InterSystems IRIS - ਯੂਨੀਵਰਸਲ ਰੀਅਲ-ਟਾਈਮ AI/ML ਪਲੇਟਫਾਰਮ

ਲੇਖਕ: ਸਰਗੇਈ ਲੁਕਯਾਨਚਿਕੋਵ, ਇੰਟਰਸਿਸਟਮ ਕੰਸਲਟਿੰਗ ਇੰਜੀਨੀਅਰ

ਰੀਅਲ-ਟਾਈਮ AI/ML ਕੰਪਿਊਟਿੰਗ ਚੁਣੌਤੀਆਂ

ਆਉ ਇੰਟਰਸਿਸਟਮ ਵਿਖੇ ਡੇਟਾ ਸਾਇੰਸ ਅਭਿਆਸ ਦੇ ਤਜ਼ਰਬੇ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਨਾਲ ਸ਼ੁਰੂਆਤ ਕਰੀਏ:

• "ਲੋਡ" ਖਰੀਦਦਾਰ ਪੋਰਟਲ ਇੱਕ ਔਨਲਾਈਨ ਸਿਫ਼ਾਰਿਸ਼ਕਰਤਾ ਸਿਸਟਮ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਪ੍ਰਚੂਨ ਨੈੱਟਵਰਕ ਦੇ ਪੈਮਾਨੇ 'ਤੇ ਤਰੱਕੀਆਂ ਦਾ ਪੁਨਰਗਠਨ ਆ ਰਿਹਾ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ, ਤਰੱਕੀਆਂ ਦੀ "ਫਲੈਟ" ਲਾਈਨ ਦੀ ਬਜਾਏ, "ਸੈਗਮੈਂਟ-ਟੈਕਟਿਕਸ" ਮੈਟ੍ਰਿਕਸ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਵੇਗੀ)। ਸਿਫਾਰਸ਼ ਕਰਨ ਵਾਲਿਆਂ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ? ਸਿਫਾਰਿਸ਼ਕਰਤਾ ਵਿਧੀ (ਇਨਪੁਟ ਡੇਟਾ ਦੀ ਮਾਤਰਾ 25000 ਗੁਣਾ ਵੱਧ ਗਈ ਹੈ) ਨੂੰ ਡੇਟਾ ਨੂੰ ਜਮ੍ਹਾਂ ਕਰਨ ਅਤੇ ਅਪਡੇਟ ਕਰਨ ਨਾਲ ਕੀ ਹੁੰਦਾ ਹੈ? ਸਿਫ਼ਾਰਸ਼ਾਂ ਦੇ ਵਿਕਾਸ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ (ਉਨ੍ਹਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ "ਰੇਂਜ" ਵਿੱਚ ਇੱਕ ਹਜ਼ਾਰ ਗੁਣਾ ਵਾਧੇ ਕਾਰਨ ਸਿਫਾਰਸ਼ੀ ਨਿਯਮਾਂ ਦੀ ਫਿਲਟਰਿੰਗ ਥ੍ਰੈਸ਼ਹੋਲਡ ਵਿੱਚ ਹਜ਼ਾਰ ਗੁਣਾ ਕਮੀ ਦੀ ਜ਼ਰੂਰਤ)?
• ਸਾਜ਼-ਸਾਮਾਨ ਨੋਡਾਂ ਵਿੱਚ ਨੁਕਸ ਦੇ ਵਿਕਾਸ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਣਾਲੀ ਹੈ. ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਪ੍ਰਣਾਲੀ ਨਿਗਰਾਨੀ ਪ੍ਰਣਾਲੀ ਨਾਲ ਜੁੜੀ ਹੋਈ ਸੀ, ਹਰ ਸਕਿੰਟ ਹਜ਼ਾਰਾਂ ਪ੍ਰਕਿਰਿਆ ਮਾਪਦੰਡਾਂ ਨੂੰ ਸੰਚਾਰਿਤ ਕਰਦੀ ਹੈ। ਨਿਗਰਾਨੀ ਪ੍ਰਣਾਲੀ ਦਾ ਕੀ ਹੁੰਦਾ ਹੈ ਜੋ ਪਹਿਲਾਂ "ਮੈਨੁਅਲ ਨਮੂਨੇ" 'ਤੇ ਕੰਮ ਕਰਦਾ ਸੀ (ਕੀ ਇਹ ਦੂਜੀ-ਤੋਂ-ਸੈਕਿੰਡ ਸੰਭਾਵਨਾ ਨਿਗਰਾਨੀ ਪ੍ਰਦਾਨ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ)? ਜੇ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਹਾਲ ਹੀ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਸੈਂਸਰਾਂ ਦੀ ਰੀਡਿੰਗ ਦੇ ਨਾਲ ਇਨਪੁਟ ਡੇਟਾ ਵਿੱਚ ਕਈ ਸੌ ਕਾਲਮਾਂ ਵਾਲਾ ਇੱਕ ਨਵਾਂ ਬਲਾਕ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਤਾਂ ਕੀ ਹੋਵੇਗਾ (ਕੀ ਅਤੇ ਕਿੰਨੇ ਸਮੇਂ ਲਈ ਨਿਗਰਾਨੀ ਪ੍ਰਣਾਲੀ ਨੂੰ ਨਵੇਂ ਸੈਂਸਰਾਂ ਤੋਂ ਡੇਟਾ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਰੋਕਣਾ ਜ਼ਰੂਰੀ ਹੋਵੇਗਾ? ਵਿਸ਼ਲੇਸ਼ਣ)?
• ਇੱਕ ਦੂਜੇ ਦੇ ਕੰਮ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, AI/ML ਵਿਧੀਆਂ (ਸਿਫਾਰਸ਼ੀ, ਨਿਗਰਾਨੀ, ਭਵਿੱਖਬਾਣੀ) ਦਾ ਇੱਕ ਸਮੂਹ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਇਨਪੁਟ ਡੇਟਾ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਲਈ ਇਸ ਕੰਪਲੈਕਸ ਦੇ ਸੰਚਾਲਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਮਹੀਨੇ ਵਿੱਚ ਕਿੰਨੇ ਘੰਟੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ? ਫੈਸਲਾ ਲੈਣ ਵਾਲੇ ਕੰਪਲੈਕਸ ਦੁਆਰਾ ਸਮਰਥਿਤ ਸਮੁੱਚੀ "ਮੰਦੀ" ਕੀ ਹੈ (ਨਵੇਂ ਇਨਪੁਟ ਡੇਟਾ ਦੇ ਵਾਪਰਨ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੇ ਅਨੁਸਾਰ ਇਸ ਵਿੱਚ ਨਵੀਂ ਸਹਾਇਕ ਜਾਣਕਾਰੀ ਦੀ ਮੌਜੂਦਗੀ ਦੀ ਬਾਰੰਬਾਰਤਾ)?

ਇਹਨਾਂ ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੀਆਂ ਉਦਾਹਰਣਾਂ ਦਾ ਸਾਰ ਦਿੰਦੇ ਹੋਏ, ਅਸੀਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਰੀਅਲ-ਟਾਈਮ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਮਕੈਨਿਜ਼ਮ ਦੀ ਵਰਤੋਂ ਵੱਲ ਵਧਣ ਵੇਲੇ ਪੈਦਾ ਹੋਣ ਵਾਲੀਆਂ ਚੁਣੌਤੀਆਂ ਦੇ ਰੂਪ ਵਿੱਚ ਆਏ ਹਾਂ:

• ਕੀ ਅਸੀਂ ਸਾਡੀ ਕੰਪਨੀ ਵਿੱਚ AI/ML ਵਿਕਾਸ ਦੀ ਸਿਰਜਣਾ ਅਤੇ ਅਨੁਕੂਲਨ (ਬਦਲ ਰਹੀ ਸਥਿਤੀ ਵਿੱਚ) ਦੀ ਗਤੀ ਤੋਂ ਸੰਤੁਸ਼ਟ ਹਾਂ?
• ਅਸੀਂ ਕਿਸ ਹੱਦ ਤੱਕ AI/ML ਹੱਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ ਜੋ ਅਸਲ-ਸਮੇਂ ਦੇ ਵਪਾਰ ਪ੍ਰਬੰਧਨ ਦਾ ਸਮਰਥਨ ਕਰਦੇ ਹਨ?
• ਕੀ ਅਸੀਂ ਜੋ AI/ML ਹੱਲ ਵਰਤਦੇ ਹਾਂ, ਕੀ ਉਹ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ (ਡਿਵੈਲਪਰਾਂ ਤੋਂ ਬਿਨਾਂ) ਡੇਟਾ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਬੰਧਨ ਅਭਿਆਸਾਂ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਦੇ ਯੋਗ ਹਨ?

ਸਾਡਾ ਲੇਖ ਏਆਈ / ਐਮਐਲ ਮਕੈਨਿਜ਼ਮ ਦੀ ਤੈਨਾਤੀ, ਏਆਈ / ਐਮਐਲ ਹੱਲਾਂ ਦੀ ਅਸੈਂਬਲੀ (ਏਕੀਕਰਨ) ਅਤੇ ਤੀਬਰ ਡੇਟਾ 'ਤੇ ਏਆਈ / ਐਮਐਲ ਹੱਲਾਂ ਦੀ ਸਿਖਲਾਈ (ਟੈਸਟਿੰਗ) ਲਈ ਵਿਆਪਕ ਸਮਰਥਨ ਦੇ ਰੂਪ ਵਿੱਚ ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਪਲੇਟਫਾਰਮ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਦੀ ਇੱਕ ਵਿਸਤ੍ਰਿਤ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਹੈ। ਵਹਿੰਦਾ ਹੈ। ਅਸੀਂ ਮਾਰਕੀਟ ਖੋਜ, AI/ML ਹੱਲਾਂ ਦੇ ਕੇਸ ਅਧਿਐਨ, ਅਤੇ ਇਸ ਲੇਖ ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ AI/ML ਪਲੇਟਫਾਰਮ ਦੇ ਰੂਪ ਵਿੱਚ ਸੰਕਲਪਿਤ ਪਹਿਲੂਆਂ ਵੱਲ ਮੁੜਾਂਗੇ।

ਅਸੀਂ ਸਰਵੇਖਣਾਂ ਤੋਂ ਕੀ ਜਾਣਦੇ ਹਾਂ: ਰੀਅਲ-ਟਾਈਮ ਐਪਲੀਕੇਸ਼ਨ

Результаты ਸਰਵੇਖਣLightbend ਦੁਆਰਾ 800 ਵਿੱਚ ਲਗਭਗ 2019 IT ਪੇਸ਼ੇਵਰਾਂ ਵਿੱਚ ਆਯੋਜਿਤ ਕੀਤਾ ਗਿਆ ਆਪਣੇ ਲਈ ਬੋਲਦਾ ਹੈ:

ਚਿੱਤਰ 1 ਰੀਅਲ-ਟਾਈਮ ਡੇਟਾ ਦੇ ਪ੍ਰਮੁੱਖ ਖਪਤਕਾਰ

ਆਉ ਅਸੀਂ ਇਸ ਸਰਵੇਖਣ ਦੇ ਨਤੀਜਿਆਂ ਬਾਰੇ ਰਿਪੋਰਟ ਦੇ ਟੁਕੜਿਆਂ ਦਾ ਹਵਾਲਾ ਦੇਈਏ ਜੋ ਸਾਡੇ ਅਨੁਵਾਦ ਵਿੱਚ ਸਾਡੇ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹਨ:

"...ਡੇਟਾਫਲੋ ਏਕੀਕਰਣ ਸਾਧਨਾਂ ਦੀ ਪ੍ਰਸਿੱਧੀ ਵਿੱਚ ਰੁਝਾਨ ਅਤੇ, ਉਸੇ ਸਮੇਂ, ਕੰਟੇਨਰਾਈਜ਼ਡ ਕੰਪਿਊਟਿੰਗ ਲਈ ਸਮਰਥਨ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੱਲਾਂ ਦੇ ਇੱਕ ਵਧੇਰੇ ਕੁਸ਼ਲ, ਤਰਕਸ਼ੀਲ, ਗਤੀਸ਼ੀਲ ਪ੍ਰਸਤਾਵ ਲਈ ਮਾਰਕੀਟ ਦੀ ਮੰਗ ਲਈ ਇੱਕ ਸਹਿਯੋਗੀ ਪ੍ਰਤੀਕਿਰਿਆ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਡਾਟਾ ਸਟ੍ਰੀਮਾਂ ਰਵਾਇਤੀ ਪੈਕੇਟ ਡੇਟਾ ਨਾਲੋਂ ਜਾਣਕਾਰੀ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਟ੍ਰਾਂਸਫਰ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀਆਂ ਹਨ। ਇਸ ਵਿੱਚ ਵਾਧਾ ਗਾਹਕ ਸੰਤੁਸ਼ਟੀ ਦੁਆਰਾ ਮੁਕਾਬਲੇ ਦੇ ਫਾਇਦੇ ਬਣਾਉਣ ਲਈ AI/ML- ਆਧਾਰਿਤ ਸਿਫ਼ਾਰਸ਼ਾਂ ਵਰਗੀਆਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਵਿਧੀਆਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਲਾਗੂ ਕਰਨ ਦੀ ਯੋਗਤਾ ਹੈ। ਚੁਸਤੀ ਦੀ ਦੌੜ DevOps ਪੈਰਾਡਾਈਮ ਵਿੱਚ ਸਾਰੀਆਂ ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਵੀ ਪ੍ਰਭਾਵਤ ਕਰਦੀ ਹੈ - ਐਪਲੀਕੇਸ਼ਨ ਵਿਕਾਸ ਅਤੇ ਤੈਨਾਤੀ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲ ਬਣਾਉਣਾ। … ਅੱਠ ਸੌ ਚਾਰ ਆਈਟੀ ਪੇਸ਼ੇਵਰਾਂ ਨੇ ਆਪਣੇ ਸੰਗਠਨਾਂ ਵਿੱਚ ਡੇਟਾ ਪ੍ਰਵਾਹ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕੀਤੀ। ਉੱਤਰਦਾਤਾ ਮੁੱਖ ਤੌਰ 'ਤੇ ਪੱਛਮੀ ਦੇਸ਼ਾਂ (ਯੂਰਪ ਵਿੱਚ 41% ਅਤੇ ਉੱਤਰੀ ਅਮਰੀਕਾ ਵਿੱਚ 37%) ਵਿੱਚ ਸਥਿਤ ਸਨ ਅਤੇ ਛੋਟੀਆਂ, ਮੱਧਮ ਅਤੇ ਵੱਡੀਆਂ ਕੰਪਨੀਆਂ ਵਿੱਚ ਲਗਭਗ ਬਰਾਬਰ ਵੰਡੇ ਗਏ ਸਨ। …

… ਨਕਲੀ ਬੁੱਧੀ ਹਾਈਪ ਨਹੀਂ ਹੈ। ਉਹਨਾਂ ਵਿੱਚੋਂ XNUMX ਪ੍ਰਤੀਸ਼ਤ ਜੋ ਪਹਿਲਾਂ ਹੀ ਉਤਪਾਦਕ AI/ML ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਡੇਟਾਫਲੋ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਨ ਕਿ AI/ML ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਅਗਲੇ ਸਾਲ (ਹੋਰ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਮੁਕਾਬਲੇ) ਸਭ ਤੋਂ ਵੱਧ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰੇਗੀ।

