InterSystems IRIS - විශ්වීය තත්‍ය කාලීන AI/ML වේදිකාවකි

කර්තෘ: සර්ජි ලුක්යාන්චිකොව්, ඉන්ටර් සිස්ටම්ස් හි උපදේශන ඉංජිනේරු

තත්‍ය කාලීන AI/ML පරිගණක ඇමතුම්

ඉන්ටර් සිස්ටම්ස් හි දත්ත විද්‍යා පුහුණුවේ අත්දැකීම් වලින් උදාහරණ සමඟ ආරම්භ කරමු:

• පූරණය කරන ලද ගැණුම්කරු ද්වාරය සබැඳි නිර්දේශ පද්ධතියකට සම්බන්ධ කර ඇත. සිල්ලර ජාලය හරහා ප්‍රවර්ධන ප්‍රතිව්‍යුහගත කිරීමක් සිදුවනු ඇත (උදාහරණයක් ලෙස, "පැතලි" ප්‍රවර්ධන රේඛාවක් වෙනුවට, "කොටස්-උපක්‍රම" අනුකෘතියක් දැන් භාවිතා කරනු ඇත). නිර්දේශිත එන්ජින් වලට කුමක් සිදුවේද? නිර්දේශ එන්ජිමට දත්ත ඉදිරිපත් කිරීම සහ යාවත්කාලීන කිරීම (ආදාන දත්ත පරිමාව 25000 ගුණයකින් වැඩි වී ඇත) කුමක් සිදුවේද? නිර්දේශ සංවර්ධනයට කුමක් සිදුවේද (ඒවායේ සංඛ්‍යාව සහ “පරාසය” දහස් ගුණයකින් වැඩි වීම හේතුවෙන් නිර්දේශ නීතිවල පෙරීමේ සීමාව දහස් ගුණයකින් අඩු කිරීමේ අවශ්‍යතාවය)?
• උපකරණ සංරචකවල වර්ධනය වන දෝෂ ඇතිවීමේ සම්භාවිතාව නිරීක්ෂණය කිරීම සඳහා පද්ධතියක් ඇත. ස්වයංක්‍රීය ක්‍රියාවලි පාලන පද්ධතියක් අධීක්ෂණ පද්ධතියට සම්බන්ධ කර ඇති අතර සෑම තත්පරයකටම දහස් ගණනක් තාක්ෂණික ක්‍රියාවලි පරාමිතීන් සම්ප්‍රේෂණය කරයි. කලින් "අතින් සාම්පල" මත වැඩ කළ අධීක්ෂණ පද්ධතියට කුමක් සිදුවේද (එය තත්පරයෙන් තත්පරයට සම්භාවිතා අධීක්‍ෂණය සැපයීමේ හැකියාව තිබේද)? ක්‍රියාවලි පාලන පද්ධතියට මෑතකදී එකතු කරන ලද සංවේදක වලින් කියවීම් සහිත ආදාන දත්තවල තීරු සිය ගණනක නව බ්ලොක් එකක් දිස් වුවහොත් කුමක් සිදුවේද (විශ්ලේෂණයේදී නව සංවේදක වලින් දත්ත ඇතුළත් කිරීමට අධීක්ෂණ පද්ධතිය නැවැත්වීමට අවශ්‍යද? )?
• එකිනෙකාගේ කාර්යයේ ප්‍රතිඵල භාවිතා කරන AI/ML යාන්ත්‍රණ කට්ටලයක් (නිර්දේශ කිරීම, අධීක්ෂණය, පුරෝකථනය) නිර්මාණය කර ඇත. මෙම සංකීර්ණයේ ක්‍රියාකාරිත්වය ආදාන දත්තවල වෙනස්වීම් වලට අනුවර්තනය වීමට සෑම මසකම මිනිස් පැය කීයක් අවශ්‍ය වේද? කළමනාකරණ තීරණ ගැනීමේ සංකීර්ණය (නව ආදාන දත්ත ඇතිවීමේ වාර ගණනට සාපේක්ෂව එහි නව ආධාරක තොරතුරු ඇතිවීමේ වාර ගණන) මඟින් සහාය දක්වන විට සාමාන්‍ය “මන්දගාමී” යනු කුමක්ද?

මේවා සහ තවත් බොහෝ උදාහරණ සාරාංශ කරමින්, යන්ත්‍ර ඉගෙනීම සහ කෘතිම බුද්ධි යාන්ත්‍රණ තත්‍ය කාලීනව භාවිතා කිරීමට යාමේදී පැන නගින අභියෝග සැකසීමට අපි පැමිණ ඇත්තෙමු:

• අපගේ සමාගමෙහි AI/ML වර්ධනයන් නිර්මාණය කිරීමේ සහ අනුවර්තනය වීමේ වේගය (වෙනස්වන තත්ත්වයට) පිළිබඳව අප සෑහීමකට පත්වේද?
• අප භාවිතා කරන AI/ML විසඳුම් තත්‍ය කාලීන ව්‍යාපාර කළමනාකරණයට කොපමණ ආධාර කරයිද?
• අප භාවිතා කරන AI/ML විසඳුම් ස්වාධීනව (සංවර්ධකයින් නොමැතිව) දත්ත සහ ව්‍යාපාර කළමණාකරණ පරිචයන් වල වෙනස්කම් වලට අනුගත විය හැකිද?

අපගේ ලිපිය AI/ML යාන්ත්‍රණ යෙදවීම, AI/ML විසඳුම් එකලස් කිරීම (ඒකාබද්ධ කිරීම) සහ තීව්‍ර මත AI/ML විසඳුම් පුහුණු කිරීම (පරීක්ෂා කිරීම) සඳහා විශ්වීය සහය අනුව InterSystems IRIS වේදිකාවේ හැකියාවන් පිළිබඳ සම්පූර්ණ දළ විශ්ලේෂණයකි. දත්ත ප්රවාහ. අපි මෙම ලිපියෙන් වෙළඳපල පර්යේෂණ, AI/ML විසඳුම් පිළිබඳ සිද්ධි අධ්‍යයනයන් සහ අපි තත්‍ය කාලීන AI/ML වේදිකාවක් ලෙස හඳුන්වන දේ පිළිබඳ සංකල්පීය අංශ දෙස බලමු.

සමීක්ෂණ වලින් අප දන්නා දේ: තත්‍ය කාලීන යෙදුම්

ප්රතිඵල මිනුම්Lightbend විසින් 800 දී තොරතුරු තාක්ෂණ වෘත්තිකයන් 2019 කට ආසන්න සංඛ්‍යාවක් අතර පවත්වන ලද, තමන් වෙනුවෙන් කතා කරන්න:

රූපය 1 තත්‍ය කාලීන දත්තවල ප්‍රමුඛ පාරිභෝගිකයින්

අපගේ පරිවර්තනයේ මෙම සමීක්ෂණයේ ප්‍රතිඵල පිළිබඳ වාර්තාවේ වැදගත් කොටස් උපුටා දක්වමු:

“... දත්ත ප්‍රවාහයන් ඒකාබද්ධ කිරීම සඳහා මෙවලම්වල ජනප්‍රියතාවයේ ප්‍රවණතා සහ, ඒ සමඟම, බහාලුම්වල පරිගණනයට සහාය වීම, ඵලදායී විසඳුම් සඳහා වඩාත් ප්‍රතිචාරාත්මක, තාර්කික, ගතික යෝජනාවක් සඳහා වෙළඳපල ඉල්ලීමට සහයෝගී ප්‍රතිචාරයක් සපයයි. ප්‍රවාහ දත්ත සම්ප්‍රදායික පැකට් දත්ත වලට වඩා වේගයෙන් තොරතුරු මාරු කරයි. මෙයට එකතු වන්නේ, උදාහරණයක් ලෙස, AI/ML මත පදනම් වූ නිර්දේශ, පාරිභෝගික තෘප්තිය වැඩි කිරීම හරහා තරඟකාරී වාසි නිර්මාණය කිරීම වැනි, ගණනය කිරීමේ ක්‍රම ඉක්මනින් යෙදීමේ හැකියාවයි. වේගවත් බව සඳහා වන තරඟය DevOps සුසමාදර්ශයේ සියලුම භූමිකාවන්ට ද බලපායි - යෙදුම් සංවර්ධනය සහ යෙදවීම වඩාත් කාර්යක්ෂම කරයි. … තොරතුරු තාක්ෂණ වෘත්තිකයන් අටසිය හතරක් ඔවුන්ගේ ආයතනවල දත්ත ප්‍රවාහ භාවිතය පිළිබඳ තොරතුරු සපයන ලදී. ප්‍රතිචාර දක්වන්නන් ප්‍රධාන වශයෙන් බටහිර රටවල (යුරෝපයේ 41% සහ උතුරු ඇමරිකාවේ 37%) ස්ථානගත වූ අතර කුඩා, මධ්‍යම සහ විශාල සමාගම් අතර සමානව බෙදා හරින ලදී. ...

... කෘත්‍රිම බුද්ධිය යනු ප්‍රබෝධමත් නොවේ. ඵලදායිතා AI/ML යෙදුම්වල දැනටමත් දත්ත ප්‍රවාහ සැකසුම් භාවිතා කරන අයගෙන් සියයට පනස් අටක් ඔවුන්ගේ AI/ML භාවිතය ඉදිරි වසරේ (අනෙකුත් යෙදුම් හා සසඳන විට) විශාලතම වර්ධනයක් දකින බව තහවුරු කරයි.

