InterSystems IRIS - یو نړیوال ریښتیني وخت AI/ML پلیټ فارم

لیکوال: سرګي لوکیانچیکوف، په انټر سیسټم کې مشورتي انجنیر

د ریښتیني وخت AI/ML کمپیوټري زنګونه

راځئ چې په InterSystems کې د ډیټا ساینس تمرین تجربې څخه د مثالونو سره پیل وکړو:

• بار شوي پیرودونکي پورټل د آنلاین سپارښتنې سیسټم سره وصل دی. د پرچون شبکې په اوږدو کې د ترویجونو بیا تنظیم کول به وي (د مثال په توګه، د "فلیټ" ترویج د کرښې پر ځای، د "سګمینټ تاکتیک" میټرکس به اوس وکارول شي). د سپارښتنې انجنونو سره څه کیږي؟ د سپارښتنې انجن ته د معلوماتو سپارلو او تازه کولو سره څه پیښیږي (د ان پټ ډیټا حجم 25000 ځله ډیر شوی)؟ د سپارښتنو پراختیا ته څه پیښیږي (د سپارښتنې قواعدو د فلټر کولو حد د زرو چنده کمولو اړتیا د دوی په شمیر او "رینج" کې د زرو چنده زیاتوالي له امله)؟
• د تجهیزاتو برخو کې د رامینځته شوي نیمګړتیاو احتمال څارلو لپاره یو سیسټم شتون لري. د اتوماتیک پروسې کنټرول سیسټم د څارنې سیسټم سره وصل شوی و، په هره ثانیه کې د زرګونو تخنیکي پروسې پیرامیټونه لیږدول. د څارنې سیسټم ته څه پیښیږي چې مخکې یې په "لاسي نمونو" کار کاوه (ایا دا وړتیا لري چې د دویمې ثانیې احتمالي نظارت چمتو کړي)؟ څه به پیښ شي که چیرې د ان پټ ډیټا کې د څو سوه کالمونو نوی بلاک د سینسرونو لوستلو سره په دې وروستیو کې د پروسې کنټرول سیسټم کې اضافه شوي څرګند شي (ایا دا به اړین وي او د څومره وخت لپاره د نظارت سیسټم ودروي ترڅو په تحلیل کې د نوي سینسرونو ډاټا شامل کړي. )؟
• د AI/ML میکانیزمونو یوه ټولګه (سپارښتنه، څارنه، وړاندوینه) جوړه شوې چې د یو بل د کار پایلې کاروي. د دې کمپلیکس عملیات د ان پټ ډیټا بدلونونو سره د تطبیق لپاره هره میاشت څو ساعتونو ته اړتیا لري؟ عمومي "سست" څه شی دی کله چې د مدیریت پریکړې کولو پیچلتیا لخوا ملاتړ کیږي (په دې کې د نوي مالتړ معلوماتو د پیښې فریکونسۍ د نوي ان پټ ډیټا د پیښې فریکونسۍ سره تړاو لري)؟

د دې او ډیری نورو مثالونو لنډیز کولو سره، موږ د ننګونو جوړښت ته رسیدلي یو چې په ریښتیني وخت کې د ماشین زده کړې او مصنوعي استخباراتو میکانیزمونو کارولو ته د حرکت په وخت کې رامینځته کیږي:

• ایا موږ په خپل شرکت کې د AI/ML پرمختګونو رامینځته کولو او موافقت (د بدلیدونکي وضعیت سره) له سرعت څخه راضي یو؟
• څومره AI/ML حلونه چې موږ یې کاروو د ریښتیني وخت سوداګرۍ مدیریت ملاتړ کوي؟
• ایا د AI/ML حلونه چې موږ یې کاروو په خپلواکه توګه (پرته له پراختیا کونکو) د معلوماتو او سوداګرۍ مدیریت طرزالعملونو کې بدلونونو سره موافقت کولی شو؟

زموږ مقاله د AI/ML میکانیزمونو پلي کولو لپاره د نړیوال ملاتړ په شرایطو کې د InterSystems IRIS پلیټ فارم ظرفیتونو ته یوه بشپړه کتنه ده، د AI/ML حلونو اسمبلۍ (انځور) او د AI/ML حلونو روزنه (ازموینه) د معلوماتو جریان. موږ به د بازار څیړنې، د AI/ML حلونو قضیې مطالعات، او د هغه څه مفکورې اړخونه وګورو چې موږ یې په دې مقاله کې د ریښتیني وخت AI/ML پلیټ فارم بولو.

هغه څه چې موږ د سروې څخه پوهیږو: د ریښتیني وخت غوښتنلیکونه

پایلې سروېد Lightbend لخوا په 800 کې د نږدې 2019 IT متخصصینو ترمنځ ترسره شوی، د ځان لپاره خبرې وکړئ:

شکل 1 د ریښتیني وخت ډیټا مخکښ مصرف کونکي

راځئ چې د دې سروې د پایلو په اړه د راپور مهمې برخې زموږ په ژباړه کې نقل کړو:

"... د ډیټا جریانونو ادغام لپاره د وسیلو په شهرت کې رجحانات او په ورته وخت کې ، په کانټینرونو کې د کمپیوټر ملاتړ کول د مؤثره حلونو ډیر ځواب ویونکي ، منطقي ، متحرک وړاندیز لپاره د بازار غوښتنې ته همغږي ځواب چمتو کوي. سټریمینګ ډیټا د دودیز پیکټ ډیټا په پرتله ګړندي معلومات لیږدوي. پدې کې اضافه شوي د کمپیوټري میتودونو ګړندي پلي کولو وړتیا ، لکه د مثال په توګه ، د AI/ML پر اساس وړاندیزونه ، د پیرودونکي رضایت ډیرولو له لارې رقابتي ګټې رامینځته کول. د ځیرکتیا لپاره سیالي د DevOps تمثیل کې ټول رولونه هم اغیزه کوي - د غوښتنلیک پراختیا او ګمارنه خورا مؤثره کوي. … اته سوه او څلور د معلوماتي ټکنالوجۍ متخصصینو په خپلو ادارو کې د معلوماتو جریان کارولو په اړه معلومات وړاندې کړل. ځواب ورکوونکي په عمده توګه په لویدیځ هیوادونو کې موقعیت لري (41٪ په اروپا کې او 37٪ په شمالي امریکا کې) او نږدې په مساوي ډول د کوچنیو، منځنیو او لویو شرکتونو ترمنځ ویشل شوي. ...

... مصنوعي هوښیارتیا hype نه ده. اته اتیا سلنه هغه کسان چې دمخه یې د محصولاتو AI/ML غوښتنلیکونو کې د ډیټا سټریم پروسس کولو څخه کار اخیستی تاییدوي چې د دوی د AI/ML کارول به په راتلونکي کال کې خورا لوی وده وګوري (د نورو غوښتنلیکونو په پرتله).

• د ډیری ځواب ویونکو په وینا، د AI/ML سناریوګانو کې د معلوماتو جریانونو کارول به په راتلونکي کال کې ترټولو لوی وده وګوري.
• په AI/ML کې غوښتنلیکونه به نه یوازې د نسبتا نوي ډول سناریوګانو له امله وده وکړي، بلکې د دودیزو سناریوګانو له امله چې د ریښتیني وخت ډاټا په زیاتیدونکي توګه کارول کیږي.
• د AI/ML سربیره، د IoT ډیټا پایپ لاینونو کاروونکو ترمنځ د لیوالتیا کچه اغیزمنه ده - 48٪ هغه کسان چې دمخه یې د IoT ډیټا مدغم کړي وايي چې پدې ډیټا کې د سناریو پلي کول به په نږدې راتلونکي کې د پام وړ زیاتوالی وګوري. ..."

