InterSystems IRIS एक विश्वव्यापी वास्तविक समय AI/ML प्लेटफर्म हो

लेखक: Sergey Lukyanchikov, InterSystems परामर्श इन्जिनियर

वास्तविक समय एआई/एमएल कम्प्युटिङ चुनौतीहरू

InterSystems मा डेटा विज्ञान अभ्यास को अनुभव को उदाहरणहरु संग सुरु गरौं:

• "लोड गरिएको" क्रेता पोर्टल अनलाइन सिफारिस प्रणालीसँग जोडिएको छ। खुद्रा नेटवर्कको स्केलमा पदोन्नतिहरूको पुनर्संरचना आउँदैछ (उदाहरणका लागि, पदोन्नतिको "फ्लैट" लाइनको सट्टा, "खण्ड-रणनीति" म्याट्रिक्स अब प्रयोग गरिनेछ)। सिफारिसकर्ताहरूलाई के हुन्छ? सिफारिसकर्ता संयन्त्रमा डाटा पेस र अद्यावधिक गर्दा के हुन्छ (इनपुट डाटाको मात्रा २५,००० गुणाले बढेको छ)? सिफारिसहरूको विकासमा के हुन्छ (तिनीहरूको संख्या र "दायरा" मा एक हजार गुणा वृद्धिको कारणले सिफारिस गर्ने नियमहरूको फिल्टरिङ थ्रेसहोल्डमा हजार-गुणा कमीको आवश्यकता)?
• उपकरण नोड्स मा दोष को विकास को सम्भाव्यता को निगरानी को लागी एक प्रणाली छ। एक प्रक्रिया नियन्त्रण प्रणाली निगरानी प्रणालीमा जडान गरिएको थियो, हजारौं प्रक्रिया प्यारामिटरहरू प्रत्येक सेकेन्डमा प्रसारण गर्दै। पहिले "म्यानुअल नमूनाहरू" मा काम गर्ने अनुगमन प्रणालीलाई के हुन्छ (के यो दोस्रो-देखि-सेकेन्ड सम्भाव्यता अनुगमन प्रदान गर्न सक्षम छ)? यदि प्रक्रिया नियन्त्रण प्रणालीमा भर्खरै थपिएको सेन्सरहरूको पढाइको साथ इनपुट डाटामा धेरै सय स्तम्भहरू भएको नयाँ ब्लक देखा पर्यो भने के हुन्छ (के र कहिलेसम्म अनुगमन प्रणालीलाई नयाँ सेन्सरहरूबाट डाटा समावेश गर्न रोक्न आवश्यक छ। विश्लेषण)?
• एआई/एमएल मेकानिजमहरूको सेट (सिफारिस, अनुगमन, भविष्यवाणी गर्ने) सिर्जना गरिएको छ जसले एकअर्काको कामको नतिजा प्रयोग गर्दछ। यस कम्प्लेक्सको सञ्चालनलाई इनपुट डाटामा परिवर्तन गर्नको लागि मासिक कति म्यान-घण्टा आवश्यक पर्दछ? निर्णय गर्ने जटिलता (नयाँ इनपुट डेटाको घटनाको आवृत्तिको सापेक्षमा नयाँ समर्थन जानकारीको घटनाको आवृत्ति) द्वारा समर्थित समग्र "मन्दी" के हो?

यी र अन्य धेरै उदाहरणहरू संक्षेप गर्दै, हामी मेसिन लर्निङ र वास्तविक-समय कृत्रिम बुद्धिमत्ता संयन्त्रको प्रयोगमा जाँदा उत्पन्न हुने चुनौतीहरूको सूत्रीकरणमा आएका छौं:

• के हामी हाम्रो कम्पनीमा AI / ML विकासहरूको सिर्जना र अनुकूलन (परिवर्तनशील परिस्थितिमा) को गतिसँग सन्तुष्ट छौं?
• हामीले प्रयोग गर्ने AI/ML समाधानहरूले वास्तविक-समय व्यापार व्यवस्थापनलाई कुन हदसम्म समर्थन गर्छ?
• के हामीले प्रयोग गर्ने AI/ML समाधानहरू स्वतन्त्र रूपमा (विकासकर्ताहरू बिना) डाटा र व्यवसाय व्यवस्थापन अभ्यासहरूमा परिवर्तनहरू अनुकूल गर्न सक्षम छन्?

हाम्रो लेख AI / ML संयन्त्र, AI / ML समाधानहरूको संयोजन (एकीकरण) र गहन डेटामा AI / ML समाधानहरूको प्रशिक्षण (परीक्षण) को तैनातीको लागि विश्वव्यापी समर्थनको सन्दर्भमा InterSystems IRIS प्लेटफर्मको क्षमताहरूको विस्तृत सिंहावलोकन हो। बग्नु। हामी बजार अनुसन्धान, AI/ML समाधानहरूको केस स्टडीहरू, र हामीले यस लेखमा वास्तविक-समय AI/ML प्लेटफर्मको रूपमा उल्लेख गर्ने अवधारणात्मक पक्षहरूमा फर्कनेछौं।

हामीलाई सर्वेक्षणहरूबाट के थाहा छ: वास्तविक-समय अनुप्रयोगहरू

Результаты सर्वेक्षणLightbend द्वारा 800 मा लगभग 2019 IT प्रोफेशनलहरू बीच सञ्चालन गरिएको आफ्नै लागि बोल्नुहोस्:

चित्र 1 वास्तविक-समय डाटाको अग्रणी उपभोक्ताहरू

यस सर्वेक्षणको नतिजाहरूमा हाम्रो अनुवादमा हाम्रो लागि महत्त्वपूर्ण रहेको रिपोर्टका टुक्राहरूलाई उद्धृत गरौं:

"...डेटाफ्लो एकीकरण उपकरणहरूको लोकप्रियतामा प्रवृतिहरू र, एकै समयमा, कन्टेनराइज्ड कम्प्युटिङको लागि समर्थनले प्रभावकारी समाधानहरूको अधिक कुशल, तर्कसंगत, गतिशील प्रस्तावको लागि बजार मागको लागि एक समन्वयात्मक प्रतिक्रिया प्रदान गर्दछ। डाटा स्ट्रिमहरूले जानकारीलाई परम्परागत प्याकेट डाटा भन्दा छिटो स्थानान्तरण गर्न अनुमति दिन्छ। यसमा थपिएको छ ग्राहकको सन्तुष्टि बढाएर प्रतिस्पर्धात्मक फाइदाहरू सिर्जना गर्न AI/ML- आधारित सिफारिसहरू जस्ता कम्प्युटेसनल विधिहरू छिटो लागू गर्ने क्षमता। चपलताको लागि दौडले DevOps प्रतिमानका सबै भूमिकाहरूलाई पनि प्रभाव पार्छ - अनुप्रयोग विकास र तैनातीलाई अझ प्रभावकारी बनाउँदै। ... आठ सय चार आईटी पेशेवरहरूले आफ्नो संगठनमा डाटा प्रवाहको प्रयोगको बारेमा जानकारी प्रदान गरे। उत्तरदाताहरू मुख्यतया पश्चिमी देशहरूमा अवस्थित थिए (युरोपमा 41% र उत्तरी अमेरिकामा 37%) र साना, मध्यम र ठूला कम्पनीहरूमा लगभग समान रूपमा वितरण गरिएको थियो। …

… कृत्रिम बुद्धिमत्ता प्रचार होइन। उत्पादनशील AI/ML अनुप्रयोगहरूमा पहिले नै डेटाफ्लो प्रशोधन प्रयोग गर्नेहरू मध्ये अठ्ठावन प्रतिशतले पुष्टि गर्दछ कि तिनीहरूको AI/ML मा प्रयोगले अर्को वर्ष सबैभन्दा ठूलो लाभ देख्नेछ (अन्य अनुप्रयोगहरूको तुलनामा)।

• उत्तरदाताहरूको बहुमतका अनुसार, AI / ML परिदृश्यहरूमा डाटा प्रवाहको प्रयोगले अर्को वर्षमा सबैभन्दा ठूलो वृद्धि प्राप्त गर्नेछ।
• AI/ML मा अनुप्रयोगहरू अपेक्षाकृत नयाँ प्रकारका परिदृश्यहरू मार्फत मात्र नभई परम्परागत परिदृश्यहरू मार्फत पनि बढ्नेछ, जसमा वास्तविक-समय डाटा बढ्दो रूपमा प्रयोग गरिन्छ।
• AI/ML को अतिरिक्त, IoT डाटा पाइपलाइनका प्रयोगकर्ताहरू बीचको उत्साहको स्तर प्रभावशाली छ - IoT डाटा एकीकृत गर्नेहरू मध्ये 48% ले यस डाटामा परिदृश्यहरूको कार्यान्वयनले निकट भविष्यमा उल्लेखनीय वृद्धि प्राप्त गर्ने छ। …»