• ප්‍රතිචාර දැක්වූවන්ගෙන් බහුතරයකට අනුව, AI/ML අවස්ථා වල දත්ත ප්‍රවාහ භාවිතය ඉදිරි වසර තුළ විශාලතම වර්ධනයක් දකිනු ඇත.
• AI/ML හි යෙදුම් සාපේක්ෂව නව ආකාරයේ අවස්ථා නිසා පමණක් නොව, තත්‍ය කාලීන දත්ත වැඩි වැඩියෙන් භාවිතා වන සාම්ප්‍රදායික අවස්ථා නිසාද වර්ධනය වේ.
• AI/ML වලට අමතරව, IoT දත්ත නල මාර්ග භාවිතා කරන්නන් අතර උද්යෝගයේ මට්ටම සිත් ඇදගන්නා සුළු ය - දැනටමත් IoT දත්ත ඒකාබද්ධ කර ඇති අයගෙන් 48% ක් පවසන්නේ මෙම දත්තවල තත්ත්වය ක්‍රියාත්මක කිරීම නුදුරු අනාගතයේ දී සැලකිය යුතු වැඩි වීමක් දැකිය හැකි බවයි. ..."

මෙම තරමක් සිත්ගන්නාසුලු සමීක්ෂණයෙන්, දත්ත ප්‍රවාහ පරිභෝජනයේ ප්‍රමුඛයන් ලෙස යන්ත්‍ර ඉගෙනීම සහ කෘතිම බුද්ධි අවස්ථා පිළිබඳ සංජානනය දැනටමත් “මාර්ගයේ” ඇති බව පැහැදිලිය. නමුත් ඒ හා සමානව වැදගත් නිරීක්ෂණයක් වන්නේ DevOps කාචය හරහා තත්‍ය කාලීන AI/ML පිළිබඳ සංජානනයයි: මෙහිදී අපට දැනටමත් “සම්පූර්ණයෙන්ම ප්‍රවේශ විය හැකි දත්ත කට්ටලයක් සහිත ඉවත දැමිය හැකි AI/ML” හි තවමත් ප්‍රමුඛ සංස්කෘතිය පරිවර්තනය කිරීම ගැන කතා කිරීමට පටන් ගත හැකිය.

තත්‍ය කාලීන AI/ML වේදිකා සංකල්පය

තත්‍ය කාලීන AI/ML සඳහා එක් සාමාන්‍ය යෙදුම් ක්ෂේත්‍රයක් වන්නේ නිෂ්පාදනයේ ක්‍රියාවලි පාලනයයි. ඇයගේ ආදර්ශය භාවිතා කරමින් සහ පෙර සිතුවිලි සැලකිල්ලට ගනිමින්, අපි තත්‍ය කාලීන AI/ML වේදිකාවක් පිළිබඳ සංකල්පය සකස් කරමු.
ක්‍රියාවලි පාලනයේදී කෘතිම බුද්ධිය සහ යන්ත්‍ර ඉගෙනීම භාවිතය විශේෂාංග ගණනාවක් ඇත:

• තාක්ෂණික ක්‍රියාවලියේ තත්වය පිළිබඳ දත්ත තීව්‍ර ලෙස ලැබේ: ඉහළ සංඛ්‍යාත සහ පුළුල් පරාසයක පරාමිතීන් සඳහා (ක්‍රියාවලි පාලන පද්ධතියෙන් තත්පරයකට පරාමිති අගයන් දස දහස් ගණනක් සම්ප්‍රේෂණය වේ)
• අඩුපාඩු හඳුනාගැනීමේ දත්ත, ඒවායේ සංවර්ධනය පිළිබඳ දත්ත සඳහන් නොකර, ඊට පටහැනිව, හිඟ සහ අක්‍රමවත් ය, අඩුපාඩු ප්‍රමාණවත් ලෙස ටයිප් කිරීම සහ නියමිත වේලාවට ඒවා ස්ථානගත කිරීම මගින් සංලක්ෂිත වේ (බොහෝ විට කඩදාසි වාර්තා මගින් නිරූපණය කෙරේ)
• ප්‍රායෝගික දෘෂ්ටි කෝණයකින්, ක්‍රියාවලි පරාමිතීන්ගේ අවසාන කියවීමේ අගයන් සමඟ අවසන් වන සාධාරණ ස්ලයිඩින් පරතරයකින් තාක්ෂණික ක්‍රියාවලියේ ගතිකතාවයන් පිළිබිඹු කරමින්, ආකෘති පුහුණු කිරීම සහ යෙදීම සඳහා මූලාශ්‍ර දත්තවල “අදාළත්වයේ කවුළුවක්” පමණක් පවතී.

තාක්‍ෂණික ක්‍රියාවලියෙන් තීව්‍ර “බ්‍රෝඩ්බෑන්ඩ් ආදාන සංඥාව” තත්‍ය කාලීනව ලබා ගැනීමට සහ මූලික සැකසීමට අමතරව, AI හි ප්‍රතිඵලවල යෙදීම, පුහුණුව සහ තත්ත්ව පාලනය (සමාන්තරව) සිදු කිරීමට මෙම විශේෂාංග අපට බල කරයි. ML මාදිලි - තත්‍ය කාලීනව ද. අදාළත්වයේ ස්ලයිඩින් කවුළුව තුළ අපගේ ආකෘති "දකින" "රාමුව" නිරන්තරයෙන් වෙනස් වේ - ඒ සමඟම, අතීතයේ එක් "රාමු" මත පුහුණු කරන ලද AI / ML මාදිලිවල කාර්යයේ ප්‍රතිඵලවල ගුණාත්මකභාවය ද වෙනස් වේ. . AI/ML මාදිලිවල කාර්යයේ ප්‍රතිඵලවල ගුණාත්මක භාවය පිරිහෙන්නේ නම් (උදාහරණයක් ලෙස: “එලාම්-සම්මත” වර්ගීකරණ දෝෂයේ අගය අප විසින් නිර්වචනය කර ඇති සීමාවන් ඉක්මවා ගොස් ඇත), ආකෘතිවල අමතර පුහුණුව ස්වයංක්‍රීයව දියත් කළ යුතුය. වඩාත් වර්තමාන “රාමුවක්” - සහ ආකෘතිවල අතිරේක පුහුණුව දියත් කිරීම සඳහා මොහොත තෝරා ගැනීම, පුහුණුවේ කාලසීමාව සහ මාදිලිවල වත්මන් අනුවාදයේ කාර්යයේ ගුණාත්මකභාවය පිරිහීමේ ගතිකතාවයන් සැලකිල්ලට ගත යුතුය. ආකෘති පුහුණු කරන අතරතුර සහ ඒවායේ "අලුතින් පුහුණු කරන ලද" අනුවාද සාදනු ලබන තෙක් මාදිලිවල වත්මන් අනුවාදයන් දිගටම භාවිතා වේ).

InterSystems IRIS හට තත්‍ය කාලීන ක්‍රියාවලි පාලනය සඳහා AI/ML විසඳුම් සබල කිරීමට ප්‍රධාන වේදිකා හැකියාවන් ඇත. මෙම හැකියාවන් ප්රධාන කණ්ඩායම් තුනකට බෙදිය හැකිය:

• InterSystems IRIS වේදිකාවේ තත්‍ය කාලීනව ක්‍රියාත්මක වන ඵලදායි විසඳුමකට නව හෝ අනුවර්තනය කරන ලද දැනට පවතින AI/ML යාන්ත්‍රණ අඛණ්ඩව යෙදවීම (අඛණ්ඩ යෙදවීම/බෙදාහැරීම, CD)
• එන තාක්‍ෂණික ක්‍රියාවලි දත්ත ප්‍රවාහවල තනි ඵලදායි විසඳුමක් බවට අඛණ්ඩ ඒකාබද්ධ කිරීම (CI), AI/ML යාන්ත්‍රණවල යෙදුම්/පුහුණුවීම්/තත්ත්ව පාලනය සඳහා දත්ත පෝලිම් සහ තත්‍ය කාලීනව සංවිධානය කරන ලද ගණිතමය ආකෘතිකරණ පරිසරයන් සමඟ දත්ත/කේත/පාලන ක්‍රියා හුවමාරු කිරීම. වේදිකාව InterSystems IRIS
• AI/ML යාන්ත්‍රණවල අඛණ්ඩ (ස්වයං) පුහුණුව (අඛණ්ඩ පුහුණුව, CT), දත්ත, කේත සහ පාලන ක්‍රියා ("තීරණ ගත්") භාවිතයෙන් අන්තර් පද්ධති IRIS වේදිකාව මගින් සම්ප්‍රේෂණය කරන ලද ගණිතමය ආකෘතිකරණ පරිසරයන් තුළ සිදු කරනු ලැබේ.

යන්ත්‍ර ඉගෙනීම සහ කෘතිම බුද්ධිය සම්බන්ධයෙන් වේදිකා හැකියාවන් නිශ්චිතවම මෙම කණ්ඩායම්වලට වර්ගීකරණය අහම්බයක් නොවේ. අපි ක්‍රමවේදය උපුටා දක්වමු ප්‍රකාශනය මෙම වර්ගීකරණය සඳහා සංකල්පීය පදනමක් සපයන Google, අපගේ පරිවර්තනයෙහි:

“... මේ දිනවල ජනප්‍රිය DevOps සංකල්පය, මහා පරිමාණ තොරතුරු පද්ධති සංවර්ධනය සහ ක්‍රියාත්මක කිරීම ආවරණය කරයි. මෙම සංකල්පය ක්‍රියාත්මක කිරීමේ වාසි වන්නේ සංවර්ධන චක්‍රවල කාලසීමාව අඩු කිරීම, වර්ධනයන් වේගයෙන් යෙදවීම සහ මුදා හැරීමේ සැලසුම් කිරීමේ නම්‍යශීලීභාවයයි. මෙම ප්‍රතිලාභ ලබා ගැනීම සඳහා, DevOps අවම වශයෙන් භාවිතයන් දෙකක් ක්‍රියාත්මක කිරීම ඇතුළත් වේ:

• අඛණ්ඩ ඒකාබද්ධතාවය (CI)
• අඛණ්ඩ බෙදා හැරීම (CD)

ඵලදායි AI/ML විසඳුම් විශ්වාසදායක සහ කාර්ය සාධනය එකලස් කිරීම සහතික කිරීම සඳහා මෙම භාවිතයන් AI/ML වේදිකා සඳහාද අදාළ වේ.