• ਉੱਤਰਦਾਤਾਵਾਂ ਦੀ ਬਹੁਗਿਣਤੀ ਦੇ ਅਨੁਸਾਰ, AI / ML ਦ੍ਰਿਸ਼ਾਂ ਵਿੱਚ ਡੇਟਾ ਪ੍ਰਵਾਹ ਦੀ ਵਰਤੋਂ ਅਗਲੇ ਸਾਲ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਵਾਧਾ ਪ੍ਰਾਪਤ ਕਰੇਗੀ.
• AI/ML ਵਿੱਚ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨਾ ਸਿਰਫ਼ ਮੁਕਾਬਲਤਨ ਨਵੀਆਂ ਕਿਸਮਾਂ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਰਾਹੀਂ, ਸਗੋਂ ਪਰੰਪਰਾਗਤ ਦ੍ਰਿਸ਼ਾਂ ਰਾਹੀਂ ਵੀ ਵਧਣਗੀਆਂ, ਜਿਸ ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ ਡੇਟਾ ਵੱਧ ਤੋਂ ਵੱਧ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
• AI/ML ਤੋਂ ਇਲਾਵਾ, IoT ਡੇਟਾ ਪਾਈਪਲਾਈਨਾਂ ਦੇ ਉਪਭੋਗਤਾਵਾਂ ਵਿੱਚ ਉਤਸ਼ਾਹ ਦਾ ਪੱਧਰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ - ਉਹਨਾਂ ਵਿੱਚੋਂ 48% ਜੋ ਪਹਿਲਾਂ ਹੀ IoT ਡੇਟਾ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰ ਚੁੱਕੇ ਹਨ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਇਸ ਡੇਟਾ 'ਤੇ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਨਾਲ ਨੇੜਲੇ ਭਵਿੱਖ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਹੋਵੇਗਾ। …»

ਇਸ ਨਾ ਕਿ ਦਿਲਚਸਪ ਸਰਵੇਖਣ ਤੋਂ, ਇਹ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਧਾਰਨਾ ਡੇਟਾ ਸਟ੍ਰੀਮ ਦੀ ਖਪਤ ਵਿੱਚ ਨੇਤਾਵਾਂ ਵਜੋਂ ਪਹਿਲਾਂ ਹੀ "ਰਾਹ ਵਿੱਚ" ਹੈ। ਪਰ DevOps ਆਪਟਿਕਸ ਦੁਆਰਾ ਰੀਅਲ-ਟਾਈਮ AI / ML ਦੀ ਧਾਰਨਾ ਇੱਕ ਬਰਾਬਰ ਮਹੱਤਵਪੂਰਨ ਨਿਰੀਖਣ ਬਣ ਜਾਂਦੀ ਹੈ: ਇੱਥੇ ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ "ਪੂਰੀ ਤਰ੍ਹਾਂ ਪਹੁੰਚਯੋਗ ਡੇਟਾ ਸੈੱਟ ਦੇ ਨਾਲ ਇੱਕ-ਵਾਰ AI / ML" ਦੇ ਅਜੇ ਵੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸੱਭਿਆਚਾਰ ਦੇ ਪਰਿਵਰਤਨ ਬਾਰੇ ਗੱਲ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਾਂ।

ਰੀਅਲ-ਟਾਈਮ AI/ML ਪਲੇਟਫਾਰਮ ਸੰਕਲਪ

ਰੀਅਲ-ਟਾਈਮ AI/ML ਲਈ ਇੱਕ ਆਮ ਐਪਲੀਕੇਸ਼ਨ ਨਿਰਮਾਣ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਵਿੱਚ ਹੈ। ਇਸਦੇ ਉਦਾਹਰਣ ਤੇ ਅਤੇ ਪਿਛਲੇ ਪ੍ਰਤੀਬਿੰਬਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ, ਅਸੀਂ ਇੱਕ ਰੀਅਲ-ਟਾਈਮ AI/ML ਪਲੇਟਫਾਰਮ ਦੀ ਧਾਰਨਾ ਤਿਆਰ ਕਰਾਂਗੇ।
ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਵਰਤੋਂ ਦੀਆਂ ਕਈ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ:

• ਤਕਨੀਕੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਸਥਿਤੀ ਬਾਰੇ ਡੇਟਾ ਤੀਬਰਤਾ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ: ਉੱਚ ਬਾਰੰਬਾਰਤਾ ਦੇ ਨਾਲ ਅਤੇ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਤੋਂ ਵੱਧ (ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਪ੍ਰਣਾਲੀ ਤੋਂ ਪ੍ਰਤੀ ਸਕਿੰਟ ਹਜ਼ਾਰਾਂ ਪੈਰਾਮੀਟਰ ਮੁੱਲ ਪ੍ਰਸਾਰਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ)
• ਨੁਕਸਾਂ ਦੀ ਖੋਜ ਬਾਰੇ ਡੇਟਾ, ਉਹਨਾਂ ਦੇ ਵਿਕਾਸ ਬਾਰੇ ਡੇਟਾ ਦਾ ਜ਼ਿਕਰ ਨਾ ਕਰਨਾ, ਇਸਦੇ ਉਲਟ, ਦੁਰਲੱਭ ਅਤੇ ਅਨਿਯਮਿਤ ਹਨ, ਜੋ ਕਿ ਸਮੇਂ ਵਿੱਚ ਨੁਕਸਾਂ ਦੀ ਨਾਕਾਫ਼ੀ ਟਾਈਪਿੰਗ ਅਤੇ ਉਹਨਾਂ ਦੇ ਸਥਾਨੀਕਰਨ ਦੁਆਰਾ ਦਰਸਾਈਆਂ ਗਈਆਂ ਹਨ (ਅਕਸਰ ਕਾਗਜ਼ 'ਤੇ ਰਿਕਾਰਡ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ)
• ਵਿਹਾਰਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, ਸਿਰਫ ਸ਼ੁਰੂਆਤੀ ਡੇਟਾ ਦੀ "ਪ੍ਰਸੰਗਿਕਤਾ ਵਿੰਡੋ" ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਉਪਲਬਧ ਹੈ, ਇੱਕ ਵਾਜਬ ਸਲਾਈਡਿੰਗ ਅੰਤਰਾਲ ਲਈ ਤਕਨੀਕੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਪ੍ਰਕਿਰਿਆ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਆਖਰੀ ਪੜ੍ਹੇ ਗਏ ਮੁੱਲਾਂ ਦੇ ਨਾਲ ਖਤਮ ਹੁੰਦੀ ਹੈ

ਇਹ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਾਨੂੰ ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਤੀਬਰ "ਬ੍ਰਾਡਬੈਂਡ ਇਨਪੁਟ" ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਮੂਲ ਰੀਅਲ-ਟਾਈਮ ਪ੍ਰੋਸੈਸਿੰਗ ਤੋਂ ਇਲਾਵਾ, AI / ML ਮਾਡਲਾਂ ਦੇ ਕੰਮ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਐਪਲੀਕੇਸ਼ਨ, ਸਿਖਲਾਈ ਅਤੇ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ (ਸਮਾਨਾਂਤਰ ਵਿੱਚ) ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦੀਆਂ ਹਨ - ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਵੀ. ਪ੍ਰਸੰਗਿਕਤਾ ਦੀ ਸਲਾਈਡਿੰਗ ਵਿੰਡੋ ਵਿੱਚ "ਫਰੇਮ" ਜੋ ਸਾਡੇ ਮਾਡਲ "ਦੇਖਦੇ" ਹਨ - ਅਤੇ ਇਸਦੇ ਨਾਲ, ਅਤੀਤ ਵਿੱਚ "ਫ੍ਰੇਮਾਂ" ਵਿੱਚੋਂ ਇੱਕ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ AI / ML ਮਾਡਲਾਂ ਦੇ ਕੰਮ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਗੁਣਵੱਤਾ ਵੀ ਬਦਲਦੀ ਹੈ। . ਜੇ ਏਆਈ / ਐਮਐਲ ਮਾਡਲਾਂ ਦੇ ਕੰਮ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਗੁਣਵੱਤਾ ਵਿਗੜ ਜਾਂਦੀ ਹੈ (ਉਦਾਹਰਣ ਵਜੋਂ: "ਅਲਾਰਮ-ਨਰਮ" ਵਰਗੀਕਰਣ ਗਲਤੀ ਦਾ ਮੁੱਲ ਸਾਡੇ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤੀਆਂ ਗਈਆਂ ਸੀਮਾਵਾਂ ਤੋਂ ਪਰੇ ਹੋ ਗਿਆ ਹੈ), ਮਾਡਲਾਂ ਦੀ ਮੁੜ ਸਿਖਲਾਈ ਆਪਣੇ ਆਪ ਹੋਰ 'ਤੇ ਸ਼ੁਰੂ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ. ਸੰਬੰਧਿਤ "ਫ੍ਰੇਮ" - ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਮੁੜ ਸਿਖਲਾਈ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਪਲ ਦੀ ਚੋਣ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਸਿਖਲਾਈ ਦੀ ਮਿਆਦ ਕਿਵੇਂ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਨਾਲ ਹੀ ਮਾਡਲਾਂ ਦੇ ਮੌਜੂਦਾ ਸੰਸਕਰਣ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਵਿਗਾੜ ਦੀ ਗਤੀਸ਼ੀਲਤਾ (ਮੌਜੂਦਾ ਸੰਸਕਰਣਾਂ ਤੋਂ ਜਦੋਂ ਤੱਕ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਰਹੀ ਹੈ, ਅਤੇ ਜਦੋਂ ਤੱਕ ਉਹਨਾਂ ਦੇ "ਮੁੜ ਸਿਖਲਾਈ" ਸੰਸਕਰਣ ਤਿਆਰ ਨਹੀਂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਉਹਨਾਂ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਜਾਰੀ ਹੈ।

InterSystems IRIS ਕੋਲ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਲਈ ਰੀਅਲ-ਟਾਈਮ AI/ML ਹੱਲਾਂ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਣ ਲਈ ਮੁੱਖ ਪਲੇਟਫਾਰਮ ਸਮਰੱਥਾਵਾਂ ਹਨ। ਇਹਨਾਂ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਤਿੰਨ ਮੁੱਖ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾ ਸਕਦਾ ਹੈ:

• ਨਵੇਂ ਜਾਂ ਅਨੁਕੂਲ ਮੌਜੂਦਾ AI/ML ਵਿਧੀਆਂ ਦੀ ਨਿਰੰਤਰ ਤੈਨਾਤੀ (ਨਿਰੰਤਰ ਤਾਇਨਾਤੀ / ਡਿਲਿਵਰੀ, ਸੀਡੀ) ਇੱਕ ਉਤਪਾਦਕ ਹੱਲ ਵਿੱਚ ਜੋ ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਪਲੇਟਫਾਰਮ 'ਤੇ ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਹੈ।
• ਇਨਕਮਿੰਗ ਪ੍ਰਕਿਰਿਆ ਡੇਟਾ ਦੇ ਪ੍ਰਵਾਹ ਦੇ ਇੱਕ ਸਿੰਗਲ ਉਤਪਾਦਕ ਹੱਲ ਵਿੱਚ ਨਿਰੰਤਰ ਏਕੀਕਰਣ (CI), AI/ML ਵਿਧੀ ਦੇ ਐਪਲੀਕੇਸ਼ਨ / ਸਿਖਲਾਈ / ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਲਈ ਡੇਟਾ ਕਤਾਰਾਂ ਅਤੇ ਗਣਿਤਿਕ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਣਾਂ ਦੇ ਨਾਲ ਡੇਟਾ / ਕੋਡ / ਨਿਯੰਤਰਣ ਐਕਸਚੇਂਜ, ਜੋ ਅਸਲ-ਸਮੇਂ ਵਿੱਚ ਆਰਕੇਸਟ੍ਰੇਟ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਪਲੇਟਫਾਰਮ
• ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਪਲੇਟਫਾਰਮ ਦੁਆਰਾ ਪ੍ਰਸਾਰਿਤ ਡੇਟਾ, ਕੋਡ ਅਤੇ ਨਿਯੰਤਰਣ ਕਿਰਿਆਵਾਂ ("ਫੈਸਲੇ ਲਏ ਗਏ") ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਗਣਿਤ ਦੇ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕੀਤੇ ਗਏ AI / ML ਵਿਧੀਆਂ ਦੀ ਨਿਰੰਤਰ (ਸਵੈ-) ਸਿਖਲਾਈ (ਨਿਰੰਤਰ ਸਿਖਲਾਈ, ਸੀਟੀ)

ਬਿਲਕੁਲ ਅਜਿਹੇ ਸਮੂਹਾਂ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸਬੰਧ ਵਿੱਚ ਪਲੇਟਫਾਰਮ ਸਮਰੱਥਾਵਾਂ ਦਾ ਵਰਗੀਕਰਨ ਅਚਾਨਕ ਨਹੀਂ ਹੈ। ਆਓ ਵਿਧੀਗਤ ਦਾ ਹਵਾਲਾ ਦੇਈਏ ਪ੍ਰਕਾਸ਼ਨ ਗੂਗਲ, ​​ਜੋ ਕਿ ਸਾਡੇ ਅਨੁਵਾਦ ਵਿੱਚ, ਇਸ ਵਰਗੀਕਰਨ ਲਈ ਇੱਕ ਸੰਕਲਪਿਕ ਆਧਾਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ:

“… DevOps ਸੰਕਲਪ, ਜੋ ਅੱਜਕੱਲ੍ਹ ਪ੍ਰਸਿੱਧ ਹੈ, ਵੱਡੇ ਪੈਮਾਨੇ ਦੀ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਸੰਚਾਲਨ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ। ਇਸ ਸੰਕਲਪ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਫਾਇਦੇ ਹਨ ਵਿਕਾਸ ਚੱਕਰਾਂ ਦੀ ਮਿਆਦ ਵਿੱਚ ਕਮੀ, ਵਿਕਾਸ ਦੀ ਤੈਨਾਤੀ ਦੀ ਗਤੀ, ਰੀਲੀਜ਼ ਯੋਜਨਾਬੰਦੀ ਦੀ ਲਚਕਤਾ। ਇਹਨਾਂ ਲਾਭਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, DevOps ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਦੋ ਅਭਿਆਸਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ:

• ਨਿਰੰਤਰ ਏਕੀਕਰਣ (CI)
• ਨਿਰੰਤਰ ਸਪੁਰਦਗੀ (CD)

ਇਹ ਅਭਿਆਸ AI/ML ਪਲੇਟਫਾਰਮਾਂ 'ਤੇ ਵੀ ਲਾਗੂ ਹੁੰਦੇ ਹਨ ਤਾਂ ਜੋ ਉਤਪਾਦਕ AI/ML ਹੱਲਾਂ ਦੇ ਮਜ਼ਬੂਤ ​​ਅਤੇ ਪ੍ਰਦਰਸ਼ਨਕਾਰੀ ਨਿਰਮਾਣ ਨੂੰ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ।

AI/ML ਪਲੇਟਫਾਰਮ ਹੇਠਾਂ ਦਿੱਤੇ ਪਹਿਲੂਆਂ ਵਿੱਚ ਹੋਰ ਜਾਣਕਾਰੀ ਪ੍ਰਣਾਲੀਆਂ ਤੋਂ ਵੱਖਰੇ ਹਨ:

• ਟੀਮ ਦੀਆਂ ਯੋਗਤਾਵਾਂ: ਇੱਕ AI/ML ਹੱਲ ਬਣਾਉਂਦੇ ਸਮੇਂ, ਟੀਮ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਡੇਟਾ ਵਿਗਿਆਨੀ ਜਾਂ ਡੇਟਾ ਵਿਗਿਆਨੀ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਜੋ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, ਮਾਡਲ ਵਿਕਾਸ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਕਰਦੇ ਹਨ। ਇਹ ਟੀਮ ਮੈਂਬਰ ਉਤਪਾਦਕ ਕੋਡ ਦੇ ਪੇਸ਼ੇਵਰ ਵਿਕਾਸਕਾਰ ਨਹੀਂ ਹੋ ਸਕਦੇ ਹਨ।
• ਵਿਕਾਸ: AI/ML ਮਕੈਨਿਜ਼ਮ ਕੁਦਰਤ ਵਿੱਚ ਪ੍ਰਯੋਗਾਤਮਕ ਹਨ। ਸਮੱਸਿਆ ਨੂੰ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵੀ ਤਰੀਕੇ ਨਾਲ ਹੱਲ ਕਰਨ ਲਈ, ਇਨਪੁਟ ਵੇਰੀਏਬਲ, ਐਲਗੋਰਿਦਮ, ਮਾਡਲਿੰਗ ਵਿਧੀਆਂ ਅਤੇ ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਸੰਜੋਗਾਂ ਦੁਆਰਾ ਛਾਂਟਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅਜਿਹੀ ਖੋਜ ਦੀ ਗੁੰਝਲਤਾ "ਕੀ ਕੰਮ ਕੀਤਾ / ਕੰਮ ਨਹੀਂ ਕੀਤਾ" ਦਾ ਪਤਾ ਲਗਾਉਣ, ਐਪੀਸੋਡਾਂ ਦੀ ਪੁਨਰ-ਉਤਪਾਦਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ, ਅਤੇ ਆਵਰਤੀ ਲਾਗੂ ਕਰਨ ਲਈ ਵਿਕਾਸ ਨੂੰ ਆਮ ਬਣਾਉਣ ਵਿੱਚ ਹੈ।
• ਟੈਸਟਿੰਗ: AI/ML ਮਕੈਨਿਜ਼ਮ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਜ਼ਿਆਦਾਤਰ ਹੋਰ ਵਿਕਾਸ ਦੇ ਮੁਕਾਬਲੇ ਟੈਸਟਾਂ ਦੀ ਇੱਕ ਵੱਡੀ ਸ਼੍ਰੇਣੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਆਮ ਯੂਨਿਟ ਅਤੇ ਏਕੀਕਰਣ ਟੈਸਟਾਂ ਤੋਂ ਇਲਾਵਾ, ਡੇਟਾ ਦੀ ਵੈਧਤਾ ਅਤੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਅਤੇ ਨਿਯੰਤਰਣ ਦੇ ਨਮੂਨਿਆਂ ਲਈ ਲਾਗੂ ਕਰਨ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
• ਤੈਨਾਤੀ: AI/ML ਹੱਲਾਂ ਦੀ ਤੈਨਾਤੀ ਭਵਿੱਖਬਾਣੀ ਸੇਵਾਵਾਂ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ ਜੋ ਇੱਕ ਵਾਰ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਦੀਆਂ ਹਨ। AI/ML ਹੱਲ ਮਲਟੀ-ਸਟੇਜ ਪਾਈਪਲਾਈਨਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਣਾਏ ਗਏ ਹਨ ਜੋ ਆਟੋਮੈਟਿਕ ਸਿਖਲਾਈ ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਅਜਿਹੀਆਂ ਪਾਈਪਲਾਈਨਾਂ ਦੀ ਤਾਇਨਾਤੀ ਵਿੱਚ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਟੈਸਟ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ ਲਈ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਦੁਆਰਾ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਹੱਥੀਂ ਕੀਤੇ ਗੈਰ-ਮਾਮੂਲੀ ਕਦਮਾਂ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।
• ਉਤਪਾਦਕ: AI/ML ਇੰਜਣਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦੀ ਘਾਟ ਨਾ ਸਿਰਫ਼ ਅਕੁਸ਼ਲ ਪ੍ਰੋਗਰਾਮਿੰਗ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦੀ ਹੈ, ਸਗੋਂ ਇਨਪੁਟ ਡੇਟਾ ਦੇ ਸਦਾ-ਬਦਲਦੇ ਸੁਭਾਅ ਦੇ ਕਾਰਨ ਵੀ ਹੋ ਸਕਦੀ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, AI/ML ਮਕੈਨਿਜ਼ਮ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਪਰੰਪਰਾਗਤ ਵਿਕਾਸ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਨਾਲੋਂ ਬਹੁਤ ਸਾਰੇ ਕਾਰਨਾਂ ਕਰਕੇ ਘਟ ਸਕਦੀ ਹੈ। ਇਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਸਾਡੇ AI/ML ਇੰਜਣਾਂ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਨਿਗਰਾਨੀ (ਆਨਲਾਈਨ) ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਜੇਕਰ ਪ੍ਰਦਰਸ਼ਨ ਉਮੀਦਾਂ 'ਤੇ ਖਰਾ ਨਹੀਂ ਹੁੰਦਾ ਹੈ ਤਾਂ ਚੇਤਾਵਨੀਆਂ ਭੇਜਣ ਜਾਂ ਨਤੀਜਿਆਂ ਨੂੰ ਅਸਵੀਕਾਰ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

AI/ML ਪਲੇਟਫਾਰਮ ਦੂਜੇ ਸੂਚਨਾ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਸਮਾਨ ਹਨ ਜਿਸ ਵਿੱਚ ਦੋਵਾਂ ਨੂੰ ਸੰਸਕਰਣ ਨਿਯੰਤਰਣ, ਯੂਨਿਟ ਟੈਸਟਿੰਗ, ਏਕੀਕਰਣ ਟੈਸਟਿੰਗ, ਨਿਰੰਤਰ ਵਿਕਾਸ ਤੈਨਾਤੀ ਦੇ ਨਾਲ ਨਿਰੰਤਰ ਕੋਡ ਏਕੀਕਰਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, AI/ML ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਕੁਝ ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਹਨ:

• CI (ਨਿਰੰਤਰ ਏਕੀਕਰਣ) ਹੁਣ ਤੈਨਾਤ ਕੀਤੇ ਭਾਗਾਂ ਦੇ ਕੋਡ ਦੀ ਜਾਂਚ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ - ਇਸ ਵਿੱਚ ਡੇਟਾ ਅਤੇ AI/ML ਮਾਡਲਾਂ ਦੀ ਜਾਂਚ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਵੀ ਸ਼ਾਮਲ ਹੈ।
• ਸੀਡੀ (ਨਿਰੰਤਰ ਡਿਲਿਵਰੀ / ਡਿਪਲਾਇਮੈਂਟ, ਨਿਰੰਤਰ ਤੈਨਾਤੀ) ਪੈਕੇਜਾਂ ਜਾਂ ਸੇਵਾਵਾਂ ਨੂੰ ਲਿਖਣ ਅਤੇ ਜਾਰੀ ਕਰਨ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹੈ, ਪਰ ਏਆਈ / ਐਮਐਲ ਹੱਲਾਂ ਨੂੰ ਲਿਖਣ, ਸਿੱਖਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਇੱਕ ਪਲੇਟਫਾਰਮ ਦਰਸਾਉਂਦਾ ਹੈ।
• ਸੀਟੀ (ਨਿਰੰਤਰ ਸਿਖਲਾਈ, ਨਿਰੰਤਰ ਸਿਖਲਾਈ) - ਇੱਕ ਨਵਾਂ ਤੱਤ [ਲਗਭਗ. ਲੇਖ ਦੇ ਲੇਖਕ ਦੁਆਰਾ: DevOps ਦੀ ਰਵਾਇਤੀ ਧਾਰਨਾ ਦੇ ਸਬੰਧ ਵਿੱਚ ਇੱਕ ਨਵਾਂ ਤੱਤ, ਜਿਸ ਵਿੱਚ CT ਆਮ ਤੌਰ 'ਤੇ ਨਿਰੰਤਰ ਟੈਸਟਿੰਗ ਹੁੰਦੀ ਹੈ], AI / ML ਪਲੇਟਫਾਰਮਾਂ ਵਿੱਚ ਨਿਹਿਤ, AI / ML ਮਾਡਲਾਂ ਨੂੰ ਸਿੱਖਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਲਈ ਖੁਦਮੁਖਤਿਆਰੀ ਢੰਗ ਨਾਲ ਪ੍ਰਬੰਧਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ। ..."

ਅਸੀਂ ਦੱਸ ਸਕਦੇ ਹਾਂ ਕਿ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਰੀਅਲ-ਟਾਈਮ ਡੇਟਾ 'ਤੇ ਕੰਮ ਕਰਨ ਵਾਲੀ ਨਕਲੀ ਬੁੱਧੀ ਲਈ ਸਾਧਨਾਂ ਅਤੇ ਯੋਗਤਾਵਾਂ (ਕੋਡ ਡਿਵੈਲਪਮੈਂਟ ਤੋਂ ਲੈ ਕੇ ਗਣਿਤਿਕ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਣਾਂ ਦੇ ਆਰਕੈਸਟ੍ਰੇਸ਼ਨ ਤੱਕ), ਸਾਰੇ ਕਾਰਜਸ਼ੀਲ ਅਤੇ ਵਿਸ਼ਾ ਖੇਤਰਾਂ ਵਿਚਕਾਰ ਨਜ਼ਦੀਕੀ ਏਕੀਕਰਣ, ਮਨੁੱਖੀ ਅਤੇ ਵਧੇਰੇ ਕੁਸ਼ਲ ਸੰਗਠਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਮਸ਼ੀਨ ਸਰੋਤ.

ਰੀਅਲ-ਟਾਈਮ ਦ੍ਰਿਸ਼: ਫੀਡ ਪੰਪਾਂ ਵਿੱਚ ਨੁਕਸ ਦੇ ਵਿਕਾਸ ਨੂੰ ਪਛਾਣਨਾ

ਇੱਕ ਉਦਾਹਰਣ ਵਜੋਂ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਦੇ ਖੇਤਰ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜਾਰੀ ਰੱਖਦੇ ਹੋਏ, ਇੱਕ ਖਾਸ ਕੰਮ 'ਤੇ ਵਿਚਾਰ ਕਰੋ (ਪਹਿਲਾਂ ਹੀ ਸਾਡੇ ਦੁਆਰਾ ਬਹੁਤ ਸ਼ੁਰੂ ਵਿੱਚ ਜ਼ਿਕਰ ਕੀਤਾ ਗਿਆ ਹੈ): ਪ੍ਰਕਿਰਿਆ ਦੇ ਮਾਪਦੰਡਾਂ ਦੇ ਪ੍ਰਵਾਹ ਦੇ ਅਧਾਰ ਤੇ ਪੰਪਾਂ ਵਿੱਚ ਨੁਕਸ ਦੇ ਵਿਕਾਸ ਦੀ ਅਸਲ-ਸਮੇਂ ਦੀ ਨਿਗਰਾਨੀ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ. ਅਤੇ ਖੋਜੇ ਗਏ ਨੁਕਸਾਂ 'ਤੇ ਰੱਖ-ਰਖਾਅ ਕਰਮਚਾਰੀਆਂ ਦੀਆਂ ਰਿਪੋਰਟਾਂ।

ਚਿੱਤਰ 2 ਨੁਕਸ ਦੇ ਵਿਕਾਸ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਦੇ ਕੰਮ ਦਾ ਸੂਤਰੀਕਰਨ

ਅਭਿਆਸ ਵਿੱਚ ਇਸ ਤਰੀਕੇ ਨਾਲ ਨਿਰਧਾਰਤ ਕੀਤੇ ਗਏ ਜ਼ਿਆਦਾਤਰ ਕੰਮਾਂ ਦੀ ਵਿਸ਼ੇਸ਼ਤਾ ਇਹ ਹੈ ਕਿ ਡੇਟਾ ਰਸੀਦ (APCS) ਦੀ ਨਿਯਮਤਤਾ ਅਤੇ ਕੁਸ਼ਲਤਾ ਨੂੰ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਨੁਕਸਾਂ ਦੇ ਐਪੀਸੋਡਿਕ ਅਤੇ ਅਨਿਯਮਿਤ ਘਟਨਾ (ਅਤੇ ਰਜਿਸਟ੍ਰੇਸ਼ਨ) ਦੇ ਪਿਛੋਕੜ ਦੇ ਵਿਰੁੱਧ ਵਿਚਾਰਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ: ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਪ੍ਰਣਾਲੀ ਤੋਂ ਡੇਟਾ ਇੱਕ ਵਾਰ ਦੂਜੀ ਵਾਰ ਸਹੀ-ਸਹੀ ਆਉਂਦਾ ਹੈ, ਅਤੇ ਨੁਕਸ ਵਰਕਸ਼ਾਪ ਵਿੱਚ ਆਮ ਨੋਟਬੁੱਕ ਵਿੱਚ ਮਿਤੀ ਦੇ ਨਾਲ ਇੱਕ ਅਮਿੱਟ ਪੈਨਸਿਲ ਨਾਲ ਰਿਕਾਰਡ ਕੀਤੇ ਜਾਂਦੇ ਹਨ (ਉਦਾਹਰਨ ਲਈ: “12.01 - ਕਵਰ ਵਿੱਚ ਲੀਕ ਤੀਜੇ ਬੇਅਰਿੰਗ ਦਾ ਪਾਸਾ")।

ਇਸ ਤਰ੍ਹਾਂ, ਹੇਠ ਲਿਖੀਆਂ ਮਹੱਤਵਪੂਰਨ ਸੀਮਾਵਾਂ ਦੇ ਨਾਲ ਸਮੱਸਿਆ ਦੇ ਫਾਰਮੂਲੇ ਨੂੰ ਪੂਰਕ ਕਰਨਾ ਸੰਭਵ ਹੈ: ਸਾਡੇ ਕੋਲ ਕਿਸੇ ਖਾਸ ਕਿਸਮ ਦੇ ਨੁਕਸ ਦਾ ਸਿਰਫ ਇੱਕ "ਲੇਬਲ" ਹੈ (ਅਰਥਾਤ, ਕਿਸੇ ਖਾਸ ਕਿਸਮ ਦੇ ਨੁਕਸ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਨੂੰ ਡੇਟਾ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਇੱਕ ਖਾਸ ਮਿਤੀ ਲਈ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਪ੍ਰਣਾਲੀ - ਅਤੇ ਸਾਡੇ ਕੋਲ ਇਸ ਵਿਸ਼ੇਸ਼ ਕਿਸਮ ਦੇ ਨੁਕਸ ਦੀਆਂ ਹੋਰ ਉਦਾਹਰਣਾਂ ਨਹੀਂ ਹਨ)। ਇਹ ਪਾਬੰਦੀ ਤੁਰੰਤ ਸਾਨੂੰ ਕਲਾਸੀਕਲ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ਨਿਗਰਾਨੀ ਸਿਖਲਾਈ) ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਲੈ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਲਈ ਬਹੁਤ ਸਾਰੇ "ਲੇਬਲ" ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ।

ਚਿੱਤਰ 3 ਨੁਕਸ ਦੇ ਵਿਕਾਸ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਦੇ ਕੰਮ ਦਾ ਸੁਧਾਰ

ਕੀ ਅਸੀਂ ਕਿਸੇ ਤਰ੍ਹਾਂ ਆਪਣੇ ਨਿਪਟਾਰੇ 'ਤੇ ਸਿਰਫ "ਲੇਬਲ" ਨੂੰ "ਗੁਣਾ" ਕਰ ਸਕਦੇ ਹਾਂ? ਹਾਂ ਅਸੀਂ ਕਰ ਸਕਦੇ ਹਾਂ। ਪੰਪ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਰਜਿਸਟਰਡ ਨੁਕਸ ਦੀ ਸਮਾਨਤਾ ਦੀ ਡਿਗਰੀ ਦੁਆਰਾ ਦਰਸਾਈ ਗਈ ਹੈ. ਇੱਥੋਂ ਤੱਕ ਕਿ ਗਿਣਾਤਮਕ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕੀਤੇ ਬਿਨਾਂ, ਵਿਜ਼ੂਅਲ ਧਾਰਨਾ ਦੇ ਪੱਧਰ 'ਤੇ, ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਪ੍ਰਣਾਲੀ ਤੋਂ ਆਉਣ ਵਾਲੇ ਡੇਟਾ ਮੁੱਲਾਂ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਨੂੰ ਵੇਖਦੇ ਹੋਏ, ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਬਹੁਤ ਕੁਝ ਸਿੱਖ ਸਕਦੇ ਹੋ:

ਚਿੱਤਰ 4 ਦਿੱਤੀ ਗਈ ਕਿਸਮ ਦੇ ਨੁਕਸ ਦੇ "ਨਿਸ਼ਾਨ" ਦੇ ਪਿਛੋਕੜ ਦੇ ਵਿਰੁੱਧ ਪੰਪ ਦੀ ਸਥਿਤੀ ਦੀ ਗਤੀਸ਼ੀਲਤਾ