यो बरु चाखलाग्दो सर्वेक्षणबाट, यो देख्न सकिन्छ कि डाटा स्ट्रिमहरूको खपतमा नेताहरूको रूपमा मेसिन लर्निंग र कृत्रिम बुद्धिमत्ता परिदृश्यहरूको धारणा पहिले नै "मार्गमा" छ। तर DevOps अप्टिक्स मार्फत वास्तविक-समय AI / ML को धारणा एक समान महत्त्वपूर्ण अवलोकन बन्छ: यहाँ हामी पहिले नै "पूर्ण पहुँचयोग्य डेटा सेटको साथ एक-समय AI / ML" को अझै प्रभावशाली संस्कृतिको रूपान्तरणको बारेमा कुरा गर्न सुरु गर्न सक्छौं।

वास्तविक समय AI/ML प्लेटफर्म अवधारणा

वास्तविक समय AI/ML को लागि एक विशिष्ट अनुप्रयोग निर्माण प्रक्रिया नियन्त्रण मा छ। यसको उदाहरणमा र अघिल्लो प्रतिबिम्बलाई ध्यानमा राख्दै, हामी वास्तविक-समय AI / ML प्लेटफर्मको अवधारणा तयार गर्नेछौं।
प्रक्रिया नियन्त्रणमा कृत्रिम बुद्धिमत्ता र मेसिन लर्निङको प्रयोगमा धेरै सुविधाहरू छन्:

• प्राविधिक प्रक्रियाको स्थितिमा डाटा गहन रूपमा प्राप्त हुन्छ: उच्च आवृत्तिको साथ र मापदण्डहरूको विस्तृत दायरा (प्रक्रिया नियन्त्रण प्रणालीबाट प्रति सेकेन्ड हजारौं प्यारामिटर मानहरू प्रसारित)।
• दोषहरू पत्ता लगाउने डाटा, तिनीहरूको विकासमा डाटा उल्लेख नगर्ने, यसको विपरित, दुर्लभ र अनियमित छन्, दोषहरूको अपर्याप्त टाइपिंग र समयमै तिनीहरूको स्थानीयकरण (प्रायः कागजमा रेकर्डहरू द्वारा प्रतिनिधित्व) द्वारा विशेषता।
• व्यावहारिक दृष्टिकोणबाट, प्रारम्भिक डेटाको "प्रासंगिकता सञ्झ्याल" मात्र प्रशिक्षण र मोडेलहरू लागू गर्नको लागि उपलब्ध छ, उचित स्लाइडिङ अन्तरालको लागि प्राविधिक प्रक्रियाको गतिशीलता प्रतिबिम्बित गर्दै, प्रक्रिया प्यारामिटरहरूको अन्तिम पढिएको मानहरूसँग समाप्त हुन्छ।

यी सुविधाहरूले हामीलाई प्रक्रियाबाट तीव्र "ब्रोडब्यान्ड इनपुट" को आधारभूत वास्तविक-समय प्रशोधनको अतिरिक्त, एआई / एमएल मोडेलहरूको कामको नतिजाहरूको अनुप्रयोग, प्रशिक्षण र गुणस्तर नियन्त्रण गर्न (समानान्तरमा) गर्न बाध्य पार्छ। वास्तविक समयमा पनि। "फ्रेम" जुन हाम्रा मोडेलहरूले सान्दर्भिकताको स्लाइडिङ सञ्झ्यालमा "हेर्छन्" निरन्तर परिवर्तन भइरहेका छन् - र यसको साथमा, विगतमा कुनै एक "फ्रेम" मा प्रशिक्षित एआई / एमएल मोडेलहरूको कामको नतिजाको गुणस्तर पनि परिवर्तन हुन्छ। । यदि एआई / एमएल मोडेलहरूको कामको नतिजाको गुणस्तर बिग्रन्छ (उदाहरणका लागि: "अलार्म-नर्म" वर्गीकरण त्रुटिको मान हामीले परिभाषित गरेका सीमाहरू भन्दा बाहिर गएको छ), मोडेलहरूको पुन: प्रशिक्षण स्वचालित रूपमा सुरु गर्नुपर्छ। सान्दर्भिक "फ्रेम" - र मोडेलहरूको पुन: तालिम सुरु गर्नको लागि क्षणको छनोटले तालिमको अवधि कसरी हुन्छ, साथै मोडेलहरूको हालको संस्करणको गुणस्तरमा गिरावटको गतिशीलता (हालको संस्करणहरूदेखि) लाई ध्यानमा राख्नुपर्दछ। मोडेलहरू प्रशिक्षित भईरहँदा, र तिनीहरूको "नयाँ प्रशिक्षित" संस्करणहरू उत्पन्न नभएसम्म लागू भइरहन्छन्)।

InterSystems IRIS सँग प्रक्रिया नियन्त्रणको लागि वास्तविक-समय AI/ML समाधानहरू सक्षम गर्न प्रमुख प्लेटफर्म क्षमताहरू छन्। यी सम्भावनाहरूलाई तीन मुख्य समूहमा विभाजन गर्न सकिन्छ:

• InterSystems IRIS प्लेटफर्ममा वास्तविक समयमा सञ्चालन हुने उत्पादक समाधानमा नयाँ वा अनुकूलित अवस्थित AI/ML संयन्त्रहरूको निरन्तर तैनाती (निरन्तर तैनाती / डेलिभरी, CD)।
• निरन्तर एकीकरण (CI) आगमन प्रक्रिया डेटा प्रवाहको एकल उत्पादक समाधानमा, एआई / एमएल संयन्त्रको आवेदन / प्रशिक्षण / गुणस्तर नियन्त्रण र डेटा / कोड / नियन्त्रण आदानप्रदानका लागि गणितीय मोडेलिङ वातावरणको लागि डेटा लाइनहरू, जुन वास्तविक-समयमा व्यवस्थित हुन्छन्। InterSystems IRIS प्लेटफर्म
• InterSystems IRIS प्लेटफर्म द्वारा प्रसारित डाटा, कोड र नियन्त्रण कार्यहरू ("निर्णयहरू") प्रयोग गरेर गणितीय मोडलिङ वातावरणमा प्रदर्शन गरिएको AI / ML संयन्त्रहरूको निरन्तर (स्व-) सिकाइ (निरन्तर प्रशिक्षण, CT)।

मेसिन लर्निङ र आर्टिफिसियल इन्टेलिजेन्सको सम्बन्धमा प्लेटफर्म क्षमताहरूको वर्गीकरण ठीक त्यस्ता समूहहरूमा आकस्मिक होइन। पद्धतिगत उद्धृत गरौं प्रकाशन गुगल, जसले यस वर्गीकरणको लागि अवधारणात्मक आधार प्रदान गर्दछ, हाम्रो अनुवादमा:

"... DevOps अवधारणा, जुन आजकल लोकप्रिय छ, ले ठूलो मात्रामा सूचना प्रणालीहरूको विकास र सञ्चालनलाई समेट्छ। यस अवधारणालाई लागू गर्ने फाइदाहरू विकास चक्रको अवधिमा कमी, विकास परिनियोजनको गति, रिलीज योजनाको लचिलोपन हुन्। यी फाइदाहरू प्राप्त गर्न, DevOps ले कम्तिमा दुई अभ्यासहरूको कार्यान्वयन समावेश गर्दछ:

• निरन्तर एकीकरण (CI)
• निरन्तर वितरण (CD)

यी अभ्यासहरू AI/ML प्लेटफर्महरूमा पनि लागू हुन्छन् उत्पादक AI/ML समाधानहरूको बलियो र प्रदर्शनकारी निर्माणहरू सुनिश्चित गर्न।

AI/ML प्लेटफर्महरू निम्न पक्षहरूमा अन्य सूचना प्रणालीहरू भन्दा फरक छन्:

• टोली योग्यताहरू: AI/ML समाधान निर्माण गर्दा, टोलीमा सामान्यतया डेटा वैज्ञानिकहरू वा डेटा वैज्ञानिकहरू समावेश हुन्छन् जसले डेटा विश्लेषण, मोडेल विकास, र प्रमाणीकरण सञ्चालन गर्छन्। यी टोली सदस्यहरू उत्पादक कोडको व्यावसायिक विकासकर्ता नहुन सक्छन्।
• विकास: AI/ML संयन्त्रहरू प्रकृतिमा प्रयोगात्मक हुन्छन्। सबैभन्दा प्रभावकारी तरिकामा समस्या समाधान गर्नको लागि, इनपुट चर, एल्गोरिदम, मोडेलिङ विधिहरू र मोडेल प्यारामिटरहरूको विभिन्न संयोजनहरू मार्फत क्रमबद्ध गर्न आवश्यक छ। यस्तो खोजको जटिलता "के काम गर्यो / काम गरेन" ट्रेसिङ, एपिसोडहरूको पुनरुत्पादन सुनिश्चित गर्न, पुनरावर्ती कार्यान्वयनका लागि विकासहरू सामान्यीकरणमा निहित छ।
• परीक्षण: AI/ML मेकानिजमहरू परीक्षण गर्न अन्य धेरै विकासहरू भन्दा परीक्षणहरूको ठूलो दायरा चाहिन्छ। सामान्य एकाइ र एकीकरण परीक्षणहरूको अतिरिक्त, डाटाको वैधता र प्रशिक्षण र नियन्त्रण नमूनाहरूमा मोडेल लागू गर्ने परिणामहरूको गुणस्तर परीक्षण गरिन्छ।
• डिप्लोयमेन्ट: एआई/एमएल समाधानहरूको डिप्लोयमेन्ट एक पटक प्रशिक्षित मोडेल लागू गर्ने भविष्यवाणी गर्ने सेवाहरूमा सीमित छैन। एआई / एमएल समाधानहरू बहु-चरण पाइपलाइनहरू वरिपरि बनाइएका छन् जसले स्वचालित प्रशिक्षण र मोडेलहरूको अनुप्रयोग प्रदर्शन गर्दछ। त्यस्ता पाइपलाइनहरू तैनाथ गर्नमा मोडेलहरूलाई तालिम दिन र परीक्षण गर्न सक्षम हुनको लागि डेटा वैज्ञानिकहरूद्वारा परम्परागत रूपमा म्यानुअल रूपमा प्रदर्शन गरिएका गैर-तुच्छ कदमहरू स्वचालित रूपमा समावेश हुन्छन्।
• उत्पादक: AI/ML इन्जिनहरूले अक्षम प्रोग्रामिङको कारणले मात्र होइन, तर इनपुट डेटाको निरन्तर परिवर्तनशील प्रकृतिको कारणले पनि कार्यसम्पादनको कमी हुन सक्छ। अर्को शब्दमा, AI/ML संयन्त्रको कार्यसम्पादन परम्परागत विकासको कार्यसम्पादनको तुलनामा फराकिलो कारणले गर्दा ह्रास हुन सक्छ। यसले हाम्रा एआई/एमएल इन्जिनहरूको कार्यसम्पादन (अनलाइन) अनुगमन गर्न, र कार्यसम्पादन अपेक्षाअनुरूप भएन भने अलर्टहरू पठाउने वा नतिजाहरू अस्वीकार गर्ने आवश्यकतामा परिणाम दिन्छ।

AI/ML प्लेटफर्महरू अन्य सूचना प्रणालीहरू जस्तै छन् जसमा दुवैलाई संस्करण नियन्त्रण, एकाइ परीक्षण, एकीकरण परीक्षण, निरन्तर विकास परिनियोजनको साथ निरन्तर कोड एकीकरण आवश्यक पर्दछ। यद्यपि, AI/ML को मामलामा, त्यहाँ केही महत्त्वपूर्ण भिन्नताहरू छन्:

• CI (निरन्तर एकीकरण) अब डिप्लोइड कम्पोनेन्टहरूको कोड परीक्षण र प्रमाणीकरणमा सीमित छैन - यसले डाटा र AI/ML मोडेलहरू परीक्षण र प्रमाणीकरण पनि समावेश गर्दछ।
• सीडी (निरन्तर डेलिभरी / डिप्लोयमेन्ट, निरन्तर डिप्लोयमेन्ट) प्याकेज वा सेवाहरू लेख्न र जारी गर्नमा सीमित छैन, तर एआई / एमएल समाधानहरू रचना, सिक्ने र लागू गर्ने प्लेटफर्मलाई संकेत गर्दछ।
• CT (निरन्तर प्रशिक्षण, निरन्तर सिकाइ) - एक नयाँ तत्व [लगभग। लेखको लेखकद्वारा: DevOps को परम्परागत अवधारणाको सम्बन्धमा एउटा नयाँ तत्व, जसमा CT सामान्यतया निरन्तर परीक्षण हुन्छ], AI / ML प्लेटफर्महरूमा अन्तर्निहित, AI / ML मोडेलहरू सिक्न र लागू गर्नका लागि संयन्त्रहरूको स्वायत्त व्यवस्थापनको लागि जिम्मेवार। ..."

हामी भन्न सक्छौं कि वास्तविक-समय डेटामा काम गर्ने मेसिन लर्निङ र कृत्रिम बुद्धिमत्ताका लागि उपकरण र दक्षताहरूको फराकिलो सेट आवश्यक पर्दछ (कोड विकासदेखि गणितीय मोडलिङ वातावरणको अर्केस्ट्रेसनसम्म), सबै कार्यात्मक र विषय क्षेत्रहरू बीचको घनिष्ठ एकीकरण, मानव र अधिक कुशल संगठन। मेसिन स्रोतहरू।

वास्तविक-समय परिदृश्य: फिड पम्पहरूमा दोषहरूको विकास पहिचान गर्दै

उदाहरणको रूपमा प्रक्रिया नियन्त्रणको क्षेत्र प्रयोग गर्न जारी राख्दै, एक विशेष कार्यलाई विचार गर्नुहोस् (हामीले पहिले नै सुरुमा उल्लेख गरिसकेका छौं): यो प्रक्रिया प्यारामिटरहरूको प्रवाहमा आधारित पम्पहरूमा त्रुटिहरूको विकासको वास्तविक-समय अनुगमन प्रदान गर्न आवश्यक छ। र पत्ता लगाइएको दोषहरूमा मर्मत कर्मचारीहरूको रिपोर्ट।

चित्र २ दोषहरूको विकासको अनुगमन गर्ने कार्यको सूत्रीकरण

अभ्यासमा यस तरिकाले सेट गरिएका अधिकांश कार्यहरूको विशेषता भनेको विभिन्न प्रकारका दोषहरूको एपिसोडिक र अनियमित घटना (र दर्ता) को पृष्ठभूमिमा डाटा रसिद (APCS) को नियमितता र दक्षतालाई विचार गरिनु पर्छ। अर्को शब्दहरूमा: प्रक्रिया नियन्त्रण प्रणालीबाट डाटा एक पटक दोस्रो सही-सही आउँछ, र कार्यशालामा सामान्य नोटबुकमा मितिको साथ एक अमिट पेन्सिलले दोषहरू रेकर्ड गरिन्छ (उदाहरणका लागि: "12.01 - कभरमा चुहावट। तेस्रो असरको पक्ष")।

तसर्थ, निम्न महत्त्वपूर्ण सीमाहरूको साथ समस्याको ढाँचालाई पूरक गर्न सम्भव छ: हामीसँग एक विशेष प्रकारको दोषको एउटा मात्र "लेबल" छ (अर्थात्, कुनै विशेष प्रकारको दोषको उदाहरणबाट डेटाद्वारा प्रतिनिधित्व गरिएको छ। एक निश्चित मितिको लागि प्रक्रिया नियन्त्रण प्रणाली - र हामीसँग यस विशेष प्रकारको दोषको थप उदाहरणहरू छैनन्)। यो प्रतिबन्धले तुरुन्तै हामीलाई शास्त्रीय मेसिन लर्निङ (निरीक्षण गरिएको शिक्षा) को दायराभन्दा बाहिर लैजान्छ, जसको लागि त्यहाँ धेरै "लेबलहरू" हुनुपर्छ।

चित्र 3 दोषहरूको विकासको अनुगमन गर्ने कार्यको परिष्करण

के हामी कुनै न कुनै रूपमा हाम्रो निपटानमा एक मात्र "लेबल" लाई "गुण" गर्न सक्छौं? हो हामी सक्छौ। पम्प को वर्तमान स्थिति दर्ता दोष को समानता को डिग्री द्वारा विशेषता छ। मात्रात्मक विधिहरूको प्रयोग नगरी पनि, दृश्य धारणाको स्तरमा, प्रक्रिया नियन्त्रण प्रणालीबाट आउने डाटा मानहरूको गतिशीलता अवलोकन गर्दै, तपाईंले पहिले नै धेरै सिक्न सक्नुहुन्छ:

चित्र 4 दिइएको प्रकारको दोषको "चिन्ह" को पृष्ठभूमिमा पम्पको अवस्थाको गतिशीलता

तर दृश्य धारणा (कम्तीमा अहिलेको लागि) हाम्रो द्रुत रूपमा परिवर्तन हुने परिदृश्यमा "ट्यागहरू" को सबैभन्दा उपयुक्त जनरेटर होइन। हामी सांख्यिकीय परीक्षण प्रयोग गरेर रिपोर्ट गरिएका दोषहरूसँग पम्पको हालको अवस्थाको समानताको मूल्याङ्कन गर्नेछौं।

चित्र 5 त्रुटिको "लेबल" को पृष्ठभूमि विरुद्ध आगमन डेटामा सांख्यिकीय परीक्षण लागू गर्दै

सांख्यिकीय परीक्षणले प्रक्रिया नियन्त्रण प्रणालीबाट प्राप्त "फ्लो-प्याकेट" मा प्राविधिक प्रक्रिया प्यारामिटरहरूको मानहरूसँग रेकर्डहरू निश्चित प्रकारको दोषको "लेबल" रेकर्डहरूसँग मिल्दोजुल्दो छ भन्ने सम्भावना निर्धारण गर्दछ। सांख्यिकीय परीक्षण (सांख्यिकीय समानता अनुक्रमणिका) लागू गर्ने परिणामको रूपमा गणना गरिएको सम्भाव्यता मान ० वा १ को मानमा रूपान्तरण हुन्छ, समानता प्याकेजमा प्रत्येक विशिष्ट रेकर्डमा मेसिन लर्निंगको लागि "लेबल" बन्ने। त्यो हो, पम्प स्टेट रेकर्डको नयाँ प्राप्त प्याकेजलाई सांख्यिकीय परीक्षणको साथ प्रशोधन गरिसकेपछि, हामीसँग (a) AI / ML मोडेलको प्रशिक्षणको लागि यो प्याकेजलाई प्रशिक्षण नमूनामा थप्ने र (b) को गुणस्तर अनुगमन गर्ने अवसर छ। यो प्याकेजमा लागू हुँदा मोडेलको हालको संस्करण।

चित्र 6 त्रुटिको "लेबल" को पृष्ठभूमि विरुद्ध आगमन डेटामा मेसिन लर्निङ मोडेल लागू गर्दै

हाम्रो अघिल्लो मध्ये एक मा वेबिनारहरू हामी देखाउँछौं र व्याख्या गर्छौं कि कसरी InterSystems IRIS प्लेटफर्मले तपाईंलाई सिमुलेशन परिणामहरूको विश्वसनीयता नियन्त्रण गर्ने र मोडेल प्यारामिटरहरू अनुकूलन गर्ने व्यापार प्रक्रियाहरू निरन्तर कार्यान्वयन गर्ने रूपमा कुनै पनि AI / ML संयन्त्र लागू गर्न अनुमति दिन्छ। पम्पहरूसँग हाम्रो परिदृश्यको प्रोटोटाइप कार्यान्वयन गर्दा, हामी वेबिनारको समयमा प्रस्तुत गरिएका सबै InterSystems IRIS कार्यक्षमता प्रयोग गर्छौं - हाम्रो समाधानको भागको रूपमा विश्लेषक प्रक्रियामा कार्यान्वयन गर्दै, शास्त्रीय पर्यवेक्षित सिकाइ होइन, बरु सुदृढीकरण सिकाइ, जसले स्वचालित रूपमा प्रशिक्षणको लागि नमूना नियन्त्रण गर्दछ। मोडेलहरू। रेकर्डहरू प्रशिक्षण नमूनामा राखिन्छ जसमा सांख्यिकीय परीक्षण र मोडेलको हालको संस्करण दुवै लागू गरेपछि "पत्ता लगाउने सहमति" हुन्छ - अर्थात् दुवै सांख्यिकीय परीक्षण (समानता सूचकांक ० वा १ मा रूपान्तरण पछि), र मोडेलले त्यस्ता रेकर्डहरूमा नतिजा उत्पादन गर्यो 0. मोडेलको नयाँ प्रशिक्षणको साथ, यसको प्रमाणीकरणको क्रममा (नयाँ प्रशिक्षित मोडेल यसको आफ्नै प्रशिक्षण नमूनामा लागू हुन्छ, यसमा सांख्यिकीय परीक्षणको प्रारम्भिक अनुप्रयोगको साथ), रेकर्डहरू जसले " नतिजा 1 लाई सांख्यिकीय परीक्षण द्वारा प्रशोधन गरेपछि (प्रशिक्षणमा निरन्तर उपस्थितिको कारणले गर्दा दोषको मूल "लेबल" बाट रेकर्डको नमूना) प्रशिक्षण नमूनाबाट हटाइन्छ, र मोडेलको नयाँ संस्करणले सिक्छ। दोषको "लेबल" र स्ट्रिमबाट "होल्ड" रेकर्डहरूबाट।

चित्र 7 InterSystems IRIS मा AI/ML गणनाको रोबोटाइजेशन

यदि त्यहाँ InterSystems IRIS मा स्थानीय कम्प्युटिङ द्वारा प्राप्त गरिएको पहिचानको गुणस्तरमा एक प्रकारको "दोस्रो राय" को आवश्यकता छ भने, क्लाउड सेवाहरू (उदाहरणका लागि, Microsoft Azure) प्रयोग गरेर नियन्त्रण डेटासेटमा प्रशिक्षण-लागू गर्ने मोडेलहरू प्रदर्शन गर्न एक सल्लाहकार प्रक्रिया सिर्जना गरिन्छ। , Amazon Web Services , Google Cloud Platform, etc.):

चित्र 8 इन्टरसिस्टम्स IRIS द्वारा आयोजित Microsoft Azure बाट दोस्रो राय

InterSystems IRIS मा हाम्रो परिदृश्यको प्रोटोटाइप विश्लेषणात्मक प्रक्रियाहरूको एजेन्ट-आधारित प्रणालीको रूपमा बनाइएको छ जसले उपकरण वस्तु (पम्प), गणितीय मोडेलिङ वातावरण (पाइथन, आर र जुलिया) सँग अन्तरक्रिया गर्छ र सबैलाई आत्म-शिक्षा प्रदान गर्दछ। संलग्न AI / ML संयन्त्रहरू - वास्तविक-समय डाटा प्रवाहमा।

चित्र 9 InterSystems IRIS मा वास्तविक समय AI/ML समाधान को मुख्य कार्यक्षमता

हाम्रो प्रोटोटाइप को व्यावहारिक परिणाम:

• मोडेल द्वारा पहिचान गरिएको दोष ढाँचा (जनवरी 12):

• नमूनामा समावेश नभएको मोडेलले पहिचान गरेको विकासशील दोष (सेप्टेम्बर ११, मर्मत टोलीले मात्र दुई दिनपछि दोष पत्ता लगाएको थियो - सेप्टेम्बर १३):

एउटै दोषको धेरै एपिसोडहरू भएको वास्तविक डाटामा सिमुलेशनले देखाएको छ कि InterSystems IRIS प्लेटफर्ममा लागू गरिएको हाम्रो समाधानले हामीलाई यस प्रकारका दोषहरूको विकास पत्ता लगाउन अनुमति दिन्छ तिनीहरू मर्मत टोलीले पत्ता लगाउनुभन्दा धेरै दिन अघि।

InterSystems IRIS - विश्वव्यापी वास्तविक समय AI/ML कम्प्युटिङ प्लेटफर्म

InterSystems IRIS प्लेटफर्मले वास्तविक-समय डाटा समाधानहरूको विकास, तैनाती, र सञ्चालनलाई सरल बनाउँछ। InterSystems IRIS ले एकै साथ लेनदेन र विश्लेषणात्मक डेटा प्रशोधन गर्न सक्षम छ; धेरै मोडेलहरू (सम्बन्धित, पदानुक्रमिक, वस्तु र कागजात सहित) अनुसार डेटाको सिङ्क्रोनाइज दृश्यहरू कायम राख्नुहोस्; डेटा स्रोतहरू र व्यक्तिगत अनुप्रयोगहरूको विस्तृत श्रृंखलाको लागि एकीकरण प्लेटफर्मको रूपमा कार्य गर्नुहोस्; संरचित र असंरचित डेटा मा उन्नत वास्तविक समय विश्लेषण प्रदान गर्नुहोस्। InterSystems IRIS ले बाह्य विश्लेषणात्मक उपकरणहरूको प्रयोगको लागि संयन्त्र पनि प्रदान गर्दछ, क्लाउड र स्थानीय सर्भरहरूमा होस्टिङ संयोजन गर्न लचिलोपनलाई अनुमति दिन्छ।