AI/ML වේදිකා අනෙකුත් තොරතුරු පද්ධති වලින් පහත පැතිවලින් වෙනස් වේ:

• කණ්ඩායම් නිපුණතා: AI/ML විසඳුමක් නිර්මාණය කිරීමේදී, කණ්ඩායමට සාමාන්‍යයෙන් දත්ත විද්‍යාඥයින් හෝ දත්ත විශ්ලේෂණය, සංවර්ධනය සහ පරීක්ෂණ ආකෘති සිදු කරන දත්ත පර්යේෂණ ක්ෂේත්‍රයේ "ශාස්ත්‍රීය" විශේෂඥයින් ඇතුළත් වේ. මෙම කණ්ඩායම් සාමාජිකයින් වෘත්තීය නිෂ්පාදන කේත සංවර්ධකයින් නොවිය හැක.
• සංවර්ධනය: AI/ML එන්ජින් පර්යේෂණාත්මක ස්වභාවයකි. ගැටළුවක් වඩාත් කාර්යක්ෂමව විසඳීම සඳහා, ආදාන විචල්‍යයන්, ඇල්ගොරිතම, ආකෘතිකරණ ක්‍රම සහ ආකෘති පරාමිතීන් යන විවිධ සංයෝජන හරහා ගමන් කිරීම අවශ්‍ය වේ. එවැනි සෙවුමක සංකීර්ණත්වය පවතින්නේ "වැඩ කරන ලද / වැඩ නොකළ දේ" සොයා ගැනීම, කථාංගවල ප්රතිනිෂ්පාදනය සහතික කිරීම, නැවත නැවත ක්රියාත්මක කිරීම සඳහා වර්ධනයන් සාමාන්යකරණය කිරීමයි.
• පරීක්ෂණ: AI/ML එන්ජින් පරීක්ෂා කිරීම අනෙකුත් බොහෝ වර්ධනයන්ට වඩා පුළුල් පරාසයක පරීක්ෂණ අවශ්‍ය වේ. සම්මත ඒකක සහ ඒකාබද්ධතා පරීක්ෂණ වලට අමතරව, දත්ත වලංගුභාවය සහ සාම්පල පුහුණු කිරීම සහ පාලනය කිරීම සඳහා ආකෘතිය යෙදීමේ ප්රතිඵලවල ගුණාත්මකභාවය පරීක්ෂා කරනු ලැබේ.
• යෙදවීම: AI/ML විසඳුම් යෙදවීම වරක් පුහුණු කළ ආකෘතියක් භාවිතා කරන අනාවැකි සේවාවලට සීමා නොවේ. AI/ML විසඳුම් ස්වයංක්‍රීය ආකෘති පුහුණුව සහ යෙදුම සිදු කරන බහු-අදියර නල මාර්ග වටා ගොඩනගා ඇත. එවැනි නල මාර්ග යෙදවීමට දත්ත විද්‍යාඥයින් විසින් සම්ප්‍රදායිකව අතින් සිදු කරන සුළු නොවන ක්‍රියාවන් ස්වයංක්‍රීය කිරීම ඇතුළත් වන අතර එමඟින් ආකෘති පුහුණු කිරීමට සහ පරීක්ෂා කිරීමට හැකි වේ.
• ඵලදායිතාව: AI/ML එන්ජින් අකාර්යක්ෂම ක්‍රමලේඛනය නිසා පමණක් නොව, ආදාන දත්තවල නිරන්තරයෙන් වෙනස් වන ස්වභාවය නිසාද ඵලදායිතාව අඩු විය හැක. වෙනත් වචන වලින් කිවහොත්, සාම්ප්‍රදායික වර්ධනයන්හි ක්‍රියාකාරීත්වයට වඩා පුළුල් පරාසයක හේතු නිසා AI/ML යාන්ත්‍රණවල ක්‍රියාකාරිත්වය පිරිහීමට ලක් විය හැක. අපගේ AI/ML එන්ජින්වල ක්‍රියාකාරිත්වය නිරීක්ෂණය කිරීමේ (මාර්ගගතව) අවශ්‍යතාවයට මඟ පාදයි, මෙන්ම කාර්ය සාධන දර්ශක අපේක්ෂාවන්ට නොගැලපේ නම් ඇඟවීම් යැවීම හෝ ප්‍රතිඵල ප්‍රතික්ෂේප කරයි.

AI/ML වේදිකා අනෙකුත් තොරතුරු පද්ධතිවලට සමාන වන අතර, දෙකටම අනුවාද පාලනය, ඒකක පරීක්ෂාව, ඒකාබද්ධතා පරීක්ෂාව සහ අඛණ්ඩ සංවර්ධන යෙදවීම සමඟ අඛණ්ඩ කේත ඒකාබද්ධ කිරීම අවශ්‍ය වේ. කෙසේ වෙතත්, AI/ML සම්බන්ධයෙන්, වැදගත් වෙනස්කම් කිහිපයක් තිබේ:

• CI (අඛණ්ඩ ඒකාබද්ධ කිරීම) තවදුරටත් යොදවා ඇති සංරචකවල කේතය පරීක්ෂා කිරීමට සහ වලංගු කිරීමට සීමා නොවේ - එයට දත්ත පරීක්ෂා කිරීම සහ වලංගු කිරීම සහ AI/ML ආකෘති ද ඇතුළත් වේ.
• CD (අඛණ්ඩ බෙදාහැරීම / යෙදවීම, අඛණ්ඩ යෙදවීම) පැකේජ හෝ සේවා ලිවීමට සහ නිකුත් කිරීමට සීමා නොවේ, නමුත් AI/ML විසඳුම් සංයුතිය, පුහුණු කිරීම සහ යෙදීම සඳහා වේදිකාවක් අදහස් කරයි.
• CT (අඛණ්ඩ පුහුණුව, අඛණ්ඩ පුහුණුව) නව අංගයකි [ආසන්න වශයෙන්. ලිපියේ කර්තෘ: DevOps හි සාම්ප්‍රදායික සංකල්පයට අදාළ නව අංගයක්, CT, රීතියක් ලෙස, අඛණ්ඩ පරීක්ෂණ], AI/ML වේදිකා තුළ ආවේනික, AI පුහුණු කිරීම සහ යෙදීම සඳහා යාන්ත්‍රණයන්හි ස්වාධීන කළමනාකරණය සඳහා වගකිව යුතුය. / ML ආකෘති. ..."

යන්ත්‍ර ඉගෙනීම සහ තත්‍ය කාලීන දත්ත මත ක්‍රියා කරන කෘත්‍රිම බුද්ධිය පුළුල් මෙවලම් සහ නිපුණතා (කේත සංවර්ධනයේ සිට ගණිතමය ආකෘති නිර්මාණ පරිසරයන් වාදනය දක්වා), සියලු ක්‍රියාකාරී සහ විෂය ක්ෂේත්‍ර අතර සමීප ඒකාබද්ධතාවයක්, මානව වඩාත් කාර්යක්ෂම සංවිධානයක් අවශ්‍ය බව අපට ප්‍රකාශ කළ හැකිය. යන්ත්ර සම්පත්.

තත්‍ය කාලීන තත්ත්වය: පෝෂක පොම්පවල දෝෂ වර්ධනය වීම හඳුනා ගැනීම

ක්‍රියාවලි පාලන ප්‍රදේශය උදාහරණයක් ලෙස භාවිතා කිරීම දිගටම කරගෙන යාම, නිශ්චිත ගැටළුවක් සලකා බලන්න (අපි දැනටමත් ආරම්භයේදීම සඳහන් කර ඇත): ක්‍රියාවලි පරාමිති අගයන්ගේ ප්‍රවාහය මත පදනම්ව පොම්ප වල දෝෂ වර්ධනය කිරීම තත්‍ය කාලීන අධීක්ෂණයක් සැපයිය යුතුය. සහ හඳුනාගත් අඩුපාඩු පිළිබඳ අලුත්වැඩියා සේවකයින්ගේ වාර්තා.

රූප සටහන 2 දෝෂ වර්ධනය නිරීක්ෂණය කිරීම සඳහා ගැටළු සකස් කිරීම

ප්‍රායෝගිකව මේ ආකාරයෙන් ඉදිරිපත් කරන බොහෝ කාර්යයන්හි ලක්ෂණයක් නම්, විවිධ වර්ගවල දෝෂවල එපිසෝඩික් සහ අක්‍රමවත් සිදුවීම් (සහ ලියාපදිංචිය) පසුබිමට එරෙහිව දත්ත ලැබීමේ (APCS) විධිමත්භාවය සහ කාර්යක්ෂමතාව සලකා බැලිය යුතුය. වෙනත් වචන වලින් කිවහොත්: ක්‍රියාවලි පාලන පද්ධතියේ දත්ත තත්පරයකට වරක්, නිවැරදි හා නිවැරදි ලෙස පැමිණේ, සහ දෝෂ පිළිබඳ සටහන් සාදනු ලබන්නේ වැඩමුළුවේ සාමාන්‍ය සටහන් පොතක දිනය සඳහන් කරන රසායනික පැන්සලකින් (උදාහරණයක් ලෙස: “12.01 - කවරයට කාන්දු වීම 3 වන ෙබයාරිං පැත්තෙන්").