ਪਰ ਵਿਜ਼ੂਅਲ ਧਾਰਨਾ (ਘੱਟੋ ਘੱਟ ਹੁਣ ਲਈ) ਸਾਡੇ ਤੇਜ਼ੀ ਨਾਲ ਬਦਲ ਰਹੇ ਦ੍ਰਿਸ਼ ਵਿੱਚ "ਟੈਗ" ਦਾ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਜਨਰੇਟਰ ਨਹੀਂ ਹੈ। ਅਸੀਂ ਅੰਕੜਿਆਂ ਦੇ ਟੈਸਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਰਿਪੋਰਟ ਕੀਤੇ ਨੁਕਸ ਨਾਲ ਪੰਪ ਦੀ ਮੌਜੂਦਾ ਸਥਿਤੀ ਦੀ ਸਮਾਨਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਾਂਗੇ।

ਚਿੱਤਰ 5 ਇੱਕ ਨੁਕਸ ਦੇ "ਲੇਬਲ" ਦੀ ਪਿੱਠਭੂਮੀ ਦੇ ਵਿਰੁੱਧ ਆਉਣ ਵਾਲੇ ਡੇਟਾ ਲਈ ਇੱਕ ਅੰਕੜਾ ਟੈਸਟ ਨੂੰ ਲਾਗੂ ਕਰਨਾ

ਅੰਕੜਾ ਟੈਸਟ ਇਸ ਸੰਭਾਵਨਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਪ੍ਰਣਾਲੀ ਤੋਂ ਪ੍ਰਾਪਤ "ਫਲੋ-ਪੈਕੇਟ" ਵਿੱਚ ਤਕਨੀਕੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਮਾਪਦੰਡਾਂ ਦੇ ਮੁੱਲਾਂ ਵਾਲੇ ਰਿਕਾਰਡ ਕਿਸੇ ਖਾਸ ਕਿਸਮ ਦੇ ਨੁਕਸ ਦੇ "ਲੇਬਲ" ਰਿਕਾਰਡਾਂ ਦੇ ਸਮਾਨ ਹਨ। ਇੱਕ ਅੰਕੜਾ ਟੈਸਟ (ਸੰਖਿਆਤਮਕ ਸਮਾਨਤਾ ਸੂਚਕਾਂਕ) ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਗਿਣਿਆ ਗਿਆ ਸੰਭਾਵੀ ਮੁੱਲ 0 ਜਾਂ 1 ਦੇ ਮੁੱਲ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ, ਸਮਾਨਤਾ ਪੈਕੇਜ ਵਿੱਚ ਹਰੇਕ ਖਾਸ ਰਿਕਾਰਡ ਵਿੱਚ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਲਈ ਇੱਕ "ਲੇਬਲ" ਬਣ ਜਾਂਦਾ ਹੈ। ਯਾਨੀ, ਇੱਕ ਅੰਕੜਾ ਟੈਸਟ ਦੇ ਨਾਲ ਪੰਪ ਰਾਜ ਦੇ ਰਿਕਾਰਡਾਂ ਦੇ ਨਵੇਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਪੈਕੇਜ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਸਾਡੇ ਕੋਲ (ਏ) ਏ.ਆਈ./ਐੱਮ.ਐੱਲ. ਮਾਡਲ ਦੀ ਸਿਖਲਾਈ ਲਈ ਇਸ ਪੈਕੇਜ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਨਮੂਨੇ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨ ਅਤੇ (ਬੀ) ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਦਾ ਮੌਕਾ ਹੈ। ਮਾਡਲ ਦਾ ਮੌਜੂਦਾ ਸੰਸਕਰਣ ਜਦੋਂ ਇਸਨੂੰ ਇਸ ਪੈਕੇਜ ਉੱਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।

ਚਿੱਤਰ 6 ਕਿਸੇ ਨੁਕਸ ਦੇ "ਲੇਬਲ" ਦੀ ਪਿੱਠਭੂਮੀ ਦੇ ਵਿਰੁੱਧ ਆਉਣ ਵਾਲੇ ਡੇਟਾ ਲਈ ਇੱਕ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਨਾ

ਸਾਡੇ ਪਿਛਲੇ ਦੇ ਇੱਕ ਵਿੱਚ ਵੈਬਿਨਾਰ ਅਸੀਂ ਦਿਖਾਉਂਦੇ ਹਾਂ ਅਤੇ ਸਮਝਾਉਂਦੇ ਹਾਂ ਕਿ ਕਿਵੇਂ InterSystems IRIS ਪਲੇਟਫਾਰਮ ਤੁਹਾਨੂੰ ਕਿਸੇ ਵੀ AI/ML ਵਿਧੀ ਨੂੰ ਲਗਾਤਾਰ ਚਲਾਉਣ ਵਾਲੀਆਂ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜੋ ਸਿਮੂਲੇਸ਼ਨ ਨਤੀਜਿਆਂ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ ਅਤੇ ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹਨ। ਪੰਪਾਂ ਦੇ ਨਾਲ ਸਾਡੇ ਦ੍ਰਿਸ਼ ਦੇ ਪ੍ਰੋਟੋਟਾਈਪ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਸਮੇਂ, ਅਸੀਂ ਵੈਬਿਨਾਰ ਦੇ ਦੌਰਾਨ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਸਾਰੇ ਇੰਟਰਸਿਸਟਮ IRIS ਕਾਰਜਸ਼ੀਲਤਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਾਂ - ਸਾਡੇ ਹੱਲ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਵਿਸ਼ਲੇਸ਼ਕ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਲਾਗੂ ਕਰਨਾ, ਕਲਾਸੀਕਲ ਨਿਰੀਖਣ ਕੀਤੀ ਸਿਖਲਾਈ ਨਹੀਂ, ਸਗੋਂ ਮਜ਼ਬੂਤੀ ਸਿਖਲਾਈ, ਜੋ ਸਿਖਲਾਈ ਲਈ ਨਮੂਨੇ ਨੂੰ ਆਪਣੇ ਆਪ ਨਿਯੰਤਰਿਤ ਕਰਦੀ ਹੈ। ਮਾਡਲ ਰਿਕਾਰਡਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇ ਨਮੂਨੇ ਵਿੱਚ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ ਜਿਸ 'ਤੇ ਅੰਕੜਾ ਟੈਸਟ ਅਤੇ ਮਾਡਲ ਦੇ ਮੌਜੂਦਾ ਸੰਸਕਰਣ ਦੋਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਬਾਅਦ "ਖੋਜ ਸਹਿਮਤੀ" ਹੁੰਦੀ ਹੈ - ਅਰਥਾਤ ਦੋਵੇਂ ਅੰਕੜਾ ਟੈਸਟ (ਸਮਾਨਤਾ ਸੂਚਕਾਂਕ ਨੂੰ 0 ਜਾਂ 1 ਵਿੱਚ ਬਦਲਣ ਤੋਂ ਬਾਅਦ), ਅਤੇ ਮਾਡਲ ਨੇ ਅਜਿਹੇ ਰਿਕਾਰਡਾਂ 'ਤੇ ਨਤੀਜਾ ਪੇਸ਼ ਕੀਤਾ 1. ਮਾਡਲ ਦੀ ਨਵੀਂ ਸਿਖਲਾਈ ਦੇ ਨਾਲ, ਇਸਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਦੇ ਦੌਰਾਨ (ਨਵੇਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਨੂੰ ਇਸਦੇ ਆਪਣੇ ਸਿਖਲਾਈ ਨਮੂਨੇ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਇਸਦੇ ਲਈ ਇੱਕ ਅੰਕੜਾ ਟੈਸਟ ਦੀ ਸ਼ੁਰੂਆਤੀ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਨਾਲ), ਉਹ ਰਿਕਾਰਡ ਜੋ "ਕੀਤਾ ਅੰਕੜਾ ਟੈਸਟ ਦੁਆਰਾ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਤੋਂ ਬਾਅਦ ਨਤੀਜਾ 1 ਨੂੰ ਨਾ ਰੱਖੋ (ਸਿਖਲਾਈ ਵਿੱਚ ਨਿਰੰਤਰ ਮੌਜੂਦਗੀ ਦੇ ਕਾਰਨ ਨੁਕਸ ਦੇ ਅਸਲ "ਲੇਬਲ" ਤੋਂ ਰਿਕਾਰਡਾਂ ਦਾ ਨਮੂਨਾ) ਸਿਖਲਾਈ ਦੇ ਨਮੂਨੇ ਤੋਂ ਹਟਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਮਾਡਲ ਦਾ ਨਵਾਂ ਸੰਸਕਰਣ ਸਿੱਖਦਾ ਹੈ ਨੁਕਸ ਦੇ "ਲੇਬਲ" ਤੋਂ ਅਤੇ ਸਟ੍ਰੀਮ ਤੋਂ "ਹੋਲਡ" ਰਿਕਾਰਡਾਂ ਤੋਂ।

ਚਿੱਤਰ 7 InterSystems IRIS ਵਿੱਚ AI/ML ਗਣਨਾਵਾਂ ਦਾ ਰੋਬੋਟੀਕਰਨ

ਜੇਕਰ InterSystems IRIS ਵਿੱਚ ਸਥਾਨਕ ਕੰਪਿਊਟਿੰਗ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਖੋਜ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਇੱਕ ਕਿਸਮ ਦੀ "ਦੂਜੀ ਰਾਏ" ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਕਲਾਉਡ ਸੇਵਾਵਾਂ (ਉਦਾਹਰਨ ਲਈ, Microsoft Azure) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਨਿਯੰਤਰਣ ਡੇਟਾਸੈਟ 'ਤੇ ਸਿਖਲਾਈ-ਲਾਗੂ ਕਰਨ ਵਾਲੇ ਮਾਡਲਾਂ ਨੂੰ ਕਰਨ ਲਈ ਇੱਕ ਸਲਾਹਕਾਰ ਪ੍ਰਕਿਰਿਆ ਬਣਾਈ ਜਾਂਦੀ ਹੈ। , Amazon Web Services , Google Cloud Platform, ਆਦਿ):

ਚਿੱਤਰ 8 ਮਾਈਕਰੋਸਾਫਟ ਅਜ਼ੁਰ ਤੋਂ ਦੂਜੀ ਰਾਏ ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਦੁਆਰਾ ਆਰਕੇਸਟ੍ਰੇਟ ਕੀਤੀ ਗਈ ਹੈ

InterSystems IRIS ਵਿੱਚ ਸਾਡੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦਾ ਪ੍ਰੋਟੋਟਾਈਪ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਇੱਕ ਏਜੰਟ-ਅਧਾਰਿਤ ਪ੍ਰਣਾਲੀ ਦੇ ਰੂਪ ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ ਹੈ ਜੋ ਉਪਕਰਣ ਆਬਜੈਕਟ (ਪੰਪ), ਗਣਿਤਿਕ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਨ (ਪਾਈਥਨ, ਆਰ ਅਤੇ ਜੂਲੀਆ) ਨਾਲ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਪਾਉਂਦਾ ਹੈ, ਅਤੇ ਸਾਰਿਆਂ ਨੂੰ ਸਵੈ-ਸਿੱਖਿਆ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਸ਼ਾਮਲ AI / ML ਵਿਧੀ - ਅਸਲ-ਸਮੇਂ ਦੇ ਡੇਟਾ ਪ੍ਰਵਾਹ 'ਤੇ।

ਚਿੱਤਰ 9 ਇੰਟਰਸਿਸਟਮ IRIS ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ AI/ML ਹੱਲ ਦੀ ਮੁੱਖ ਕਾਰਜਕੁਸ਼ਲਤਾ

ਸਾਡੇ ਪ੍ਰੋਟੋਟਾਈਪ ਦਾ ਵਿਹਾਰਕ ਨਤੀਜਾ:

• ਮਾਡਲ ਦੁਆਰਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਨੁਕਸ ਪੈਟਰਨ (12 ਜਨਵਰੀ):

• ਮਾਡਲ ਦੁਆਰਾ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਇੱਕ ਵਿਕਾਸਸ਼ੀਲ ਨੁਕਸ, ਜਿਸ ਨੂੰ ਨਮੂਨੇ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ (11 ਸਤੰਬਰ, ਨੁਕਸ ਖੁਦ ਮੁਰੰਮਤ ਟੀਮ ਦੁਆਰਾ ਸਿਰਫ ਦੋ ਦਿਨ ਬਾਅਦ ਪਤਾ ਲਗਾਇਆ ਗਿਆ ਸੀ - 13 ਸਤੰਬਰ):

ਉਸੇ ਨੁਕਸ ਦੇ ਕਈ ਐਪੀਸੋਡਾਂ ਵਾਲੇ ਅਸਲ ਡੇਟਾ 'ਤੇ ਸਿਮੂਲੇਸ਼ਨ ਨੇ ਦਿਖਾਇਆ ਕਿ ਸਾਡਾ ਹੱਲ, ਇੰਟਰਸਿਸਟਮ IRIS ਪਲੇਟਫਾਰਮ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ, ਸਾਨੂੰ ਮੁਰੰਮਤ ਟੀਮ ਦੁਆਰਾ ਖੋਜੇ ਜਾਣ ਤੋਂ ਕਈ ਦਿਨ ਪਹਿਲਾਂ ਇਸ ਕਿਸਮ ਦੇ ਨੁਕਸ ਦੇ ਵਿਕਾਸ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

InterSystems IRIS - ਯੂਨੀਵਰਸਲ ਰੀਅਲ-ਟਾਈਮ AI/ML ਕੰਪਿਊਟਿੰਗ ਪਲੇਟਫਾਰਮ

InterSystems IRIS ਪਲੇਟਫਾਰਮ ਰੀਅਲ-ਟਾਈਮ ਡਾਟਾ ਹੱਲਾਂ ਦੇ ਵਿਕਾਸ, ਤੈਨਾਤੀ ਅਤੇ ਸੰਚਾਲਨ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦਾ ਹੈ। InterSystems IRIS ਇੱਕੋ ਸਮੇਂ ਲੈਣ-ਦੇਣ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਕਰਨ ਦੇ ਯੋਗ ਹੈ; ਕਈ ਮਾਡਲਾਂ (ਸਬੰਧਤ, ਲੜੀਵਾਰ, ਵਸਤੂ ਅਤੇ ਦਸਤਾਵੇਜ਼ ਸਮੇਤ); ਡੇਟਾ ਸਰੋਤਾਂ ਅਤੇ ਵਿਅਕਤੀਗਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਲਈ ਇੱਕ ਏਕੀਕਰਣ ਪਲੇਟਫਾਰਮ ਵਜੋਂ ਕੰਮ ਕਰਨਾ; ਢਾਂਚਾਗਤ ਅਤੇ ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ 'ਤੇ ਉੱਨਤ ਰੀਅਲ-ਟਾਈਮ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। InterSystems IRIS ਬਾਹਰੀ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਲਈ ਵਿਧੀ ਵੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਕਲਾਉਡ ਅਤੇ ਸਥਾਨਕ ਸਰਵਰਾਂ 'ਤੇ ਹੋਸਟਿੰਗ ਨੂੰ ਜੋੜਨ ਦੀ ਲਚਕਤਾ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

InterSystems IRIS ਪਲੇਟਫਾਰਮ 'ਤੇ ਬਣੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਉਦਯੋਗਾਂ ਵਿੱਚ ਤੈਨਾਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਕੰਪਨੀਆਂ ਨੂੰ ਇੱਕ ਰਣਨੀਤਕ ਅਤੇ ਸੰਚਾਲਨ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਆਰਥਿਕ ਮੁੱਲ ਪ੍ਰਾਪਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਵਾਧਾ ਕਰਦਾ ਹੈ ਅਤੇ ਘਟਨਾ, ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਕਾਰਵਾਈ ਵਿਚਕਾਰ ਪਾੜੇ ਨੂੰ ਬੰਦ ਕਰਦਾ ਹੈ।

ਰੀਅਲ-ਟਾਈਮ AI/ML ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਚਿੱਤਰ 10 ਇੰਟਰਸਿਸਟਮ IRIS ਆਰਕੀਟੈਕਚਰ

