်။ အဆင်သင့်လုပ်ထားသော လုပ်ငန်းလုပ်ငန်းစဉ် အစိတ်အပိုင်းများ (၎င်းတို့ကြားရှိ လုပ်ဆောင်ချက်များနှင့် ချိတ်ဆက်မှုများ) သည် AI/ML ဖြေရှင်းချက်တစ်ခုကို တပ်ဆင်ရန်အတွက် အားကောင်းသည့် အရှိန်မြှင့်ကိရိယာတစ်ခုဖြစ်သည်။ စည်းဝေးပွဲများသာမကဘဲ- မတူညီသော AI/ML တိုးတက်မှုများနှင့် ယန္တရားများအကြား လုပ်ဆောင်ချက်များနှင့် ချိတ်ဆက်မှုများကြောင့်၊ အခြေအနေအရ အချိန်နှင့်တပြေးညီ ဆုံးဖြတ်ချက်များချနိုင်သည့် “ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရစီမံခန့်ခွဲမှုအလွှာ” ပေါ်ပေါက်လာသည်။

ပုံ 16 InterSystems IRIS ပလပ်ဖောင်းတွင် စဉ်ဆက်မပြတ် ပေါင်းစပ်မှု (CI) အတွက် အဆင်သင့်လုပ်ထားသော လုပ်ငန်းလုပ်ငန်းစဉ် အစိတ်အပိုင်းများ

အေးဂျင့်စနစ်များ (“Multi-agent systems” ဟုလည်းလူသိများသည်) သည် စက်ရုပ်ပြုလုပ်ခြင်းတွင် ခိုင်မာသောအနေအထားရှိပြီး InterSystems IRIS ပလပ်ဖောင်းသည် “ထုတ်ကုန်-လုပ်ငန်းစဉ်” တည်ဆောက်မှုမှတစ်ဆင့် ၎င်းကို သဘာဝကျကျပံ့ပိုးပေးပါသည်။ အလုံးစုံဖြေရှင်းချက်အတွက် လိုအပ်သော လုပ်ဆောင်နိုင်စွမ်းများနှင့်အတူ လုပ်ငန်းစဉ်တစ်ခုစီကို "ဖြည့်သွင်းခြင်း" အတွက် အကန့်အသတ်မရှိဖြစ်နိုင်ချေများအပြင်၊ "အေဂျင်စီ" ၏ပိုင်ဆိုင်မှုဖြင့် ပလပ်ဖောင်းလုပ်ငန်းစဉ်များ၏ စနစ်အား ပံ့ပိုးပေးခြင်းဖြင့် အလွန်မတည်မငြိမ်ဖြစ်သော အသွင်တူဖြစ်ရပ်ဆန်းများ (လူမှုရေး/အပြုအမူများ) အတွက် ထိရောက်သောဖြေရှင်းနည်းများကို ဖန်တီးနိုင်စေပါသည်။ ဇီဝစနစ်များ၊ တစ်စိတ်တစ်ပိုင်းမြင်နိုင်သော နည်းပညာဆိုင်ရာ လုပ်ငန်းစဉ်များ စသည်တို့)။

ပုံ 16 InterSystems IRIS ရှိ အေးဂျင့်အခြေပြု စီးပွားရေးလုပ်ငန်းစဉ်စနစ်အဖြစ် AI/ML ဖြေရှင်းချက်တစ်ခု၏ လုပ်ဆောင်ချက်

ကျွန်ုပ်တို့သည် InterSystems IRIS ၏ သုံးသပ်ချက်ကို ဆက်လက်သုံးသပ်ပြီး အချိန်နှင့်တပြေးညီ ပြဿနာများအားလုံးကို ဖြေရှင်းရန်အတွက် ပလပ်ဖောင်းအသုံးပြုမှုအကြောင်းကို ဆက်လက်သုံးသပ်ပါ (InterSystems IRIS ရှိ ပလပ်ဖောင်း AI/ML ၏ အကောင်းဆုံးအလေ့အကျင့်အချို့ကို တစ်ချက်ထဲတွင် တွေ့နိုင်ပါသည် ကျွန်ုပ်တို့၏ယခင် webinars များ).