මේ අනුව, අපට පහත වැදගත් සීමාවන් සමඟ ගැටළුව සැකසීමට අතිරේක කළ හැකිය: අපට ඇත්තේ නිශ්චිත වර්ගයක දෝෂයක “ලේබලයක්” පමණි (එනම්, නිශ්චිත වර්ගයක දෝෂයක උදාහරණයක් ක්‍රියාවලි පාලනයේ දත්ත මගින් නිරූපණය කෙරේ. නිශ්චිත දිනයක පද්ධතිය - සහ මෙම විශේෂිත වර්ගයේ දෝෂයක් සඳහා අපට තවත් උදාහරණ නොමැත). මෙම සීමාව වහාම අපව සම්භාව්‍ය යන්ත්‍ර ඉගෙනීමේ විෂය පථයෙන් ඔබ්බට ගෙන යයි (අධීක්ෂණය කරන ලද ඉගෙනීම), ඒ සඳහා "ටැග්" ගොඩක් තිබිය යුතුය.

රූප සටහන 3 දෝෂ වර්ධනය කිරීම අධීක්ෂණය කිරීමේ කාර්යය පැහැදිලි කිරීම

අප සතුව ඇති එකම “ටැගය” කෙසේ හෝ “ගුණ” කළ හැකිද? ඔව් අපිට පුළුවන්. පොම්පයේ වත්මන් තත්ත්වය ලියාපදිංචි දෝෂවලට සමානකමේ මට්ටම මගින් සංලක්ෂිත වේ. ප්‍රමාණාත්මක ක්‍රම භාවිතයෙන් තොරව වුවද, දෘශ්‍ය සංජානනයේ මට්ටමින්, ක්‍රියාවලි පාලන පද්ධතියෙන් ලැබෙන දත්ත අගයන්හි ගතිකතාවයන් නිරීක්ෂණය කිරීමෙන් ඔබට දැනටමත් බොහෝ දේ ඉගෙන ගත හැකිය:

රූප සටහන 4 දී ඇති වර්ගයක දෝෂයක "ලකුණක" පසුබිමට එරෙහිව පොම්ප තත්වයේ ගතිකත්වය

නමුත් දෘශ්‍ය සංජානනය (අවම වශයෙන් දැනට) අපගේ වේගයෙන් වෙනස් වන අවස්ථාවෙහි "ටැග්" සඳහා වඩාත්ම සුදුසු උත්පාදක නොවේ. සංඛ්‍යාලේඛන පරීක්ෂණයක් භාවිතයෙන් වාර්තා කරන ලද දෝෂවලට වත්මන් පොම්ප තත්ත්වය සමාන බව අපි ඇගයීමට ලක් කරන්නෙමු.

රූපය 5 දෝෂ "ලේබලය" පසුබිමට එරෙහිව එන දත්ත සඳහා සංඛ්‍යානමය පරීක්ෂණයක් යෙදීම

ක්‍රියාවලි පාලන පද්ධතියෙන් ලැබෙන “ප්‍රවාහ පැකට්ටුවේ” තාක්‍ෂණික ක්‍රියාවලි පරාමිතීන්ගේ අගයන් සහිත වාර්තා යම් ආකාරයක දෝෂයක “ටැග්” වාර්තාවලට සමාන වීමේ සම්භාවිතාව සංඛ්‍යානමය පරීක්ෂණයක් මගින් තීරණය කරයි. සංඛ්‍යානමය පරීක්ෂණයක් යෙදීමේ ප්‍රතිඵලයක් ලෙස ගණනය කරන ලද සම්භාවිතා අගය (සංඛ්‍යාන සමානතා දර්ශක) 0 හෝ 1 අගයකට පරිවර්තනය කර, සමානතාව සඳහා පරීක්‍ෂා කරන පැකට්ටුවේ එක් එක් විශේෂිත වාර්තාවේ යන්ත්‍ර ඉගෙනීම සඳහා "ලේබලයක්" බවට පත් වේ. එනම්, අලුතින් ලැබුණු පොම්ප රාජ්‍ය වාර්තා පැකේජයක් සංඛ්‍යානමය පරීක්ෂණයකින් සැකසීමෙන් පසු, (අ) AI/ML ආකෘතිය පුහුණු කිරීම සඳහා පුහුණු කට්ටලයට මෙම පැකේජය එක් කිරීමට සහ (b) තත්ත්ව පාලනය සිදු කිරීමට අපට අවස්ථාව තිබේ. මෙම පැකේජයට භාවිතා කරන විට ආකෘතියේ වත්මන් අනුවාදය.

රූප සටහන 6 දෝෂ "ලේබලයක" පසුබිමට එරෙහිව එන දත්ත වලට යන්ත්‍ර ඉගෙනුම් ආකෘතියක් යෙදීම

අපේ කලින් එකක webinars ආකෘති නිර්මාණ ප්‍රතිඵලවල විශ්වසනීයත්වය සහ ආදර්ශ පරාමිතීන් අනුවර්තනය කරන ව්‍යාපාරික ක්‍රියාවලීන් අඛණ්ඩව ක්‍රියාත්මක කිරීමේ ආකාරයෙන් ඕනෑම AI/ML යාන්ත්‍රණයක් ක්‍රියාත්මක කිරීමට InterSystems IRIS වේදිකාව ඔබට ඉඩ දෙන්නේ කෙසේදැයි අපි පෙන්වා දෙන්නෙමු. පොම්ප සමඟ අපගේ දර්ශනයේ මූලාකෘතියක් ක්‍රියාත්මක කරන විට, අපි webinar තුළ ඉදිරිපත් කරන ලද සියලුම InterSystems IRIS ක්‍රියාකාරීත්වය භාවිතා කරමු - අපගේ විසඳුමේ කොටසක් ලෙස විශ්ලේෂක ක්‍රියාවලිය ක්‍රියාත්මක කිරීම සම්භාව්‍ය අධීක්ෂණ ඉගෙනීම නොව ශක්තිමත් කිරීමේ ඉගෙනීම, පුහුණු ආකෘති සඳහා තේරීම ස්වයංක්‍රීයව කළමනාකරණය කරයි. . පුහුණු නියැදියෙහි සංඛ්‍යාන පරීක්‍ෂණය සහ ආකෘතියේ වත්මන් අනුවාදය යන දෙකම යෙදීමෙන් පසු “හඳුනාගැනීමේ සම්මුතියක්” ඇති වන වාර්තා අඩංගු වේ - එනම් සංඛ්‍යාන පරීක්‍ෂණය (සාමානතා දර්ශකය 0 හෝ 1 බවට පරිවර්තනය කිරීමෙන් පසුව) සහ ආකෘතිය ප්‍රතිඵලය නිපදවා ඇත. එවැනි වාර්තා මත 1. ආකෘතියේ නව පුහුණුව අතරතුර, එය වලංගු කිරීමේදී (අලුතින් පුහුණු කරන ලද ආකෘතිය එහිම පුහුණු නියැදියට යොදනු ලැබේ, එයට සංඛ්‍යානමය පරීක්ෂණයක මූලික යෙදීම් සමඟ), සැකසීමෙන් පසු ප්රතිඵල 1 "රඳවා නොගත්" වාර්තා සංඛ්‍යානමය පරීක්ෂණය මගින් (පුහුණුවේ නිරන්තරව පැවතීම හේතුවෙන් දෝෂයේ මුල් "ලේබලයෙන්" වාර්තා සාම්පලයක්) පුහුණු කට්ටලයෙන් ඉවත් කරනු ලබන අතර, ආකෘතියේ නව අනුවාදයක් "ලේබලය" වෙතින් ඉගෙන ගනී. දෝෂය සහ ප්‍රවාහයෙන් "රඳවා ගත්" වාර්තා.

Figure 7 InterSystems IRIS හි AI/ML පරිගණනයේ රොබෝකරණය

InterSystems IRIS හි දේශීය ගණනය කිරීම් වලදී ලබාගත් හඳුනාගැනීමේ ගුණාත්මකභාවය පිළිබඳ “දෙවන මතයක්” අවශ්‍ය නම්, වලාකුළු සේවා භාවිතා කරමින් පාලන දත්ත කට්ටලයක ආකෘති පුහුණු කිරීම සහ යෙදීම සිදු කිරීම සඳහා උපදේශක ක්‍රියාවලියක් නිර්මාණය වේ (උදාහරණයක් ලෙස, Microsoft Azure, Amazon Web Services , Google Cloud Platform, ආදිය):

Figure 8 InterSystems IRIS විසින් සංවිධානය කරන ලද Microsoft Azure වෙතින් දෙවන මතය

InterSystems IRIS හි අපගේ දර්ශනයේ මූලාකෘතිය නිර්මාණය කර ඇත්තේ උපකරණ වස්තුවක් (පොම්පයක්), ගණිතමය ආකෘතිකරණ පරිසරයන් (Python, R සහ Julia) සමඟ අන්තර් ක්‍රියා කරන සහ සම්බන්ධිත AI/ ස්වයං ඉගෙනීම සහතික කරන නියෝජිත-පාදක විශ්ලේෂණ ක්‍රියාවලි පද්ධතියක් ලෙස ය. ML යාන්ත්‍රණ - තත්‍ය කාලීන දත්ත ප්‍රවාහ මත .