ਪਿਛਲੇ ਚਿੱਤਰ ਦੀ ਤਰ੍ਹਾਂ, ਹੇਠਾਂ ਦਿੱਤਾ ਚਿੱਤਰ ਨਵੇਂ "ਕੋਆਰਡੀਨੇਟ ਸਿਸਟਮ" (CD/CI/CT) ਨੂੰ ਪਲੇਟਫਾਰਮ ਵਰਕ ਆਈਟਮਾਂ ਵਿਚਕਾਰ ਜਾਣਕਾਰੀ ਦੇ ਪ੍ਰਵਾਹ ਨਾਲ ਜੋੜਦਾ ਹੈ। ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ CD ਮੈਕਰੋ-ਮਕੈਨਿਜ਼ਮ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ ਅਤੇ CI ਅਤੇ CT ਮੈਕਰੋ-ਮਕੈਨਿਜ਼ਮ ਨਾਲ ਜਾਰੀ ਰਹਿੰਦੀ ਹੈ।

ਚਿੱਤਰ 11 ਇੰਟਰਸਿਸਟਮ IRIS ਪਲੇਟਫਾਰਮ ਦੇ AI/ML ਤੱਤਾਂ ਦੇ ਵਿਚਕਾਰ ਜਾਣਕਾਰੀ ਦੇ ਵਹਾਅ ਦੀ ਸਕੀਮ

InterSystems IRIS ਵਿੱਚ CD ਵਿਧੀ ਦਾ ਨਿਚੋੜ: ਪਲੇਟਫਾਰਮ ਉਪਭੋਗਤਾ (AI / ML ਹੱਲ ਡਿਵੈਲਪਰ) ਇੱਕ ਵਿਸ਼ੇਸ਼ AI / ML ਵਿਧੀ ਕੋਡ ਸੰਪਾਦਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮੌਜੂਦਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹਨ ਅਤੇ / ਜਾਂ ਨਵੇਂ AI / ML ਵਿਕਾਸ ਬਣਾਉਂਦੇ ਹਨ: ਜੁਪੀਟਰ (ਪੂਰਾ ਨਾਮ: ਜੁਪੀਟਰ ਨੋਟਬੁੱਕ; ਵੀ, ਸੰਖੇਪਤਾ ਲਈ, ਇਸ ਸੰਪਾਦਕ ਵਿੱਚ ਬਣਾਏ ਗਏ ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਕਈ ਵਾਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ)। Jupyter ਵਿੱਚ, ਇੱਕ ਡਿਵੈਲਪਰ ਨੂੰ InterSystems IRIS ਵਿੱਚ ਮੇਜ਼ਬਾਨੀ ("ਤੈਨਾਤ") ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਖਾਸ AI/ML ਵਿਕਾਸ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ (ਗਰਾਫਿਕਸ ਦੀ ਵਰਤੋਂ ਸਮੇਤ) ਨੂੰ ਲਿਖਣ, ਡੀਬੱਗ ਕਰਨ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦਾ ਮੌਕਾ ਹੁੰਦਾ ਹੈ। ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਇਸ ਤਰੀਕੇ ਨਾਲ ਬਣਾਇਆ ਗਿਆ ਇੱਕ ਨਵਾਂ ਵਿਕਾਸ ਸਿਰਫ ਬੁਨਿਆਦੀ ਡੀਬੱਗਿੰਗ ਪ੍ਰਾਪਤ ਕਰੇਗਾ (ਕਿਉਂਕਿ, ਖਾਸ ਤੌਰ 'ਤੇ, ਜੁਪੀਟਰ ਰੀਅਲ-ਟਾਈਮ ਡੇਟਾ ਸਟ੍ਰੀਮਜ਼ ਨਾਲ ਕੰਮ ਨਹੀਂ ਕਰਦਾ) - ਇਹ ਚੀਜ਼ਾਂ ਦੇ ਕ੍ਰਮ ਵਿੱਚ ਹੈ, ਕਿਉਂਕਿ ਜੁਪੀਟਰ ਵਿੱਚ ਵਿਕਾਸ ਦਾ ਮੁੱਖ ਨਤੀਜਾ ਇੱਕ ਵੱਖਰੇ AI / ML-ਮਕੈਨਿਜ਼ਮ ਦੀ ਬੁਨਿਆਦੀ ਸੰਚਾਲਨਤਾ ਦੀ ਪੁਸ਼ਟੀ ਹੈ ("ਡੇਟਾ ਨਮੂਨੇ 'ਤੇ ਸੰਭਾਵਿਤ ਨਤੀਜਾ ਦਿਖਾਉਂਦਾ ਹੈ")। ਇਸੇ ਤਰ੍ਹਾਂ, Jupyter ਵਿੱਚ ਡੀਬੱਗ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਰੱਖੇ ਗਏ ਇੱਕ ਤੰਤਰ (ਹੇਠ ਦਿੱਤੇ ਮੈਕਰੋ-ਮਕੈਨਿਜ਼ਮ ਦੇਖੋ) ਨੂੰ "ਪ੍ਰੀ-ਪਲੇਟਫਾਰਮ" ਫਾਰਮ ਵਿੱਚ "ਰੋਲਬੈਕ" ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ (ਫਾਈਲਾਂ ਤੋਂ ਡੇਟਾ ਪੜ੍ਹਨਾ, ਟੇਬਲ ਦੀ ਬਜਾਏ xDBC ਦੁਆਰਾ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ, ਗਲੋਬਲਾਂ ਨਾਲ ਸਿੱਧੀ ਗੱਲਬਾਤ - ਬਹੁ-ਆਯਾਮੀ ਡੇਟਾ ਐਰੇ ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ - ਆਦਿ)।

ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਵਿੱਚ ਸੀਡੀ ਲਾਗੂ ਕਰਨ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲੂ ਇਹ ਹੈ ਕਿ ਪਲੇਟਫਾਰਮ ਅਤੇ ਜੁਪੀਟਰ ਦੇ ਵਿਚਕਾਰ ਦੋ-ਦਿਸ਼ਾਵੀ ਏਕੀਕਰਣ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਤੁਹਾਨੂੰ ਪਾਇਥਨ, ਆਰ ਅਤੇ ਜੂਲੀਆ ਵਿੱਚ ਸਮੱਗਰੀ (ਅਤੇ ਅੱਗੇ, ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆ) ਵਿੱਚ ਟ੍ਰਾਂਸਫਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ (ਸਾਰੇ ਤਿੰਨ ਹਨ। ਗਣਿਤਿਕ ਮਾਡਲਿੰਗ ਦੇ ਅਨੁਸਾਰੀ ਪ੍ਰਮੁੱਖ ਓਪਨ-ਸਰੋਤ ਸਰੋਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ)। ਇਸ ਤਰ੍ਹਾਂ, AI/ML ਸਮੱਗਰੀ ਡਿਵੈਲਪਰਾਂ ਕੋਲ ਇਸ ਸਮਗਰੀ ਨੂੰ ਪਲੇਟਫਾਰਮ 'ਤੇ "ਲਗਾਤਾਰ ਤੈਨਾਤ" ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ, ਉਹਨਾਂ ਦੇ ਜਾਣੇ-ਪਛਾਣੇ ਜੁਪੀਟਰ ਸੰਪਾਦਕ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹੋਏ, ਪਾਈਥਨ, ਆਰ, ਜੂਲੀਆ ਵਿੱਚ ਉਪਲਬਧ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ ਦੇ ਨਾਲ, ਅਤੇ ਪਲੇਟਫਾਰਮ ਤੋਂ ਬਾਹਰ ਬੁਨਿਆਦੀ ਡੀਬੱਗਿੰਗ (ਜੇਕਰ ਜ਼ਰੂਰੀ ਹੋਵੇ) ਕਰ ਸਕਦੇ ਹਨ। .

ਆਉ ਇੰਟਰਸਿਸਟਮ IRIS ਵਿੱਚ CI ਦੇ ਮੈਕਰੋ ਮਕੈਨਿਜ਼ਮ ਵੱਲ ਵਧੀਏ। ਚਿੱਤਰ "ਰੀਅਲ-ਟਾਈਮ ਰੋਬੋਟ" ਦੀ ਮੈਕਰੋ-ਪ੍ਰਕਿਰਿਆ ਦਿਖਾਉਂਦਾ ਹੈ (ਡਾਟਾ ਢਾਂਚੇ, ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਅਤੇ ਕੋਡ ਦੇ ਟੁਕੜਿਆਂ ਦਾ ਇੱਕ ਕੰਪਲੈਕਸ ਜੋ ਉਹਨਾਂ ਦੁਆਰਾ ਮੈਟਸ ਦੀਆਂ ਭਾਸ਼ਾਵਾਂ ਅਤੇ ਆਬਜੈਕਟ ਸਕ੍ਰਿਪਟ ਭਾਸ਼ਾ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ - ਇੰਟਰਸਿਸਟਮ ਦੀ ਮੂਲ ਵਿਕਾਸ ਭਾਸ਼ਾ IRIS)। ਇਸ ਮੈਕਰੋ ਪ੍ਰਕਿਰਿਆ ਦਾ ਕੰਮ ਏਆਈ / ਐਮਐਲ ਮਕੈਨਿਜ਼ਮ ਦੇ ਸੰਚਾਲਨ ਲਈ ਜ਼ਰੂਰੀ ਡੇਟਾ ਕਤਾਰਾਂ ਨੂੰ ਕਾਇਮ ਰੱਖਣਾ ਹੈ (ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਪਲੇਟਫਾਰਮ ਤੇ ਪ੍ਰਸਾਰਿਤ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੇ ਪ੍ਰਵਾਹ ਦੇ ਅਧਾਰ ਤੇ), ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਕ੍ਰਮ ਅਤੇ ਏਆਈ / ਦੀ "ਰੇਂਜ" ਬਾਰੇ ਫੈਸਲੇ ਲੈਣਾ ਹੈ। ML ਮਕੈਨਿਜ਼ਮ (ਇਹ "ਗਣਿਤਿਕ ਐਲਗੋਰਿਦਮ", "ਮਾਡਲ" ਆਦਿ ਵੀ ਹਨ - ਲਾਗੂ ਕਰਨ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਟਰਮਿਨੋਲੋਜੀਕਲ ਤਰਜੀਹਾਂ ਦੇ ਅਧਾਰ ਤੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਕਿਹਾ ਜਾ ਸਕਦਾ ਹੈ), AI / ML ਵਿਧੀਆਂ ਦੇ ਕੰਮ ਦੇ ਨਤੀਜਿਆਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਡੇਟਾ ਢਾਂਚੇ ਨੂੰ ਅੱਪ ਟੂ ਡੇਟ ਰੱਖੋ। (ਕਿਊਬ, ਟੇਬਲ, ਬਹੁ-ਆਯਾਮੀ ਡੇਟਾ ਐਰੇ, ਆਦਿ) ਆਦਿ। - ਰਿਪੋਰਟਾਂ, ਡੈਸ਼ਬੋਰਡਾਂ, ਆਦਿ ਲਈ)।

InterSystems IRIS ਵਿੱਚ CI ਨੂੰ ਲਾਗੂ ਕਰਨ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲੂ ਇਹ ਹੈ ਕਿ ਪਲੇਟਫਾਰਮ ਅਤੇ ਗਣਿਤਿਕ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਨ ਦੇ ਵਿਚਕਾਰ ਦੋ-ਦਿਸ਼ਾਵੀ ਏਕੀਕਰਣ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਪਾਇਥਨ, ਆਰ ਅਤੇ ਜੂਲੀਆ ਵਿੱਚ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਹੋਸਟ ਕੀਤੀ ਸਮੱਗਰੀ ਨੂੰ ਉਹਨਾਂ ਦੇ ਅਨੁਸਾਰੀ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਨਤੀਜਿਆਂ ਦੀ ਵਾਪਸੀ ਦੇ ਨਾਲ ਲਾਗੂ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। . ਇਹ ਏਕੀਕਰਣ ਦੋਨਾਂ "ਟਰਮੀਨਲ ਮੋਡ" ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ (ਜਿਵੇਂ ਕਿ AI/ML ਸਮੱਗਰੀ ਨੂੰ ਮੈਟਸ ਨੂੰ ਕਾਲ ਕਰਨ ਲਈ ObjectScript ਕੋਡ ਦੇ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ) ਅਤੇ "ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਮੋਡ" (ਜਿਵੇਂ ਕਿ AI/ML ਸਮੱਗਰੀ ਨੂੰ ਇੱਕ ਗ੍ਰਾਫਿਕ ਸੰਪਾਦਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ ਦੇ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਾਂ ਕਈ ਵਾਰ ਜੁਪੀਟਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਜਾਂ ਇੱਕ IDE ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ - IRIS ਸਟੂਡੀਓ, ਇਕਲਿਪਸ, ਵਿਜ਼ੂਅਲ ਸਟੂਡੀਓ ਕੋਡ)। Jupyter ਵਿੱਚ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਸੰਪਾਦਨਤਾ CI ਪੱਧਰ 'ਤੇ IRIS ਅਤੇ CD ਪੱਧਰ 'ਤੇ Jupyter ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦੁਆਰਾ ਪ੍ਰਤੀਬਿੰਬਤ ਹੁੰਦੀ ਹੈ। ਗਣਿਤਿਕ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਨ ਦੇ ਨਾਲ ਏਕੀਕਰਣ ਦੀ ਇੱਕ ਹੋਰ ਵਿਸਤ੍ਰਿਤ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਹੇਠਾਂ ਦਿੱਤੀ ਗਈ ਹੈ। ਇਸ ਪੜਾਅ 'ਤੇ, ਸਾਡੀ ਰਾਏ ਵਿੱਚ, ਰੀਅਲ-ਟਾਈਮ AI / ML ਵਿਕਾਸ ("ਲਗਾਤਾਰ ਤੈਨਾਤੀ" ਤੋਂ ਆਉਣ ਵਾਲੇ) ਦੇ "ਨਿਰੰਤਰ ਏਕੀਕਰਣ" ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਸਾਰੇ ਲੋੜੀਂਦੇ ਸਾਧਨਾਂ ਦੇ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਮੌਜੂਦਗੀ ਨੂੰ ਠੀਕ ਕਰਨ ਦਾ ਹਰ ਕਾਰਨ ਹੈ. ML ਹੱਲ.

