InterSystems IRIS - آفاقي حقيقي وقت AI/ML پليٽ فارم

ليکڪ: سرجي لوڪانچيڪوف، InterSystems صلاحڪار انجنيئر

حقيقي وقت AI/ML ڪمپيوٽنگ چئلينجز

اچو ته انٽر سسٽم تي ڊيٽا سائنس جي مشق جي تجربن مان مثالن سان شروع ڪريون:

• "لوڊ ٿيل" خريد ڪندڙ پورٽل هڪ آن لائن سفارش ڪندڙ سسٽم سان ڳنڍيل آهي. پرچون نيٽ ورڪ جي پيماني تي پروموشنز جي بحالي اچي رهي آهي (مثال طور، پروموشنز جي "فليٽ" لائن جي بدران، "حصو-حڪمت" ميٽرڪس هاڻي استعمال ڪيو ويندو). سفارش ڪندڙن کي ڇا ٿيندو؟ سفارش ڪندڙ ميڪانيزم کي ڊيٽا جي جمع ڪرڻ ۽ تازه ڪاري ڪرڻ سان ڇا ٿيندو (ان پٽ ڊيٽا جو حجم 25000 ڀيرا وڌي ويو آهي)؟ سفارشن جي ترقي سان ڇا ٿئي ٿو (انهن جي تعداد ۽ "رينج" ۾ هزار گنا واڌ جي ڪري سفارشي قاعدن جي فلٽرنگ حد ۾ هزار گنا گهٽتائي جي ضرورت آهي)؟
• سامان نوڊس ۾ خرابين جي ترقي جي امڪان جي نگراني ڪرڻ لاء هڪ نظام آهي. هڪ پروسيس ڪنٽرول سسٽم مانيٽرنگ سسٽم سان ڳنڍيل هو، هر سيڪنڊ کي هزارين پروسيس پيٽرولر منتقل ڪري ٿو. مانيٽرنگ سسٽم کي ڇا ٿئي ٿو جيڪو اڳ ۾ "دستي نموني" تي ڪم ڪيو ويو آهي (ڇا اهو سيڪنڊ کان سيڪنڊ امڪاني نگراني مهيا ڪرڻ جي قابل آهي)؟ ڇا ٿيندو جيڪڏهن هڪ نئون بلاڪ ڪيترن ئي سؤ ڪالمن سان گڏ ان پٽ ڊيٽا ۾ ظاهر ٿئي ٿو سينسرز جي پڙهائي سان گڏ تازو پروسيس ڪنٽرول سسٽم ۾ شامل ڪيو ويو آهي (ڇا ۽ ڪيترو وقت تائين مانيٽرنگ سسٽم کي بند ڪرڻ ضروري هوندو ته جيئن نئين سينسرز مان ڊيٽا شامل ڪرڻ لاءِ. تجزيو)؟
• AI/ML ميڪانيزم جو هڪ سيٽ ٺاهيو ويو آهي (سفارشي، نگراني، اڳڪٿي ڪندڙ)، هڪ ٻئي جي ڪم جي نتيجن کي استعمال ڪندي. هن ڪمپليڪس جي آپريشن کي ان پٽ ڊيٽا ۾ تبديلين لاءِ ترتيب ڏيڻ لاءِ هر مهيني ڪيترا ڪلاڪ گهربل آهن؟ فيصلي سازي جي ڪمپليڪس جي مدد سان مجموعي طور تي "سست رفتار" ڇا آهي (نئين ان پٽ ڊيٽا جي موجودگي جي تعدد جي نسبت ان ۾ نئين معاون معلومات جي موجودگي جي تعدد)؟

انهن ۽ ٻين ڪيترن ئي مثالن کي اختصار ڪندي، اسان انهن چئلينجن جي ٺهڻ تي پهتاسين جيڪي پيدا ٿين ٿا جڏهن مشين جي سکيا ۽ حقيقي وقت جي مصنوعي ذهانت واري ميڪانيزم جي استعمال ڏانهن منتقل ٿين ٿا:

• ڇا اسان اسان جي ڪمپني ۾ AI / ML ترقيات جي تخليق ۽ موافقت (بدلجندڙ صورتحال) جي رفتار سان مطمئن آهيون؟
• ڪيتري حد تائين AI/ML حل اسان استعمال ڪندا آهيون حقيقي وقت جي ڪاروباري انتظام کي سپورٽ ڪندا آهيون؟
• ڇا AI/ML حل جيڪي اسان استعمال ڪريون ٿا آزاديءَ سان (بغير ڊولپرز) ڊيٽا ۽ ڪاروباري انتظام جي عملن ۾ تبديلين سان مطابقت رکن ٿا؟

اسان جو آرٽيڪل AI / ML ميڪانيزم جي ترتيب ڏيڻ، AI / ML حلن جي اسيمبلي (انضمام) ۽ گھڻي ڊيٽا تي AI / ML حلن جي تربيت (ٽيسٽنگ) جي لاءِ عالمي مدد جي لحاظ کان InterSystems IRIS پليٽ فارم جي صلاحيتن جو تفصيلي جائزو آهي. وهندو آهي. اسان مارڪيٽ ريسرچ، AI/ML حلن جي ڪيس اسٽڊيز، ۽ تصوراتي پهلوئن ڏانهن رخ ڪنداسين جن کي اسان هن آرٽيڪل ۾ حقيقي وقت جي AI/ML پليٽ فارم طور حوالو ڏيون ٿا.

اسان سروي کان ڇا ڄاڻون ٿا: حقيقي وقت ايپليڪيشنون

نتيجا سرويLightbend پاران 800 ۾ اٽڪل 2019 آئي ٽي پروفيشنلز جي وچ ۾ ڪيل پاڻ لاءِ ڳالهايو:

شڪل 1 حقيقي وقت ڊيٽا جي معروف صارفين

اچو ته هن سروي جي نتيجن تي رپورٽ جي ٽڪرن جو حوالو ڏيون جيڪي اسان جي ترجمي ۾ اسان لاءِ اهم آهن:

“...ڊيٽا فلو انٽيگريشن ٽولز جي مقبوليت ۾ رجحانات ۽، ساڳئي وقت، ڪنٽينرائزڊ ڪمپيوٽنگ لاءِ سپورٽ، موثر حل جي وڌيڪ موثر، منطقي، متحرڪ تجويز لاءِ مارڪيٽ جي گهرج لاءِ هڪ هم وقت سازي جواب فراهم ڪري ٿي. ڊيٽا اسٽريم معلومات کي منتقل ڪرڻ جي اجازت ڏئي ٿي روايتي پيڪٽ ڊيٽا کان وڌيڪ تيز. ھن ۾ شامل ڪيو ويو آھي تڪڙو تڪڙو لاڳو ڪرڻ جي قابليت ڪمپيوٽيشنل طريقن، جھڙوڪ AI/ML-based سفارشون، وڌائڻ جي گراهڪ جي اطمينان جي ذريعي مقابلي جا فائدا پيدا ڪرڻ لاء. چستيءَ جي ڊوڙ DevOps paradigm ۾ سڀني ڪردارن تي به اثر انداز ٿئي ٿي - ايپليڪيشن ڊولپمينٽ ۽ ڊولپمينٽ کي وڌيڪ ڪارائتو بنائڻ. ... اٺ سؤ چار آئي ٽي پروفيشنلز پنهنجي تنظيمن ۾ ڊيٽا جي وهڪري جي استعمال تي معلومات ڏني. جواب ڏيڻ وارا خاص طور تي مغربي ملڪن ۾ واقع هئا (يورپ ۾ 41٪ ۽ اتر آمريڪا ۾ 37٪) ۽ تقريبن برابر طور تي ننڍن، وچولي ۽ وڏي ڪمپنين ۾ ورهايل هئا. …

… مصنوعي ذهانت hype نه آهي. XNUMX سيڪڙو انهن مان جيڪي اڳ ۾ ئي پيداواري AI/ML ايپليڪيشنن ۾ ڊيٽا فلو پروسيسنگ استعمال ڪندا آهن تصديق ڪن ٿا ته انهن جو AI/ML ۾ استعمال ايندڙ سال سڀ کان وڏو فائدو ڏسندو (ٻين ايپليڪيشنن جي مقابلي ۾).