රූපය 9 InterSystems IRIS හි තත්‍ය කාලීන AI/ML විසඳුමේ ප්‍රධාන ක්‍රියාකාරීත්වය

අපගේ මූලාකෘතියේ ප්‍රායෝගික ප්‍රතිඵලය:

• ආකෘතිය විසින් හඳුනාගත් නියැදි දෝෂය (ජනවාරි 12):

• නියැදියට ඇතුළත් නොකළ ආකෘතිය විසින් හඳුනාගත් වර්ධනය වන දෝෂයක් (සැප්තැම්බර් 11, එම දෝෂය අලුත්වැඩියා කණ්ඩායම විසින් හඳුනාගනු ලැබුවේ දින දෙකකට පසුව, සැප්තැම්බර් 13 වන දින):

එකම දෝෂයේ කථාංග කිහිපයක් අඩංගු සැබෑ දත්ත අනුකරණය කිරීමෙන් පෙන්නුම් කළේ අපගේ විසඳුම, InterSystems IRIS වේදිකාවේ ක්‍රියාත්මක කර ඇති අතර, අලුත්වැඩියා කණ්ඩායම විසින් අනාවරණය කර ගැනීමට දින කිහිපයකට පෙර මෙම වර්ගයේ දෝෂ වර්ධනය හඳුනා ගැනීමට අපට ඉඩ සලසයි.

InterSystems IRIS - විශ්වීය තත්‍ය කාලීන AI/ML පරිගණක වේදිකාවකි

InterSystems IRIS වේදිකාව තත්‍ය කාලීන දත්ත විසඳුම් සංවර්ධනය කිරීම, යෙදවීම සහ ක්‍රියාත්මක කිරීම සරල කරයි. InterSystems IRIS හට ගණුදෙනු සහ විශ්ලේෂණ දත්ත සැකසීම එකවර සිදු කිරීමට හැකියාව ඇත; බහු ආකෘති අනුව සමමුහුර්ත දත්ත දර්ශන සඳහා සහාය වීම (සම්බන්ධතා, ධූරාවලි, වස්තුව සහ ලේඛනය ඇතුළුව); පුළුල් පරාසයක දත්ත මූලාශ්ර සහ තනි යෙදුම් ඒකාබද්ධ කිරීම සඳහා වේදිකාවක් ලෙස ක්රියා කිරීම; ව්‍යුහගත සහ ව්‍යුහගත නොවන දත්ත පිළිබඳ උසස් තත්‍ය කාලීන විශ්ලේෂණ සැපයීම. InterSystems IRIS බාහිර විශ්ලේෂණ මෙවලම් භාවිතා කිරීම සඳහා යාන්ත්‍රණ සපයන අතර වලාකුළෙහි සහ දේශීය සේවාදායකවල නම්‍යශීලී සත්කාරක සංයෝජනයට ඉඩ සලසයි.

InterSystems IRIS වේදිකාව මත ගොඩනගා ඇති යෙදුම් විවිධ කර්මාන්ත හරහා යොදවා ඇති අතර, සමාගම්වලට උපායමාර්ගික සහ ක්‍රියාකාරී ඉදිරිදර්ශනයකින් සැලකිය යුතු ආර්ථික ප්‍රතිලාභ සාක්ෂාත් කර ගැනීමට උපකාරී වේ, දැනුවත් තීරණ ගැනීම වැඩි කිරීම සහ සිදුවීම්, විශ්ලේෂණය සහ ක්‍රියාව අතර ඇති හිඩැස් සමනය කරයි.

රූප සටහන 10 තත්‍ය කාලීන AI/ML සන්දර්භය තුළ අන්තර් පද්ධති IRIS ගෘහ නිර්මාණ ශිල්පය

පෙර රූප සටහන මෙන්, පහත රූප සටහන නව "ඛණ්ඩාංක පද්ධතිය" (CD / CI / CT) වේදිකාවේ වැඩ කරන මූලද්රව්ය අතර තොරතුරු ප්රවාහයේ රූප සටහනක් සමඟ ඒකාබද්ධ කරයි. දෘශ්‍යකරණය සාර්ව යාන්ත්‍රික සංයුක්ත තැටියෙන් ආරම්භ වන අතර සාර්ව යාන්ත්‍රික CI සහ CT සමඟ දිගටම පවතී.

Figure 11 InterSystems IRIS වේදිකාවේ AI/ML මූලද්‍රව්‍ය අතර තොරතුරු ගලා යන රූප සටහන

InterSystems IRIS හි CD යාන්ත්‍රණයේ සාරය: වේදිකා භාවිතා කරන්නන් (AI/ML විසඳුම් සංවර්ධකයින්) AI/ML යාන්ත්‍රණ සඳහා විශේෂිත කේත සංස්කාරකයක් භාවිතයෙන් දැනට පවතින සහ/හෝ නව AI/ML වර්ධනයන් නිර්මාණය කරයි: Jupyter (සම්පූර්ණ නම: Jupyter Notebook; සංක්ෂිප්තභාවය සඳහා, මෙම සංස්කාරකයේ සාදන ලද ලේඛන සමහර විට හැඳින්වේ). Jupyter හි, සංවර්ධකයෙකුට InterSystems IRIS හි ස්ථානගත කිරීමට පෙර ("යොදා ඇත") නිශ්චිත AI/ML සංවර්ධනයක කාර්ය සාධනය (ග්‍රැෆික්ස් භාවිතා කිරීම ඇතුළුව) ලිවීමට, දෝෂහරණය කිරීමට සහ සත්‍යාපනය කිරීමට අවස්ථාව ඇත. මේ ආකාරයෙන් නිර්මාණය කරන ලද නව සංවර්ධනයකට ලැබෙන්නේ මූලික නිදොස්කරණයක් පමණක් බව පැහැදිලිය (විශේෂයෙන්, ජුපිටර් තත්‍ය කාලීන දත්ත ප්‍රවාහ සමඟ ක්‍රියා නොකරන බැවින්) - මෙය දේවල් අනුපිළිවෙලට ය, මන්ද ජුපිටර් හි සංවර්ධනයේ ප්‍රධාන ප්‍රති result ලය වෙනම AI / ML යාන්ත්‍රණයක මූලික ක්‍රියාකාරීත්වය තහවුරු කිරීම (“දත්ත නියැදියක අපේක්ෂිත ප්‍රතිඵලය පෙන්වයි”). ඒ හා සමානව, ජුපිටර් හි දෝෂහරණය කිරීමට පෙර දැනටමත් වේදිකාවේ තබා ඇති යාන්ත්‍රණයක් (පහත දැක්වෙන සාර්ව යාන්ත්‍රණ බලන්න) "පෙර-වේදිකා" පෝරමයකට "ආපසු හැරීමක්" අවශ්‍ය විය හැකිය (ගොනු වලින් දත්ත කියවීම, වගු වෙනුවට xDBC හරහා දත්ත සමඟ වැඩ කිරීම, ගෝලීය සමග සෘජු අන්තර්ක්‍රියා - බහුමාන දත්ත අරා InterSystems IRIS – ආදිය).

InterSystems IRIS හි CD ක්‍රියාත්මක කිරීමේ වැදගත් අංගයක්: වේදිකාව සහ Jupyter අතර ද්විපාර්ශ්වික අනුකලනය ක්‍රියාවට නංවා ඇති අතර, Python, R සහ Julia හි අන්තර්ගතය වේදිකාවට මාරු කිරීමට ඉඩ සලසයි (සහ, පසුව, වේදිකාව තුළ සකසනු ලැබේ) (මේ තුනම වැඩසටහන්කරණය වේ. අනුරූප ප්‍රමුඛ විවෘත මූලාශ්‍ර භාෂාවල භාෂා) මූලාශ්‍ර ගණිතමය ආකෘතිකරණ පරිසරයන්). මේ අනුව, AI/ML අන්තර්ගත සංවර්ධකයින්ට Python, R, Julia හි ඇති හුරුපුරුදු පුස්තකාල සමඟින්, ඔවුන්ගේ හුරුපුරුදු Jupyter සංස්කාරකයේ වැඩ කරමින්, මූලික නිදොස්කරණය සිදු කරමින් (අවශ්‍ය නම්) මෙම අන්තර්ගතය වේදිකාව තුළ “අඛණ්ඩව යෙදවීම” සිදු කිරීමට අවස්ථාව තිබේ. වේදිකාවෙන් පිටත.

අපි InterSystems IRIS හි CI macro යාන්ත්‍රණය වෙත යමු. රූප සටහනේ දැක්වෙන්නේ “තත්‍ය කාලීන රොබෝටයිසර්” හි සාර්ව ක්‍රියාවලියයි (දත්ත ව්‍යුහයන්, ව්‍යාපාර ක්‍රියාවලීන් සහ කේත කොටස් ඔවුන් විසින් ගණිතමය භාෂාවලින් සහ ObjectScript - InterSystems IRIS හි ස්වදේශීය සංවර්ධන භාෂාවෙන් සංවිධානය කරන ලද සංකීර්ණයක්). මෙම සාර්ව ක්‍රියාවලියේ කර්තව්‍යය වන්නේ AI/ML යාන්ත්‍රණ ක්‍රියාත්මක කිරීම සඳහා අවශ්‍ය දත්ත පෝලිම් පවත්වා ගැනීමයි (සැබෑ කාලීනව වේදිකාවට සම්ප්‍රේෂණය වන දත්ත ප්‍රවාහයන් මත පදනම්ව), යෙදුම් අනුපිළිවෙල සහ AI/ හි “ඇසවීම” පිළිබඳව තීරණ ගැනීම. ML යාන්ත්‍රණ (ඒවා "ගණිතමය ඇල්ගොරිතම", "ආකෘති" යනාදිය ද වේ - ක්‍රියාත්මක කිරීමේ විශේෂතා සහ පාරිභාෂික මනාපයන් අනුව වෙනස් ලෙස හැඳින්විය හැක), AI/ හි කාර්යයේ ප්‍රතිඵල විශ්ලේෂණය කිරීම සඳහා දත්ත ව්‍යුහයන් යාවත්කාලීනව තබා ගන්න. ML යාන්ත්‍රණ (කැට, වගු, බහුමාන දත්ත අරා, ආදිය) ආදිය - වාර්තා, උපකරණ පුවරු ආදිය සඳහා).