ਅਤੇ ਮੁੱਖ ਮੈਕਰੋ ਵਿਧੀ: ਸੀ.ਟੀ. ਇਸ ਤੋਂ ਬਿਨਾਂ, ਕੋਈ AI/ML ਪਲੇਟਫਾਰਮ ਨਹੀਂ ਹੋਵੇਗਾ (ਹਾਲਾਂਕਿ “ਰੀਅਲ ਟਾਈਮ” CD/CI ਰਾਹੀਂ ਲਾਗੂ ਕੀਤਾ ਜਾਵੇਗਾ)। CT ਦਾ ਸਾਰ ਗਣਿਤ ਦੇ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਣਾਂ ਦੇ ਕਾਰਜਸ਼ੀਲ ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੇ "ਆਰਟੀਫੈਕਟਸ" ਦੇ ਨਾਲ ਪਲੇਟਫਾਰਮ ਦਾ ਕੰਮ ਹੈ: ਮਾਡਲ, ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਟੇਬਲ, ਮੈਟ੍ਰਿਕਸ ਵੈਕਟਰ, ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀਆਂ ਪਰਤਾਂ, ਆਦਿ। ਇਹ "ਕੰਮ", ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਵਾਤਾਵਰਨ ਵਿੱਚ ਜ਼ਿਕਰ ਕੀਤੀਆਂ ਕਲਾਕ੍ਰਿਤੀਆਂ ਨੂੰ ਬਣਾਉਣ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ (ਮਾਡਲਾਂ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਉਦਾਹਰਨ ਲਈ, "ਸਿਰਜਣਾ" ਵਿੱਚ ਮਾਡਲ ਨਿਰਧਾਰਨ ਅਤੇ ਇਸਦੇ ਮਾਪਦੰਡਾਂ ਦੇ ਮੁੱਲਾਂ ਦੀ ਅਗਲੀ ਚੋਣ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ - ਮਾਡਲ ਦੀ ਅਖੌਤੀ "ਸਿਖਲਾਈ"), ਉਹਨਾਂ ਦੀ ਐਪਲੀਕੇਸ਼ਨ (ਮਾਡਲਾਂ ਲਈ: ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਟੀਚੇ ਦੇ ਵੇਰੀਏਬਲਾਂ ਦੇ "ਮਾਡਲ" ਮੁੱਲਾਂ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ - ਪੂਰਵ-ਅਨੁਮਾਨ, ਕਿਸੇ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸਬੰਧਤ, ਘਟਨਾ ਵਾਪਰਨ ਦੀ ਸੰਭਾਵਨਾ, ਆਦਿ) ਅਤੇ ਸੁਧਾਰ ਕਰਨਾ ਪਹਿਲਾਂ ਹੀ ਬਣਾਈਆਂ ਅਤੇ ਲਾਗੂ ਕੀਤੀਆਂ ਕਲਾਕ੍ਰਿਤੀਆਂ (ਉਦਾਹਰਨ ਲਈ, ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਨਤੀਜਿਆਂ ਦੇ ਆਧਾਰ 'ਤੇ ਮਾਡਲ ਇਨਪੁਟ ਵੇਰੀਏਬਲ ਦੇ ਸੈੱਟ ਨੂੰ ਮੁੜ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨਾ - ਇੱਕ ਵਿਕਲਪ ਵਜੋਂ, ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ)। ਸੀਟੀ ਦੀ ਭੂਮਿਕਾ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮੁੱਖ ਨੁਕਤਾ ਸੀਡੀ ਅਤੇ ਸੀਆਈ ਦੀਆਂ ਅਸਲੀਅਤਾਂ ਤੋਂ ਇਸਦਾ "ਐਬਸਟਰੈਕਸ਼ਨ" ਹੈ: ਸੀਟੀ ਖਾਸ ਵਾਤਾਵਰਣ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀਆਂ ਗਈਆਂ ਸਮਰੱਥਾਵਾਂ ਦੇ ਅੰਦਰ AI / ML ਹੱਲ ਦੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਅਤੇ ਗਣਿਤਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਤ ਕਰਦੇ ਹੋਏ, ਸਾਰੀਆਂ ਕਲਾਕ੍ਰਿਤੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰੇਗਾ। . "ਇਨਪੁਟ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਨ" ਅਤੇ "ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਨ" ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ CD ਅਤੇ CI ਦੀ ਹੋਵੇਗੀ।

ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਵਿੱਚ ਸੀਟੀ ਲਾਗੂ ਕਰਨ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲੂ: ਉੱਪਰ ਦੱਸੇ ਗਏ ਗਣਿਤਿਕ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਣਾਂ ਨਾਲ ਏਕੀਕਰਣ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਵਾਤਾਵਰਣ ਵਿੱਚ ਇਸਦੇ ਨਿਯੰਤਰਣ ਅਧੀਨ ਚੱਲ ਰਹੇ ਕਾਰਜ ਸੈਸ਼ਨਾਂ ਤੋਂ ਉਹੀ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ ਅਤੇ (ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ) ਉਹਨਾਂ ਨੂੰ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਬਦਲਣ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਡਾਟਾ ਆਬਜੈਕਟ. ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਸਾਰਣੀ ਜੋ ਹੁਣੇ ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਪਾਈਥਨ ਸੈਸ਼ਨ ਵਿੱਚ ਬਣਾਈ ਗਈ ਹੈ (ਪਾਇਥਨ ਵਿੱਚ ਸੈਸ਼ਨ ਨੂੰ ਰੋਕੇ ਬਿਨਾਂ) ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਟ੍ਰਾਂਸਫਰ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਗਲੋਬਲ (ਬਹੁ-ਆਯਾਮੀ ਇੰਟਰਸਿਸਟਮ IRIS ਡੇਟਾ ਐਰੇ) - ਅਤੇ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਕਿਸੇ ਹੋਰ AI / ML- ਵਿਧੀ ਵਿੱਚ ਗਣਨਾ ਲਈ (ਪਹਿਲਾਂ ਹੀ ਕਿਸੇ ਹੋਰ ਵਾਤਾਵਰਣ ਦੀ ਭਾਸ਼ਾ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ - ਉਦਾਹਰਨ ਲਈ, R ਵਿੱਚ) - ਜਾਂ ਇੱਕ ਵਰਚੁਅਲ ਟੇਬਲ। ਇੱਕ ਹੋਰ ਉਦਾਹਰਨ: ਮਾਡਲ ਓਪਰੇਸ਼ਨ (ਪਾਈਥਨ ਵਰਕਿੰਗ ਸੈਸ਼ਨ ਵਿੱਚ) ਦੇ "ਆਮ ਮੋਡ" ਦੇ ਸਮਾਨਾਂਤਰ ਵਿੱਚ, "ਆਟੋ-ਐਮਐਲ" ਨੂੰ ਇਸਦੇ ਇਨਪੁਟ ਡੇਟਾ 'ਤੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ: ਅਨੁਕੂਲ ਇਨਪੁਟ ਵੇਰੀਏਬਲ ਅਤੇ ਪੈਰਾਮੀਟਰ ਮੁੱਲਾਂ ਦੀ ਆਟੋਮੈਟਿਕ ਚੋਣ। ਅਤੇ "ਨਿਯਮਿਤ" ਸਿਖਲਾਈ ਦੇ ਨਾਲ, ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਉਤਪਾਦਕ ਮਾਡਲ ਨੂੰ ਇਸਦੇ ਨਿਰਧਾਰਨ ਲਈ ਇੱਕ "ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਪ੍ਰਸਤਾਵ" ਵੀ ਪ੍ਰਾਪਤ ਹੁੰਦਾ ਹੈ - ਜਿਸ ਵਿੱਚ ਇਨਪੁਟ ਵੇਰੀਏਬਲਾਂ ਦਾ ਸੈੱਟ ਬਦਲਦਾ ਹੈ, ਪੈਰਾਮੀਟਰ ਮੁੱਲ ਬਦਲਦੇ ਹਨ (ਪਾਈਥਨ ਵਿੱਚ ਸਿਖਲਾਈ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਨਹੀਂ , ਪਰ ਸਿਖਲਾਈ ਦੇ ਨਤੀਜੇ ਵਜੋਂ "ਆਪਣੇ ਆਪ ਦਾ ਵਿਕਲਪਿਕ ਸੰਸਕਰਣ, ਜਿਵੇਂ ਕਿ H2O ਸਟੈਕ ਵਿੱਚ), ਸਮੁੱਚੇ AI/ML ਹੱਲ ਨੂੰ ਇਨਪੁਟ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਤੀ ਵਿੱਚ ਅਣਕਿਆਸੀਆਂ ਤਬਦੀਲੀਆਂ ਅਤੇ ਮਾਡਲ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਵਰਤਾਰੇ ਨਾਲ ਖੁਦਮੁਖਤਿਆਰੀ ਨਾਲ ਨਜਿੱਠਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।

ਆਉ ਇੱਕ ਅਸਲ-ਜੀਵਨ ਪ੍ਰੋਟੋਟਾਈਪ ਦੀ ਉਦਾਹਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇੰਟਰਸਿਸਟਮ IRIS ਦੇ ਪਲੇਟਫਾਰਮ AI / ML ਕਾਰਜਸ਼ੀਲਤਾ ਦੇ ਨਾਲ ਹੋਰ ਵਿਸਥਾਰ ਵਿੱਚ ਜਾਣੂ ਕਰੀਏ।

ਹੇਠਾਂ ਦਿੱਤੇ ਚਿੱਤਰ ਵਿੱਚ, ਸਲਾਈਡ ਦੇ ਖੱਬੇ ਪਾਸੇ, ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੈ ਜੋ ਪਾਈਥਨ ਅਤੇ ਆਰ ਵਿੱਚ ਸਕ੍ਰਿਪਟਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ। ਕੇਂਦਰੀ ਹਿੱਸੇ ਵਿੱਚ, ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਸਕ੍ਰਿਪਟਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਵਿਜ਼ੂਅਲ ਲੌਗ ਹਨ, ਕ੍ਰਮਵਾਰ, ਪਾਈਥਨ ਅਤੇ ਆਰ ਵਿੱਚ. ਉਹਨਾਂ ਦੇ ਪਿੱਛੇ ਇੱਕ ਅਤੇ ਦੂਜੀ ਭਾਸ਼ਾ ਵਿੱਚ ਸਮੱਗਰੀ ਦੀਆਂ ਉਦਾਹਰਨਾਂ ਹਨ, ਜੋ ਕਿ ਢੁਕਵੇਂ ਵਾਤਾਵਰਣ ਵਿੱਚ ਲਾਗੂ ਕਰਨ ਲਈ ਜਮ੍ਹਾਂ ਹਨ। ਸੱਜੇ ਪਾਸੇ ਅੰਤ ਵਿੱਚ ਸਕ੍ਰਿਪਟ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਦੇ ਨਤੀਜਿਆਂ 'ਤੇ ਆਧਾਰਿਤ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਹਨ। ਸਿਖਰ 'ਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ IRIS ਵਿਸ਼ਲੇਸ਼ਣ 'ਤੇ ਬਣਾਏ ਗਏ ਹਨ (ਡਾਟਾ Python ਤੋਂ InterSystems IRIS ਡਾਟਾ ਪਲੇਟਫਾਰਮ 'ਤੇ ਲਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਡੈਸ਼ਬੋਰਡ 'ਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ), ਸਭ ਤੋਂ ਹੇਠਾਂ ਉਹ ਆਰ ਵਰਕਿੰਗ ਸੈਸ਼ਨ ਵਿੱਚ ਬਣਾਏ ਜਾਂਦੇ ਹਨ ਅਤੇ ਉੱਥੇ ਤੋਂ ਆਉਟਪੁੱਟ ਕਰਦੇ ਹਨ। ਗ੍ਰਾਫਿਕ ਫਾਈਲਾਂ. ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਪਹਿਲੂ: ਪ੍ਰੋਟੋਟਾਈਪ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਟੁਕੜਾ, ਸਾਜ਼ੋ-ਸਾਮਾਨ ਦੇ ਪ੍ਰੋਸੈਸ-ਸਿਮੂਲੇਟਰ ਤੋਂ ਰੀਅਲ ਟਾਈਮ ਵਿੱਚ ਆਉਣ ਵਾਲੇ ਡੇਟਾ 'ਤੇ ਮਾਡਲ (ਸਾਮਾਨ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦਾ ਵਰਗੀਕਰਨ) ਦੀ ਸਿਖਲਾਈ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ, ਵਰਗੀਕਰਨ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਪ੍ਰਕਿਰਿਆ-ਮਾਨੀਟਰ ਦੀ ਕਮਾਂਡ 'ਤੇ. ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਦੌਰਾਨ ਦੇਖਿਆ ਗਿਆ। ਇੰਟਰੈਕਟਿੰਗ ਪ੍ਰਕਿਰਿਆਵਾਂ (“ਏਜੰਟ”) ਦੇ ਇੱਕ ਸਮੂਹ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ AI/ML ਹੱਲ ਨੂੰ ਲਾਗੂ ਕਰਨ ਬਾਰੇ ਅੱਗੇ ਚਰਚਾ ਕੀਤੀ ਜਾਵੇਗੀ।

ਚਿੱਤਰ 12 ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਵਿੱਚ ਪਾਈਥਨ, ਆਰ ਅਤੇ ਜੂਲੀਆ ਨਾਲ ਪਰਸਪਰ ਪ੍ਰਭਾਵ

ਪਲੇਟਫਾਰਮ ਪ੍ਰਕਿਰਿਆਵਾਂ (ਉਹ "ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ", "ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਕਿਰਿਆਵਾਂ", "ਪਾਈਪਲਾਈਨਾਂ", ਆਦਿ - ਸੰਦਰਭ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹੋਏ ਵੀ ਹਨ), ਮੁੱਖ ਤੌਰ 'ਤੇ ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਹੀ ਇੱਕ ਗ੍ਰਾਫਿਕਲ ਵਪਾਰ ਪ੍ਰਕਿਰਿਆ ਸੰਪਾਦਕ ਵਿੱਚ ਸੰਪਾਦਿਤ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਅਤੇ ਇਸ ਤਰੀਕੇ ਨਾਲ ਕਿ ਦੋਵੇਂ ਇਸਦਾ ਬਲਾਕ ਡਾਇਗ੍ਰਾਮ ਅਤੇ ਅਨੁਸਾਰੀ AI/ML ਵਿਧੀ (ਪ੍ਰੋਗਰਾਮ ਕੋਡ) ਇੱਕੋ ਸਮੇਂ ਬਣਾਏ ਗਏ ਹਨ। ਇਸ ਤੱਥ ਬਾਰੇ ਬੋਲਦੇ ਹੋਏ ਕਿ "ਇੱਕ AI / ML ਵਿਧੀ ਪ੍ਰਾਪਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ", ਸਾਡਾ ਸ਼ੁਰੂਆਤੀ ਤੌਰ 'ਤੇ ਹਾਈਬ੍ਰਿਡਿਟੀ (ਉਸੇ ਪ੍ਰਕਿਰਿਆ ਦੇ ਅੰਦਰ) ਦਾ ਮਤਲਬ ਹੈ: ਗਣਿਤਿਕ ਮਾਡਲਿੰਗ ਵਾਤਾਵਰਣ ਦੀਆਂ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਸਮੱਗਰੀ SQL ਵਿੱਚ ਸਮੱਗਰੀ ਦੇ ਨਾਲ ਲੱਗਦੀ ਹੈ (ਇਸ ਤੋਂ ਐਕਸਟੈਂਸ਼ਨਾਂ ਸਮੇਤ ਏਕੀਕ੍ਰਿਤ ਐਮ.ਐਲ), ਇੰਟਰਸਿਸਟਮ ਆਬਜੈਕਟ ਸਕ੍ਰਿਪਟ ਵਿੱਚ, ਹੋਰ ਸਮਰਥਿਤ ਭਾਸ਼ਾਵਾਂ ਦੇ ਨਾਲ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਪਲੇਟਫਾਰਮ ਪ੍ਰਕਿਰਿਆ ਲੜੀਵਾਰ ਨੇਸਟਡ ਟੁਕੜਿਆਂ ਦੇ ਰੂਪ ਵਿੱਚ "ਡਰਾਇੰਗ" ਲਈ ਬਹੁਤ ਵਿਆਪਕ ਸੰਭਾਵਨਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ (ਜਿਵੇਂ ਕਿ ਹੇਠਾਂ ਦਿੱਤੇ ਚਿੱਤਰ ਵਿੱਚ ਉਦਾਹਰਨ ਵਿੱਚ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ), ਜੋ ਤੁਹਾਨੂੰ "ਬਾਹਰ ਡਿੱਗਣ" ਤੋਂ ਬਿਨਾਂ ਵੀ ਬਹੁਤ ਗੁੰਝਲਦਾਰ ਸਮੱਗਰੀ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸੰਗਠਿਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਕਿਤੇ ਵੀ ਗ੍ਰਾਫਿਕ ਫਾਰਮੈਟ (“ਗੈਰ-ਗ੍ਰਾਫਿਕ » ਵਿਧੀਆਂ/ਕਲਾਸਾਂ/ਪ੍ਰਕਿਰਿਆਵਾਂ, ਆਦਿ ਵਿੱਚ)। ਭਾਵ, ਜੇ ਲੋੜ ਹੋਵੇ (ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਇਹ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ), ਬਿਲਕੁਲ ਸਾਰੇ AI / ML ਹੱਲ ਇੱਕ ਗ੍ਰਾਫਿਕਲ ਸਵੈ-ਟਿੱਪਣੀ ਫਾਰਮੈਟ ਵਿੱਚ ਲਾਗੂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ. ਕਿਰਪਾ ਕਰਕੇ ਧਿਆਨ ਦਿਓ ਕਿ ਹੇਠਾਂ ਦਿੱਤੇ ਚਿੱਤਰ ਦੇ ਕੇਂਦਰੀ ਹਿੱਸੇ ਵਿੱਚ, ਜੋ ਕਿ ਇੱਕ ਉੱਚ "ਨੇਸਟਿੰਗ ਪੱਧਰ" ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ ਕਿ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਦੇ ਅਸਲ ਕੰਮ ਤੋਂ ਇਲਾਵਾ (ਪਾਈਥਨ ਅਤੇ ਆਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ), ਅਖੌਤੀ ਆਰਓਸੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਦਾ ਕਰਵ ਜੋੜਿਆ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਵਿਜ਼ੂਲੀ (ਅਤੇ ਗਣਨਾਤਮਕ ਤੌਰ 'ਤੇ ਵੀ) ਸਿਖਲਾਈ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ - ਅਤੇ ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਜੂਲੀਆ ਭਾਸ਼ਾ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ (ਇਹ ਕ੍ਰਮਵਾਰ, ਜੂਲੀਆ ਵਾਤਾਵਰਣ ਵਿੱਚ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ)।