InterSystems IRIS प्लेटफर्ममा निर्मित एप्लिकेसनहरू उद्योगहरूमा तैनाथ गरिएको छ, जसले कम्पनीहरूलाई रणनीतिक र परिचालन परिप्रेक्ष्यबाट महत्त्वपूर्ण आर्थिक मूल्य प्राप्त गर्न मद्दत गर्दछ, निर्णय लिने र घटना, विश्लेषण र कार्य बीचको खाडलहरू बन्द गर्दै।

चित्र 10 वास्तविक समय AI/ML को सन्दर्भमा InterSystems IRIS वास्तुकला

अघिल्लो रेखाचित्र जस्तै, तलको रेखाचित्रले नयाँ "समन्वय प्रणाली" (CD/CI/CT) लाई प्लेटफर्म कार्य वस्तुहरू बीचको जानकारीको प्रवाहसँग जोड्दछ। भिजुअलाइजेशन सीडी म्याक्रो-मेकानिज्मबाट सुरु हुन्छ र सीआई र सीटी म्याक्रो-मेकानिजमसँग जारी रहन्छ।

चित्र 11 InterSystems IRIS प्लेटफर्मको AI/ML तत्वहरू बीच जानकारी प्रवाह गर्ने योजना

InterSystems IRIS मा CD मेकानिज्मको सार: प्लेटफर्म प्रयोगकर्ताहरू (AI / ML समाधान विकासकर्ताहरू) ले अवस्थित अनुकूलन गर्दछ र / वा विशेष AI / ML संयन्त्र कोड सम्पादक प्रयोग गरेर नयाँ AI / ML विकासहरू सिर्जना गर्दछ: Jupyter (पूर्ण नाम: Jupyter Notebook; पनि, संक्षिप्तताको लागि, यस सम्पादकमा सिर्जना गरिएका कागजातहरू कहिलेकाहीं भनिन्छ)। Jupyter मा, एक विकासकर्ताले InterSystems IRIS मा होस्ट गर्नु अघि ("डिप्लोइड") विशिष्ट AI / ML विकासको कार्यसम्पादन (ग्राफिक्स प्रयोग सहित) लेख्ने, डिबग गर्ने र प्रमाणित गर्ने अवसर छ। यो स्पष्ट छ कि यस तरिकाले सिर्जना गरिएको नयाँ विकासले केवल आधारभूत डिबगिङ प्राप्त गर्नेछ (किनकि, विशेष गरी, जुपिटरले वास्तविक-समय डाटा स्ट्रिमहरूसँग काम गर्दैन) - यो चीजहरूको क्रममा छ, किनभने Jupyter मा विकासको मुख्य परिणाम हो। एक अलग AI / ML-संयन्त्रको आधारभूत परिचालनको पुष्टि हो ("डेटा नमूनामा अपेक्षित परिणाम देखाउँदछ")। त्यसै गरी, Jupyter मा डिबग गर्नु अघि प्लेटफर्ममा पहिले नै राखिएको मेकानिजम (निम्न म्याक्रो-मेकानिजमहरू हेर्नुहोस्) लाई "पूर्व-प्लेटफर्म" फारममा "रोलब्याक" आवश्यक पर्दछ (फाइलहरूबाट डाटा पढ्ने, टेबलको सट्टा xDBC मार्फत डाटासँग काम गर्ने, ग्लोबलसँग प्रत्यक्ष अन्तरक्रिया - बहुआयामी डाटा एरे InterSystems IRIS - आदि)।

InterSystems IRIS मा CD कार्यान्वयनको महत्त्वपूर्ण पक्ष भनेको प्लेटफर्म र Jupyter बीच द्विदिशात्मक एकीकरण लागू गरिएको छ, जसले तपाईंलाई प्लेटफर्ममा स्थानान्तरण गर्न अनुमति दिन्छ (र, थप, प्लेटफर्ममा प्रक्रिया) पाइथन, आर र जुलिया (सबै तीनै हुन्। सम्बन्धित अग्रणी खुला स्रोत भाषाहरूमा प्रोग्रामिङ भाषाहरू। गणितीय मोडलिङको स्रोत वातावरणहरू)। तसर्थ, AI/ML सामग्री विकासकर्ताहरूसँग यस सामग्रीलाई प्लेटफर्ममा "निरन्तर डिप्लोय" गर्ने क्षमता छ, तिनीहरूको परिचित Jupyter सम्पादकमा काम गर्दै, Python, R, Julia मा उपलब्ध परिचित पुस्तकालयहरू, र प्लेटफर्म बाहिर आधारभूत डिबगिङ (आवश्यक भएमा) प्रदर्शन गर्ने। ।

InterSystems IRIS मा CI को म्याक्रो मेकानिजममा जाऔं। रेखाचित्रले "वास्तविक-समय रोबोट" को म्याक्रो-प्रक्रिया देखाउँछ (डेटा संरचनाहरू, व्यापार प्रक्रियाहरू र कोड टुक्राहरूको एक जटिल तिनीहरूद्वारा म्याटको भाषाहरूमा र वस्तुस्क्रिप्ट भाषा - InterSystems को मूल विकास भाषा। IRIS)। यस म्याक्रो प्रक्रियाको कार्य भनेको एआई / एमएल मेकानिजमहरू (वास्तविक समयमा प्लेटफर्ममा प्रसारित डाटा प्रवाहहरूमा आधारित) को सञ्चालनको लागि आवश्यक डाटा लामहरू कायम राख्नु हो, अनुप्रयोगको अनुक्रम र AI / को "दायरा" बारे निर्णयहरू लिनुहोस्। एमएल मेकानिजमहरू (तिनीहरू "गणितीय एल्गोरिदमहरू", "मोडलहरू" आदि पनि हुन्। - कार्यान्वयन विशिष्टता र शब्दावली प्राथमिकताहरूमा निर्भर गर्दै फरक रूपमा भनिन्छ), AI / ML संयन्त्रहरूको कामको नतिजाहरू विश्लेषण गर्न डेटा संरचनाहरू अद्यावधिक राख्नुहोस्। (क्यूब्स, टेबल्स, बहुआयामिक डेटा एरे, आदि) आदि। रिपोर्टहरू, ड्यासबोर्डहरू, इत्यादिका लागि।

InterSystems IRIS मा CI को कार्यान्वयनको एक महत्त्वपूर्ण पक्ष भनेको प्लेटफर्म र गणितीय मोडलिङ वातावरणहरू बीच द्विदिशात्मक एकीकरण लागू गरिएको छ, जसले Python, R र Julia मा प्लेटफर्ममा होस्ट गरिएको सामग्रीलाई कार्यान्वयन परिणामहरूको फिर्ताको साथ तिनीहरूको सम्बन्धित वातावरणमा कार्यान्वयन गर्न अनुमति दिन्छ। । यो एकीकरण दुवै "टर्मिनल मोड" (अर्थात् एआई/एमएल सामग्रीलाई म्याटहरूमा कल गर्ने वस्तुस्क्रिप्ट कोडको रूपमा तयार गरिएको छ) र "व्यापार प्रक्रिया मोड" (जस्तै एआई/एमएल सामग्री ग्राफिक सम्पादक प्रयोग गरेर व्यापार प्रक्रियाको रूपमा तयार गरिएको छ, दुवैमा लागू गरिएको छ। वा कहिलेकाहीँ Jupyter प्रयोग गरेर, वा IDE प्रयोग गरेर - IRIS Studio, Eclipse, Visual Studio Code)। Jupyter मा व्यापारिक प्रक्रियाहरूको सम्पादन योग्यता CI स्तरमा IRIS र CD स्तरमा Jupyter बीचको सम्बन्धबाट प्रतिबिम्बित हुन्छ। गणितीय मोडलिङ वातावरण संग एकीकरण को एक अधिक विस्तृत सिंहावलोकन तल दिइएको छ। यस चरणमा, हाम्रो विचारमा, AI / ML विकासहरूको "निरन्तर एकीकरण" ("निरन्तर तैनाती" बाट आउँदैछ) लाई वास्तविक समय AI मा लागू गर्न सबै आवश्यक उपकरणहरूको प्लेटफर्ममा उपस्थिति निश्चित गर्ने हरेक कारण छ। एमएल समाधान।