ယခင် diagram ၏ ဒေါက်ထောက်၍ အောက်တွင် အေးဂျင့်စနစ်၏ ပိုမိုအသေးစိတ်သော ပုံကြမ်းဖြစ်သည်။ ပုံကြမ်းသည် တူညီသော ရှေ့ပြေးပုံစံကို ပြသသည်၊ အေးဂျင့် လုပ်ငန်းစဉ် လေးခုစလုံးကို မြင်နိုင်သည်၊ ၎င်းတို့အကြား ဆက်စပ်မှုများကို ဇယားကွက်ဖြင့် ရေးဆွဲထားသည်- GENERATOR - စက်ပစ္စည်း အာရုံခံကိရိယာများဖြင့် ဒေတာဖန်တီးမှုကို လုပ်ဆောင်သည်၊ BUFFER - ဒေတာတန်းစီခြင်းကို စီမံခန့်ခွဲသည်၊ ANALYZER - စက်သင်ယူမှုကို ကိုယ်တိုင်လုပ်ဆောင်သည်၊ MONITOR - စောင့်ကြည့်သည် machine learning ၏ အရည်အသွေးနှင့် မော်ဒယ်ကို ပြန်လည်လေ့ကျင့်ရန် လိုအပ်ကြောင်း အချက်ပြမှုကို တင်ပြသည်။

ပုံ 17 InterSystems IRIS တွင် အေးဂျင့်အခြေပြုစီးပွားရေးလုပ်ငန်းစဉ်စနစ်ပုံစံဖြင့် AI/ML ဖြေရှင်းချက်တစ်ခု၏ ပေါင်းစပ်ဖွဲ့စည်းမှု

အောက်ဖော်ပြပါ ပုံကြမ်းသည် အခြားစက်ရုပ်ရှေ့ပြေးပုံစံ (စာသားများ၏ စိတ်ခံစားမှုဆိုင်ရာ အရောင်ခြယ်ခြင်းကို အသိအမှတ်ပြုခြင်း) ၏ အလိုအလျောက်လုပ်ဆောင်မှုကို အချိန်အတန်ကြာ ပြသထားသည်။ အပေါ်ပိုင်းတွင် မော်ဒယ်လေ့ကျင့်ရေး၏ အရည်အသွေးညွှန်ပြချက် (အရည်အသွေး ကြီးထွားလာသည်)၊ အောက်ပိုင်းတွင် မော်ဒယ်အသုံးချမှု၏ အရည်အသွေးညွှန်ပြချက်နှင့် ထပ်ခါတလဲလဲ လေ့ကျင့်မှု (အနီရောင်အစင်းကြောင်းများ) ၏ ဒိုင်းနမစ်များဖြစ်သည်။ သင်တွေ့မြင်ရသည့်အတိုင်း၊ ဖြေရှင်းချက်သည် ထိရောက်စွာနှင့် ကိုယ်ပိုင်အုပ်ချုပ်ခွင့်ရရှိအောင် သင်ယူခဲ့ပြီး သတ်မှတ်အရည်အသွေးအဆင့်တွင် လုပ်ဆောင်သည် (အရည်အသွေးရမှတ်တန်ဖိုးများသည် 80%) အောက်တွင် ကျဆင်းခြင်းမရှိပါ။

ပုံ 18 InterSystems IRIS ပလပ်ဖောင်းရှိ စဉ်ဆက်မပြတ် (ကိုယ်တိုင်) လေ့ကျင့်ရေး (CT)