ਚਿੱਤਰ 13 ਇੰਟਰਸਿਸਟਮ IRIS ਵਿੱਚ AI/ML ਹੱਲ ਤਿਆਰ ਕਰਨ ਲਈ ਵਿਜ਼ੂਅਲ ਵਾਤਾਵਰਨ

ਜਿਵੇਂ ਕਿ ਪਹਿਲਾਂ ਦੱਸਿਆ ਗਿਆ ਹੈ, ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਲਾਗੂ ਕੀਤੇ AI / ML ਵਿਧੀ ਦਾ ਸ਼ੁਰੂਆਤੀ ਵਿਕਾਸ ਅਤੇ (ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ) ਅਨੁਕੂਲਨ ਨੂੰ ਪਲੇਟਫਾਰਮ ਤੋਂ ਬਾਹਰ Jupyter ਸੰਪਾਦਕ ਵਿੱਚ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਚਿੱਤਰ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਮੌਜੂਦਾ ਪਲੇਟਫਾਰਮ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਨ ਦੀ ਇੱਕ ਉਦਾਹਰਨ ਦੇਖਦੇ ਹਾਂ (ਉਪਰੋਕਤ ਚਿੱਤਰ ਦੇ ਰੂਪ ਵਿੱਚ) - ਇਸ ਤਰ੍ਹਾਂ ਉਹ ਟੁਕੜਾ ਜੋ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ, ਜੁਪੀਟਰ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਪਾਈਥਨ ਸਮੱਗਰੀ ਸਿੱਧੇ ਜੁਪੀਟਰ ਵਿੱਚ ਸੰਪਾਦਨ, ਡੀਬੱਗਿੰਗ, ਗ੍ਰਾਫਿਕਸ ਆਉਟਪੁੱਟ ਲਈ ਉਪਲਬਧ ਹੈ। ਤਬਦੀਲੀਆਂ (ਜੇਕਰ ਜ਼ਰੂਰੀ ਹੋਵੇ) ਪਲੇਟਫਾਰਮ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਤੁਰੰਤ ਸਮਕਾਲੀਕਰਨ ਨਾਲ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਇਸਦੇ ਉਤਪਾਦਨ ਸੰਸਕਰਣ ਸਮੇਤ। ਇਸੇ ਤਰ੍ਹਾਂ, ਨਵੀਂ ਸਮੱਗਰੀ ਨੂੰ ਪਲੇਟਫਾਰਮ 'ਤੇ ਟ੍ਰਾਂਸਫਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ (ਇੱਕ ਨਵੀਂ ਪਲੇਟਫਾਰਮ ਪ੍ਰਕਿਰਿਆ ਆਪਣੇ ਆਪ ਤਿਆਰ ਹੁੰਦੀ ਹੈ)।

ਚਿੱਤਰ 14 ਇੰਟਰਸਿਸਟਮ IRIS ਪਲੇਟਫਾਰਮ ਵਿੱਚ AI/ML ਇੰਜਣ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨ ਲਈ ਜੁਪੀਟਰ ਨੋਟਬੁੱਕ ਦੀ ਵਰਤੋਂ ਕਰਨਾ

ਪਲੇਟਫਾਰਮ ਪ੍ਰਕਿਰਿਆ ਦਾ ਅਨੁਕੂਲਨ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਗ੍ਰਾਫਿਕਲ ਜਾਂ ਨੋਟਬੁੱਕ ਫਾਰਮੈਟ ਵਿੱਚ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਸਗੋਂ "ਕੁੱਲ" IDE (ਏਕੀਕ੍ਰਿਤ ਵਿਕਾਸ ਵਾਤਾਵਰਣ) ਫਾਰਮੈਟ ਵਿੱਚ ਵੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ IDE IRIS ਸਟੂਡੀਓ (ਦੇਸੀ IRIS ਸਟੂਡੀਓ), ਵਿਜ਼ੂਅਲ ਸਟੂਡੀਓ ਕੋਡ (VSCode ਲਈ ਇੰਟਰਸਿਸਟਮ IRIS ਐਕਸਟੈਂਸ਼ਨ), ਅਤੇ Eclipse (Atelier ਪਲੱਗਇਨ) ਹਨ। ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਵਿਕਾਸ ਟੀਮ ਲਈ ਇੱਕੋ ਸਮੇਂ ਤਿੰਨੇ IDEs ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸੰਭਵ ਹੈ। ਹੇਠਾਂ ਦਿੱਤਾ ਚਿੱਤਰ IRIS ਸਟੂਡੀਓ, ਵਿਜ਼ੂਅਲ ਸਟੂਡੀਓ ਕੋਡ ਅਤੇ ਇਕਲਿਪਸ ਵਿੱਚ ਇੱਕੋ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੰਪਾਦਿਤ ਕਰਨ ਦੀ ਉਦਾਹਰਨ ਦਿਖਾਉਂਦਾ ਹੈ। ਬਿਲਕੁਲ ਸਾਰੀ ਸਮੱਗਰੀ ਸੰਪਾਦਨ ਲਈ ਉਪਲਬਧ ਹੈ: Python / R / Julia / SQL, ਅਤੇ ObjectScript, ਅਤੇ ਇੱਕ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ।

ਚਿੱਤਰ 15 ਵੱਖ-ਵੱਖ IDEs ਵਿੱਚ ਇੰਟਰਸਿਸਟਮ IRIS ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਵਿਕਾਸ

ਬਿਜ਼ਨਸ ਪ੍ਰੋਸੈਸ ਲੈਂਗੂਏਜ (BPL) ਵਿੱਚ InterSystems IRIS ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਦਾ ਵਰਣਨ ਅਤੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਟੂਲ ਵਿਸ਼ੇਸ਼ ਜ਼ਿਕਰ ਦੇ ਹੱਕਦਾਰ ਹਨ। ਬੀਪੀਐਲ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ "ਰੈਡੀ-ਮੇਡ ਏਕੀਕਰਣ ਭਾਗਾਂ" (ਗਤੀਵਿਧੀਆਂ) ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ - ਜੋ ਅਸਲ ਵਿੱਚ, ਇਹ ਦਾਅਵਾ ਕਰਨ ਦਾ ਪੂਰਾ ਕਾਰਨ ਦਿੰਦਾ ਹੈ ਕਿ ਇੰਟਰਸਿਸਟਮ IRIS ਵਿੱਚ "ਨਿਰੰਤਰ ਏਕੀਕਰਣ" ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ। ਤਿਆਰ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ ਦੇ ਹਿੱਸੇ (ਗਤੀਵਿਧੀਆਂ ਅਤੇ ਉਹਨਾਂ ਵਿਚਕਾਰ ਲਿੰਕ) ਇੱਕ AI/ML ਹੱਲ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਐਕਸਲੇਟਰ ਹਨ। ਅਤੇ ਸਿਰਫ ਅਸੈਂਬਲੀਆਂ ਹੀ ਨਹੀਂ: ਉਹਨਾਂ ਵਿਚਕਾਰ ਗਤੀਵਿਧੀਆਂ ਅਤੇ ਕਨੈਕਸ਼ਨਾਂ ਲਈ ਧੰਨਵਾਦ, ਵੱਖੋ-ਵੱਖਰੇ AI / ML ਵਿਕਾਸ ਅਤੇ ਵਿਧੀਆਂ ਤੋਂ ਵੱਧ, ਇੱਕ "ਖੁਦਮੁਖਤਿਆਰੀ ਪ੍ਰਬੰਧਨ ਪਰਤ" ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਜੋ ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਸਥਿਤੀ ਦੇ ਅਨੁਸਾਰ ਫੈਸਲੇ ਲੈਣ ਦੇ ਯੋਗ ਹੁੰਦੀ ਹੈ।

ਚਿੱਤਰ 16 ਇੰਟਰਸਿਸਟਮ IRIS ਪਲੇਟਫਾਰਮ 'ਤੇ ਨਿਰੰਤਰ ਏਕੀਕਰਣ (CI) ਲਈ ਤਿਆਰ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ ਦੇ ਹਿੱਸੇ

ਏਜੰਟ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਧਾਰਨਾ (ਉਹ "ਮਲਟੀ-ਏਜੰਟ ਸਿਸਟਮ" ਵੀ ਹਨ) ਦੀ ਰੋਬੋਟਿਕਸ ਵਿੱਚ ਇੱਕ ਮਜ਼ਬੂਤ ​​​​ਸਥਿਤੀ ਹੈ, ਅਤੇ ਇੰਟਰਸਿਸਟਮਜ਼ IRIS ਪਲੇਟਫਾਰਮ "ਉਤਪਾਦ-ਪ੍ਰਕਿਰਿਆ" ਨਿਰਮਾਣ ਦੁਆਰਾ ਸੰਗਠਿਤ ਤੌਰ 'ਤੇ ਇਸਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਸਮੁੱਚੇ ਹੱਲ ਲਈ ਲੋੜੀਂਦੀ ਕਾਰਜਸ਼ੀਲਤਾ ਦੇ ਨਾਲ ਹਰੇਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ "ਸਟੱਫਿੰਗ" ਕਰਨ ਲਈ ਅਸੀਮਤ ਸੰਭਾਵਨਾਵਾਂ ਤੋਂ ਇਲਾਵਾ, ਪਲੇਟਫਾਰਮ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਪ੍ਰਣਾਲੀ ਨੂੰ "ਏਜੰਸੀ" ਦੀ ਸੰਪਤੀ ਦੇ ਨਾਲ ਪ੍ਰਦਾਨ ਕਰਨਾ ਤੁਹਾਨੂੰ ਬਹੁਤ ਅਸਥਿਰ ਸਿਮੂਲੇਟਿਡ ਵਰਤਾਰੇ (ਸਮਾਜਿਕ/ਬਾਇਓਸਿਸਟਮ ਦੇ ਵਿਵਹਾਰ) ਲਈ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੱਲ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। , ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਦੇਖਣਯੋਗ ਤਕਨੀਕੀ ਪ੍ਰਕਿਰਿਆਵਾਂ, ਆਦਿ)।

ਚਿੱਤਰ 16 ਇੰਟਰਸਿਸਟਮ IRIS ਵਿੱਚ ਇੱਕ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ ਏਜੰਟ ਪ੍ਰਣਾਲੀ ਦੇ ਤੌਰ ਤੇ AI/ML ਹੱਲ ਦਾ ਸੰਚਾਲਨ

ਅਸੀਂ ਰੀਅਲ-ਟਾਈਮ ਸਮੱਸਿਆਵਾਂ ਦੀਆਂ ਸਮੁੱਚੀਆਂ ਕਲਾਸਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਇੱਕ ਕਹਾਣੀ ਦੇ ਨਾਲ ਇੰਟਰਸਿਸਟਮਜ਼ IRIS ਦੀ ਸਮੀਖਿਆ ਜਾਰੀ ਰੱਖਦੇ ਹਾਂ (ਇੰਟਰ-ਸਿਸਟਮਜ਼ IRIS 'ਤੇ ਪਲੇਟਫਾਰਮ AI/ML ਦੇ ਕੁਝ ਵਧੀਆ ਅਭਿਆਸਾਂ ਨਾਲ ਇੱਕ ਕਾਫ਼ੀ ਵਿਸਤ੍ਰਿਤ ਜਾਣੂ ਸਾਡੇ ਪਿਛਲੇ ਵਿੱਚੋਂ ਇੱਕ ਵਿੱਚ ਵਾਪਰਦਾ ਹੈ। ਵੈਬਿਨਾਰ).

ਪਿਛਲੇ ਡਾਇਗ੍ਰਾਮ ਦੇ ਗਰਮ ਪਿੱਛਾ ਵਿੱਚ, ਹੇਠਾਂ ਏਜੰਟ ਪ੍ਰਣਾਲੀ ਦਾ ਇੱਕ ਹੋਰ ਵਿਸਤ੍ਰਿਤ ਚਿੱਤਰ ਹੈ. ਡਾਇਗ੍ਰਾਮ ਇੱਕੋ ਪ੍ਰੋਟੋਟਾਈਪ ਦਿਖਾਉਂਦਾ ਹੈ, ਸਾਰੇ ਚਾਰ ਏਜੰਟ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਯੋਜਨਾਬੱਧ ਤੌਰ 'ਤੇ ਖਿੱਚੇ ਜਾਂਦੇ ਹਨ: ਜਨਰੇਟਰ - ਉਪਕਰਣ ਸੈਂਸਰਾਂ ਦੁਆਰਾ ਡੇਟਾ ਦੀ ਰਚਨਾ ਨੂੰ ਸੰਭਾਲਦਾ ਹੈ, ਬਫਰ - ਡਾਟਾ ਕਤਾਰਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਦਾ ਹੈ, ਵਿਸ਼ਲੇਸ਼ਕ - ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਖੁਦ ਕਰਦਾ ਹੈ, ਮਾਨੀਟਰ - ਨਿਯੰਤਰਣ ਕਰਦਾ ਹੈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਗੁਣਵੱਤਾ ਅਤੇ ਫੀਡ ਇੱਕ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਹੈ।

ਚਿੱਤਰ 17 ਇੰਟਰਸਿਸਟਮ IRIS ਵਿੱਚ ਇੱਕ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆ ਏਜੰਟ ਪ੍ਰਣਾਲੀ ਦੇ ਤੌਰ ਤੇ ਇੱਕ AI/ML ਹੱਲ ਦੀ ਰਚਨਾ

ਹੇਠਾਂ ਦਿੱਤਾ ਚਿੱਤਰ ਕੁਝ ਸਮੇਂ ਲਈ ਇੱਕ ਹੋਰ ਰੋਬੋਟਿਕ ਪ੍ਰੋਟੋਟਾਈਪ (ਭਾਵਨਾਤਮਕ ਟੈਕਸਟ ਪਛਾਣ) ਦੇ ਖੁਦਮੁਖਤਿਆਰੀ ਕਾਰਜ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਉੱਪਰਲੇ ਹਿੱਸੇ ਵਿੱਚ - ਮਾਡਲ ਸਿੱਖਣ ਦੇ ਗੁਣਵੱਤਾ ਸੂਚਕ ਦਾ ਵਿਕਾਸ (ਗੁਣਵੱਤਾ ਵਧ ਰਹੀ ਹੈ), ਹੇਠਲੇ ਹਿੱਸੇ ਵਿੱਚ - ਮਾਡਲ ਐਪਲੀਕੇਸ਼ਨ ਗੁਣਵੱਤਾ ਸੂਚਕ ਦੀ ਗਤੀਸ਼ੀਲਤਾ ਅਤੇ ਦੁਹਰਾਉਣ ਦੀ ਸਿਖਲਾਈ (ਲਾਲ ਬਾਰ) ਦੇ ਤੱਥ। ਜਿਵੇਂ ਕਿ ਤੁਸੀਂ ਦੇਖ ਸਕਦੇ ਹੋ, ਹੱਲ ਨੇ ਕੁਸ਼ਲਤਾ ਅਤੇ ਖੁਦਮੁਖਤਿਆਰੀ ਨਾਲ ਸਵੈ-ਸਿੱਖਿਆ ਹੈ, ਅਤੇ ਇੱਕ ਦਿੱਤੇ ਗੁਣਵੱਤਾ ਪੱਧਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ (ਗੁਣਵੱਤਾ ਸੰਕੇਤਕ ਦੇ ਮੁੱਲ 80% ਤੋਂ ਹੇਠਾਂ ਨਹੀਂ ਆਉਂਦੇ)।