د دې په زړه پورې سروې څخه، دا روښانه ده چې د ماشین زده کړې او مصنوعي استخباراتو سناریوګانو د معلوماتو د مصرف په برخه کې د مشرانو په توګه تصور لا دمخه "په لاره کې دی." مګر یو مساوي مهم مشاهده د DevOps د لینز له لارې د ریښتیني وخت AI/ML انګیرنه ده: دلته موږ دمخه کولی شو د "د بشپړ لاسرسي وړ ډیټا سیټ سره د ډیسپوز ایبل AI / ML" لاهم غالب کلتور د بدلون په اړه وغږیږو.

د ریښتیني وخت AI/ML پلیټ فارم مفهوم

د ریښتیني وخت AI/ML لپاره د غوښتنلیک یوه ځانګړې ساحه په تولید کې د پروسې کنټرول دی. د هغې مثال په کارولو او پخوانیو افکارو په پام کې نیولو سره، موږ به د ریښتیني وخت AI/ML پلیټ فارم مفهوم جوړ کړو.
د پروسس کنټرول کې د مصنوعي استخباراتو او ماشین زده کړې کارول یو شمیر ځانګړتیاوې لري:

• د ټیکنالوژیکي پروسې حالت په اړه معلومات په شدت سره ترلاسه کیږي: د لوړې فریکونسۍ سره او د پیرامیټونو پراخه لړۍ لپاره (تر لسګونو زره پیرامیټر ارزښتونه په هره ثانیه کې د پروسې کنټرول سیسټم څخه لیږدول کیږي)
• د نیمګړتیاوو د پیژندلو په اړه معلومات، د دوی د پراختیا په اړه د معلوماتو یادونه نه کول، برعکس، کم او غیر منظم دي، د نیمګړتیاوو د ناکافي ټیپ کولو او په وخت کې د دوی ځایی کولو لخوا مشخص شوي (اکثرا د کاغذ ریکارډونو لخوا ښودل شوي)
• د عملي نظر څخه، د سرچینې ډاټا یوازې "د اړونده کړکۍ" د روزنې او ماډلونو پلي کولو لپاره شتون لري، د تخنیکي پروسې متحرکات منعکس کوي د مناسب سلایډ وقفې په اوږدو کې چې د پروسې پیرامیټونو د وروستي لوستلو ارزښتونو سره پای ته رسیږي.

دا ځانګړتیاوې موږ مجبوروي چې د ټیکنالوژیکي پروسې څخه د شدید "براډ بانډ ان پټ سیګنال" په ریښتیني وخت کې ترلاسه کولو او لومړني پروسس کولو سربیره ، د AI / پایلو پایلو غوښتنلیک (موازي) ترسره کولو لپاره (موازي) ترسره کړو. د ML ماډلونه - هم په ریښتیني وخت کې. هغه "چوکاټ" چې زموږ ماډلونه د اړونده سلایډ کړکۍ کې "وګوري" په دوامداره توګه بدلیږي - او د دې سره ، په تیرو وختونو کې په یوه "چوکاټ" کې روزل شوي د AI/ML ماډلونو د کار پایلو کیفیت هم بدلیږي. . که چیرې د AI/ML ماډلونو د کار پایلو کیفیت خراب شي (د مثال په توګه: د "الارم نورم" درجه بندي غلطۍ ارزښت د هغه حد څخه بهر شوی چې موږ یې تعریف کړی دی)، د ماډلونو اضافي روزنه باید په اوتومات ډول پیل شي. یو ډیر اوسنی "چوکاټ" - او د ماډلونو اضافي روزنې پیل کولو لپاره د شیبې انتخاب باید په پام کې ونیول شي چې څنګه پخپله د روزنې موده ، او د ماډلونو د اوسني نسخې د کار کیفیت کې د خرابیدو متحرکات (له هغه راهیسې د ماډلونو اوسنۍ نسخې کارول کیږي پداسې حال کې چې ماډلونه روزل کیږي، او تر هغه چې د دوی "نوي روزل شوي" نسخې رامینځته شي).

InterSystems IRIS د ریښتیني وخت پروسې کنټرول لپاره د AI/ML حلونو وړولو لپاره کلیدي پلیټ فارم وړتیاوې لري. دا وړتیاوې په دریو اصلي ډلو ویشل کیدی شي:

• د نوي یا تطابق شوي موجوده AI/ML میکانیزمونو دوامداره ګمارنه (دوامداره ګمارنه/تولید، CD) په یو تولیدي حل کې چې په ریښتیني وخت کې د InterSystems IRIS پلیټ فارم کې کار کوي
• دوامداره ادغام (CI) د راتلونکي تخنیکي پروسې ډیټا جریانونو یو واحد تولیدي حل کې ، د AI/ML میکانیزمونو غوښتنلیک / روزنې / کیفیت کنټرول لپاره ډیټا کتارونه او د ریاضيکي ماډلینګ چاپیریالونو سره د ډیټا / کوډ / کنټرول عملونو تبادله ، په ریښتیني وخت کې تنظیم شوي. پلیټ فارم InterSystems IRIS
• د AI/ML میکانیزمونو دوامداره (خپل ځان) روزنه (دوامداره روزنه، CT) د ریاضیاتي ماډلینګ چاپیریال کې د ډیټا، کوډ او کنټرول کړنو ("پریکړو") په کارولو سره ترسره کیږي چې د InterSystems IRIS پلیټ فارم لخوا لیږدول کیږي.

د ماشین زده کړې او مصنوعي استخباراتو په اړه د پلیټ فارم وړتیاو طبقه بندي په دقیق ډول پدې ډلو کې تصادفي ندي. راځئ چې میتودولوژیک حواله کړو خپرونه ګوګل، چې زموږ په ژباړه کې د دې ډلبندۍ لپاره مفکورې اساس چمتو کوي:

"... د DevOps مفهوم، په دې ورځو کې مشهور دی، د لوی پیمانه معلوماتو سیسټمونو پراختیا او عملیات پوښي. د دې مفکورې پلي کولو ګټې د پراختیا دورې په موده کې کمښت، د پرمختګونو ګړندۍ ځای پرځای کول، او د خوشې کولو پالن کولو کې انعطاف پذیري دي. د دې ګټو ترلاسه کولو لپاره ، DevOps لږترلږه دوه کړنې پلي کوي:

• دوامداره ادغام (CI)
• دوامداره تحویلي (CD)

دا طرزالعملونه په AI/ML پلیټ فارمونو کې هم پلي کیږي ترڅو د تولیدي AI/ML حلونو د باور وړ او فعال مجلس ډاډ ترلاسه کړي.