ကျွန်ုပ်တို့သည် အစောပိုင်းတွင် “auto-ML” ကိုဖော်ပြခဲ့သည်၊ သို့သော် အောက်ဖော်ပြပါ ပုံကြမ်းသည် အခြားရှေ့ပြေးပုံစံ၏နမူနာကို အသုံးပြု၍ ဤလုပ်ဆောင်နိုင်စွမ်းအသုံးပြုမှုကို အသေးစိတ်ပြသထားသည်။ လုပ်ငန်းတစ်ခု၏အပိုင်းအစတစ်ခု၏ ဂရပ်ဖစ်ပုံပြပုံသည် H2O stack တွင် မော်ဒယ်ကို အစပျိုးစေသည့် လုပ်ဆောင်ချက်ကို ပြသသည်၊ ဤမော်ဒယ်လ်၏ ရလဒ်များကို ပြသသည် (“လူလုပ်” မော်ဒယ်များထက် ရလဒ်မော်ဒယ်များထက် ရှင်းရှင်းလင်းလင်း ကြီးစိုးမှုကို ပြသသည်၊၊ ROC မျဉ်းကွေးများအပြင် မူရင်းဒေတာအစုံတွင် ရရှိနိုင်သော "သြဇာအရှိဆုံး ကိန်းရှင်များ" ၏ အလိုအလျောက် ခွဲခြားသတ်မှတ်ခြင်း)။ ဤနေရာတွင် အရေးကြီးသောအချက်မှာ “အော်တို-ML” မှတစ်ဆင့် ရရှိသည့် အချိန်နှင့် ကျွမ်းကျင်အရင်းအမြစ်များကို ချွေတာခြင်းဖြစ်သည်- ကျွန်ုပ်တို့၏ပလက်ဖောင်းလုပ်ငန်းစဉ်သည် မိနစ်ဝက်အတွင်း (အကောင်းဆုံးမော်ဒယ်ကိုရှာဖွေခြင်းနှင့် လေ့ကျင့်ပေးခြင်း) သည် ကျွမ်းကျင်သူတစ်ဦးကို တစ်ပတ်မှတစ်လအထိ အချိန်ယူနိုင်သည်။

ပုံ 19 InterSystems IRIS ပလပ်ဖောင်းရှိ AI/ML ဖြေရှင်းချက်တွင် "အော်တို-ML" ကို ပေါင်းစပ်ခြင်း

အောက်ဖော်ပြပါ ပုံကြမ်းသည် အချက်အနည်းငယ်လွဲသွားသော်လည်း အချိန်နှင့်တပြေးညီဖြေရှင်းပေးနေသည့် အတန်းများအကြောင်း ဇာတ်လမ်းကို အဆုံးသတ်ရန် နည်းလမ်းကောင်းတစ်ခုဖြစ်ပါသည်- InterSystems IRIS ပလပ်ဖောင်း၏ စွမ်းဆောင်ရည်အားလုံးဖြင့် ၎င်း၏ထိန်းချုပ်မှုအောက်ရှိ လေ့ကျင့်ရေးမော်ဒယ်များသည် သင့်အား ကျွန်ုပ်တို့သတိပေးပါသည်။ မဖြစ်မနေ မဟုတ်ပါ။ ပလပ်ဖောင်းသည် မော်ဒယ်၏ PMML သတ်မှတ်ချက်ကို ပြင်ပမှ လက်ခံနိုင်သည်၊ ပလပ်ဖောင်း၏ ထိန်းချုပ်မှုအောက်တွင် မရှိသော ကိရိယာတစ်ခုဖြင့် လေ့ကျင့်သင်ကြားသည် - ၎င်းကို တင်သွင်းသည့်အချိန်မှစ၍ ဤမော်ဒယ်ကို အချိန်နှင့်တပြေးညီ အသုံးပြုနိုင်သည်။ PMML သတ်မှတ်ချက်များ. AI/ML artifacts အားလုံးကို PMML သတ်မှတ်ချက်သို့ လျှော့ချနိုင်မည်မဟုတ်ကြောင်း ထည့်သွင်းစဉ်းစားရန် အရေးကြီးပါသည်။ ထို့ကြောင့် InterSystems IRIS ပလပ်ဖောင်းသည် “open loop” ဖြစ်ပြီး သုံးစွဲသူများအတွက် “platform slavery” ကို မဆိုလိုပါ။