ਚਿੱਤਰ 18 ਇੰਟਰਸਿਸਟਮ IRIS ਪਲੇਟਫਾਰਮ 'ਤੇ ਨਿਰੰਤਰ (ਸਵੈ-) ਸਿਖਲਾਈ (CT)

ਅਸੀਂ ਪਹਿਲਾਂ ਵੀ “ਆਟੋ-ਐਮਐਲ” ਦਾ ਜ਼ਿਕਰ ਕੀਤਾ ਹੈ, ਪਰ ਹੇਠਾਂ ਦਿੱਤੀ ਚਿੱਤਰ ਇੱਕ ਉਦਾਹਰਣ ਵਜੋਂ ਇੱਕ ਹੋਰ ਪ੍ਰੋਟੋਟਾਈਪ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਵਿਸਥਾਰ ਵਿੱਚ ਇਸ ਕਾਰਜਕੁਸ਼ਲਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਟੁਕੜੇ ਦਾ ਗ੍ਰਾਫਿਕਲ ਚਿੱਤਰ H2O ਸਟੈਕ ਵਿੱਚ ਸਿਮੂਲੇਸ਼ਨ ਸ਼ੁਰੂ ਕਰਨ ਵਾਲੀ ਗਤੀਵਿਧੀ ਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ, ਇਸ ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਨਤੀਜੇ ਦਿਖਾਉਂਦਾ ਹੈ (ਆਰਓਸੀ ਕਰਵ ਦੇ ਤੁਲਨਾਤਮਕ ਚਿੱਤਰ ਦੇ ਅਨੁਸਾਰ, "ਮਨੁੱਖ ਦੁਆਰਾ ਬਣਾਏ" ਮਾਡਲਾਂ ਉੱਤੇ ਨਤੀਜੇ ਵਾਲੇ ਮਾਡਲ ਦਾ ਸਪੱਸ਼ਟ ਦਬਦਬਾ। , ਨਾਲ ਹੀ ਮੂਲ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਉਪਲਬਧ ਉਹਨਾਂ ਵਿੱਚੋਂ "ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਵੇਰੀਏਬਲਾਂ" ਦੀ ਸਵੈਚਲਿਤ ਪਛਾਣ)। ਇੱਥੇ ਮਹੱਤਵਪੂਰਨ ਨੁਕਤਾ ਸਮਾਂ ਅਤੇ ਮਾਹਰ ਸਰੋਤਾਂ ਦੀ ਬਚਤ ਹੈ, ਜੋ ਕਿ "ਆਟੋ-ਐਮਐਲ" ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ: ਸਾਡੀ ਪਲੇਟਫਾਰਮ ਪ੍ਰਕਿਰਿਆ ਅੱਧੇ ਮਿੰਟ ਵਿੱਚ ਕੀ ਕਰਦੀ ਹੈ (ਅਨੁਕੂਲ ਮਾਡਲ ਨੂੰ ਲੱਭਣਾ ਅਤੇ ਸਿਖਲਾਈ ਦੇਣਾ), ਇੱਕ ਮਾਹਰ ਇੱਕ ਹਫ਼ਤੇ ਤੋਂ ਲੈ ਕੇ ਇੱਕ ਹਫ਼ਤੇ ਤੱਕ ਲੈ ਸਕਦਾ ਹੈ. ਮਹੀਨਾ

ਚਿੱਤਰ 19 InterSystems IRIS ਪਲੇਟਫਾਰਮ 'ਤੇ ਆਧਾਰਿਤ AI/ML ਹੱਲ ਵਿੱਚ ਆਟੋ-ML ਏਕੀਕਰਣ

ਹੇਠਾਂ ਦਿੱਤਾ ਚਿੱਤਰ “ਕਾਈਮੈਕਸ ਨੂੰ ਹੇਠਾਂ ਖੜਕਾਉਂਦਾ ਹੈ”, ਪਰ ਇਹ ਅਸਲ-ਸਮੇਂ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ ਦੇ ਹੱਲ ਕੀਤੇ ਜਾ ਰਹੇ ਵਰਗਾਂ ਬਾਰੇ ਕਹਾਣੀ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦਾ ਵਧੀਆ ਤਰੀਕਾ ਹੈ: ਅਸੀਂ ਤੁਹਾਨੂੰ ਯਾਦ ਦਿਵਾਉਂਦੇ ਹਾਂ ਕਿ ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਪਲੇਟਫਾਰਮ ਦੀਆਂ ਸਾਰੀਆਂ ਸਮਰੱਥਾਵਾਂ ਦੇ ਨਾਲ, ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਦੇ ਅਧੀਨ ਇਸ ਦਾ ਕੰਟਰੋਲ ਲਾਜ਼ਮੀ ਨਹੀਂ ਹੈ। ਪਲੇਟਫਾਰਮ ਬਾਹਰੀ ਤੌਰ 'ਤੇ ਇੱਕ ਅਖੌਤੀ PMML ਮਾਡਲ ਨਿਰਧਾਰਨ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ ਜਿਸਨੂੰ ਪਲੇਟਫਾਰਮ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ - ਅਤੇ ਇਸ ਮਾਡਲ ਨੂੰ ਆਯਾਤ ਕੀਤੇ ਜਾਣ ਦੇ ਸਮੇਂ ਤੋਂ ਅਸਲ ਸਮੇਂ ਵਿੱਚ ਲਾਗੂ ਕਰੋ। PMML ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ. ਇਸ ਦੇ ਨਾਲ ਹੀ, ਇਹ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਸਾਰੀਆਂ AI / ML ਕਲਾਕ੍ਰਿਤੀਆਂ ਨੂੰ ਇੱਕ PMML ਨਿਰਧਾਰਨ ਵਿੱਚ ਘਟਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ ਹੈ, ਭਾਵੇਂ ਕਿ ਜ਼ਿਆਦਾਤਰ ਆਮ ਕਲਾਕ੍ਰਿਤੀਆਂ ਇਸਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀਆਂ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, InterSystems IRIS ਪਲੇਟਫਾਰਮ ਵਿੱਚ ਇੱਕ "ਓਪਨ ਲੂਪ" ਹੈ ਅਤੇ ਇਸਦਾ ਮਤਲਬ ਉਪਭੋਗਤਾਵਾਂ ਲਈ "ਪਲੇਟਫਾਰਮ ਗੁਲਾਮੀ" ਨਹੀਂ ਹੈ।

ਚਿੱਤਰ 20 InterSystems IRIS ਪਲੇਟਫਾਰਮ 'ਤੇ ਆਧਾਰਿਤ AI/ML ਹੱਲ ਵਿੱਚ ਆਟੋ-ML ਏਕੀਕਰਣ

ਅਸੀਂ InterSystems IRIS (ਸਪਸ਼ਟਤਾ ਲਈ, ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਦੇ ਸਬੰਧ ਵਿੱਚ) ਦੇ ਵਾਧੂ ਪਲੇਟਫਾਰਮ ਫਾਇਦਿਆਂ ਦੀ ਸੂਚੀ ਦਿੰਦੇ ਹਾਂ, ਜੋ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਅਤੇ ਅਸਲ-ਸਮੇਂ ਦੀ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਆਟੋਮੇਸ਼ਨ ਵਿੱਚ ਬਹੁਤ ਮਹੱਤਵ ਰੱਖਦੇ ਹਨ:

• ਕਿਸੇ ਵੀ ਡੇਟਾ ਸਰੋਤਾਂ ਅਤੇ ਖਪਤਕਾਰਾਂ (PCS/SCADA, ਉਪਕਰਣ, MRO, ERP, ਆਦਿ) ਨਾਲ ਉੱਨਤ ਏਕੀਕਰਣ ਸਾਧਨ।
• ਬਿਲਟ-ਇਨ ਬਹੁ-ਮਾਡਲ DBMS ਪ੍ਰਕਿਰਿਆ ਡੇਟਾ ਦੇ ਕਿਸੇ ਵੀ ਵੌਲਯੂਮ ਦੀ ਉੱਚ-ਪ੍ਰਦਰਸ਼ਨ ਟ੍ਰਾਂਜੈਕਸ਼ਨਲ-ਵਿਸ਼ਲੇਸ਼ਣ ਸੰਬੰਧੀ ਪ੍ਰੋਸੈਸਿੰਗ (ਹਾਈਬ੍ਰਿਡ ਟ੍ਰਾਂਜੈਕਸ਼ਨ/ਐਨਾਲਿਟੀਕਲ ਪ੍ਰੋਸੈਸਿੰਗ, HTAP) ਲਈ
• ਪਾਈਥਨ, ਆਰ, ਜੂਲੀਆ 'ਤੇ ਅਧਾਰਤ ਰੀਅਲ-ਟਾਈਮ AI/ML ਫੈਸਲੇ ਇੰਜਣਾਂ ਦੀ ਨਿਰੰਤਰ ਤੈਨਾਤੀ ਲਈ ਵਿਕਾਸ ਸਾਧਨ
• ਰੀਅਲ-ਟਾਈਮ AI/ML ਹੱਲਾਂ ਦੇ ਨਿਰੰਤਰ ਏਕੀਕਰਣ ਅਤੇ (ਸਵੈ-) ਸਿੱਖਣ ਦੀ ਵਿਧੀ ਲਈ ਅਨੁਕੂਲ ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ
• ਪ੍ਰਕਿਰਿਆ ਡੇਟਾ ਅਤੇ AI/ML ਹੱਲ ਨਤੀਜਿਆਂ ਦੀ ਕਲਪਨਾ ਕਰਨ ਲਈ ਏਮਬੈਡਡ ਬਿਜ਼ਨਸ ਇੰਟੈਲੀਜੈਂਸ ਟੂਲ
• API ਪ੍ਰਬੰਧਨ ਪ੍ਰਕਿਰਿਆ ਨਿਯੰਤਰਣ ਪ੍ਰਣਾਲੀਆਂ / SCADA, ਜਾਣਕਾਰੀ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਣਾਲੀਆਂ, ਚੇਤਾਵਨੀਆਂ ਭੇਜਣਾ, ਆਦਿ ਲਈ AI/ML ਹੱਲ ਦੇ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ।

InterSystems IRIS ਪਲੇਟਫਾਰਮ 'ਤੇ ਆਧਾਰਿਤ AI/ML ਹੱਲ ਮੌਜੂਦਾ IT ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਆਸਾਨੀ ਨਾਲ ਫਿੱਟ ਹੋ ਜਾਂਦੇ ਹਨ। ਇੰਟਰਸਿਸਟਮ ਆਈਆਰਆਈਐਸ ਪਲੇਟਫਾਰਮ ਨੁਕਸ-ਸਹਿਣਸ਼ੀਲ ਅਤੇ ਆਫ਼ਤ-ਸਹਿਣਸ਼ੀਲ ਸੰਰਚਨਾਵਾਂ ਅਤੇ ਵਰਚੁਅਲ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ, ਭੌਤਿਕ ਸਰਵਰਾਂ 'ਤੇ, ਨਿੱਜੀ ਅਤੇ ਜਨਤਕ ਕਲਾਉਡਾਂ ਵਿੱਚ, ਡੌਕਰ ਕੰਟੇਨਰਾਂ ਵਿੱਚ ਲਚਕਦਾਰ ਤੈਨਾਤੀ ਲਈ ਸਮਰਥਨ ਦੁਆਰਾ AI/ML ਹੱਲਾਂ ਦੀ ਉੱਚ ਭਰੋਸੇਯੋਗਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਇਸ ਤਰ੍ਹਾਂ, InterSystems IRIS ਇੱਕ ਯੂਨੀਵਰਸਲ ਰੀਅਲ-ਟਾਈਮ AI/ML ਕੰਪਿਊਟਿੰਗ ਪਲੇਟਫਾਰਮ ਹੈ। ਅਮਲੀ ਤੌਰ 'ਤੇ ਲਾਗੂ ਕੀਤੀਆਂ ਗਣਨਾਵਾਂ ਦੀ ਗੁੰਝਲਤਾ 'ਤੇ ਅਸਲ ਪਾਬੰਦੀਆਂ ਦੀ ਅਣਹੋਂਦ, ਇੰਟਰਸਿਸਟਮ IRIS ਦੀ ਵਿਭਿੰਨ ਕਿਸਮਾਂ ਦੇ ਉਦਯੋਗਾਂ ਤੋਂ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਜੋੜਨ (ਅਸਲ ਸਮੇਂ ਵਿੱਚ) ਦੀ ਯੋਗਤਾ, ਅਤੇ ਬੇਮਿਸਾਲ ਅਨੁਕੂਲਤਾ ਦੁਆਰਾ ਸਾਡੇ ਪਲੇਟਫਾਰਮ ਦੀ ਵਿਆਪਕਤਾ ਦੀ ਪੁਸ਼ਟੀ ਹੁੰਦੀ ਹੈ। ਖਾਸ ਉਪਭੋਗਤਾ ਲੋੜਾਂ ਲਈ ਪਲੇਟਫਾਰਮ ਦੇ ਕਿਸੇ ਵੀ ਕਾਰਜ ਅਤੇ ਵਿਧੀ ਦਾ।

ਚਿੱਤਰ 21 ਇੰਟਰਸਿਸਟਮ IRIS - ਯੂਨੀਵਰਸਲ ਰੀਅਲ-ਟਾਈਮ AI/ML ਕੰਪਿਊਟਿੰਗ ਪਲੇਟਫਾਰਮ

ਸਾਡੇ ਉਹਨਾਂ ਪਾਠਕਾਂ ਨਾਲ ਵਧੇਰੇ ਠੋਸ ਗੱਲਬਾਤ ਲਈ ਜੋ ਇੱਥੇ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਸਮੱਗਰੀ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਦੇ ਹਨ, ਅਸੀਂ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ ਆਪਣੇ ਆਪ ਨੂੰ ਇਸ ਨੂੰ ਪੜ੍ਹਨ ਤੱਕ ਸੀਮਤ ਨਾ ਕਰੋ ਅਤੇ ਸੰਵਾਦ “ਲਾਈਵ” ਜਾਰੀ ਰੱਖੋ। ਸਾਨੂੰ ਤੁਹਾਡੀ ਕੰਪਨੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਸਬੰਧ ਵਿੱਚ ਰੀਅਲ-ਟਾਈਮ AI/ML ਦ੍ਰਿਸ਼ਾਂ ਦੇ ਨਿਰਮਾਣ ਵਿੱਚ ਸਹਾਇਤਾ ਪ੍ਰਦਾਨ ਕਰਨ, InterSystems IRIS ਪਲੇਟਫਾਰਮ 'ਤੇ ਸੰਯੁਕਤ ਪ੍ਰੋਟੋਟਾਈਪਿੰਗ ਕਰਨ, ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਲਈ ਇੱਕ ਰੋਡਮੈਪ ਬਣਾਉਣ ਅਤੇ ਅਮਲ ਵਿੱਚ ਲਿਆਉਣ ਵਿੱਚ ਖੁਸ਼ੀ ਹੋਵੇਗੀ। ਤੁਹਾਡੇ ਉਤਪਾਦਨ ਅਤੇ ਪ੍ਰਬੰਧਨ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ. ਸਾਡੇ AI/ML ਮਾਹਰ ਸਮੂਹ ਦਾ ਸੰਪਰਕ ਈਮੇਲ ਪਤਾ ਹੈ [ਈਮੇਲ ਸੁਰੱਖਿਅਤ].

ਸਰੋਤ: www.habr.com