AI/ML پلیټ فارمونه د نورو معلوماتو سیسټمونو څخه په لاندې اړخونو کې توپیر لري:

• د ټیم وړتیاوې: کله چې د AI/ML حل رامینځته کول ، ټیم معمولا د ډیټا ساینس پوهانو یا د ډیټا څیړنې په برخه کې "اکادمیک" متخصصین شاملوي چې د ډیټا تحلیل ترسره کوي ، ماډلونه رامینځته کوي او ازموینه کوي. د دې ټیم غړي ممکن مسلکي تولیدي کوډ جوړونکي نه وي.
• پراختیا: AI/ML انجنونه په طبیعت کې تجربه لرونکي دي. په خورا اغیزمنه توګه د ستونزې د حل کولو لپاره، دا اړینه ده چې د ان پټ متغیرونو، الګوریتمونو، ماډل کولو میتودونو او ماډل پیرامیټونو مختلف ترکیبونو ته لاړ شئ. د دې ډول لټون پیچلتیا د "څه کار کړی / کار نه دی کړی" په موندلو کې دی، د قسطونو بیا تولید یقیني کول، د تکرار پلي کولو لپاره د پرمختګونو عمومي کول.
• ازموینه: د AI/ML انجنونو ازموینه د ډیری نورو پرمختګونو په پرتله پراخه ازموینې ته اړتیا لري. د معیاري واحد او ادغام ازموینو سربیره ، د معلوماتو اعتبار او د روزنې او کنټرول نمونو کې د ماډل پلي کولو پایلو کیفیت ازمول کیږي.
• ګمارنه: د AI/ML حلونو پلي کول د وړاندوینې خدماتو پورې محدود ندي چې یو ځل روزل شوي ماډل کاروي. د AI/ML حلونه د څو مرحلو پایپ لاینونو شاوخوا جوړ شوي چې د اتوماتیک ماډل روزنه او غوښتنلیک ترسره کوي. د دې ډول پایپ لاینونو ځای په ځای کول د غیر معمولي کړنو اتومات کول شامل دي چې په دودیز ډول د ډیټا ساینس پوهانو لخوا په لاسي ډول ترسره کیږي ترڅو د ماډلونو روزنې او ازموینې وړ وي.
• محصول: د AI/ML انجنونه نه یوازې د ناکافي برنامه کولو له امله ، بلکه د ان پټ ډیټا د دوامداره بدلیدونکي طبیعت له امله هم د تولید نشتوالی کیدی شي. په بل عبارت، د AI/ML میکانیزمونو فعالیت کولی شي د دودیزو پرمختګونو د فعالیت په پرتله د پراخو دلایلو له امله خراب شي. کوم چې زموږ د AI/ML انجنونو فعالیت (آنلاین) نظارت کولو اړتیا ته لاره هواروي، او همدارنګه خبرتیاوې واستوئ یا پایلې رد کړئ که چیرې د فعالیت شاخصونه تمې پوره نه کړي.

AI/ML پلیټ فارمونه د نورو معلوماتو سیسټمونو سره ورته دي چې دواړه د نسخې کنټرول ، واحد ازموینې ، ادغام ازموینې ، او دوامداره پراختیا پلي کولو سره دوامداره کوډ ادغام ته اړتیا لري. په هرصورت، د AI/ML په قضیه کې، ډیری مهم توپیرونه شتون لري:

• CI (دوامداره ادغام) نور د ګمارل شوي اجزاو کوډ ازموینې او تصدیق کولو پورې محدود ندي - پدې کې د ډیټا او AI/ML ماډلونو ازموینه او اعتبار هم شامل دی.
• CD (دوامداره تحویلي/ګمارنه، پرله پسې ګمارنه) د بسته بندۍ یا خدماتو لیکلو او خوشې کولو پورې محدود ندي، مګر د AI/ML حلونو جوړښت، روزنې او پلي کولو لپاره یو پلیټ فارم معنی لري.
• CT (دوامداره روزنه، دوامداره روزنه) یو نوی عنصر دی [نږدې. د مقالې لیکوال: د DevOps د دودیزې مفکورې په تړاو یو نوی عنصر، په کوم کې چې CT د یوې قاعدې په توګه، دوامداره ازموینه ده]، د AI/ML پلیټ فارمونو کې موجود، د AI روزنې او پلي کولو لپاره د میکانیزمونو خپلواکه مدیریت مسولیت لري. /ML ماډلونه. ..."

موږ کولی شو ووایو چې د ماشین زده کړې او مصنوعي استخبارات چې په ریښتیني وخت ډیټا کې کار کوي د وسیلو او وړتیاو پراخه سیټ ته اړتیا لري (د کوډ له پراختیا څخه د ریاضيکي ماډلینګ چاپیریال آرکیسټریشن پورې) ، د ټولو فعالو او موضوع برخو ترمینځ نږدې ادغام ، د انسان ډیر مؤثر تنظیم او ماشین سرچینې.

د ریښتیني وخت سناریو: د فیډ پمپونو کې د نیمګړتیاو پراختیا پیژندل

د مثال په توګه د پروسې کنټرول ساحې کارولو ته دوام ورکول ، یوه ځانګړې ستونزه په پام کې ونیسئ (موږ دمخه په پیل کې یادونه کړې): موږ اړتیا لرو د پروسې پیرامیټر ارزښتونو جریان پراساس په پمپونو کې د نیمګړتیاو پراختیا ریښتیني وخت نظارت چمتو کړو. او د پیژندل شوي نیمګړتیاوو په اړه د ترمیم پرسونل څخه راپورونه.

شکل 2 د نیمګړتیاوو د پراختیا د څارنې لپاره د ستونزې جوړښت

د ډیری دندو یوه ځانګړتیا چې په دې طریقه کې په عمل کې رامینځته کیږي دا ده چې د معلوماتو ترلاسه کولو منظمیت او موثریت (APCS) باید د مختلف ډولونو نیمګړتیاوو د پیښو او غیر منظم پیښو (او ثبتولو) پس منظر کې په پام کې ونیول شي. په بل عبارت: د پروسې کنټرول سیسټم څخه ډاټا په ثانیه کې یو ځل راځي، سم او دقیق دي، او د نیمګړتیاوو په اړه یادښتونه د کیمیاوي پنسل سره جوړ شوي چې د ورکشاپ په عمومي نوټ بوک کې نیټه په ګوته کوي (د مثال په توګه: "12.01 - په پوښ ​​کې لیک. د دریم بیرینګ له اړخ څخه").

په دې توګه، موږ کولی شو د لاندې مهم محدودیتونو سره د ستونزې جوړښت بشپړ کړو: موږ د یو ځانګړي ډول نیمګړتیا یوازې یو "لیبل" لرو (د بیلګې په توګه، د یو ځانګړي ډول نیمګړتیا یوه بیلګه د پروسې کنټرول ډاټا لخوا نمایش کیږي. سیسټم په یوه ټاکلې نیټه - او موږ د دې ځانګړي ډول نیمګړتیا نور مثالونه نلرو). دا محدودیت سمدلاسه موږ د کلاسیک ماشین زده کړې (څارل شوي زده کړې) له دائرې څخه بهر اخلي ، د کوم لپاره چې باید ډیری "ټاګونه" شتون ولري.

شکل 3 د نیمګړتیاوو د پراختیا د څارنې د دندې روښانه کول

ایا موږ کولی شو په یو ډول زموږ په اختیار کې یوازې "ټاګ" "ضرب" کړو؟ هو موږ کولای شو. د پمپ اوسنی حالت د ثبت شوي نیمګړتیاوو سره د ورته والي درجې لخوا مشخص شوی. حتی د کمیتي میتودونو کارولو پرته ، د لید لید په کچه ، د پروسې کنټرول سیسټم څخه د ترلاسه شوي ډیټا ارزښتونو متحرکاتو مشاهده کولو سره ، تاسو دمخه ډیر څه زده کولی شئ:

شکل 4 د ورکړل شوي ډول عیب د "نشان" د شالید پروړاندې د پمپ حالت متحرکات

مګر لید لید (لږترلږه د اوس لپاره) زموږ په ګړندۍ بدلیدونکي سناریو کې د "ټاګونو" ترټولو مناسب جنریټر ندی. موږ به د احصایوي ازموینې په کارولو سره د راپور شوي نیمګړتیاو سره د اوسني پمپ حالت ورته والی و ارزوو.