• جواب ڏيڻ وارن جي اڪثريت موجب، AI / ML منظرنامي ۾ ڊيٽا جي وهڪري جو استعمال ايندڙ سال ۾ سڀ کان وڏو اضافو حاصل ڪندو.
• AI/ML ۾ ايپليڪيشنون نه رڳو نسبتا نئين قسم جي منظرنامي جي ذريعي وڌندا، پر روايتي منظرنامن جي ذريعي، جن ۾ حقيقي وقت جي ڊيٽا وڌندي آهي.
• AI/ML کان علاوه، IoT ڊيٽا پائپ لائنز جي استعمال ڪندڙن ۾ جوش جي سطح متاثر ڪندڙ آهي - 48٪ انهن مان جيڪي اڳ ۾ ئي IoT ڊيٽا کي ضم ڪري چڪا آهن چون ٿا ته هن ڊيٽا تي منظرنامي تي عمل درآمد ويجهي مستقبل ۾ هڪ اهم اضافو حاصل ڪندو. …»

هن بلڪه دلچسپ سروي مان، اهو ڏسي سگهجي ٿو ته مشين جي سکيا ۽ مصنوعي ذهانت واري منظرنامي جو تصور اڳ ۾ ئي آهي "رستي تي". پر حقيقي وقت AI / ML جو تصور DevOps آپٽڪس ذريعي هڪ جيترو اهم مشاهدو بڻجي ٿو: هتي اسان اڳ ۾ ئي "هڪ وقت جي AI / ML مڪمل طور تي رسائي واري ڊيٽا سيٽ سان" جي اڃا تائين غالب ڪلچر جي تبديلي بابت ڳالهائڻ شروع ڪري سگهون ٿا.

حقيقي وقت AI / ML پليٽ فارم تصور

حقيقي وقت AI / ML لاء هڪ عام درخواست پيداوار جي عمل جي ڪنٽرول ۾ آهي. ان جي مثال تي ۽ پوئين عڪاسي جي حساب سان، اسان هڪ حقيقي وقت AI / ML پليٽ فارم جو تصور ٺاهينداسين.
پروسيس ڪنٽرول ۾ مصنوعي ذهانت ۽ مشين لرننگ جي استعمال ۾ ڪيترائي خاصيتون آهن:

• ٽيڪنالاجي عمل جي حالت تي ڊيٽا شدت سان حاصل ڪئي وئي آهي: هڪ اعلي تعدد ۽ پيراگراف جي وسيع رينج سان (پروسيس ڪنٽرول سسٽم کان في سيڪنڊ جي هزارين پيرا ميٽر جي قيمتن تائين)
• خرابين جي ڳولا تي ڊيٽا، انهن جي ترقي تي ڊيٽا جو ذڪر نه ڪرڻ، ان جي برعڪس، ناياب ۽ غير منظم آهن، خاص طور تي خرابين جي ٽائپنگ ۽ انهن جي مقامي ڪرڻ جي وقت ۾ (اڪثر ڪري ڪاغذ تي رڪارڊ جي نمائندگي ڪئي وئي آهي)
• عملي نقطي نظر کان، صرف ابتدائي ڊيٽا جي "لاڳاپيل ونڊو" ٽريننگ ۽ ماڊل لاڳو ڪرڻ لاء دستياب آهي، ٽيڪنالاجي عمل جي متحرڪ کي ظاهر ڪندي هڪ مناسب سلائنگ وقفي لاء، پروسيس جي پيٽرولن جي آخري پڙهڻ واري قدر سان ختم ٿيڻ سان.

اهي خاصيتون اسان کي مجبور ڪن ٿيون، حاصل ڪرڻ ۽ بنيادي حقيقي وقت جي پروسيسنگ کان شديد "براڊ بينڊ ان پٽ" جي پروسيسنگ کان علاوه، AI / ML ماڊل جي ڪم جي نتيجن جي ايپليڪيشن، ٽريننگ ۽ معيار جي ڪنٽرول کي انجام ڏيڻ لاء (متوازي) پڻ حقيقي وقت ۾. ”فريم“ جنهن کي اسان جا ماڊل سلائيڊنگ ونڊو ۾ ”ڏسندا آهن“ لاڳاپا مسلسل تبديل ٿي رهيا آهن - ۽ ان سان گڏ، ماضي ۾ هڪ ”فريم“ تي تربيت يافته AI / ML ماڊلز جي ڪم جي نتيجن جو معيار پڻ تبديل ٿي رهيو آهي. . جيڪڏهن AI / ML ماڊل جي ڪم جي نتيجن جو معيار خراب ٿئي ٿو (مثال طور: "الارم-نرم" جي درجه بندي جي غلطي جو قدر اسان جي وضاحت ڪيل حدن کان ٻاهر نڪري ويو آهي)، ماڊل جي ٻيهر تربيت خودڪار طريقي سان شروع ٿيڻ گهرجي. لاڳاپيل "فريم" - ۽ ماڊل جي ٻيهر تربيت شروع ڪرڻ جي لمحي جي چونڊ کي حساب ۾ رکڻ گهرجي ته ڪيئن ٽريننگ جي مدت پاڻ، ۽ گڏوگڏ ماڊل جي موجوده ورزن جي معيار ۾ خراب ٿيڻ جي متحرڪ (موجوده نسخن کان وٺي. جڏهن ته ماڊلز جي تربيت ڪئي پئي وڃي، تيستائين لاڳو ٿينديون رهنديون آهن، ۽ جيستائين انهن جا ”ٻيهر تربيت يافته“ ورجن ٺاهيا ويندا آهن).

InterSystems IRIS وٽ اهم پليٽ فارم صلاحيتون آهن جيڪي فعال ڪن ٿيون حقيقي وقت ۾ AI/ML حلن کي پروسيس ڪنٽرول لاءِ. انهن امڪانن کي ٽن مکيه گروپن ۾ ورهائي سگهجي ٿو:

• مسلسل تعیناتي (مسلسل تعیناتي / پهچائڻ، سي ڊي) نئين يا موافقت ٿيل موجوده AI / ML ميڪانيزم کي هڪ پيداواري حل ۾ جيڪو حقيقي وقت ۾ InterSystems IRIS پليٽ فارم تي هلندو آهي.
• مسلسل انضمام (CI) ايندڙ عمل جي ڊيٽا جي وهڪري جي هڪ واحد پيداواري حل ۾، ايپليڪيشن / ٽريننگ / AI / ML ميڪانيزم جي معيار جي ڪنٽرول لاء ڊيٽا قطار ۽ رياضياتي ماڊلنگ ماحول سان ڊيٽا / ڪوڊ / ڪنٽرول ايڪسچينج، جيڪي حقيقي وقت ۾ ترتيب ڏنل آهن. InterSystems IRIS پليٽ فارم
• مسلسل (پاڻ) سکيا (مسلسل تربيت، CT) AI / ML ميڪانيزم جي رياضياتي ماڊلنگ ماحول ۾ ڪيل ڊيٽا، ڪوڊ ۽ ڪنٽرول ڪارناما استعمال ڪندي ("فيصلا ڪيا") InterSystems IRIS پليٽ فارم پاران منتقل ڪيل.

مشيني سکيا ۽ مصنوعي ذهانت جي سلسلي ۾ پليٽ فارم جي صلاحيتن جي درجه بندي بلڪل اهڙين گروپن ۾ حادثاتي نه آهي. اچو ته طريقيڪار جو حوالو ڏيو اشاعت گوگل، جيڪو اسان جي ترجمي ۾ هن درجي بندي لاء هڪ تصوراتي بنياد مهيا ڪري ٿو:

"... DevOps تصور، جيڪو اڄڪلهه مشهور آهي، وڏي پيماني تي معلوماتي سسٽم جي ترقي ۽ آپريشن کي ڍڪي ٿو. ھن تصور کي لاڳو ڪرڻ جا فائدا آھن ترقياتي چڪر جي مدت ۾ گھٽتائي، ترقي جي تعیناتي جي رفتار، ڇڏڻ جي منصوبابندي جي لچڪ. انهن فائدن کي حاصل ڪرڻ لاءِ، DevOps ۾ گهٽ ۾ گهٽ ٻن طريقن تي عمل درآمد شامل آهي:

• مسلسل انضمام (CI)
• مسلسل پهچائڻ (سي ڊي)

اهي طريقا AI/ML پليٽ فارمن تي به لاڳو ٿين ٿا ته جيئن پيداواري AI/ML حلن جي مضبوط ۽ پرفارمنس تعميرات کي يقيني بڻائي سگهجي.