र मुख्य म्याक्रो संयन्त्र: CT। यो बिना, त्यहाँ कुनै AI / ML प्लेटफर्म हुनेछैन (यद्यपि "वास्तविक समय" CD / CI मार्फत लागू गरिनेछ)। CT को सार भनेको गणितीय मोडेलिङ वातावरणको कार्य सत्रहरूमा मेसिन लर्निङ र कृत्रिम बुद्धिमत्ताको "कलाकृतिहरू" संग प्लेटफर्मको काम हो: मोडेलहरू, वितरण तालिकाहरू, म्याट्रिक्स भेक्टरहरू, न्यूरल नेटवर्कहरूको तहहरू, इत्यादि। यो "काम", धेरै जसो अवस्थामा, वातावरणमा उल्लेखित कलाकृतिहरू सिर्जना गर्न समावेश गर्दछ (मोडेलको मामलामा, उदाहरणका लागि, "सृष्टि" मा मोडेल विशिष्टता सेट गर्ने र यसको प्यारामिटरहरूको मानहरूको पछिल्लो चयन समावेश हुन्छ - मोडेलको तथाकथित "प्रशिक्षण"), तिनीहरूको अनुप्रयोग (मोडलहरूका लागि: तिनीहरूलाई लक्षित चरहरूको "मोडेल" मानहरू गणना गर्न प्रयोग गर्दै - पूर्वानुमान, एक श्रेणीसँग सम्बन्धित, घटना हुने सम्भावना, इत्यादि) र सुधार गर्दै। पहिले नै सिर्जना गरिएको र लागू गरिएको कलाकृतिहरू (उदाहरणका लागि, अनुप्रयोगको नतिजामा आधारित मोडेल इनपुट चरहरूको सेटलाई पुन: परिभाषित गर्दै - भविष्यवाणी सटीकता बढाउनको लागि, विकल्पको रूपमा)। CT को भूमिका बुझ्नको लागि मुख्य बिन्दु सीडी र CI को वास्तविकताबाट यसको "अमूर्तता" हो: CT ले सबै कलाकृतिहरू कार्यान्वयन गर्नेछ, विशिष्ट वातावरणहरूद्वारा प्रदान गरिएका क्षमताहरू भित्र AI / ML समाधानको कम्प्युटेशनल र गणितीय विशिष्टताहरूमा ध्यान केन्द्रित गर्दै। । "इनपुट डाटा प्रदान गर्ने" र "नतिजाहरू प्रदान गर्ने" को जिम्मेवारी CD र CI को हुनेछ।

InterSystems IRIS मा CT कार्यान्वयनको महत्त्वपूर्ण पक्ष: पहिले नै माथि उल्लेख गरिएको गणितीय मोडलिङ वातावरणसँग एकीकरण प्रयोग गरी, प्लेटफर्मसँग वातावरणमा यसको नियन्त्रणमा चलिरहेको कार्य सत्रहरूबाट समान कलाकृतिहरू निकाल्ने क्षमता छ र (सबैभन्दा महत्त्वपूर्ण कुरा) तिनीहरूलाई प्लेटफर्ममा परिणत गर्ने क्षमता छ। डाटा वस्तुहरू। उदाहरणका लागि, भर्खरै काम गर्ने पाइथन सत्रमा सिर्जना गरिएको वितरण तालिकालाई (पाइथनमा सत्र नरोकिइकन) प्लेटफर्ममा स्थानान्तरण गर्न सकिन्छ, उदाहरणका लागि, विश्वव्यापी (बहु-आयामी इन्टरसिस्टम IRIS डाटा एरे) - र प्रयोग गरिन्छ। अर्को AI / ML- मेकानिजममा गणनाको लागि (अर्को वातावरणको भाषामा पहिले नै लागू गरिएको - उदाहरणका लागि, R मा) - वा भर्चुअल तालिका। अर्को उदाहरण: मोडेल अपरेशनको "सामान्य मोड" सँग समानान्तरमा (पाइथन कार्य सत्रमा), "स्वतः-ML" यसको इनपुट डेटामा गरिन्छ: इष्टतम इनपुट चर र प्यारामिटर मानहरूको स्वचालित चयन। र "नियमित" प्रशिक्षणको साथमा, वास्तविक समयमा उत्पादक मोडेलले यसको विशिष्टताको लागि "अप्टिमाइजेसन प्रस्ताव" पनि प्राप्त गर्दछ - जसमा इनपुट चरहरूको सेट परिवर्तन हुन्छ, प्यारामिटर मानहरू परिवर्तन हुन्छन् (पाइथनमा प्रशिक्षणको परिणामको रूपमा होइन। , तर तालिमको परिणाम स्वरूप "आफैको वैकल्पिक संस्करण, जस्तै H2O स्ट्याकमा), समग्र AI/ML समाधानलाई इनपुट डेटाको प्रकृतिमा अप्रत्याशित परिवर्तनहरू र मोडेल गरिएको घटनासँग स्वायत्त रूपमा व्यवहार गर्न अनुमति दिँदै।

वास्तविक जीवन प्रोटोटाइपको उदाहरण प्रयोग गरेर InterSystems IRIS को प्लेटफर्म AI / ML कार्यक्षमतासँग थप विवरणमा परिचित गरौं।

तलको रेखाचित्रमा, स्लाइडको बायाँ छेउमा, त्यहाँ व्यापार प्रक्रियाको एक भाग छ जसले पाइथन र आरमा लिपिहरूको प्रशोधनलाई कार्यान्वयन गर्दछ। केन्द्रीय भागमा, यी केही लिपिहरूको कार्यान्वयनका लागि भिजुअल लगहरू छन्, क्रमशः, पाइथन र आर मा। तिनीहरूको पछाडि एक र अर्को भाषामा सामग्रीका उदाहरणहरू छन्, उपयुक्त वातावरणमा कार्यान्वयनको लागि पेश गरिएको। दायाँको अन्त्यमा लिपि कार्यान्वयनको नतिजाहरूमा आधारित दृश्यहरू छन्। शीर्षमा भिजुअलाइजेसनहरू IRIS एनालिटिक्समा बनाइन्छ (डेटा पाइथनबाट InterSystems IRIS डाटा प्लेटफर्ममा लिइन्छ र प्लेटफर्म प्रयोग गरेर ड्यासबोर्डमा प्रदर्शन गरिन्छ), तल तिनीहरू R कार्य सत्रमा बनाइन्छ र त्यहाँबाट ग्राफिकमा आउटपुट गरिन्छ। फाइलहरू। एउटा महत्त्वपूर्ण पक्ष: प्रोटोटाइपमा प्रस्तुत खण्ड उपकरणको प्रक्रिया-सिमुलेटरबाट वास्तविक समयमा आउने डाटामा मोडेल (उपकरण अवस्थाहरूको वर्गीकरण) प्रशिक्षणको लागि जिम्मेवार छ, वर्गीकरणको गुणस्तरको प्रक्रिया-मोनिटरबाट आदेशमा। मोडेल को आवेदन को समयमा अवलोकन। अन्तरक्रियात्मक प्रक्रियाहरू ("एजेन्टहरू") को सेटको रूपमा AI/ML समाधानको कार्यान्वयनलाई थप छलफल गरिनेछ।

चित्र 12 InterSystems IRIS मा Python, R र Julia सँग अन्तरक्रिया

प्लेटफर्म प्रक्रियाहरू (तिनीहरू पनि "व्यवसाय प्रक्रियाहरू", "विश्लेषणात्मक प्रक्रियाहरू", "पाइपलाइनहरू", आदि - सन्दर्भमा निर्भर गर्दछ), मुख्य रूपमा प्लेटफर्ममा ग्राफिकल व्यापार प्रक्रिया सम्पादकमा सम्पादन गरिन्छ, र यसरी दुवै। यसको ब्लक रेखाचित्र र सम्बन्धित एआई/एमएल मेकानिजम (कार्यक्रम कोड) एकैसाथ बनाइन्छ। "एआई / एमएल मेकानिज्म प्राप्त भएको छ" भन्ने तथ्यको बारेमा बोल्दै, हामीले प्रारम्भिक रूपमा हाइब्रिडिटी (उही प्रक्रिया भित्र) को अर्थ राख्छौं: गणितीय मोडलिङ वातावरणको भाषाहरूमा सामग्री SQL मा सामग्रीसँग छेउछाउ छ (बाट विस्तारहरू सहित। एकीकृत एमएल), InterSystems ObjectScript मा, अन्य समर्थित भाषाहरु संग। यसबाहेक, प्लेटफर्म प्रक्रियाले पदानुक्रमित नेस्टेड टुक्राहरूको रूपमा "रेखांकन" को लागि धेरै व्यापक सम्भावनाहरू प्रदान गर्दछ (जस्तै तलको रेखाचित्रमा उदाहरणमा देख्न सकिन्छ), जसले तपाईंलाई प्रभावकारी रूपमा धेरै जटिल सामग्रीहरू व्यवस्थित गर्न अनुमति दिन्छ। ग्राफिक ढाँचा जहाँ पनि ("गैर-ग्राफिक » विधिहरू/वर्गहरू/प्रक्रियाहरू, इत्यादिमा)। त्यो हो, यदि आवश्यक छ (र यो धेरै परियोजनाहरूमा अपेक्षित छ), बिल्कुल सबै AI / ML समाधानहरू ग्राफिकल आत्म-टिप्पणी ढाँचामा लागू गर्न सकिन्छ। कृपया ध्यान दिनुहोस् कि तलको रेखाचित्रको मध्य भागमा, जसले उच्च "नेस्टिङ स्तर" देखाउँछ, तपाईले देख्न सक्नुहुन्छ कि मोडेललाई तालिम दिने वास्तविक कार्यको अतिरिक्त (पाइथन र आर प्रयोग गरेर), तथाकथित आरओसीको विश्लेषण। प्रशिक्षित मोडेलको वक्र थपिएको छ, जसले भिजुअल रूपमा (र कम्प्यूटेशनली रूपमा पनि) प्रशिक्षणको गुणस्तर मूल्याङ्कन गर्न अनुमति दिन्छ - र यो विश्लेषण जुलिया भाषामा लागू गरिएको छ (यसलाई क्रमशः जुलिया वातावरणमा कार्यान्वयन गरिन्छ)।