شکل 5 د عیب "لیبل" د شالید په مقابل کې راتلونکو معلوماتو ته د احصایوي ازموینې پلي کول

د احصایې ازموینه احتمال ټاکي چې د پروسې کنټرول سیسټم څخه ترلاسه شوي "فلاو پیکټ" کې د تخنیکي پروسې پیرامیټرو ارزښتونو سره ریکارډونه د یو ځانګړي ډول عیب د "ټاګ" ریکارډونو سره ورته دي. د احتمالي ارزښت (احصایوي ورته والی شاخص) د احصایوي ازموینې پلي کولو په پایله کې محاسبه کیږي د 0 یا 1 ارزښت ته بدلیږي ، د ورته ورته والي لپاره معاینه شوي کڅوړه کې په هر ځانګړي ریکارډ کې د ماشین زده کړې لپاره "لیبل" کیږي. دا د احصایوي ازموینې سره د پمپ ریاست ریکارډونو نوي ترلاسه شوي کڅوړې پروسس کولو وروسته ، موږ فرصت لرو چې (a) دا کڅوړه د AI/ML ماډل روزنې لپاره روزنې سیټ کې اضافه کړو او (b) د کیفیت کنټرول ترسره کړو. د موډل اوسنی نسخه کله چې دې کڅوړې ته کاروئ.

شکل 6 د عیب "لیبل" د شالید په مقابل کې راتلونکو معلوماتو ته د ماشین زده کړې ماډل پلي کول

زموږ په تیرو څخه یو کې ویبینارونه موږ وښیو او تشریح کوو چې څنګه د InterSystems IRIS پلیټ فارم تاسو ته اجازه درکوي هر ډول AI/ML میکانیزم پلي کړئ په دوامداره توګه د سوداګرۍ پروسو اجرا کولو په بڼه چې د ماډلینګ پایلو اعتبار څاري او د ماډل پیرامیټرې موافقت کوي. کله چې د پمپونو سره زموږ د سناریو پروټوټایپ پلي کول، موږ د ویبینار په جریان کې وړاندې شوي د InterSystems IRIS ټول فعالیت کاروو - زموږ د حل برخې په توګه د تحلیلي پروسې پلي کول د کلاسیک څارنې زده کړې نه، بلکې د پیاوړتیا زده کړې، چې په اتوماتيک ډول د روزنې ماډلونو انتخاب اداره کوي. . د روزنې نمونه هغه ریکارډونه لري چې په اړه یې "د کشف توافق" د دواړو احصایوي ازموینې او د ماډل اوسني نسخه پلي کولو وروسته رامینځته کیږي - د بیلګې په توګه ، دواړه احصایوي ازموینه (د ورته والي شاخص 0 یا 1 ته بدلولو وروسته) او ماډل پایله تولید کړه. په داسې ریکارډونو کې 1. د ماډل د نوي روزنې په جریان کې، د اعتبار کولو په جریان کې (نوی روزل شوی ماډل په خپل روزنیز نمونه کې پلي کیږي، د احصایوي ازموینې لومړني غوښتنلیک سره)، هغه ریکارډونه چې د پروسس کولو وروسته 1 پایله "نه ساتل" د احصایې ازموینې له لارې (په روزنه کې د دوامداره شتون له امله د اصلي "لیبل" عیب څخه د ریکارډونو نمونه) د روزنې سیټ څخه لرې کیږي ، او د ماډل نوې نسخه د "لیبل" څخه زده کوي. نیمګړتیا او د جریان څخه "ساتل شوي" ریکارډونه.

شکل 7 په InterSystems IRIS کې د AI/ML حسابونو روبوټیزیشن

که چیرې په InterSystems IRIS کې د محلي محاسبې په جریان کې ترلاسه شوي کشف کیفیت په اړه یو ډول "دوهم نظر" ته اړتیا وي، د مشاور پروسه رامینځته کیږي ترڅو د کلاوډ خدماتو په کارولو سره د کنټرول ډیټاسیټ کې د ماډلونو روزنې او پلي کولو ترسره کړي (د مثال په توګه ، مایکروسافټ. Azure، د ایمیزون ویب خدمتونه، د ګوګل کلاوډ پلیټ فارم، او داسې نور):

شکل 8 دوهم نظر د مایکروسافټ ازور څخه د InterSystems IRIS لخوا ترتیب شوی

په InterSystems IRIS کې زموږ د سناریو پروټوټایپ د تحلیلي پروسو د اجنټ پراساس سیسټم په توګه ډیزاین شوی چې د تجهیزاتو څیز (پمپ) ، ریاضيکي ماډلینګ چاپیریالونو (Python, R او جولیا) سره اړیکه لري او د ټولو ښکیلو AI/ ځان زده کړې تضمینوي. د ML میکانیزمونه - د ریښتیني وخت ډیټا جریانونو کې.

شکل 9 په InterSystems IRIS کې د ریښتیني وخت AI/ML حل اصلي فعالیت

زموږ د پروټوټایپ عملي پایله:

• د نمونې نیمګړتیا د ماډل لخوا پیژندل شوې (د جنوري 12):

• یو پرمختللی عیب د ماډل لخوا پیژندل شوی چې په نمونه کې شامل نه و (د سپتمبر 11، نیمګړتیا پخپله د ترمیم ټیم لخوا یوازې دوه ورځې وروسته، د سپتمبر په 13 کې پیژندل شوې وه):

د ریښتیني ډیټا سمولیشن چې د ورته عیب ډیری قسطونه لري وښودله چې زموږ حل ، د InterSystems IRIS پلیټ فارم کې پلي شوی ، موږ ته اجازه راکوي چې د دې ډول نیمګړتیاو پراختیا څو ورځې دمخه د ترمیم ټیم لخوا کشف شي.

InterSystems IRIS - یو نړیوال ریښتیني وخت AI/ML کمپیوټري پلیټ فارم

د InterSystems IRIS پلیټ فارم د ریښتیني وخت ډیټا حلونو پراختیا ، پلي کول او عملیات ساده کوي. د InterSystems IRIS وړتیا لري چې په ورته وخت کې د لیږد او تحلیلي معلوماتو پروسس ترسره کړي؛ د ډیری ماډلونو سره سم همغږي شوي ډیټا لیدونو ملاتړ کوي (پشمول اړونده ، درجه بندي ، اعتراض او سند)؛ د ډیټا سرچینو او انفرادي غوښتنلیکونو پراخه لړۍ ادغام لپاره د پلیټ فارم په توګه عمل وکړئ؛ د جوړښت شوي او غیر جوړښت شوي ډیټا په اړه پرمختللي ریښتیني وخت تحلیلونه چمتو کړئ. InterSystems IRIS د بهرني تحلیلي وسیلو کارولو لپاره میکانیزمونه هم چمتو کوي او په بادل او محلي سرورونو کې د ځای پرځای کولو انعطاف وړ ترکیب ته اجازه ورکوي.