InterSystems IRIS හි CI ක්‍රියාත්මක කිරීමේ වැදගත් අංගයක්: වේදිකාව සහ ගණිතමය ආකෘතිකරණ පරිසරයන් අතර ද්විපාර්ශ්වික අනුකලනය ක්‍රියාවට නංවා ඇත, ඔබට Python, R සහ Julia හි වේදිකාවේ සංග්‍රහ කර ඇති අන්තර්ගතය ඔවුන්ගේ පරිසරය තුළ ක්‍රියාත්මක කිරීමට සහ ක්‍රියාත්මක කිරීමේ ප්‍රතිඵල නැවත ලබා ගැනීමට ඉඩ සලසයි. මෙම ඒකාබද්ධ කිරීම “පර්යන්ත ප්‍රකාරය” (එනම්, AI/ML අන්තර්ගතය පරිසරයට ඇමතුම් ලබා දෙන ObjectScript කේතය ලෙස සකස් කර ඇත) සහ “ව්‍යාපාර ක්‍රියාවලි ප්‍රකාරය” (එනම්, AI/ML අන්තර්ගතය ව්‍යාපාරික ක්‍රියාවලියක් ලෙස සකස් කර ඇත. චිත්රක සංස්කාරකයක් භාවිතා කිරීම, හෝ සමහර විට Jupyter භාවිතා කිරීම, හෝ IDE භාවිතා කිරීම - IRIS Studio, Eclipse, Visual Studio Code). Jupyter හි සංස්කරණ සඳහා ව්‍යාපාරික ක්‍රියාවලි පවතින බව CI මට්ටමින් IRIS සහ CD මට්ටමේ Jupyter අතර සම්බන්ධය තුළින් පිළිබිඹු වේ. ගණිතමය ආකෘතිකරණ පරිසරයන් සමඟ ඒකාබද්ධ කිරීම පිළිබඳ වඩාත් සවිස්තරාත්මක දළ විශ්ලේෂණයක් පහත දක්වා ඇත. මෙම අදියරේදී, අපගේ මතය අනුව, AI/ML වර්ධනයන් ("අඛණ්ඩ යෙදවීම" වෙතින් එන) තත්‍ය කාලීන AI/ML විසඳුම් වෙත "අඛණ්ඩ ඒකාබද්ධ කිරීම" ක්‍රියාත්මක කිරීම සඳහා අවශ්‍ය සියලුම මෙවලම් වේදිකාව සතුව ඇති බව සහතික කිරීමට සෑම හේතුවක්ම තිබේ.

සහ ප්රධාන සාර්ව යාන්ත්රණය: CT. එය නොමැතිව, AI/ML වේදිකාවක් නොමැත (සීඩී/සීඅයි හරහා "තථ්‍ය කාලය" ක්‍රියාත්මක වුවද). CT හි සාරය යනු යන්ත්‍ර ඉගෙනීමේ “කෞතුක වස්තු” සහ කෘත්‍රිම බුද්ධිය සමඟ සෘජුවම ගණිතමය ආකෘති නිර්මාණ පරිසරයන්හි වැඩ සැසිවල වැඩ කිරීමයි: ආකෘති, බෙදාහැරීමේ වගු, න්‍යාස දෛශික, ස්නායු ජාල ස්ථර ආදිය. මෙම "වැඩ", බොහෝ අවස්ථාවන්හීදී, පරිසරයේ සඳහන් කෞතුක වස්තු නිර්මාණය කිරීම සමන්විත වේ (ආකෘති සම්බන්ධයෙන්, උදාහරණයක් ලෙස, "නිර්මාණය" ආකෘතියේ පිරිවිතර සැකසීම සහ එහි පරාමිතීන්ගේ අගයන් පසුව තෝරා ගැනීමෙන් සමන්විත වේ - ආකෘතියේ ඊනියා “පුහුණුව”), ඒවායේ යෙදුම (ආකෘති සඳහා: ඉලක්ක විචල්‍යවල “ආකෘති” අගයන් ආධාරයෙන් ගණනය කිරීම - පුරෝකථනයන්, කාණ්ඩ සාමාජිකත්වය, සිදුවීමක සම්භාවිතාව යනාදිය) සහ දැනටමත් වැඩිදියුණු කිරීම නිර්මාණය කර භාවිතා කරන ලද පුරාවස්තු (උදාහරණයක් ලෙස, යෙදුමේ ප්‍රතිඵල මත පදනම්ව ආදර්ශ ආදාන විචල්‍ය සමූහයක් නැවත අර්ථ දැක්වීම - පුරෝකථන නිරවද්‍යතාවය වැඩි දියුණු කිරීම සඳහා, විකල්පයක් ලෙස). CT හි කාර්යභාරය අවබෝධ කර ගැනීමේ ප්‍රධාන කරුණ වන්නේ CD සහ CI හි යථාර්ථයන්ගෙන් එහි "වියුක්ත කිරීම": CT විසින් නිශ්චිත පරිසරයන් විසින් සපයනු ලබන හැකියාවන් තුළ AI/ML විසඳුමේ පරිගණකමය සහ ගණිතමය විශේෂතා කෙරෙහි අවධානය යොමු කරමින් සියලුම පුරාවස්තු ක්‍රියාත්මක කරනු ඇත. "ආදාන සැපයීම" සහ "ප්‍රතිදානයන් ලබා දීම" සඳහා වගකීම CD සහ CI හි වගකීම වේ.

විශේෂයෙන් අන්තර් පද්ධති IRIS හි CT ක්‍රියාත්මක කිරීමේ වැදගත් අංගයක්: ඉහත දැනටමත් සඳහන් කර ඇති ගණිතමය ආකෘතිකරණ පරිසරයන් සමඟ ඒකාබද්ධ කිරීම භාවිතා කරමින්, ගණිතමය පරිසරයන් තුළ එහි පාලනය යටතේ ක්‍රියාත්මක වන වැඩ සැසිවලින් එම කෞතුක වස්තු උකහා ගැනීමට වේදිකාවට හැකියාව ඇත (වඩාත් වැදගත්) ඒවා වේදිකා දත්ත වස්තූන් බවට පත් කරයි. උදාහරණයක් ලෙස, වැඩ කරන පයිතන් සැසියක දැන් නිර්මාණය කර ඇති බෙදාහැරීමේ වගුවක් (පයිතන් සැසිය නතර නොකර) වේදිකාවට මාරු කළ හැකිය, උදාහරණයක් ලෙස, ගෝලීය (බහුමාන අන්තර් පද්ධති IRIS දත්ත අරාවක්) - සහ භාවිතා වේ. වෙනත් AI/ML- යාන්ත්‍රණයක ගණනය කිරීම් සඳහා (වෙනත් පරිසරයක භාෂාවෙන් ක්‍රියාත්මක වේ - උදාහරණයක් ලෙස, R හි) - හෝ අතථ්‍ය වගුවක්. තවත් උදාහරණයක්: ආකෘතියේ ක්රියාකාරිත්වයේ "සාමාන්ය මාදිලිය" සමග සමාන්තරව (Python වැඩ සැසියේදී), "auto-ML" එහි ආදාන දත්ත මත සිදු කරනු ලැබේ: ප්රශස්ත ආදාන විචල්යයන් සහ පරාමිති අගයන් ස්වයංක්රීයව තෝරා ගැනීම. “නිත්‍ය” පුහුණුව සමඟින්, ඵලදායි ආකෘතියක් තත්‍ය කාලීනව එහි පිරිවිතරයේ “ප්‍රශස්තකරණය සඳහා යෝජනාවක්” ද ලබා ගනී - ආදාන විචල්‍ය සමූහය වෙනස් වන, පරාමිති අගයන් වෙනස් වේ (තවදුරටත් පුහුණුවේ ප්‍රතිඵලයක් ලෙස නොවේ. Python හි, නමුත් H2O ස්ටැක් වැනි “විකල්ප”” අනුවාදයක් සමඟ පුහුණු වීමේ ප්‍රතිඵලයක් ලෙස, සමස්ත AI/ML විසඳුමට ආදාන දත්තවල ස්වභාවයේ සහ සංසිද්ධිවල ස්වභාවයේ අනපේක්ෂිත වෙනස්කම් සමඟ ස්වයංක්‍රීයව මුහුණ දීමට ඉඩ සලසයි. .

සැබෑ ජීවිතයේ මූලාකෘතියක උදාහරණය භාවිතා කරමින්, InterSystems IRIS හි වේදිකාවේ AI/ML ක්‍රියාකාරීත්වය පිළිබඳව වඩාත් විස්තරාත්මකව දැන හඳුනා ගනිමු.