AI / ML پليٽ فارم ٻين معلوماتي سسٽم کان هيٺين حصن ۾ مختلف آهن:

• ٽيم صلاحيتون: جڏهن هڪ AI/ML حل ٺاهيندي، ٽيم ۾ عام طور تي ڊيٽا سائنسدان يا ڊيٽا سائنسدان شامل آهن جيڪي ڊيٽا جي تجزيو، ماڊل ڊولپمينٽ، ۽ تصديق ڪن ٿا. اهي ٽيم جا ميمبر پيداواري ڪوڊ جا پروفيشنل ڊولپر نه هوندا.
• ترقي: AI/ML ميڪانيزم فطرت ۾ تجرباتي آهن. سڀ کان وڌيڪ موثر طريقي سان مسئلي کي حل ڪرڻ لاء، ان پٽ متغير، الگورتھم، ماڊلنگ طريقن ۽ ماڊل پيٽرولن جي مختلف مجموعن ذريعي ترتيب ڏيڻ جي ضرورت آھي. اهڙي ڳولا جي پيچيدگي "ڇا ڪم ڪيو / ڪم نه ڪيو" جي نشاندهي ڪرڻ ۾ آهي، قسطن جي ٻيهر پيداوار کي يقيني بڻائڻ، بار بار عملن لاء ترقيات کي عام ڪرڻ.
• جاچ: ٽيسٽنگ AI / ML ميڪانيزم کي ٻين ترقيات جي ڀيٽ ۾ ٽيسٽ جي وڏي حد جي ضرورت آهي. عام يونٽ ۽ انضمام جي تجربن کان علاوه، ڊيٽا جي صحيحيت ۽ ماڊل کي لاڳو ڪرڻ جي نتيجن جي معيار کي تربيت ۽ ڪنٽرول نموني جي جانچ ڪئي وئي آهي.
• تعیناتي: AI/ML حلن جي تعیناتي اڳڪٿي ڪندڙ خدمتن تائين محدود ناهي جيڪي هڪ ڀيرو تربيت يافته ماڊل لاڳو ڪن ٿيون. AI / ML حل گھڻن اسٽيج پائپ لائنن جي چوڌاري ٺهيل آھن جيڪي خودڪار تربيت ۽ ماڊل جي ايپليڪيشن کي انجام ڏين ٿا. اهڙين پائپ لائنن کي ترتيب ڏيڻ ۾ شامل آهي خودڪار غير معمولي قدمن کي روايتي طور تي دستي طور تي ڊيٽا سائنسدانن طرفان انجام ڏنو ويو آهي ته جيئن ماڊل کي تربيت ۽ جانچ ڪرڻ جي قابل ٿي.
• پيداواري: AI/ML انجڻون ڪارڪردگيءَ جي گھٽتائي ڪري سگھن ٿيون نه رڳو غير موثر پروگرامنگ جي ڪري، پر ان پٽ ڊيٽا جي بدلجندڙ نوعيت جي ڪري پڻ. ٻين لفظن ۾، AI/ML ميڪانيزم جي ڪارڪردگي روايتي ترقيات جي ڪارڪردگي جي ڀيٽ ۾ وسيع رينج جي سببن جي ڪري خراب ٿي سگهي ٿي. انهي جي نتيجي ۾ اسان جي AI / ML انجڻ جي ڪارڪردگي جي نگراني (آن لائن) جي ضرورت آهي، ۽ الرٽ موڪلڻ يا نتيجن کي رد ڪرڻ جي صورت ۾ ڪارڪردگي اميدن جي مطابق نه آهي.

AI/ML پليٽ فارم ٻين انفارميشن سسٽم سان ملندڙ جلندڙ آهن جن ۾ ٻنهي کي مسلسل ڪوڊ انضمام جي ضرورت آهي ورجن ڪنٽرول، يونٽ ٽيسٽنگ، انٽيگريشن ٽيسٽنگ، لڳاتار ڊولپمينٽ ڊيپلائيمينٽ سان. بهرحال، AI/ML جي صورت ۾، ڪجھ اھم فرق آھن:

• CI (مسلسل انٽيگريشن) هاڻي محدود نه آهي جانچ ۽ تصديق ڪرڻ لاءِ مقرر ڪيل اجزاء جي ڪوڊ - ان ۾ پڻ شامل آهي جانچ ۽ تصديق ڪرڻ واري ڊيٽا ۽ AI/ML ماڊل.
• سي ڊي (مسلسل ترسيل / تعیناتي، مسلسل تعیناتي) پيڪيجز يا خدمتن کي لکڻ ۽ جاري ڪرڻ تائين محدود ناهي، پر AI / ML حلن کي ترتيب ڏيڻ، سکڻ ۽ لاڳو ڪرڻ لاء هڪ پليٽ فارم جو مطلب آهي.
• CT (مسلسل تربيت، مسلسل سکيا) - هڪ نئون عنصر [تقريبن. آرٽيڪل جي ليکڪ پاران: DevOps جي روايتي تصور جي سلسلي ۾ هڪ نئون عنصر، جنهن ۾ CT عام طور تي مسلسل ٽيسٽنگ آهي]، AI / ML پليٽ فارمن ۾ موروثي، AI / ML ماڊلز کي سکڻ ۽ لاڳو ڪرڻ جي ميکانيزم کي خودمختياري سان منظم ڪرڻ جو ذميوار. ...“

اسان اهو بيان ڪري سگهون ٿا ته حقيقي وقت جي ڊيٽا تي ڪم ڪندڙ مشين لرننگ ۽ مصنوعي ذهانت لاءِ اوزارن ۽ صلاحيتن جي هڪ وسيع سيٽ جي ضرورت آهي (ڪوڊ ڊولپمينٽ کان وٺي رياضياتي ماڊلنگ ماحول جي آرڪيسٽريشن تائين)، سڀني فنڪشنل ۽ موضوع جي علائقن جي وچ ۾ ويجھو انضمام، انساني ۽ وڌيڪ موثر تنظيم. مشيني وسيلن.

حقيقي وقت جي صورتحال: فيڊ پمپ ۾ خرابين جي ترقي کي سڃاڻڻ

مثال طور پروسيس ڪنٽرول جي فيلڊ کي استعمال ڪرڻ جاري رکندي، هڪ خاص ڪم تي غور ڪريو (اڳ ۾ ئي اسان جي شروعات ۾ ذڪر ڪيو ويو آهي): اهو ضروري آهي ته پمپ ۾ خرابين جي ترقي جي حقيقي وقت مانيٽرنگ مهيا ڪرڻ جي عمل جي پيٽرولن جي وهڪري جي بنياد تي. ۽ سار سنڀال جي اهلڪارن جي رپورٽن جي خرابين تي.

شڪل 2 خرابين جي ترقي جي نگراني جي ڪم جو فارموليشن

عملي طور تي هن طريقي سان مقرر ڪيل اڪثريت جي ڪمن جي خاصيت اها آهي ته ڊيٽا جي وصولي (APCS) جي باقاعده ۽ ڪارڪردگي کي مختلف قسم جي خرابين جي غير معمولي ۽ غير منظم واقعن (۽ رجسٽريشن) جي پس منظر جي خلاف سمجهيو وڃي. ٻين لفظن ۾: پروسيس ڪنٽرول سسٽم مان ڊيٽا هڪ ڀيرو ٻئي صحيح صحيح طور تي اچي ٿو، ۽ خرابين کي هڪ اڻڄاتل پنسل سان رڪارڊ ڪيو ويو آهي تاريخ سان گڏ ورڪشاپ ۾ عام نوٽ بڪ ۾ (مثال طور: "12.01 - لڪ کان ڍڪ ۾. 3rd بيئرنگ جي پاسي").

اهڙيء طرح، اهو ممڪن آهي ته مسئلي جي فارموليشن کي هيٺين اهم حدن سان پورو ڪرڻ لاء: اسان وٽ صرف هڪ "ليبل" آهي هڪ خاص قسم جي خرابي جو (يعني، هڪ خاص قسم جي خرابي جو هڪ مثال ظاھر ڪيو ويو آھي ڊيٽا جي ڊيٽا سان. هڪ مخصوص تاريخ لاءِ پروسيس ڪنٽرول سسٽم - ۽ اسان وٽ هن خاص قسم جي عيب جا وڌيڪ مثال نه آهن). اها پابندي اسان کي فوري طور تي ڪلاسيڪل مشين لرننگ (سپروائزڊ لرننگ) جي دائري کان ٻاهر وٺي وڃي ٿي، جنهن لاءِ ڪافي ”ليبل“ هجڻ گهرجن.

شڪل 3 خرابين جي ترقي جي نگراني جي ڪم جي سڌاري

ڇا اسان ڪنهن به طرح اسان جي اختيار ۾ صرف "ليبل" کي "ضرب" ڪري سگهون ٿا؟ ها اسان ڪري سگھون ڀا. پمپ جي موجوده حالت رجسٽر ٿيل خرابين سان هڪجهڙائي جي درجي جي خاصيت آهي. جيتوڻيڪ مقدار جي طريقن جي استعمال کان سواء، بصري تصور جي سطح تي، پروسيس ڪنٽرول سسٽم مان اچڻ واري ڊيٽا جي قيمتن جي متحرڪ کي ڏسڻ، توهان اڳ ۾ ئي گهڻو ڪجهه سکي سگهو ٿا:

تصوير 4 پمپ جي حالت جي متحرڪ هڪ ڏنل قسم جي خرابي جي "نشان" جي پس منظر جي خلاف

پر بصري تصور (گهٽ ۾ گهٽ هن وقت تائين) اسان جي تيزيءَ سان بدلجندڙ منظرنامي ۾ ”ٽيگ“ جو سڀ کان مناسب جنريٽر ناهي. اسان پمپ جي موجوده حالت جي هڪجهڙائي جو جائزو وٺنداسين رپورٽ ٿيل خرابين کي شمارياتي ٽيسٽ استعمال ڪندي.