د InterSystems IRIS پلیټ فارم کې جوړ شوي غوښتنلیکونه په بیالبیلو صنعتونو کې ځای پرځای شوي، شرکتونو سره مرسته کوي چې د ستراتیژیک او عملیاتي لید څخه د پام وړ اقتصادي ګټې احساس کړي، د باخبره پریکړه کولو زیاتوالی او د پیښې، تحلیل او عمل ترمنځ تشې ډکوي.

شکل 10 د ریښتیني وخت AI/ML په شرایطو کې د InterSystems IRIS جوړښت

د پخواني ډیاګرام په څیر، لاندې ډیاګرام د پلیټ فارم د کاري عناصرو تر منځ د معلوماتو د جریان ډیاګرام سره نوی "همغږي سیسټم" (CD/CI/CT) ترکیب کوي. لید د میکرو میکانیزم CD سره پیل کیږي او د میکرو میکانیزم CI او CT سره دوام لري.

شکل 11 د معلوماتو ډیاګرام د InterSystems IRIS پلیټ فارم د AI/ML عناصرو ترمنځ جریان لري

په InterSystems IRIS کې د CD میکانیزم جوهر: د پلیټ فارم کارونکي (د AI/ML حلونو پراختیا کونکي) د AI/ML میکانیزمونو لپاره د ځانګړي کوډ ایډیټر په کارولو سره موجوده او / یا نوي AI/ML پرمختګونه رامینځته کوي: Jupyter (بشپړ نوم: Jupyter Notebook؛ د لنډیز لپاره، په دې مدیر کې جوړ شوي اسناد هم ځینې وختونه ویل کیږي). په Jupyter کې، یو پراختیا کونکی فرصت لري چې د یو ځانګړي AI/ML پراختیا فعالیت (د ګرافیک کارولو په شمول) لیکل، ډیبګ او تصدیق کړي مخکې له دې چې په InterSystems IRIS کې ځای په ځای شي ("ګمارل"). دا روښانه ده چې پدې لاره کې رامینځته شوی نوی پرمختګ به یوازې لومړني ډیبګینګ ترلاسه کړي (ځکه چې په ځانګړي توګه جوپیټر د ریښتیني وخت ډیټا جریانونو سره کار نه کوي) - دا د شیانو په ترتیب کې دی ، ځکه چې په جوپیټر کې د پراختیا اصلي پایله د جلا AI / ML میکانیزم بنسټیز فعالیت تایید دی ("د ډیټا نمونې کې متوقع پایله ښیې"). په ورته ډول، یو میکانیزم چې لا دمخه په پلیټ فارم کې ځای په ځای شوی (لاندې میکرو میکانیزمونه وګورئ) په Jupyter کې د ډیبګ کولو دمخه ممکن د "پری پلیټ فارم" فارم ته "رول بیک" ته اړتیا ولري (د فایلونو څخه ډیټا لوستل ، د میزونو پرځای د xDBC له لارې ډیټا سره کار کول ، د نړیوالو سره مستقیم تعامل - څو اړخیز ډیټا آریونه InterSystems IRIS – etc.).

په InterSystems IRIS کې د CD پلي کولو یو مهم اړخ: د پلیټ فارم او Jupyter ترمنځ دوه اړخیز ادغام پلي شوی، په پایتون، R او جولیا کې مینځپانګې ته اجازه ورکوي چې پلیټ فارم ته انتقال شي (او بیا وروسته، په پلیټ فارم کې پروسس شوي) (ټول درې پروګرامونه دي. په اړونده مخکښې خلاصې سرچینې ژبې کې ژبې). په دې توګه، د AI/ML منځپانګې پراختیا کونکي فرصت لري چې په پلیټ فارم کې د دې مینځپانګې "دوامداره ګمارنه" ترسره کړي، د دوی پیژندل شوي جوپیټ ایډیټر کې کار کوي، په پیتون، R، جولیا کې د پیژندل شوي کتابتونونو سره کار کوي، او د بنسټیز ډیبګ کولو ترسره کول (که اړتیا وي) د پلیټ فارم څخه بهر

راځئ چې په InterSystems IRIS کې د CI میکرو میکانیزم ته لاړ شو. ډیاګرام د "ریښتیني وخت روبوټائزر" میکرو پروسه ښیې (د ډیټا جوړښتونو ، سوداګرۍ پروسو او کوډ ټوټې یو پیچلي چې د دوی لخوا په ریاضيکي ژبو او آبجیکٹ سکریپټ کې تنظیم شوي - د InterSystems IRIS اصلي پرمختیا ژبه). د دې میکرو پروسې دنده دا ده چې د AI/ML میکانیزمونو عملیاتو لپاره اړین ډیټا کتارونه وساتي (په ریښتیني وخت کې پلیټ فارم ته د ډیټا جریانونو پراساس) ، د غوښتنلیک ترتیب او د AI / "ترټولو" په اړه پریکړې وکړي. د ML میکانیزمونه (دوی هم "ریاضي الګوریتمونه" دي، "موډلونه" او داسې نور. - د پلي کولو ځانګړتیاو او اصطلاحاتو غوره توبونو پورې اړه لري په مختلف ډول ویل کیدی شي)، د AI / د کار پایلو تحلیل لپاره د معلوماتو جوړښتونه تازه وساتئ. د ML میکانیزمونه (کیوبونه، میزونه، څو اړخیز ډیټا اریونه، او نور) - د راپورونو، ډشبورډونو او نورو لپاره.

په InterSystems IRIS کې د CI پلي کولو یو مهم اړخ: دوه اړخیز ادغام د پلیټ فارم او ریاضیاتی ماډلینګ چاپیریالونو ترمینځ پلي شوی ، تاسو ته اجازه درکوي په پلیټ فارم کې کوربه شوي مینځپانګې په پایتون ، R او جولیا کې د دوی اړوند چاپیریالونو کې اجرا کړئ او د اعدام پایلې بیرته ترلاسه کړئ. دا ادغام دواړه په "ټرمینل حالت" کې پلي کیږي (د بیلګې په توګه د AI/ML مینځپانګه د ObjectScript کوډ په توګه جوړه شوې چې چاپیریال ته زنګ وهي) او "د سوداګرۍ پروسې حالت" کې (د بیلګې په توګه د AI/ML مینځپانګه د سوداګرۍ پروسې په توګه جوړه شوې. د ګرافیکي مدیر په کارولو سره، یا ځینې وختونه د Jupyter په کارولو سره، یا د IDE په کارولو سره - IRIS سټوډیو، Eclipse، Visual Studio Code). په Jupyter کې د ترمیم لپاره د سوداګرۍ پروسو شتون د CI په کچه د IRIS او د CD په کچه د Jupyter ترمنځ د ارتباط له لارې منعکس کیږي. د ریاضیاتی ماډلینګ چاپیریال سره د ادغام یوه نوره مفصله کتنه لاندې چمتو شوې. پدې مرحله کې، زموږ په اند، د دې ډاډ ترلاسه کولو لپاره هر دلیل شتون لري چې پلیټ فارم د AI/ML پرمختګونو "دوامداره ادغام" پلي کولو لپاره ټول اړین وسایل لري (د "دوامداره ګمارنې" څخه راځي) په ریښتیني وخت AI/ML حلونو کې.