පහත රූප සටහනේ, විනිවිදකයේ වම් පැත්තේ Python සහ R හි ස්ක්‍රිප්ට් ක්‍රියාත්මක කිරීම ක්‍රියාත්මක කරන ව්‍යාපාරික ක්‍රියාවලියේ කොටසක් ඇත. මධ්‍යම කොටසේ පිළිවෙලින් මෙම ස්ක්‍රිප්ට් සමහරක් ක්‍රියාත්මක කිරීමේ දෘශ්‍ය ලඝු-සටහන් ඇත. Python සහ R. ඒවා පිටුපසින් එක හා වෙනත් භාෂාවක අන්තර්ගත උදාහරණ, සුදුසු පරිසරයන් වෙත ක්‍රියාත්මක කිරීම සඳහා මාරු කරනු ලැබේ. දකුණු පසින් අවසානයේ ස්ක්‍රිප්ට් ක්‍රියාත්මක කිරීමේ ප්‍රතිඵල මත පදනම් වූ දෘශ්‍යකරණයන් ඇත. ඉහළින් ඇති දෘශ්‍යකරණයන් IRIS Analytics මත සිදු කරන ලදී (දත්ත Python වෙතින් InterSystems IRIS දත්ත වේදිකාවට ලබාගෙන වේදිකාව භාවිතයෙන් උපකරණ පුවරුවක ප්‍රදර්ශනය කරන ලදී), පහළින් කෙලින්ම R වැඩ සැසියේදී සාදා එතැනින් ග්‍රැෆික් ගොනු වෙත ප්‍රතිදානය කරන ලදී. . වැදගත් අංගයක්: මූලාකෘතියේ ඉදිරිපත් කරන ලද කොටස, ආදර්ශය යෙදීමේදී නිරීක්ෂණය කරන ලද වර්ගීකරණ තත්ත්ව අධීක්ෂණ ක්‍රියාවලියේ විධානය මත, උපකරණ සිමියුලේටර් ක්‍රියාවලියෙන් තත්‍ය කාලීනව ලැබුණු දත්ත මත ආකෘතිය (උපකරණ තත්වයන් වර්ගීකරණය) පුහුණු කිරීම සඳහා වගකිව යුතුය. අන්තර්ක්‍රියාකාරී ක්‍රියාවලි සමූහයක ("නියෝජිතයන්") ආකාරයෙන් AI/ML විසඳුමක් ක්‍රියාත්මක කිරීම තවදුරටත් සාකච්ඡා කරනු ඇත.

Figure 12 InterSystems IRIS හි Python, R සහ Julia සමග අන්තර්ක්‍රියා

වේදිකා ක්‍රියාවලි (ඒවා ද "ව්‍යාපාර ක්‍රියාවලි", "විශ්ලේෂණ ක්‍රියාවලි", "නල මාර්ග" යනාදිය - සන්දර්භය මත පදනම්ව), ප්‍රථමයෙන්, වේදිකාව තුළම චිත්‍රක ව්‍යාපාර ක්‍රියාවලි සංස්කාරකයේ සංස්කරණය කරනු ලැබේ, සහ එවැනි එහි වාරණ රූප සටහන සහ ඊට අනුරූප AI/ML යාන්ත්‍රණය (වැඩසටහන් කේතය) යන දෙකම එකවර නිර්මාණය කරන ආකාරය. “AI/ML යාන්ත්‍රණයක් ලබා ගනී” යැයි අප පවසන විට, අපි මුලින් අදහස් කරන්නේ දෙමුහුන් (එක් ක්‍රියාවලියක් තුළ): ගණිතමය ආකෘතිකරණ පරිසරයන්හි භාෂාවල අන්තර්ගතය SQL හි අන්තර්ගතයට යාබදව (දිගු කිරීම් ඇතුළුව) IntegratedML), InterSystems ObjectScript තුළ, අනෙකුත් සහය දක්වන භාෂා සමඟ. එපමනක් නොව, වේදිකා ක්‍රියාවලිය ධූරාවලි වශයෙන් කැදලි කොටස් (පහත රූප සටහනේ උදාහරණයේ දැකිය හැකි පරිදි) ආකාරයෙන් "විදැහුම්කරණය" සඳහා ඉතා පුළුල් අවස්ථා සපයයි, එමඟින් ඔබට ඉතා සංකීර්ණ අන්තර්ගතයන් පවා කිසි විටෙකත් "වැටීමකින් තොරව" ඵලදායී ලෙස සංවිධානය කිරීමට ඉඩ සලසයි. චිත්රක ආකෘතියේ ("චිත්රක නොවන" ආකෘති වෙත). » ක්රම/පන්ති/ක්රියාපටිපාටි, ආදිය). එනම්, අවශ්‍ය නම් (සහ එය බොහෝ ව්‍යාපෘතිවල පුරෝකථනය කර ඇත), නියත වශයෙන්ම සම්පූර්ණ AI/ML විසඳුම චිත්‍රක ස්වයං ලේඛන ආකෘතියකින් ක්‍රියාත්මක කළ හැක. පහත රූප සටහනේ මධ්‍යම කොටසේ, ඉහළ “කැදලි මට්ටමක්” නියෝජනය කරන බව කරුණාවෙන් සලකන්න, ආකෘතිය පුහුණු කිරීමේ සත්‍ය කාර්යයට අමතරව (පයිතන් සහ ආර් භාවිතයෙන්), ඊනියා විශ්ලේෂණයක් බව පැහැදිලිය. පුහුණු කරන ලද ආකෘතියේ ROC වක්‍රය එකතු කරනු ලබන අතර, දෘශ්‍යමය වශයෙන් (සහ පරිගණකමය වශයෙන් ද) පුහුණුවේ ගුණාත්මකභාවය ඇගයීමට ඉඩ සලසයි - සහ මෙම විශ්ලේෂණය ජූලියා භාෂාවෙන් ක්‍රියාත්මක වේ (ඒ අනුව ජූලියා ගණිත පරිසරය තුළ ක්‍රියාත්මක වේ).

Figure 13 InterSystems IRIS හි AI/ML විසඳුම් සංයුතිය සඳහා දෘශ්‍ය පරිසරය

කලින් සඳහන් කළ පරිදි, වේදිකාවේ දැනටමත් ක්‍රියාත්මක කර ඇති AI/ML යාන්ත්‍රණවල මූලික සංවර්ධනය සහ (සමහර අවස්ථාවලදී) අනුවර්තනය කිරීම Jupyter සංස්කාරකයේ වේදිකාවෙන් පිටත සිදු කරනු ඇත/ කළ හැකිය. පහත රූප සටහනේ පවතින වේදිකා ක්‍රියාවලියක් අනුවර්තනය කිරීමේ උදාහරණයක් අපි දකිමු (ඉහත රූප සටහනේ ඇති ආකාරයටම) - ආකෘතිය පුහුණු කිරීම සඳහා වගකිව යුතු කොටස ජුපිටර්හි පෙනෙන්නේ එලෙස ය. පයිතන් අන්තර්ගතය සංස්කරණය, නිදොස්කරණය සහ චිත්‍රක ප්‍රතිදානය සඳහා සෘජුවම Jupyter හි ඇත. වෙනස්කම් (අවශ්‍ය නම්) එහි ඵලදායි අනුවාදය ඇතුළුව වේදිකා ක්‍රියාවලියට ක්ෂණික සමමුහුර්තකරණයකින් සිදු කළ හැක. නව අන්තර්ගතය සමාන ආකාරයකින් වේදිකාවට මාරු කළ හැකිය (නව වේදිකා ක්‍රියාවලියක් ස්වයංක්‍රීයව ජනනය වේ).

Figure 14 InterSystems IRIS වේදිකාවේ AI/ML එන්ජිම සංස්කරණය කිරීමට Jupyter Notebook භාවිතා කිරීම

වේදිකා ක්‍රියාවලියක් අනුවර්තනය කිරීම චිත්‍රක හෝ ලැප්ටොප් ආකෘතියෙන් පමණක් නොව - "සම්පූර්ණ" IDE (ඒකාබද්ධ සංවර්ධන පරිසරය) ආකෘතියෙන් ද සිදු කළ හැක. මෙම IDEs IRIS Studio (native IRIS studio), Visual Studio Code (VSCode සඳහා InterSystems IRIS දිගුව) සහ Eclipse (Atelier plugin) වේ. සමහර අවස්ථාවලදී, සංවර්ධන කණ්ඩායමකට IDE තුනම එකවර භාවිතා කළ හැකිය. පහත රූප සටහන IRIS චිත්‍රාගාරයේ, Visual Studio කේතයේ සහ Eclipse හි එකම ක්‍රියාවලිය සංස්කරණය කිරීමේ උදාහරණයක් පෙන්වයි. නියත වශයෙන්ම සියලුම අන්තර්ගතයන් සංස්කරණය සඳහා තිබේ: Python/R/Julia/SQL, ObjectScript, සහ ව්‍යාපාරික ක්‍රියාවලිය.

Figure 15 විවිධ IDE වල අන්තර් පද්ධති IRIS ව්‍යාපාර ක්‍රියාවලිය සංවර්ධනය කිරීම

ව්‍යාපාර ක්‍රියාවලි භාෂාවෙන් (BPL) InterSystems IRIS ව්‍යාපාර ක්‍රියාවලීන් විස්තර කිරීම සහ ක්‍රියාත්මක කිරීම සඳහා වන මෙවලම් විශේෂයෙන් සඳහන් කළ යුතුය. BPL ව්‍යාපාර ක්‍රියාවලීන්හි “සූදානම් කළ ඒකාබද්ධතා සංරචක” (ක්‍රියාකාරකම්) භාවිතා කිරීමට හැකි කරයි - ඇත්ත වශයෙන්ම, අන්තර් පද්ධති IRIS හි “අඛණ්ඩ ඒකාබද්ධ කිරීම” ක්‍රියාත්මක වන බව කීමට සෑම හේතුවක්ම සපයයි. සූදානම් කළ ව්‍යාපාරික ක්‍රියාවලි සංරචක (ඒවා අතර ක්‍රියාකාරකම් සහ සම්බන්ධතා) AI/ML විසඳුමක් එකලස් කිරීම සඳහා ප්‍රබල ත්වරණයකි. එකලස් කිරීම් පමණක් නොව: අසමාන AI/ML වර්ධනයන් සහ යාන්ත්‍රණයන් හරහා ඒවා අතර ක්‍රියාකාරකම් සහ සම්බන්ධතා වලට ස්තූතිවන්ත වන අතර, තත්‍ය කාලීනව තත්වයට අනුව තීරණ ගැනීමේ හැකියාව ඇති “ස්වයං පාලන ස්තරයක්” පැන නගී.