شڪل 5 عيب جي "ليبل" جي پس منظر جي خلاف ايندڙ ڊيٽا لاءِ شمارياتي ٽيسٽ لاڳو ڪرڻ

شمارياتي امتحان ان امڪان کي طئي ڪري ٿو ته پروسيس ڪنٽرول سسٽم مان حاصل ڪيل "فلو-پيڪٽ" ۾ ٽيڪنالاجي پروسيس جي پيٽرولر جي قدرن سان گڏ رڪارڊ هڪ خاص قسم جي خرابي جي "ليبل" رڪارڊ سان ملندڙ جلندڙ آهن. شمارياتي ٽيسٽ لاڳو ڪرڻ جي نتيجي ۾ شمار ڪيل امڪاني قدر (شمارياتي هڪجهڙائي واري انڊيڪس) کي 0 يا 1 جي قدر ۾ تبديل ڪيو ويندو آهي، هڪجهڙائي واري پيڪيج ۾ هر مخصوص رڪارڊ ۾ مشين لرننگ لاءِ ”ليبل“ بڻجي ويندو آهي. اهو آهي، هڪ شمارياتي ٽيسٽ سان پمپ اسٽيٽ ريڪارڊ جي نئين وصول ڪيل پيڪيج کي پروسيس ڪرڻ کان پوء، اسان وٽ اهو موقعو آهي ته (الف) هن پيڪيج کي AI / ML ماڊل جي تربيت لاء تربيتي نموني ۾ شامل ڪريو ۽ (ب) جي معيار جي نگراني ڪريو. ماڊل جو موجوده نسخو جڏهن اهو هن پيڪيج تي لاڳو ٿئي ٿو.

شڪل 6 عيب جي ”ليبل“ جي پس منظر جي خلاف ايندڙ ڊيٽا تي مشين لرننگ ماڊل لاڳو ڪرڻ

اسان جي اڳوڻين مان هڪ ۾ ويبينرز اسان ڏيکاريون ٿا ۽ وضاحت ڪريون ٿا ته ڪيئن InterSystems IRIS پليٽ فارم توهان کي ڪنهن به AI / ML ميڪانيزم کي لاڳو ڪرڻ جي اجازت ڏئي ٿو مسلسل ڪاروباري عملن جي صورت ۾ جيڪو تخليقي نتيجن جي اعتبار کي ڪنٽرول ڪري ٿو ۽ ماڊل پيٽرولر کي ترتيب ڏئي ٿو. جڏهن پمپن سان اسان جي منظرنامي جي پروٽوٽائپ کي لاڳو ڪريون ٿا، اسان ويبينار دوران پيش ڪيل سڀني InterSystems IRIS ڪارڪردگيءَ کي استعمال ڪريون ٿا - تجزيي جي عمل کي اسان جي حل جي حصي طور لاڳو ڪرڻ، نه ڪلاسيڪل نگراني ٿيل سکيا، بلڪه تربيتي سکيا، جيڪا پاڻمرادو تربيت لاءِ نموني کي ڪنٽرول ڪري ٿي. ماڊلز. رڪارڊ ٽريننگ نموني ۾ رکيا ويا آهن جن تي "تحقيق اتفاق" ٻنهي جي شمارياتي ٽيسٽ ۽ ماڊل جي موجوده ورزن کي لاڳو ڪرڻ کان پوء ٿيندي آهي - يعني ٻئي شمارياتي ٽيسٽ (مماثلت انڊيڪس جي 0 يا 1 ۾ تبديلي کان پوء)، ۽ ماڊل اهڙين رڪارڊن تي نتيجو پيدا ڪيو 1. ماڊل جي نئين تربيت سان، ان جي تصديق جي دوران (نئون تربيت يافته ماڊل ان جي پنهنجي تربيتي نموني تي لاڳو ڪيو ويو آهي، ان لاءِ شمارياتي ٽيسٽ جي ابتدائي درخواست سان)، رڪارڊ جيڪي ”نه ڪيو. رکو” نتيجو 1 جي شمارياتي ٽيسٽ جي پروسيسنگ کان پوءِ (ٽريننگ ۾ مسلسل موجودگي جي ڪري رڪارڊ جو نمونو اصل ”ليبل“ مان عيب جو نمونو) ٽريننگ جي نموني مان هٽايو وڃي ٿو، ۽ ماڊل جو نئون نسخو ان کان سکي ٿو. عيب جو "ليبل" ۽ نديءَ مان "منعقد" رڪارڊ.

تصوير 7 InterSystems IRIS ۾ AI/ML حسابن جي روبوٽائيزيشن

جيڪڏهن InterSystems IRIS ۾ مقامي ڪمپيوٽنگ ذريعي حاصل ڪيل تشخيص جي معيار تي هڪ قسم جي "ٻي راءِ" جي ضرورت آهي، هڪ صلاحڪار پروسيس ٺاهي ويندي آهي ٽريننگ لاڳو ڪرڻ واري ماڊل کي انجام ڏيڻ لاءِ ڪنٽرول ڊيٽا سيٽ تي ڪلائوڊ سروسز استعمال ڪندي (مثال طور، Microsoft Azure , Amazon Web Services , Google Cloud Platform , etc.):

شڪل 8 Microsoft Azure کان سيڪنڊ راءِ InterSystems IRIS پاران ترتيب ڏنل

InterSystems IRIS ۾ اسان جي منظرنامي جو پروٽوٽائپ تجزياتي عملن جي ايجنٽ تي ٻڌل سسٽم جي صورت ۾ ٺاهيو ويو آهي جيڪو سامان جي اعتراض (پمپ)، رياضياتي ماڊلنگ ماحول (پٿون، آر ۽ جوليا) سان رابطو ڪري ٿو، ۽ سڀني کي خود سکيا فراهم ڪري ٿو. ملوث AI / ML ميڪانيزم - حقيقي وقت جي ڊيٽا جي وهڪري تي.

شڪل 9 انٽر سسٽم IRIS ۾ حقيقي وقت جي AI/ML حل جي مکيه ڪارڪردگي

اسان جي پروٽوٽائپ جو عملي نتيجو:

• ماڊل پاران سڃاڻپ ٿيل خرابي جو نمونو (جنوري 12):

• هڪ ترقي پذير عيب جي سڃاڻپ ماڊل پاران، جيڪا نموني ۾ شامل نه هئي (سيپٽمبر 11، اهو عيب خود مرمت جي ٽيم پاران صرف ٻن ڏينهن بعد معلوم ڪيو ويو - سيپٽمبر 13):

حقيقي ڊيٽا تي هڪ ئي عيب جي ڪيترن ئي قسطن تي مشتمل نموني ڏيکاري ٿي ته اسان جو حل، InterSystems IRIS پليٽ فارم تي لاڳو ڪيو ويو آهي، اسان کي اجازت ڏئي ٿو ته هن قسم جي خرابين جي ترقي کي ڳولڻ کان اڳ ڪيترن ئي ڏينهن اڳ انهن جي مرمت جي ٽيم طرفان دريافت ڪيو وڃي.

InterSystems IRIS - آفاقي حقيقي وقت AI/ML ڪمپيوٽنگ پليٽ فارم

InterSystems IRIS پليٽ فارم حقيقي وقت ڊيٽا حل جي ترقي، ترتيب ڏيڻ، ۽ آپريشن کي آسان بڻائي ٿو. InterSystems IRIS هڪ ئي وقت ٽرانزيڪشن ۽ تجزياتي ڊيٽا پروسيسنگ انجام ڏيڻ جي قابل آهي؛ ڪيترن ئي ماڊلز جي مطابق ڊيٽا جي هم وقت سازي جي نظرن کي برقرار رکون ٿا (بشمول تعلقي، درجه بندي، اعتراض ۽ دستاويز)؛ ڊيٽا ذريعن ۽ انفرادي ايپليڪيشنن جي وسيع رينج لاء هڪ انضمام پليٽ فارم طور ڪم؛ منظم ۽ غير منظم ڊيٽا تي جديد حقيقي وقت جا تجزياتي مهيا ڪريو. InterSystems IRIS خارجي تجزياتي اوزار جي استعمال لاءِ ميکانيزم پڻ مهيا ڪري ٿي، ڪلائوڊ ۽ مقامي سرورز تي ميزباني کي گڏ ڪرڻ جي لچڪ جي اجازت ڏئي ٿي.