ပုံ 20 InterSystems IRIS ပလပ်ဖောင်းရှိ AI/ML ဖြေရှင်းချက်တွင် "အော်တို-ML" ကို ပေါင်းစပ်ခြင်း

ဥာဏ်ရည်တုနှင့် အချိန်နှင့်တပြေးညီ စက်သင်ယူခြင်းအတွက် အလွန်အရေးကြီးသော InterSystems IRIS (လုပ်ငန်းစဉ်ထိန်းချုပ်မှုနှင့်စပ်လျဉ်း၍ ရှင်းလင်းရန်အတွက်) ၏နောက်ထပ်ပလက်ဖောင်းအားသာချက်များကို ဖော်ပြကြပါစို့။

• မည်သည့်ဒေတာရင်းမြစ်များနှင့် စားသုံးသူများ (လုပ်ငန်းစဉ်ထိန်းချုပ်မှုစနစ်/SCADA၊ စက်ပစ္စည်းများ၊ MRO၊ ERP စသည်ဖြင့်) ဖြင့် ပေါင်းစပ်ကိရိယာများကို တီထွင်ခဲ့သည်။
• ပါဝင်သည် မော်ဒယ်မျိုးစုံ DBMS စွမ်းဆောင်ရည်မြင့်မားသော အရောင်းအ၀ယ်ပြုလုပ်ခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာမှုလုပ်ဆောင်ခြင်း (Hybrid Transaction/Analytical Processing, HTAP) နည်းပညာဆိုင်ရာ လုပ်ငန်းစဉ်ဒေတာပမာဏ၏ မည်သည့်ပမာဏအတွက်မဆို၊
• Python, R, Julia ကို အခြေခံ၍ အချိန်နှင့်တပြေးညီ ဖြေရှင်းချက်များအတွက် AI/ML အင်ဂျင်များ စဉ်ဆက်မပြတ် ဖြန့်ကျက်အသုံးပြုရန်အတွက် ဖွံ့ဖြိုးတိုးတက်ရေးကိရိယာများ
• စဉ်ဆက်မပြတ်ပေါင်းစပ်ခြင်းနှင့် (ကိုယ်တိုင်) AI/ML ဖြေရှင်းချက်အင်ဂျင်များကို အချိန်နှင့်တပြေးညီ သင်ယူခြင်းအတွက် လိုက်လျောညီထွေရှိသော လုပ်ငန်းလုပ်ငန်းစဉ်များ
• လုပ်ငန်းစဉ်ဒေတာနှင့် AI/ML ဖြေရှင်းချက်၏ရလဒ်များကို မြင်ယောင်ထင်ယောင်ထင်ထင်ဖြစ်စေရန်အတွက် Built-in Business Intelligence ကိရိယာများ
• API စီမံခန့်ခွဲမှု ထိန်းချုပ်မှုစနစ်များ/SCADA၊ သတင်းအချက်အလက်နှင့် ခွဲခြမ်းစိတ်ဖြာမှုစနစ်များ၊ သတိပေးချက်များပေးပို့ခြင်းစသည်တို့အတွက် AI/ML ဖြေရှင်းချက်၏ရလဒ်များကို ပေးပို့ရန်အတွက်၊