او اصلي میکرو میکانیزم: CT. پرته له دې، د AI/ML پلیټ فارم شتون نلري (که څه هم "ریښتیني وخت" به د CD/CI له لارې پلي شي). د CT جوهر د پلیټ فارم کار دی چې د ماشین زده کړې او مصنوعي هوښیارتیا سره په مستقیم ډول د ریاضیاتی ماډلینګ چاپیریال کاري غونډو کې: ماډلونه ، د توزیع میزونه ، میټریکس ویکٹرونه ، د عصبي شبکو پرتونه او داسې نور. دا "کار"، په ډیری مواردو کې، په چاپیریال کې د ذکر شوي اثارو رامینځته کول شامل دي (د ماډلونو په قضیه کې، د بیلګې په توګه، "تخلیق" د ماډل مشخصات او د هغې د پیرامیټونو ارزښتونو وروسته انتخاب کول دي - د ماډل تش په نامه "روزنه")، د دوی غوښتنلیک (د ماډلونو لپاره: د هدف متغیرونو د "موډل" ارزښتونو په مرسته محاسبه - وړاندوینې، د کټګورۍ غړیتوب، د پیښې احتمال، او داسې نور) او د لا دمخه پرمختګ رامینځته شوي او پلي شوي اثار (د مثال په توګه ، د غوښتنلیک د پایلو پراساس د ماډل ان پټ متغیرونو سیټ بیا تعریف کول - د وړاندوینې دقت ښه کولو لپاره ، د اختیار په توګه). د CT د رول په پوهیدو کې کلیدي ټکی د CD او CI له واقعیتونو څخه د هغې "خلاصون" دی: CT به ټول هنري اثار پلي کړي، د ځانګړو چاپیریالونو لخوا چمتو شوي وړتیاو کې د AI/ML حل په کمپیوټري او ریاضيکي مشخصاتو تمرکز کوي. د "انډولونو چمتو کولو" او "د محصولاتو وړاندې کولو" مسؤلیت به د CD او CI په غاړه وي.

د CT پلي کولو یو مهم اړخ په ځانګړي توګه په InterSystems IRIS کې: د ریاضیاتي ماډلینګ چاپیریالونو سره د ادغام په کارولو سره چې دمخه یې یادونه وشوه ، پلیټ فارم د دې وړتیا لري چې د کاري غونډو څخه هغه خورا هنري اثار استخراج کړي چې په ریاضياتي چاپیریال کې د هغې تر کنټرول لاندې روان دي او (تر ټولو مهم) وګرځي. دوی د پلیټ فارم ډیټا څیزونو کې. د مثال په توګه، د توزیع جدول چې یوازې د Python په کاري ناسته کې رامینځته شوی کیدی شي (پرته له دې چې د Python ناستې مخه ونیسي) په بڼه پلیټ فارم ته لیږدول کیدی شي، د بیلګې په توګه، یو نړیوال (د څو اړخیز InterSystems IRIS ډیټا سرې) - او کارول کیږي. په بل AI/ML میکانیزم کې د محاسبې لپاره (د بل چاپیریال په ژبه کې پلي شوی - د مثال په توګه په R کې) - یا یو مجازی میز. بله بیلګه: د موډل د عملیاتو د "نورمال حالت" سره موازي (د Python کاري ناستې کې)، "auto-ML" په خپل ان پټ ډیټا کې ترسره کیږي: د غوره ان پټ متغیرونو او پیرامیټرو ارزښتونو اتوماتیک انتخاب. او د "منظم" روزنې سره سره، په ریښتیني وخت کې یو تولیدي ماډل د خپل مشخصاتو "اصلاح کولو وړاندیز" هم ترلاسه کوي - په کوم کې چې د ان پټ متغیرونو سیټ بدلیږي، د پیرامیټر ارزښتونه بدلیږي (نور د روزنې په پایله کې په Python کې، مګر د ځان د "بدیل"" نسخې سره د روزنې په پایله کې، لکه د H2O سټیک)، د AI/ML عمومي حل ته اجازه ورکوي چې په خپلواکه توګه د ان پټ ډیټا په طبیعت کې د غیر متوقع بدلونونو سره مقابله وکړي او د ماډل شوي پیښې پیښې .

راځئ چې د ریښتیني ژوند پروټوټایپ مثال په کارولو سره د InterSystems IRIS پلیټ فارم AI/ML فعالیت سره په ډیر تفصیل سره آشنا شو.

په لاندې انځور کې، د سلایډ په ښي خوا کې د سوداګرۍ پروسې یوه برخه ده چې په Python او R کې د سکریپټونو اجرا کول پلي کوي. په مرکزي برخه کې د دې سکریپټونو د اجرا کولو بصري لاګونه شتون لري، په ترتیب سره، په Python او R کې. سمدلاسه د دوی شاته په یوه او بله ژبه کې د مینځپانګې مثالونه دي چې مناسب چاپیریال ته د اجرا کولو لپاره لیږدول شوي. په پای کې ښي خوا ته د سکریپټ اجرا کولو پایلو پراساس لیدونه دي. په پورتنۍ برخه کې لیدونه په IRIS Analytics کې رامینځته شوي (ډیټا له Python څخه د InterSystems IRIS ډیټا پلیټ فارم کې اخیستل شوي او د پلیټ فارم په کارولو سره په ډشبورډ کې ښودل شوي) ، په ښکته برخه کې مستقیم د R کاري ناستې کې رامینځته شوي او له هغه ځای څخه ګرافیک فایلونو ته تولید شوي. . یو مهم اړخ: په پروټوټایپ کې وړاندې شوې ټوټه د تجهیزاتو سمیلیټر پروسې څخه په ریښتیني وخت کې ترلاسه شوي ډیټا په اړه د ماډل روزنې (د تجهیزاتو حالتونو طبقه بندي) مسؤلیت لري ، د ماډل پلي کولو پرمهال د ډلبندۍ کیفیت نظارت پروسې څخه د قوماندې پراساس. د AI/ML حل پلي کول د متقابل عمل ("استازو") د یوې ټولګې په بڼه به نور هم بحث وشي.

شکل 12 په InterSystems IRIS کې د Python، R او جولیا سره تعامل

د پلیټ فارم پروسې (دوی د "سوداګرۍ پروسې"، "تجزیې پروسې"، "پائپ لاینونه"، او داسې نور هم دي - د شرایطو پورې اړه لري)، لومړی، پخپله په پلیټ فارم کې د ګرافیکي سوداګرۍ پروسې مدیر کې ایډیټ شوي، او داسې هغه طریقه چې د دې بلاک ډیاګرام او اړونده AI/ML میکانیزم (د پروګرام کوډ) په یو وخت کې رامینځته کیږي. کله چې موږ ووایو چې "د AI/ML میکانیزم ترلاسه شوی،" موږ په پیل کې د هایبرډیت معنی لرو (په یوه پروسه کې): د ریاضیاتي ماډلینګ چاپیریالونو ژبو مینځپانګه په SQL کې مینځپانګې سره نږدې ده (د غزولو په شمول IntegratedML)، په InterSystems ObjectScript کې، د نورو ملاتړ شویو ژبو سره. برسېره پردې، د پلیټ فارم پروسه د هراړخیز ډول ځړول شوي ټوټې (لکه څنګه چې په لاندې انځور کې په مثال کې لیدل کیدی شي) په بڼه کې د "رینډرینګ" لپاره خورا پراخ فرصتونه چمتو کوي، کوم چې تاسو ته اجازه درکوي چې حتی خورا پیچلي مینځپانګې په مؤثره توګه تنظیم کړئ پرته له دې چې "د وتلو" څخه. د ګرافیکي بڼه (په "غیر ګرافیکي" شکلونو کې. » میتودونه/ ټولګي/ پروسیجرونه، او نور). دا ، که اړتیا وي (او دا په ډیری پروژو کې وړاندوینه کیږي) ، په بشپړ ډول د AI/ML ټول حل په ګرافیکي ځان مستند کولو ب formatه کې پلي کیدی شي. مهرباني وکړئ په یاد ولرئ چې د لاندې ډیاګرام په مرکزي برخه کې، کوم چې د لوړې کچې "نسټنګ" استازیتوب کوي، دا روښانه ده چې د ماډل روزنې اصلي کار سربیره (د Python او R په کارولو سره)، د تش په نامه تحلیل. د روزل شوي ماډل ROC وکر اضافه شوی، اجازه ورکوي چې په لید کې (او په کمپیوټري توګه هم) د روزنې کیفیت ارزونه وکړي - او دا تحلیل د جولیا په ژبه کې پلي کیږي (په مطابق، د جولیا ریاضياتي چاپیریال کې اعدام شوی).