InterSystems IRIS پليٽ فارم تي ٺاهيل ايپليڪيشنون سڀني صنعتن ۾ لڳايو ويو آهي، ڪمپنين کي هڪ اسٽريٽجڪ ۽ آپريشنل نقطه نظر کان اهم معاشي قدر حاصل ڪرڻ ۾ مدد ڪندي، فيصلا ڪرڻ کي وڌائڻ ۽ واقعن، تجزيو ۽ عمل جي وچ ۾ فرق کي بند ڪرڻ.

شڪل 10 InterSystems IRIS فن تعمير حقيقي وقت جي AI/ML جي حوالي سان

پوئين ڊراگرام وانگر، هيٺ ڏنل ڊراگرام پليٽ فارم جي ڪم جي شين جي وچ ۾ معلومات جي وهڪري سان گڏ نئين "ڪوآرڊينيٽ سسٽم" (CD/CI/CT) کي گڏ ڪري ٿو. بصري سي ڊي ميڪرو ميڪانيزم سان شروع ٿئي ٿو ۽ CI ۽ CT ميڪرو ميڪانيزم سان جاري آهي.

شڪل 11 انفارميشن اسڪيم جي وهڪري AI/ML عناصر جي وچ ۾ InterSystems IRIS پليٽ فارم

InterSystems IRIS ۾ سي ڊي ميڪانيزم جو خلاصو: پليٽ فارم استعمال ڪندڙ (AI / ML حل ڊولپرز) موجوده کي ترتيب ڏيو ۽ / يا نئين AI / ML ترقيات ٺاهي هڪ خاص AI / ML ميڪانيزم ڪوڊ ايڊيٽر استعمال ڪندي: Jupyter (مڪمل نالو: Jupyter Notebook؛ پڻ، اختصار لاء، هن ايڊيٽر ۾ ٺاهيل دستاويزن کي ڪڏهن ڪڏهن سڏيو ويندو آهي). Jupyter ۾، هڪ ڊولپر کي هڪ مخصوص AI / ML ڊولپمينٽ جي ڪارڪردگي (گرافڪس استعمال ڪرڻ سميت) لکڻ، ڊيبگ ڪرڻ ۽ تصديق ڪرڻ جو موقعو هوندو آهي ان کان اڳ جو انٽر سسٽم IRIS ۾ هوسٽ ڪيو وڃي ("تعين ڪيل"). اهو واضح آهي ته هن طريقي سان ٺاهيل هڪ نئين ترقي صرف بنيادي ڊيبگنگ حاصل ڪندي (ڇاڪاڻ ته، خاص طور تي، Jupyter حقيقي وقت جي ڊيٽا اسٽريمز سان ڪم نه ڪندو آهي) - اهو شين جي ترتيب ۾ آهي، ڇاڪاڻ ته Jupyter ۾ ترقي جو بنيادي نتيجو آهي. هڪ الڳ AI / ML-ميکانيزم جي بنيادي ڪارڪردگي جي تصديق آهي ("ڊيٽا نموني تي متوقع نتيجو ڏيکاري ٿو"). ساڳي طرح، پليٽ فارم ۾ اڳ ۾ ئي رکيل هڪ ميکانيزم (هيٺ ڏنل ميڪرو ميڪانيزم ڏسو) Jupyter ۾ ڊيبگ ڪرڻ کان اڳ شايد "رول بيڪ" جي ضرورت هجي "پري پليٽ فارم" فارم (فائلن مان ڊيٽا پڙهڻ، ٽيبل جي بدران xDBC ذريعي ڊيٽا سان ڪم ڪرڻ، گلوبلن سان سڌو رابطو - گھڻائي واري ڊيٽا جي صفن InterSystems IRIS - وغيره).

InterSystems IRIS ۾ CD لاڳو ڪرڻ جو هڪ اهم پاسو اهو آهي ته پليٽ فارم ۽ Jupyter جي وچ ۾ ٻه طرفي انضمام لاڳو ڪيو ويو آهي، جيڪو توهان کي پليٽ فارم تي منتقل ڪرڻ جي اجازت ڏئي ٿو (۽، وڌيڪ، پليٽ فارم ۾ پروسيس) مواد Python، R ۽ جوليا ۾ (سڀئي ٽي آهن. رياضياتي ماڊلنگ جي لاڳاپيل معروف اوپن سورس سورس ماحول ۾ پروگرامنگ ٻوليون). اهڙيءَ طرح، AI/ML مواد ڊولپرز وٽ هن مواد کي پليٽ فارم تي ”مسلسل طور تي ترتيب ڏيڻ“ جي صلاحيت آهي، انهن جي واقف Jupyter ايڊيٽر ۾ ڪم ڪندي، پٿون، آر، جوليا ۾ موجود واقف لائبريرين سان، ۽ پليٽ فارم تان بنيادي ڊيبگنگ (جيڪڏهن ضروري هجي) انجام ڏيڻ جي صلاحيت رکي ٿي. .

اچو ته InterSystems IRIS ۾ CI جي ميڪرو ميڪانيزم ڏانهن وڃو. ڊراگرام ”ريئل-ٽائم روبوٽ“ جي ميڪرو پروسيس کي ڏيکاري ٿو (ڊيٽا جي جوڙجڪ، ڪاروباري عملن ۽ ڪوڊ جي ٽڪرن جو هڪ پيچيده انهن جي طرفان ميٽ جي ٻولين ۾ ترتيب ڏنل آهي ۽ ObjectScript ٻولي - InterSystems جي اصلي ترقي واري ٻولي IRIS). هن ميڪرو پروسيس جو ڪم AI / ML ميڪانيزم جي آپريشن لاءِ ضروري ڊيٽا جي قطارن کي برقرار رکڻ آهي (حقيقي وقت ۾ پليٽ فارم تي منتقل ٿيل ڊيٽا جي وهڪري جي بنياد تي)، ايپليڪيشن جي تسلسل ۽ AI جي "رينج" بابت فيصلا ڪرڻ. ML ميڪانيزم (اهي پڻ آهن "رياضياتي الگورتھم"، "ماڊل"، وغيره. - لاڳو ڪرڻ جي وضاحتن ۽ اصطلاحي ترجيحن جي لحاظ کان مختلف طور تي سڏيو وڃي ٿو)، AI / ML ميڪانيزم جي ڪم جي نتيجن جو تجزيو ڪرڻ لاء ڊيٽا جي جوڙجڪ کي اپڊيٽ رکو. (ڪيوب، ٽيبل، گھڻائي واري ڊيٽا آري، وغيره) وغيره - رپورٽن لاءِ، ڊيش بورڊ وغيره).

InterSystems IRIS ۾ CI جي نفاذ جو هڪ اهم پاسو اهو آهي ته پليٽ فارم ۽ رياضياتي ماڊلنگ ماحول جي وچ ۾ ٻه طرفي انضمام لاڳو ڪيو ويو آهي، جيڪو پليٽ فارم ۾ ميزباني ڪيل مواد کي پٿون، آر ۽ جوليا ۾ انهن جي لاڳاپيل ماحول ۾ عملدرآمد جي نتيجن جي واپسي سان عمل ڪرڻ جي اجازت ڏئي ٿو. . هي انٽيگريشن ٻنهي ”ٽرمينل موڊ“ ۾ لاڳو ڪيو ويو آهي (يعني AI/ML مواد ٺاهيو ويو آهي ObjectScript ڪوڊ جي طور تي ميٽس کي ڪال ڪرڻ لاءِ) ۽ ”ڪاروباري پروسيس موڊ“ (يعني AI/ML مواد ٺاهيو ويو آهي ڪاروباري عمل جي طور تي هڪ گرافڪ ايڊيٽر استعمال ڪندي، يا ڪڏهن ڪڏهن Jupyter استعمال ڪندي، يا IDE استعمال ڪندي - IRIS اسٽوڊيو، Eclipse، Visual Studio Code). Jupyter ۾ ڪاروباري عملن جي تبديليءَ جي عڪاسي ٿئي ٿي IRIS جي وچ ۾ CI سطح تي ۽ Jupyter جي CD سطح تي. رياضياتي ماڊلنگ ماحول سان انضمام جو وڌيڪ تفصيلي جائزو هيٺ ڏنو ويو آهي. هن اسٽيج تي، اسان جي راء ۾، اتي موجود سڀني ضروري اوزارن جي پليٽ فارم ۾ موجودگي کي درست ڪرڻ جو هر سبب آهي ته AI / ML ترقيات جي "مسلسل انضمام" کي لاڳو ڪرڻ لاء ("مسلسل تعینات" کان وٺي) حقيقي وقت ۾ AI / ML حل.