चित्र 13 InterSystems IRIS मा AI/ML समाधानहरू रचना गर्नको लागि भिजुअल वातावरण

पहिले नै उल्लेख गरिएझैं, प्रारम्भिक विकास र (केहि अवस्थामा) प्लेटफर्ममा पहिले नै लागू गरिएको एआई / एमएल संयन्त्रहरूको अनुकूलन जुपिटर सम्पादकमा प्लेटफर्म बाहिर गर्न सकिन्छ / गर्न सकिन्छ। तलको रेखाचित्रमा, हामीले अवस्थित प्लेटफर्म प्रक्रियालाई अनुकूलन गर्ने उदाहरण देख्छौं (माथिको रेखाचित्रमा जस्तै) - यो मोडेललाई प्रशिक्षणको लागि जिम्मेवार टुक्रा Jupyter मा देखिन्छ। पाइथन सामग्री सिधै Jupyter मा सम्पादन, डिबगिङ, ग्राफिक्स आउटपुटको लागि उपलब्ध छ। परिवर्तनहरू (यदि आवश्यक भएमा) यसको उत्पादन संस्करण सहित, प्लेटफर्म प्रक्रियामा तत्काल सिंक्रोनाइजेसनको साथ गर्न सकिन्छ। त्यस्तै, नयाँ सामग्री प्लेटफर्ममा स्थानान्तरण गर्न सकिन्छ (नयाँ प्लेटफर्म प्रक्रिया स्वचालित रूपमा उत्पन्न हुन्छ)।

चित्र 14 InterSystems IRIS प्लेटफर्ममा AI/ML इन्जिन सम्पादन गर्न Jupyter Notebook प्रयोग गर्दै

प्लेटफर्म प्रक्रियाको अनुकूलन ग्राफिकल वा नोटबुक ढाँचामा मात्र होइन, तर "कुल" IDE (एकीकृत विकास वातावरण) ढाँचामा पनि गर्न सकिन्छ। यी IDE हरू IRIS स्टुडियो (नेटिभ IRIS स्टुडियो), भिजुअल स्टुडियो कोड (VSCode को लागि InterSystems IRIS विस्तार), र Eclipse (Atelier प्लगइन) हुन्। केही अवस्थामा, विकास टोलीले एकै समयमा तीनवटै IDE प्रयोग गर्न सम्भव छ। तलको रेखाचित्रले IRIS स्टुडियो, भिजुअल स्टुडियो कोड र ग्रहणमा समान प्रक्रिया सम्पादन गर्ने उदाहरण देखाउँछ। बिल्कुल सबै सामग्री सम्पादनको लागि उपलब्ध छ: पाइथन / आर / जुलिया / SQL, र ObjectScript, र एक व्यापार प्रक्रिया।

चित्र 15 विभिन्न IDE मा InterSystems IRIS व्यापार प्रक्रिया को विकास

व्यापार प्रक्रिया भाषा (BPL) मा InterSystems IRIS व्यापार प्रक्रिया विवरण र कार्यान्वयन उपकरणहरू विशेष उल्लेख योग्य छन्। BPL ले व्यापार प्रक्रियाहरूमा "रेडी-मेड इन्टिग्रेशन कम्पोनेन्टहरू" (गतिविधिहरू) प्रयोग गर्न सम्भव बनाउँछ - जसले वास्तवमा, InterSystems IRIS मा "निरन्तर एकीकरण" लागू भएको दाबी गर्ने पूर्ण कारण दिन्छ। तयार व्यापार प्रक्रिया कम्पोनेन्टहरू (गतिविधीहरू र तिनीहरू बीचको लिङ्कहरू) एआई/एमएल समाधान भेला गर्नका लागि सबैभन्दा शक्तिशाली गतिवर्धक हुन्। र सम्मेलनहरू मात्र होइन: तिनीहरू बीचका गतिविधिहरू र जडानहरूका लागि धन्यवाद, भिन्न AI / ML विकास र संयन्त्रहरूमा, एक "स्वायत्त व्यवस्थापन तह" देखिन्छ जुन वास्तविक समयमा परिस्थिति अनुसार निर्णय गर्न सक्षम हुन्छ।

चित्र 16 InterSystems IRIS प्लेटफर्ममा निरन्तर एकीकरण (CI) को लागि तयार व्यापार प्रक्रिया घटकहरू

एजेन्ट प्रणालीहरूको अवधारणा (तिनीहरू "मल्टी-एजेन्ट प्रणालीहरू" पनि हुन्) रोबोटिक्समा बलियो स्थिति छ, र इन्टरसिस्टम्स IRIS प्लेटफर्मले यसलाई "उत्पादन-प्रक्रिया" निर्माण मार्फत जैविक रूपमा समर्थन गर्दछ। समग्र समाधानको लागि आवश्यक कार्यक्षमताको साथ प्रत्येक प्रक्रियालाई "स्टफिंग" को लागि असीमित सम्भावनाहरूको अतिरिक्त, "एजेन्सी" को सम्पत्तिको साथ प्लेटफर्म प्रक्रियाहरूको प्रणाली प्रदान गर्दा तपाईंलाई अत्यन्त अस्थिर सिमुलेटेड घटना (सामाजिक/बायोसिस्टमहरूको व्यवहार) को लागि प्रभावकारी समाधानहरू सिर्जना गर्न अनुमति दिन्छ। , आंशिक रूपमा अवलोकन योग्य प्राविधिक प्रक्रियाहरू, आदि)।

चित्र 16 InterSystems IRIS मा व्यापार प्रक्रिया एजेन्ट प्रणालीको रूपमा AI/ML समाधानको सञ्चालन

हामी वास्तविक-समय समस्याहरूको सम्पूर्ण वर्गहरू समाधान गर्न प्लेटफर्मको अनुप्रयोगको बारेमा कथाको साथ InterSystems IRIS को हाम्रो समीक्षा जारी राख्छौं (InterSystems IRIS मा प्लेटफर्म AI / ML को केही उत्कृष्ट अभ्यासहरूसँगको विस्तृत जानकारी हाम्रो अघिल्लो मध्ये एउटामा हुन्छ। वेबिनारहरू).