شکل 13 په InterSystems IRIS کې د AI/ML حلونو ترکیب لپاره بصری چاپیریال

لکه څنګه چې مخکې یادونه وشوه، ابتدايي پراختیا او (په ځینو مواردو کې) د AI/ML میکانیزمونو موافقت چې دمخه په پلیټ فارم کې پلي شوي / کیدای شي د پلیټ فارم څخه بهر د Jupyter مدیر کې ترسره شي. په لاندې ډیاګرام کې موږ د موجوده پلیټ فارم پروسې د تطبیق یوه بیلګه ګورو (د پورتنۍ ډیاګرام په څیر) - دا څنګه هغه ټوټه چې د ماډل روزنې لپاره مسؤله ده په Jupyter کې ښکاري. د Python مینځپانګه په مستقیم ډول په Jupyter کې د ایډیټ کولو ، ډیبګ کولو ، او ګرافیک محصول لپاره شتون لري. بدلونونه (که اړتیا وي) د پلیټ فارم پروسې کې د سمدستي همغږي کولو سره رامینځته کیدی شي ، پشمول د دې تولیدي نسخه. نوي مینځپانګې په ورته ډول پلیټ فارم ته لیږدول کیدی شي (د نوي پلیټ فارم پروسه په اوتومات ډول رامینځته کیږي).

شکل 14 د InterSystems IRIS پلیټ فارم کې د AI/ML انجن ترمیمولو لپاره د Jupyter نوټ بوک کارول

د پلیټ فارم پروسې تطابق نه یوازې په ګرافیکي یا لپ ټاپ فارمیټ کې ترسره کیدی شي - بلکه په "ټول" IDE (د مدغم پرمختیا چاپیریال) ب formatه کې هم ترسره کیدی شي. دا IDEs د IRIS سټوډیو (اصلي IRIS سټوډیو) ، د لید سټوډیو کوډ (د VSCode لپاره د انټر سیسټم IRIS توسیع) او Eclipse (Atelier پلگ ان) دي. په ځینو مواردو کې، دا ممکنه ده چې د پراختیایي ټیم لپاره ټول درې IDEs په یو وخت کې وکاروي. لاندې انځور په IRIS سټوډیو کې د ورته پروسې ایډیټ کولو یوه بیلګه ښیې ، په ویژول سټوډیو کوډ کې او په Eclipse کې. په بشپړ ډول ټول مینځپانګې د ترمیم لپاره شتون لري: Python/R/Julia/SQL، ObjectScript، او د سوداګرۍ پروسه.

شکل 15 په مختلفو IDEs کې د InterSystems IRIS سوداګرۍ پروسې پراختیا

د سوداګرۍ پروسې په ژبه (BPL) کې د InterSystems IRIS سوداګرۍ پروسو تشریح او اجرا کولو وسیلې د ځانګړي ذکر وړ دي. BPL دا ممکنه کوي چې د سوداګرۍ پروسو کې "د چمتو شوي ادغام اجزا" (فعالیتونه) وکاروئ - کوم چې په حقیقت کې هر دلیل وړاندې کوي چې ووایی چې "دوامداره ادغام" په InterSystems IRIS کې پلي کیږي. د سوداګرۍ پروسې چمتو شوي برخې (فعالیتونه او د دوی ترمینځ اړیکې) د AI/ML حل راټولولو لپاره یو پیاوړی سرعت کونکی دی. او نه یوازې مجلسونه: د مختلف AI/ML پرمختګونو او میکانیزمونو په اړه د دوی ترمینځ د فعالیتونو او اړیکو څخه مننه ، د "خپلواک مدیریت طبقه" رامینځته کیږي چې په ریښتیني وخت کې د وضعیت سره سم پریکړې کولو وړتیا لري.

شکل 16 په InterSystems IRIS پلیټ فارم کې د دوامداره ادغام (CI) لپاره چمتو شوي د سوداګرۍ پروسې برخې

د اجنټ سیسټمونو مفهوم (د "ملټي ایجنټ سیسټمونو" په نوم هم پیژندل کیږي) په روبوټیزیشن کې قوي موقعیت لري، او د InterSystems IRIS پلیټ فارم په منظم ډول د "محصول پروسې" جوړونې له لارې ملاتړ کوي. د ټولیز حل لپاره اړین فعالیت سره د هرې پروسې "ډکولو" لپاره د لامحدود امکاناتو سربیره ، د "ادارې" ملکیت سره د پلیټ فارم پروسې سیسټم تمویل کول تاسو ته اجازه درکوي د خورا بې ثباته انډول شوي پدیدې (ټولنیز چلند / چلند) لپاره مؤثره حلونه رامینځته کړئ. بایو سیسټمونه، په جزوي توګه د لیدلو وړ تخنیکي پروسې، او نور).

شکل 16 په InterSystems IRIS کې د اجنټ پر بنسټ د سوداګرۍ پروسې سیسټم په توګه د AI/ML حل عملیات

موږ د ریښتیني وخت ستونزو د ټولو ټولګیو حل کولو لپاره د پلیټ فارم پلي شوي کارولو په اړه د یوې کیسې سره د InterSystems IRIS زموږ بیاکتنې ته دوام ورکوو (په InterSystems IRIS کې د پلیټ فارم AI/ML ځینې غوره تمرینونو لپاره کافي توضیحي پیژندنه په یوه کې موندل کیدی شي. زموږ د پخوانیو څخه ویبینارونه).

د مخکیني ډیاګرام په هیلو کې ګرم، لاندې د اجنټ سیسټم یو ډیر مفصل ډیاګرام دی. ډیاګرام ورته پروټوټایپ ښیې ، د اجنټ ټولې پروسې لیدل کیږي ، د دوی ترمینځ اړیکې په سکیماټیک ډول رسم شوي: جنریټر - د تجهیزاتو سینسرونو لخوا د ډیټا رامینځته کولو پروسس کوي ، بفر - د ډیټا کتارونه اداره کوي ، تحلیل کونکي - پخپله د ماشین زده کړې ترسره کوي ، مانیټور - څارنه کوي. د ماشین زده کړې کیفیت او د ماډل بیا روزنې اړتیا په اړه سیګنال وړاندې کوي.