۽ مکيه ميڪرو ميڪانيزم: CT. ان کان سواء، AI / ML پليٽ فارم ڪم نه ڪندا (جيتوڻيڪ "حقيقي وقت" CD / CI ذريعي لاڳو ڪيو ويندو). CT جو جوهر پليٽ فارم جو ڪم آهي مشين لرننگ ۽ مصنوعي ذهانت جي ”نثري شين“ سان سڌو سنئون رياضياتي ماڊلنگ ماحول جي ڪم ڪندڙ سيشنن ۾: ماڊل، تقسيم ٽيبل، ميٽرڪس ویکٹر، نيورل نيٽ ورڪ جا پرت وغيره. هي "ڪم"، اڪثر ڪيسن ۾، ماحول ۾ ذڪر ڪيل نمونن کي ٺاهڻ تي مشتمل آهي (ماڊل جي صورت ۾، مثال طور، "تخليق" ماڊل جي وضاحت ۽ بعد ۾ ان جي پيٽرولن جي قيمتن جي چونڊ تي مشتمل آهي. ماڊل جي نام نهاد "ٽريننگ")، انهن جي ايپليڪيشن (ماڊل لاءِ: انهن کي استعمال ڪرڻ لاءِ "ماڊل" قدرن کي ڳڻڻ لاءِ ٽارگيٽ متغير - اڳڪٿيون، هڪ درجي سان تعلق رکندڙ، واقعا ٿيڻ جو امڪان، وغيره) ۽ بهتر ڪرڻ اڳ ۾ ئي ٺاهيل ۽ لاڳو ڪيل نمونا (مثال طور، ايپليڪيشن جي نتيجن جي بنياد تي ماڊل ان پٽ متغيرن جي سيٽ کي ٻيهر بيان ڪرڻ - اڳڪٿي جي درستگي کي وڌائڻ لاء، هڪ اختيار جي طور تي). CT جي ڪردار کي سمجھڻ ۾ اھم نقطو آھي CD ۽ CI جي حقيقتن مان ان جو ”تخليق“: CT سڀني نمونن کي لاڳو ڪندو، مخصوص ماحول پاران مهيا ڪيل صلاحيتن جي اندر AI/ML حل جي حسابي ۽ رياضياتي خصوصيتن تي ڌيان ڏيندو. . "انپٽ ڊيٽا مهيا ڪرڻ" ۽ "نتيجو پهچائڻ" جي ذميواري CD ۽ CI جي ذميواري هوندي.

InterSystems IRIS ۾ CT جي عمل درآمد جو هڪ اهم پاسو: مٿي ذڪر ڪيل رياضياتي ماڊلنگ ماحول سان گڏ انضمام کي استعمال ڪندي، پليٽ فارم کي ماحول ۾ ان جي ڪنٽرول هيٺ هلندڙ ڪم سيشنن مان ساڳيا نمونا ڪڍڻ جي صلاحيت آهي ۽ (سڀ کان اهم) انهن کي پليٽ فارم ۾ تبديل ڪري ٿو. ڊيٽا شيون. مثال طور، هڪ ورهائڻ واري ٽيبل جيڪا صرف هڪ ڪم ڪندڙ پٿون سيشن ۾ ٺاهي وئي آهي (پائٿون ۾ سيشن کي روڪڻ کان سواءِ) پليٽ فارم تي منتقل ٿي سگهي ٿي، مثال طور، هڪ عالمي (ملٽي ڊيمينشنل InterSystems IRIS ڊيٽا صف) - ۽ استعمال ٿيل ٻئي AI / ML ميڪانيزم ۾ حسابن لاءِ (اڳ ۾ ئي ٻئي ماحول جي ٻولي ۾ لاڳو ٿيل آهي - مثال طور، R ۾) - يا هڪ ورچوئل ٽيبل. ٻيو مثال: ماڊل آپريشن جي "عام موڊ" سان متوازي ۾ (Python ڪم ڪندڙ سيشن ۾)، "خودڪار-ML" ان جي ان پٽ ڊيٽا تي ڪيو ويندو آهي: بهترين ان پٽ متغير ۽ پيٽرولر جي قيمتن جي خودڪار چونڊ. ۽ "باقاعده" ٽريننگ سان گڏ، حقيقي وقت ۾ پيداواري ماڊل پڻ حاصل ڪري ٿو "اصلاح جي تجويز" ان جي وضاحت لاءِ - جنهن ۾ ان پٽ متغيرن جو سيٽ تبديل ٿي وڃي ٿو، پيٽرولر جي قدر تبديل ٿي وڃي ٿي (نه پٿون ۾ تربيت جي نتيجي ۾ ، پر ٽريننگ جي نتيجي ۾ "پنهنجو پاڻ جو متبادل نسخو، جهڙوڪ H2O اسٽيڪ ۾)، مجموعي AI/ML حل کي اجازت ڏئي ٿو ته ان پٽ ڊيٽا جي نوعيت ۾ غير متوقع تبديلين سان خودمختياري سان ڊيل ڪرڻ ۽ رجحان کي ماڊل ڪيو وڃي.

اچو ته وڌيڪ تفصيل سان واقف ٿيون پليٽ فارم AI / ML ڪارڪردگي سان InterSystems IRIS، هڪ حقيقي زندگي جي پروٽوٽائپ جو مثال استعمال ڪندي.

ھيٺ ڏنل ڊراگرام ۾، سلائڊ جي کاٻي پاسي، ڪاروباري عمل جو ھڪڙو حصو آھي جيڪو اسڪرپٽ جي پروسيسنگ کي Python ۽ R ۾ لاڳو ڪري ٿو. مرڪزي حصي ۾، انھن مان ڪجھ اسڪرپٽ جي عمل لاءِ بصري لاگ آھن، ترتيبوار، Python ۽ R. ۾ انهن جي ساڄي پويان هڪ ۽ ٻي ٻوليءَ تي مواد جا مثال آهن، مناسب ماحول ۾ عمل لاءِ پيش ڪيا ويا آهن. آخر ۾ ساڄي پاسي اسڪرپٽ جي عمل جي نتيجن جي بنياد تي تصورات آهن. مٿي تي ويزولائيزيشنز IRIS Analytics تي ڪيون وينديون آهن (ڊيٽا Python کان InterSystems IRIS ڊيٽا پليٽ فارم تي ورتي ويندي آهي ۽ پليٽ فارم کي استعمال ڪندي ڊيش بورڊ تي ڏيکاري ويندي آهي)، تري ۾ اهي R ڪم ڪندڙ سيشن ۾ صحيح ڪيون وينديون آهن ۽ اتان کان آئوٽ. گرافڪ فائلون. هڪ اهم پاسو: پروٽوٽائپ ۾ پيش ڪيل ٽڪرا ماڊل جي تربيت لاءِ ذميوار آهي (سامان جي رياستن جي درجه بندي) ڊيٽا تي حقيقي وقت ۾ اچڻ واري سامان جي پروسيس-سميليٽر کان، حڪم تي پروسيس-مانيٽر جي معيار تي. ماڊل جي ايپليڪيشن دوران مشاهدو ڪيو ويو. هڪ AI/ML حل جي عمل درآمد جي عملن جي هڪ سيٽ جي طور تي ("ايجنٽ") وڌيڪ بحث ڪيو ويندو.