InterSystems IRIS ပလပ်ဖောင်းရှိ AI/ML ဖြေရှင်းချက်များသည် လက်ရှိ IT အခြေခံအဆောက်အအုံနှင့် အလွယ်တကူ လိုက်ဖက်ပါသည်။ InterSystems IRIS ပလပ်ဖောင်းသည် အမှား-ခံနိုင်ရည်ရှိမှုနှင့် ဘေးအန္တရာယ်-ခံနိုင်ရည်ရှိသော ဖွဲ့စည်းမှုပုံစံများကို ပံ့ပိုးပေးခြင်းဖြင့် AI/ML ဖြေရှင်းချက်များကို မြင့်မားသောယုံကြည်စိတ်ချရမှုကို အာမခံပေးပြီး အတုအယောင်ပတ်ဝန်းကျင်တွင်၊ ရုပ်ပိုင်းဆိုင်ရာဆာဗာများ၊ သီးသန့်နှင့် အများသူငှာ clouds များနှင့် Docker ကွန်တိန်နာများတွင် အသုံးပြုနိုင်မည်ဖြစ်သည်။

ထို့ကြောင့် InterSystems IRIS သည် universal real-time AI/ML computing platform တစ်ခုဖြစ်သည်။ အကောင်အထည်ဖော်ထားသောတွက်ချက်မှုများ၏ရှုပ်ထွေးမှု၊ InterSystems IRIS ၏ (အချိန်နှင့်တပြေးညီ) စက်မှုလုပ်ငန်းမျိုးစုံမှ ပေါင်းစပ်လုပ်ဆောင်နိုင်စွမ်းနှင့် ခြွင်းချက်အနေဖြင့် လိုက်လျောညီထွေရှိသော လိုက်လျောညီထွေရှိသော လိုက်လျောညီထွေရှိသော ကန့်သတ်ချက်များမရှိခြင်းကြောင့် ကျွန်ုပ်တို့၏ platform ၏ universality ကို အတည်ပြုပါသည်။ အသုံးပြုသူများ၏ သီးခြားလိုအပ်ချက်များအတွက် မည်သည့်ပလက်ဖောင်းလုပ်ဆောင်ချက်များနှင့် ယန္တရားများ။

ပုံ 21 InterSystems IRIS - universal real-time AI/ML ကွန်ပျူတာပလပ်ဖောင်း

ဤနေရာတွင်တင်ပြထားသောအကြောင်းအရာကိုစိတ်ဝင်စားသောကျွန်ုပ်တို့၏စာဖတ်သူများနှင့်ပိုမိုခိုင်မာသောအပြန်အလှန်တုံ့ပြန်မှုတစ်ခုအတွက်၊ ကျွန်ုပ်တို့သည် ၎င်းကိုဖတ်ရှုရန် သင့်ကိုယ်သင်ကန့်သတ်ထားပြီး “တိုက်ရိုက်” ဆွေးနွေးပွဲကို ဆက်လက်လုပ်ဆောင်ရန် အကြံပြုအပ်ပါသည်။ သင့်ကုမ္ပဏီ၏ သီးသန့်ထူးခြားချက်များနှင့် စပ်လျဉ်း၍ အချိန်နှင့်တပြေးညီ AI/ML မြင်ကွင်းများကို ပုံဖော်ခြင်း၊ InterSystems IRIS ပလပ်ဖောင်းပေါ်တွင် ပူးတွဲပုံတူပုံစံပြုလုပ်ခြင်း၊ ဉာဏ်ရည်တုနှင့် စက်သင်ယူမှုမိတ်ဆက်ခြင်းအတွက် လမ်းပြမြေပုံကို ရေးဆွဲပြီး လက်တွေ့အကောင်အထည်ဖော်ရန် ကျွန်ုပ်တို့ ဝမ်းမြောက်မိပါသည်။ သင်၏ထုတ်လုပ်မှုနှင့် စီမံခန့်ခွဲမှုလုပ်ငန်းစဉ်များတွင်။ ကျွန်ုပ်တို့၏ AI/ML ကျွမ်းကျင်သူအဖွဲ့ ဆက်သွယ်ရန် အီးမေးလ်- [အီးမေးလ်ကိုကာကွယ်ထားသည်].

source: www.habr.com