अघिल्लो रेखाचित्रको तातो खोजमा, तल एजेन्ट प्रणालीको थप विस्तृत रेखाचित्र हो। रेखाचित्रले एउटै प्रोटोटाइप देखाउँदछ, सबै चार एजेन्ट प्रक्रियाहरू देखिने छन्, तिनीहरू बीचको सम्बन्धहरू योजनाबद्ध रूपमा कोरिएका छन्: GENERATOR - उपकरण सेन्सरहरू द्वारा डेटाको निर्माणलाई ह्यान्डल गर्दछ, BUFFER - डेटा लामहरू प्रबन्ध गर्दछ, ANALYZER - मेसिन लर्निङ आफैं गर्छ, MONITOR - नियन्त्रण गर्दछ। मेसिन लर्निङको गुणस्तर र मोडेललाई पुन: प्रशिक्षित गर्न आवश्यक छ भन्ने सङ्केत दिन्छ।

चित्र 17 InterSystems IRIS मा व्यापार प्रक्रिया एजेन्ट प्रणालीको रूपमा AI/ML समाधानको संरचना

तलको रेखाचित्रले केही समयको लागि अर्को रोबोटिक प्रोटोटाइप (भावनात्मक पाठ पहिचान) को स्वायत्त कार्यलाई चित्रण गर्दछ। माथिल्लो भागमा - मोडेल शिक्षा गुणस्तर सूचकको विकास (गुणस्तर बढ्दैछ), तल्लो भागमा - मोडेल अनुप्रयोग गुणस्तर सूचकको गतिशीलता र दोहोर्याइएको प्रशिक्षणको तथ्यहरू (रातो बारहरू)। तपाईले देख्न सक्नुहुन्छ, समाधानले कुशलतापूर्वक र स्वायत्त रूपमा आत्म-सिकेको छ, र दिइएको गुणस्तर स्तरमा काम गर्दछ (गुणवत्ता सूचकको मानहरू 80% भन्दा कम हुँदैन)।

चित्र 18 InterSystems IRIS प्लेटफर्ममा निरन्तर (स्व-) सिकाइ (CT)

हामीले पहिले "अटो-एमएल" लाई पनि उल्लेख गरेका थियौं, तर तलको रेखाचित्रले उदाहरणको रूपमा अर्को प्रोटोटाइप प्रयोग गरेर विस्तारमा यो कार्यक्षमताको अनुप्रयोग देखाउँछ। व्यापार प्रक्रिया टुक्राको ग्राफिक रेखाचित्रले H2O स्ट्याकमा सिमुलेशन सुरु गर्ने गतिविधि देखाउँछ, यस सिमुलेशनको नतिजाहरू देखाउँछ (ROC curves को तुलनात्मक चार्ट अनुसार "मानव निर्मित" मोडेलहरूमा नतिजा मोडेलको स्पष्ट प्रभुत्व। , साथै मूल डेटा सेटमा उपलब्ध "सबैभन्दा प्रभावशाली चर" को स्वचालित पहिचान)। यहाँ महत्त्वपूर्ण बिन्दु समय र विशेषज्ञ स्रोतहरूको बचत हो, जुन "अटो-एमएल" मार्फत प्राप्त हुन्छ: हाम्रो प्लेटफर्म प्रक्रियाले आधा मिनेटमा के गर्छ (इष्टतम मोडेल फेला पार्न र प्रशिक्षण), एक विशेषज्ञले एक हप्तादेखि एक हप्तासम्म लिन सक्छ। महिना।

चित्र 19 InterSystems IRIS प्लेटफर्ममा आधारित AI/ML समाधानमा Auto-ML एकीकरण

तलको रेखाचित्रले "चरमोत्कर्षलाई ढकढक्याउँछ" अलिकति, तर यो वास्तविक-समय समस्याहरूको वर्गहरूको बारेमा कथा पूरा गर्ने राम्रो तरिका हो: हामी तपाईंलाई सम्झाउँछौं कि InterSystems IRIS प्लेटफर्मको सबै क्षमताहरूसँग, प्रशिक्षण मोडेलहरू अन्तर्गत। यसको नियन्त्रण अनिवार्य छैन। प्लेटफर्मले बाह्य रूपमा प्लेटफर्मद्वारा नियन्त्रित नभएको उपकरणमा प्रशिक्षित तथाकथित PMML मोडेल स्पेसिफिकेशन प्राप्त गर्न सक्छ - र यो मोडेल आयात भएको क्षणबाट वास्तविक समयमा लागू गर्नुहोस्। PMML विनिर्देशहरू। एकै समयमा, यो ध्यानमा राख्नु महत्त्वपूर्ण छ कि सबै AI / ML कलाकृतिहरूलाई PMML विनिर्देशनमा घटाउन सकिँदैन, यद्यपि धेरै जसो सामान्य कलाकृतिहरूले यसलाई अनुमति दिए पनि। यसैले, InterSystems IRIS प्लेटफर्ममा "ओपन लूप" छ र यसको अर्थ प्रयोगकर्ताहरूको लागि "प्लेटफर्म दासत्व" होइन।

चित्र 20 InterSystems IRIS प्लेटफर्ममा आधारित AI/ML समाधानमा Auto-ML एकीकरण

हामी InterSystems IRIS (स्पष्टताको लागि, प्रक्रिया नियन्त्रणको सम्बन्धमा) को अतिरिक्त प्लेटफर्म फाइदाहरू सूचीबद्ध गर्दछौं, जुन कृत्रिम बुद्धिमत्ता र वास्तविक-समय मेसिन लर्निङको स्वचालनमा ठूलो महत्त्वका छन्:

• कुनै पनि डेटा स्रोतहरू र उपभोक्ताहरूसँग उन्नत एकीकरण उपकरणहरू (PCS/SCADA, उपकरण, MRO, ERP, आदि)।
• पूर्वनिर्मित बहु-मोडेल DBMS उच्च-सम्पादन लेनदेन-विश्लेषणात्मक प्रशोधन (हाइब्रिड लेनदेन/विश्लेषणात्मक प्रक्रिया, HTAP) को लागि कुनै पनि प्रक्रिया डेटा को मात्रा को लागी
• पाइथन, आर, जुलियामा आधारित वास्तविक-समय AI/ML निर्णय इन्जिनहरूको निरन्तर तैनातीका लागि विकास उपकरणहरू
• रियल-टाइम AI/ML समाधानहरूको निरन्तर एकीकरण र (स्व-) सिक्ने संयन्त्रहरूको लागि अनुकूली व्यापार प्रक्रियाहरू
• प्रक्रिया डाटा र AI/ML समाधान नतिजाहरू भिजुअलाइज गर्नका लागि इम्बेडेड व्यापार खुफिया उपकरणहरू
• API व्यवस्थापन नियन्त्रण प्रणाली / SCADA, सूचना र विश्लेषणात्मक प्रणालीहरू, अलर्टहरू पठाउने, इत्यादि प्रक्रिया गर्न AI / ML समाधानको परिणामहरू प्रदान गर्न।

InterSystems IRIS प्लेटफर्ममा आधारित AI / ML समाधानहरू सजिलैसँग अवस्थित IT पूर्वाधारमा फिट हुन्छन्। InterSystems IRIS प्लेटफर्मले त्रुटि-सहनशील र आपदा-सहिष्णु कन्फिगरेसनहरू र भर्चुअल वातावरणमा, भौतिक सर्भरहरूमा, निजी र सार्वजनिक क्लाउडहरूमा, डकर कन्टेनरहरूमा लचिलो परिनियोजनको लागि समर्थन मार्फत AI/ML समाधानहरूको उच्च विश्वसनीयता प्रदान गर्दछ।

यसैले, InterSystems IRIS एक विश्वव्यापी वास्तविक समय AI/ML कम्प्युटिङ प्लेटफर्म हो। हाम्रो प्लेटफर्मको सार्वभौमिकता लागू गरिएको गणनाको जटिलतामा वास्तविक प्रतिबन्धहरूको अनुपस्थिति, विभिन्न प्रकारका उद्योगहरूबाट परिदृश्यहरूको प्रशोधन (वास्तविक समयमा) संयोजन गर्न इन्टरसिस्टम IRIS को क्षमता, र असाधारण अनुकूलनताद्वारा व्यवहारमा पुष्टि हुन्छ। प्लेटफर्मको कुनै पनि प्रकार्य र संयन्त्रको विशिष्ट प्रयोगकर्ता आवश्यकताहरू।

चित्र 21 InterSystems IRIS - विश्वव्यापी वास्तविक समय AI/ML कम्प्युटिङ प्लेटफर्म

यहाँ प्रस्तुत गरिएको सामग्रीमा रुचि राख्ने हाम्रा पाठकहरूसँग थप ठोस अन्तरक्रियाको लागि, हामी तपाईंलाई यसलाई पढ्नमा सीमित नगर्नुहोस् र संवादलाई "लाइभ" जारी राख्न सिफारिस गर्दछौं। हामी तपाईंको कम्पनीको विशिष्टताको सम्बन्धमा वास्तविक-समय AI / ML परिदृश्यहरूको निर्माणमा सहयोग प्रदान गर्न, InterSystems IRIS प्लेटफर्ममा संयुक्त प्रोटोटाइप गर्न, कृत्रिम बुद्धिमत्ता र मेसिन लर्निङको परिचय दिनको लागि एक रोडम्याप बनाउन र अभ्यासमा राख्न पाउँदा खुसी हुनेछौं। तपाईंको उत्पादन र व्यवस्थापन प्रक्रियाहरूमा। हाम्रो AI/ML विशेषज्ञ समूहको सम्पर्क इमेल ठेगाना हो [ईमेल सुरक्षित].

स्रोत: www.habr.com