تصوير 12 انٽر سسٽم IRIS ۾ پٿون، آر ۽ جوليا سان رابطي

پليٽ فارم جا عمل (اهي پڻ آهن "ڪاروباري عمل"، "تجزياتي عمل"، "پائپ لائنون"، وغيره - حوالي سان منحصر آهن)، بنيادي طور تي پليٽ فارم ۾ ئي گرافڪ ڪاروباري پروسيس ايڊيٽر ۾ تبديل ڪيا ويا آهن، ۽ اهڙي طرح ٻنهي ان جو بلاڪ ڊراگرام ۽ لاڳاپيل AI/ML ميڪانيزم (پروگرام ڪوڊ) هڪ ئي وقت ٺاهيا ويا آهن. هن حقيقت جي باري ۾ ڳالهائيندي ته "هڪ AI / ML ميڪانيزم حاصل ڪيو ويو آهي"، اسان جو شروعاتي مطلب آهي هائبرڊٽي (ساڳئي عمل جي اندر): رياضياتي ماڊلنگ ماحول جي ٻولين ۾ مواد SQL ۾ مواد جي ڀرسان آهي (بشمول ايڪسٽينشنز مان. IntegratedML)، InterSystems ObjectScript ۾، ٻين معاون ٻولين سان. ان کان علاوه، پليٽ فارم جي عمل ۾ "ڊرائنگ" لاء تمام وسيع امڪانات مهيا ڪري ٿي hierarchically nested ٽڪرن جي صورت ۾ (جيئن هيٺ ڏنل آريگرام ۾ مثال ۾ ڏسي سگهجي ٿو)، جيڪو توهان کي "گرڻ" کان سواء تمام پيچيده مواد کي منظم ڪرڻ جي اجازت ڏئي ٿو. گرافڪ فارميٽ ڪٿي به ("غير گرافڪ » طريقن/طبقن/طريقي، وغيره) ۾. اهو آهي، جيڪڏهن ضروري هجي (۽ اهو سڀ کان وڌيڪ منصوبن ۾ توقع آهي)، بلڪل سڀني AI / ML حل هڪ گرافڪ خود تبصري فارميٽ ۾ لاڳو ڪري سگهجي ٿو. مهرباني ڪري نوٽ ڪريو ته هيٺ ڏنل آريگرام جي مرڪزي حصي ۾، جيڪو ڏيکاري ٿو هڪ اعلي "نسٽنگ ليول"، توهان ڏسي سگهو ٿا ته ماڊل جي تربيت جي حقيقي ڪم کان علاوه (پائٿون ۽ آر استعمال ڪندي)، نام نهاد ROC جو تجزيو. ٽريننگ ماڊل جو وکر شامل ڪيو ويو آهي، جيڪو بصري طور تي (۽ حساب سان پڻ) تربيت جي معيار جو جائزو وٺڻ جي اجازت ڏئي ٿو - ۽ اهو تجزيو جوليا ٻولي ۾ لاڳو ڪيو ويو آهي (اهو عمل ڪيو ويو آهي، ترتيب سان، جوليا ماحول ۾).

تصوير 13 InterSystems IRIS ۾ AI/ML حل ترتيب ڏيڻ لاءِ بصري ماحول

جيئن اڳ ذڪر ڪيو ويو آهي، ابتدائي ترقي ۽ (ڪجهه ڪيسن ۾) پليٽ فارم ۾ اڳ ۾ ئي لاڳو ٿيل AI / ML ميڪانيزم جي موافقت / ٿي سگهي ٿو پليٽ فارم کان ٻاهر Jupyter ايڊيٽر ۾. هيٺ ڏنل آريگرام ۾، اسان هڪ موجوده پليٽ فارم جي عمل کي ترتيب ڏيڻ جو هڪ مثال ڏسون ٿا (جيئن مٿي ڏنل ڊراگرام ۾) - اهو ڪيئن آهي اهو ٽڪرو جيڪو ماڊل جي تربيت لاءِ ذميوار آهي Jupyter ۾ نظر اچي ٿو. Python مواد ايڊيٽنگ، ڊيبگنگ، گرافڪس آئوٽ پٽ سڌو Jupyter ۾ موجود آهي. تبديليون (جيڪڏهن ضروري هجي) پليٽ فارم جي عمل ۾ فوري هم وقت سازي سان ٺاهي سگھجن ٿيون، ان جي پيداوار واري ورزن سميت. اهڙي طرح، نئين مواد کي پليٽ فارم تي منتقل ڪري سگهجي ٿو (هڪ نئين پليٽ فارم عمل خودڪار طريقي سان ٺاهيل آهي).

تصوير 14 InterSystems IRIS پليٽ فارم ۾ AI/ML انجڻ کي ايڊٽ ڪرڻ لاءِ Jupyter نوٽ بڪ استعمال ڪندي

پليٽ فارم جي عمل جي موافقت نه رڳو هڪ گرافڪ يا نوٽ بڪ فارميٽ ۾، پر پڻ "مجموعي" IDE (Integrated Development Environment) فارميٽ ۾. اهي IDEs آهن IRIS اسٽوڊيو (آبائي IRIS اسٽوڊيو)، Visual Studio Code (InterSystems IRIS extension for VSCode)، ۽ Eclipse (Atelier پلگ ان). ڪجهه حالتن ۾، اهو ممڪن آهي ته ڊولپمينٽ ٽيم لاءِ هڪ ئي وقت سڀني ٽن IDEs کي استعمال ڪرڻ. هيٺ ڏنل ڊراگرام ڏيکاري ٿو ساڳئي عمل کي ايڊٽ ڪرڻ جو مثال IRIS اسٽوڊيو ۾، Visual Studio Code ۽ Eclipse ۾. مڪمل طور تي سمورو مواد ايڊيٽنگ لاءِ موجود آهي: Python/R/Julia/SQL، ۽ ObjectScript، ۽ هڪ ڪاروباري عمل.

شڪل 15 مختلف IDEs ۾ InterSystems IRIS ڪاروباري عمل جي ترقي

InterSystems IRIS ڪاروباري عمل جي تفصيل ۽ عمل ڪرڻ جا اوزار بزنس پروسيس لينگوئج (BPL) ۾ خاص ذڪر جا مستحق آهن. BPL اهو ممڪن بڻائي ٿو ته "ريڊي ميڊ انٽيگريشن پرسونٽس" (سرگرميون) کي ڪاروباري عملن ۾ استعمال ڪرڻ - جيڪو، حقيقت ۾، ان ڳالهه جو پورو دليل ڏئي ٿو ته "مسلسل انضمام" InterSystems IRIS ۾ لاڳو ٿيل آهي. تيار ٿيل ڪاروباري عمل جا حصا (سرگرميون ۽ انهن جي وچ ۾ لنڪس) AI/ML حل کي گڏ ڪرڻ لاءِ سڀ کان وڌيڪ طاقتور تيز ڪندڙ آهن. ۽ نه رڳو اسيمبليون: انهن جي وچ ۾ سرگرمين ۽ رابطن جي مهرباني، مختلف AI / ML ترقيات ۽ ميڪانيزم تي، هڪ "خودمختيار انتظامي پرت" ظاهر ٿئي ٿو جيڪو حقيقي وقت ۾، صورتحال جي مطابق فيصلا ڪرڻ جي قابل آهي.

شڪل 16 InterSystems IRIS پليٽ فارم تي لڳاتار انضمام (CI) لاءِ تيار ٿيل ڪاروباري عمل جا حصا

ايجنٽ سسٽم جو تصور (اهي پڻ آهن "ملٽي ايجنٽ سسٽم") روبوٽڪس ۾ هڪ مضبوط پوزيشن آهي، ۽ InterSystems IRIS پليٽ فارم ان کي "پراڊڪٽ-پروسيس" جي تعمير ذريعي منظم طور تي سپورٽ ڪري ٿو. مجموعي حل لاءِ ضروري ڪارڪردگيءَ سان هر عمل کي ”اڌڻ“ لاءِ لامحدود امڪانن کان علاوه، پليٽ فارم جي عملن جي نظام کي ”ايجنسي“ جي ملڪيت سان عطا ڪرڻ توهان کي اجازت ڏئي ٿو ته انتهائي غير مستحڪم تخليقي رجحان (سماجي/بائيو سسٽم جو رويو) لاءِ موثر حل پيدا ڪري. , جزوي طور تي مشاهدو ٽيڪنالاجي عمل، وغيره).

تصوير 16 AI/ML حل جو آپريشن هڪ ڪاروباري عمل ايجنٽ سسٽم جي طور تي InterSystems IRIS ۾

اسان InterSystems IRIS جو جائزو جاري رکون ٿا پليٽ فارم جي ايپليڪيشن جي باري ۾ هڪ ڪهاڻي سان گڏ سموري ڪلاسن جي حقيقي مسئلن کي حل ڪرڻ لاءِ (InterSystems IRIS تي پليٽ فارم AI / ML جي ڪجهه بهترين طريقن سان ڪافي تفصيلي واقفيت اسان جي اڳوڻين مان هڪ ۾ ٿئي ٿي. ويبينرز).

پوئين آريگرام جي گرم تعاقب ۾، هيٺ ڏنل ايجنٽ سسٽم جو وڌيڪ تفصيلي آريگرام آهي. ڊراگرام هڪ ئي پروٽوٽائپ ڏيکاري ٿو، سڀئي چار ايجنٽ پروسيس نظر اچن ٿا، انهن جي وچ ۾ لاڳاپا اسڪيمياتي طور تي ٺاهيا ويا آهن: جنريٽر - سامان جي سينسرز ذريعي ڊيٽا جي تخليق کي سنڀاليندو آهي، بفر - ڊيٽا جي قطار کي منظم ڪري ٿو، اينالائزر - پاڻ کي مشين سکيا، مانيٽر - ڪنٽرول ڪري ٿو. مشين جي سکيا جو معيار ۽ فيڊ هڪ سگنل آهي ته ماڊل کي ٻيهر تربيت ڏيڻ جي ضرورت آهي.