شکل 17 په InterSystems IRIS کې د اجنټ پر بنسټ د سوداګرۍ پروسې سیسټم په بڼه د AI/ML حل ترکیب

لاندې انځور د یو څه وخت لپاره د بل روبوټیک پروټوټایپ (د متنونو احساساتي رنګ پیژندل) خپلواکه فعالیت څرګندوي. په پورتنۍ برخه کې د ماډل روزنې د کیفیت شاخص تکامل دی (کیفیت وده کوي) ، په ښکته برخه کې د ماډل غوښتنلیک د کیفیت شاخص متحرکات او د تکرار روزنې حقایق (سرې پټې) دي. لکه څنګه چې تاسو لیدلی شئ، حل خپل ځان په اغیزمنه او خپلواکه توګه زده کړی، او په ټاکل شوي کیفیت کې کار کوي (د کیفیت نمرې ارزښتونه د 80٪ څخه ښکته نه راځي).

شکل 18 د InterSystems IRIS پلیټ فارم کې دوامداره (خپل ځان) روزنه (CT)

موږ مخکې د "آټو-ML" یادونه هم کړې، مګر لاندې انځور د بل پروټوټایپ مثال په کارولو سره د دې فعالیت کارول په تفصیل سره ښیې. د سوداګرۍ پروسې د یوې برخې ګرافیکي ډیاګرام هغه فعالیت ښیې چې په H2O سټیک کې ماډلینګ رامینځته کوي ، د دې ماډلینګ پایلې ښیې (د "انسان جوړ شوي" ماډلونو باندې د پایله شوي ماډل روښانه حاکمیت ، د پرتله کولو ډیاګرام سره سم د ROC منحني، او همدارنګه د اصلي ډیټا سیټ کې د "خورا اغیزمن متغیرونو" اتوماتیک پیژندنه). دلته یو مهم ټکی د وخت او متخصص سرچینو سپمول دی چې د "آټو-ML" له لارې ترلاسه کیږي: زموږ د پلیټ فارم پروسه په نیمه دقیقه کې څه کوي (د غوره ماډل موندل او روزنه) کولی شي یو متخصص له یوې اونۍ څخه تر یوې میاشتې پورې ونیسي.

شکل 19 په InterSystems IRIS پلیټ فارم کې په AI/ML حل کې د "آټو-ML" ادغام

لاندې انځور یو څه ټکي له لاسه ورکوي، مګر دا د ریښتیني وخت ستونزو د حل کولو ټولګیو په اړه د کیسې پای ته رسولو لپاره یوه ښه لار ده: موږ تاسو ته یادونه کوو چې د InterSystems IRIS پلیټ فارم د ټولو وړتیاوو سره، د روزنې ماډلونه د هغې تر کنټرول لاندې دي. لازمي نه دی. پلیټ فارم کولی شي د بهر څخه د ماډل تش په نامه PMML توضیحات ترلاسه کړي ، په داسې وسیلې کې روزل شوي چې د پلیټ فارم تر کنټرول لاندې ندي - او دا ماډل په ریښتیني وخت کې له هغه وخت څخه پلي کړي چې واردیږي د PMML مشخصات. دا مهمه ده چې په پام کې ونیول شي چې د AI/ML ټول اثار نشي کولی د PMML ځانګړتیاو ته راټیټ شي، حتی که ډیری عام هنري اثار دې ته اجازه ورکړي. په دې توګه، د InterSystems IRIS پلیټ فارم "خلاص لوپ" دی او د کاروونکو لپاره د "پلیټ فارم غلامۍ" معنی نلري.

شکل 20 په InterSystems IRIS پلیټ فارم کې په AI/ML حل کې د "آټو-ML" ادغام

راځئ چې د InterSystems IRIS اضافي پلیټ فارم ګټې لیست کړو (د روښانه کولو لپاره ، د پروسې کنټرول پورې اړه لري) ، کوم چې د مصنوعي استخباراتو اتومات کولو او د ریښتیني وخت ماشین زده کړې کې خورا مهم دي:

• د هرډول ډیټا سرچینو او مصرف کونکو سره د ادغام وسیلې رامینځته شوي (د پروسې کنټرول سیسټم / SCADA ، تجهیزات ، MRO ، ERP ، او نور)
• دننه جوړ شوی څو ماډل DBMS د هر ډول تخنیکي پروسې ډیټا د لوړ فعالیت لیږد او تحلیلي پروسس کولو (هایبرډ لیږد / تحلیلي پروسس کولو ، HTAP) لپاره
• د Python، R، Julia پر بنسټ د ریښتیني وخت حلونو لپاره د AI/ML انجنونو دوامداره ګمارلو لپاره پراختیایی وسیلې
• د دوامداره ادغام او (ځان) د ریښتیني وخت AI/ML حل انجنونو زده کړې لپاره د تطبیق وړ سوداګرۍ پروسې
• د پروسې ډیټا او د AI/ML حل پایلو لیدو لپاره د سوداګرۍ استخباراتو وسیلې جوړ شوي
• د API مدیریت د پروسس کنټرول سیسټمونو/SCADA، معلوماتو او تحلیلي سیسټمونو لپاره د AI/ML حل پایلو وړاندې کولو لپاره، د خبرتیاو لیږلو او داسې نور.

د AI/ML حلونه د InterSystems IRIS پلیټ فارم کې په اسانۍ سره د موجوده IT زیربنا کې فټ کیږي. د InterSystems IRIS پلیټ فارم د AI/ML حلونو لوړ اعتبار تضمین کوي ​​​​د غلطۍ زغمونکي او ناورین - زغمونکي ترتیبونو او په مجازی چاپیریالونو کې د انعطاف وړ ګمارنې ملاتړ کولو سره ، په فزیکي سرورونو کې ، په خصوصي او عامه بادلونو کې او ډاکر کانټینرونو کې.

په دې توګه، InterSystems IRIS یو نړیوال ریښتیني وخت AI/ML کمپیوټري پلیټ فارم دی. زموږ د پلیټ فارم نړیوالتوب په عمل کې د پلي شوي محاسبې پیچلتیا باندې د حقیقت محدودیتونو نشتوالي لخوا تایید شوی ، د مختلف صنعتونو څخه د سناریوګانو پروسس کولو (ریښتیني وخت کې) یوځای کولو لپاره د InterSystems IRIS وړتیا ، او د غیر معمولي تطبیق وړتیا. د کاروونکو ځانګړو اړتیاو لپاره هر پلیټ فارم دندې او میکانیزمونه.

شکل 21 InterSystems IRIS - یو نړیوال ریښتیني وخت AI/ML کمپیوټري پلیټ فارم

زموږ د هغو لوستونکو سره د ډیر پام وړ متقابل عمل لپاره چې دلته وړاندې شوي موادو سره علاقه لري، موږ وړاندیز کوو چې خپل ځان دې لوستلو ته محدود نه کړو او خبرو اترو ته دوام ورکړو "ژوندی." موږ به خوښ یو چې ستاسو د شرکت ځانګړتیاو پورې اړوند د ریښتیني وخت AI/ML سناریوګانو رامینځته کولو کې ملاتړ چمتو کړو ، د InterSystems IRIS پلیټ فارم کې ګډ پروټوټایپ ترسره کړو ، په عمل کې د مصنوعي استخباراتو او ماشین زده کړې معرفي کولو لپاره د سړک نقشه جوړه او پلي کړو. ستاسو د تولید او مدیریت پروسو کې. زموږ د AI/ML متخصص ټیم سره اړیکه بریښنالیک - [ایمیل خوندي شوی].

سرچینه: www.habr.com