تصوير 17 انٽر سسٽم IRIS ۾ ڪاروباري پروسيسنگ ايجنٽ سسٽم جي طور تي AI/ML حل جو ٺهيل

هيٺ ڏنل ڊراگرام ڪجهه وقت لاءِ هڪ ٻئي روبوٽڪ پروٽوٽائپ (جذباتي متن جي سڃاڻپ) جي خودمختيار ڪارڪردگي کي بيان ڪري ٿو. مٿئين حصي ۾ - ماڊل سکيا جي معيار جي اشاري جو ارتقا (معيار وڌي رهيو آهي)، هيٺئين حصي ۾ - ماڊل ايپليڪيشن معيار جي اشاري جي متحرڪ ۽ بار بار ٽريننگ جي حقيقتون (لال بار). جئين توهان ڏسي سگهو ٿا، حل پاڻ کي موثر ۽ خودمختيار طور تي سکيو آهي، ۽ هڪ ڏنل معيار جي سطح تي ڪم ڪري ٿو (معيار جي اشاري جي قيمت 80٪ کان گهٽ نه آهي).

شڪل 18 مسلسل (خود-) سکيا (CT) InterSystems IRIS پليٽ فارم تي

اسان اڳ ۾ "آٽو-ايم ايل" جو ذڪر ڪيو آهي، پر هيٺ ڏنل ڊراگرام هڪ مثال طور هڪ ٻيو پروٽوٽائپ استعمال ڪندي تفصيل سان هن ڪارڪردگي جي ايپليڪيشن کي ڏيکاري ٿو. ڪاروباري عمل جي ٽڪڙي جو گرافڪ ڊراگرام ڏيکاري ٿو سرگرمي جيڪا H2O اسٽيڪ ۾ تخليق کي شروع ڪري ٿي، ڏيکاري ٿي هن تخليق جا نتيجا (واضح طور تي "انساني ٺاهيل" ماڊل تي نتيجي واري ماڊل جو واضح غلبو، ROC وکر جي تقابلي چارٽ جي مطابق. ، انهي سان گڏ اصل ڊيٽا سيٽ ۾ موجود "سڀ کان وڌيڪ اثرائتو متغير" جي خودڪار سڃاڻپ). هتي اهم نقطو وقت ۽ ماهر وسيلن جي بچت آهي، جيڪو "آٽو-ايم ايل" ذريعي حاصل ڪيو ويندو آهي: اسان جي پليٽ فارم جو عمل اڌ منٽ ۾ ڇا ڪندو آهي (بهترين ماڊل کي ڳولڻ ۽ تربيت ڏيڻ)، هڪ ماهر هڪ هفتي کان وٺي سگھي ٿو. مهينو.

شڪل 19 آٽو-ايم ايل انٽيگريشن ۾ AI/ML حل جي بنياد تي InterSystems IRIS پليٽ فارم

هيٺ ڏنل ڊراگرام ”ڪلائيمڪس کي دٻائي ٿو“ ٿورڙو، پر اهو هڪ سٺو طريقو آهي ڪهاڻي مڪمل ڪرڻ لاءِ ڪهاڻي مڪمل ڪرڻ جو حقيقي وقت جي مسئلن جي طبقن کي حل ڪيو پيو وڃي: اسان توهان کي ياد ڏياريندا آهيون ته InterSystems IRIS پليٽ فارم جي سڀني صلاحيتن سان، تربيتي ماڊل هيٺ ان جو ڪنٽرول لازمي نه آهي. پليٽ فارم خارجي طور تي حاصل ڪري سگھي ٿو نام نهاد PMML ماڊل اسپيشليشن کي تربيت يافته اوزار ۾ جيڪو پليٽ فارم پاران ڪنٽرول نه ڪيو ويو آهي - ۽ هن ماڊل کي حقيقي وقت ۾ لاڳو ڪريو ان وقت کان ان کي درآمد ڪيو ويو آهي. PMML وضاحتون. ساڳئي وقت، اهو ضروري آهي ته اهو اڪائونٽ ۾ رکڻ ضروري آهي ته سڀئي AI / ML نموني کي PMML وضاحتن تائين گهٽائي نه سگھندي، جيتوڻيڪ اڪثر عام نموني جي اجازت ڏين ٿيون. اهڙيء طرح، InterSystems IRIS پليٽ فارم هڪ "اوپن لوپ" آهي ۽ استعمال ڪندڙن لاء "پليٽ فارم غلامي" جو مطلب ناهي.

شڪل 20 آٽو-ايم ايل انٽيگريشن ۾ AI/ML حل جي بنياد تي InterSystems IRIS پليٽ فارم

اسان InterSystems IRIS جي اضافي پليٽ فارم فائدن جي فهرست ڏيون ٿا (وضاحت لاءِ، پروسيس ڪنٽرول جي حوالي سان)، جيڪي مصنوعي ذهانت ۽ ريئل ٽائيم مشين لرننگ جي آٽوميشن ۾ وڏي اهميت رکن ٿا:

• ڪنهن به ڊيٽا ذريعن ۽ صارفين (PCS/SCADA، سامان، MRO، ERP، وغيره) سان ترقي يافته انضمام جا اوزار.
• تعمير ٿيل ملٽي ماڊل ڊي بي ايم ايس پروسيسنگ ڊيٽا جي ڪنهن به مقدار جي اعلي ڪارڪردگي ٽرانزيڪشنل-تجزياتي پروسيسنگ (هائبرڊ ٽرانزيڪشن / تجزياتي پروسيسنگ، HTAP) لاء
• پائيٿون، آر، جوليا جي بنياد تي حقيقي وقت AI / ML فيصلي واري انجڻ جي مسلسل تعیناتي لاء ترقياتي اوزار
• لاڳيتو انضمام ۽ (خود) سکيا واري ميڪانيزم لاءِ موافقت وارو ڪاروباري عمل حقيقي وقت جي AI/ML حلن جي
• ايمبيڊڊ بزنس انٽيليجنس ٽولز کي ڏسڻ لاءِ پروسيس ڊيٽا ۽ AI/ML حل جا نتيجا
• API انتظام AI / ML حل جي نتيجن کي پهچائڻ لاء پروسيس ڪنٽرول سسٽم / SCADA، معلومات ۽ تجزياتي سسٽم، الرٽ موڪلڻ، وغيره.

AI / ML حل InterSystems IRIS پليٽ فارم تي ٻڌل آساني سان موجوده آئي ٽي انفراسٽرڪچر ۾ فٽ ٿي ويا. InterSystems IRIS پليٽ فارم انتهائي قابل اعتماد AI/ML حل مهيا ڪري ٿو مدد جي ذريعي غلطي برداشت ڪندڙ ۽ آفت برداشت ڪرڻ واري ترتيب ۽ ورچوئل ماحول ۾ لچڪدار تعیناتي، فزيڪل سرورز تي، خانگي ۽ عوامي بادلن ۾، ڊاڪر ڪنٽينرز.

اهڙيء طرح، InterSystems IRIS هڪ آفاقي حقيقي وقت AI / ML ڪمپيوٽنگ پليٽ فارم آهي. عملي طور تي اسان جي پليٽ فارم جي آفاقيت جي تصديق ٿئي ٿي عملي پابندين جي غير موجودگيءَ تي عمل ڪيل حسابن جي پيچيدگي تي، InterSystems IRIS جي صلاحيت کي گڏ ڪرڻ (حقيقي وقت ۾) مختلف قسم جي صنعتن مان منظرنامي جي پروسيسنگ، ۽ غير معمولي موافقت. پليٽ فارم جي ڪنهن به ڪم ۽ ميڪانيزم جي مخصوص صارف جي ضرورتن لاءِ.

شڪل 21 InterSystems IRIS - Universal Real-time AI/ML ڪمپيوٽنگ پليٽ فارم

اسان جي پڙهندڙن سان وڌيڪ اهم رابطي لاءِ جيڪي هتي پيش ڪيل مواد ۾ دلچسپي رکن ٿا، اسان سفارش ڪريون ٿا ته توهان پاڻ کي ان کي پڙهڻ تائين محدود نه رکو ۽ ”لائيو“ گفتگو جاري رکو. اسان کي توهان جي ڪمپني جي خاصيتن جي حوالي سان حقيقي وقت جي AI / ML منظرنامي جي ترتيب سان سهڪار فراهم ڪرڻ ۾ خوشي ٿيندي، InterSystems IRIS پليٽ فارم تي گڏيل پروٽو ٽائپنگ انجام ڏيو، مصنوعي ذهانت ۽ مشين لرننگ کي متعارف ڪرائڻ لاءِ هڪ روڊ ميپ ٺاهيو ۽ عمل ۾ آڻينداسين. توهان جي پيداوار ۽ انتظام جي عملن ۾. اسان جي AI/ML ماهر گروپ جو رابطو اي ميل پتو آهي [ايميل محفوظ ٿيل].

جو ذريعو: www.habr.com