Figure 16 InterSystems IRIS වේදිකාවේ අඛණ්ඩ ඒකාබද්ධතාවය (CI) සඳහා සූදානම් කළ ව්‍යාපාරික ක්‍රියාවලි සංරචක

නියෝජිත පද්ධති පිළිබඳ සංකල්පය ("බහු නියෝජිත පද්ධති" ලෙසද හැඳින්වේ) රොබෝකරණයේ ප්‍රබල ස්ථානයක් ඇති අතර, InterSystems IRIS වේදිකාව "නිෂ්පාදන-ක්‍රියාවලිය" ගොඩනැගීම හරහා ඓන්ද්‍රීයව එයට සහාය දක්වයි. සමස්ත විසඳුම සඳහා අවශ්‍ය ක්‍රියාකාරීත්වය සමඟ එක් එක් ක්‍රියාවලිය “පිරවීම” සඳහා අසීමිත හැකියාවන්ට අමතරව, වේදිකා ක්‍රියාවලි පද්ධතියට “ඒජන්සියේ” දේපල ලබා දීමෙන් අතිශයින්ම අස්ථායී සමාකරණ සංසිද්ධි (සමාජ/ හැසිරීම්) සඳහා ඵලදායී විසඳුම් නිර්මාණය කිරීමට ඔබට ඉඩ සලසයි. ජෛව පද්ධති, අර්ධ වශයෙන් නිරීක්ෂණය කළ හැකි තාක්ෂණික ක්රියාවලීන්, ආදිය).

Figure 16 InterSystems IRIS හි නියෝජිත-පාදක ව්‍යාපාර ක්‍රියාවලි පද්ධතියක් ලෙස AI/ML විසඳුමක් ක්‍රියාත්මක කිරීම

අපි InterSystems IRIS පිළිබඳ අපගේ සමාලෝචනය දිගටම කරගෙන යනු ලබන්නේ සමස්ත පන්ති තත්‍ය කාලීන ගැටළු විසඳීම සඳහා වේදිකාවේ ව්‍යවහාරික භාවිතය පිළිබඳ කතාවකි (InterSystems IRIS හි වේදිකා AI/ML හි සමහර හොඳම භාවිතයන් සඳහා තරමක් සවිස්තරාත්මක හැඳින්වීමක් එකකින් සොයාගත හැකිය. අපගේ පෙර webinars).

පෙර රූප සටහනේ විලුඹ මත උණුසුම්, නියෝජිත පද්ධතියේ වඩාත් සවිස්තරාත්මක රූප සටහනක් පහත දැක්වේ. රූප සටහන එකම මූලාකෘතිය පෙන්වයි, නියෝජිත ක්‍රියාවලි හතරම දෘශ්‍යමාන වේ, ඒවා අතර සම්බන්ධතා ක්‍රමානුකූලව ඇද ඇත: GENERATOR - උපකරණ සංවේදක මගින් දත්ත නිර්මාණය කිරීම සකසයි, BUFFER - දත්ත පෝලිම් කළමනාකරණය කරයි, විශ්ලේෂකය - යන්ත්‍ර ඉගෙනීම සිදු කරයි, අධීක්ෂණය - අධීක්ෂණය කරයි යන්ත්‍ර ඉගෙනීමේ ගුණාත්මකභාවය සහ ආකෘතිය නැවත පුහුණු කිරීමේ අවශ්‍යතාවය පිළිබඳ සංඥාවක් ඉදිරිපත් කරයි.

Figure 17 InterSystems IRIS හි නියෝජිත-පාදක ව්‍යාපාර ක්‍රියාවලි පද්ධතියක ස්වරූපයෙන් AI/ML විසඳුමක සංයුතිය

පහත රූප සටහන මඟින් වෙනත් රොබෝ මූලාකෘතියක ස්වයංක්‍රීය ක්‍රියාකාරිත්වය (පෙළවල චිත්තවේගීය වර්ණ ගැන්වීම හඳුනා ගැනීම) යම් කාලයක් නිරූපණය කරයි. ඉහළ කොටසෙහි ආදර්ශ පුහුණුවෙහි ගුණාත්මක දර්ශකයේ පරිණාමය (ගුණාත්මකභාවය වර්ධනය වේ), පහළ කොටසෙහි ආදර්ශ යෙදුමේ ගුණාත්මක දර්ශකයේ ගතිකත්වය සහ නැවත නැවත පුහුණු කිරීමේ කරුණු (රතු ඉරි) වේ. ඔබට පෙනෙන පරිදි, විසඳුම කාර්යක්ෂමව සහ ස්වාධීනව ඉගෙන ගෙන ඇති අතර, ලබා දී ඇති ගුණාත්මක මට්ටමකින් ක්‍රියා කරයි (තත්ත්ව ලකුණු අගයන් 80% ට වඩා අඩු නොවේ).

Figure 18 InterSystems IRIS වේදිකාවේ අඛණ්ඩ (ස්වයං) පුහුණුව (CT)

අපි කලින් "ස්වයං-එම්එල්" ද සඳහන් කළෙමු, නමුත් පහත රූප සටහන වෙනත් මූලාකෘතියක උදාහරණයක් භාවිතා කරමින් මෙම ක්‍රියාකාරීත්වය විස්තරාත්මකව භාවිතා කරයි. ව්‍යාපාර ක්‍රියාවලියක ඛණ්ඩයක චිත්‍රක රූප සටහන මඟින් H2O තොගයේ ආකෘති නිර්මාණය අවුලුවාලන ක්‍රියාකාරකම් පෙන්නුම් කරයි, මෙම ආකෘති නිර්මාණයේ ප්‍රතිඵල පෙන්වයි (සංසන්දනාත්මක රූප සටහනට අනුව "මිනිසා විසින් සාදන ලද" ආකෘතිවලට වඩා ප්‍රතිඵලයක් ලෙස ලැබෙන ආකෘතියේ පැහැදිලි ආධිපත්‍යය. ROC වක්‍ර, මෙන්ම මුල් දත්ත කට්ටලයේ ඇති "වඩාත්ම බලගතු විචල්‍යයන්" ස්වයංක්‍රීයව හඳුනාගැනීම). මෙහි වැදගත් කරුණක් වන්නේ "ස්වයං-එම්එල්" හරහා ලබා ගන්නා කාලය සහ විශේෂඥ සම්පත් ඉතිරි කිරීමයි: අපගේ වේදිකා ක්‍රියාවලිය මිනිත්තු භාගයකින් කරන දේ (ප්‍රශස්ත ආකෘතිය සොයා ගැනීම සහ පුහුණු කිරීම) විශේෂඥයෙකුට සතියක සිට මාසයක් දක්වා ගත හැකිය.

Figure 19 InterSystems IRIS වේදිකාවේ AI/ML විසඳුමකට “auto-ML” ඒකාබද්ධ කිරීම

පහත රූප සටහනට කාරණය මඳක් මග හැරී ඇත, නමුත් තත්‍ය කාලීන ගැටළු විසඳීමේ පන්ති පිළිබඳ කතාව අවසන් කිරීමට එය හොඳ ක්‍රමයකි: InterSystems IRIS වේදිකාවේ සියලුම හැකියාවන් සමඟ, එහි පාලනය යටතේ ඇති පුහුණු ආකෘති බව අපි ඔබට මතක් කරමු. අනිවාර්ය නැහැ. වේදිකාවේ පාලනයට යටත් නොවන මෙවලමක් තුළ පුහුණු කරන ලද ආකෘතියේ ඊනියා PMML පිරිවිතර වේදිකාවට පිටතින් ලබා ගත හැකිය - සහ මෙම ආකෘතිය ආනයනය කළ මොහොතේ සිට තත්‍ය කාලීනව යොදන්න. PMML පිරිවිතර. බොහෝ පොදු කෞතුක වස්තු මෙයට ඉඩ දුන්නද, සියලුම AI/ML කෞතුක වස්තු PMML පිරිවිතරයකට අඩු කළ නොහැකි බව සැලකිල්ලට ගැනීම වැදගත්ය. මේ අනුව, InterSystems IRIS වේදිකාව "විවෘත ලූප්" වන අතර පරිශීලකයින් සඳහා "වේදිකා වහල්භාවය" යන්නෙන් අදහස් නොවේ.

Figure 20 InterSystems IRIS වේදිකාවේ AI/ML විසඳුමකට “auto-ML” ඒකාබද්ධ කිරීම

කෘතිම බුද්ධියේ සහ තත්‍ය කාලීන යන්ත්‍ර ඉගෙනීමේ ස්වයංක්‍රීයකරණයේදී ඉතා වැදගත් වන InterSystems IRIS හි (පැහැදිලි බව සඳහා, ක්‍රියාවලි පාලනයට අදාළව) අමතර වේදිකා වාසි ලැයිස්තුගත කරමු:

• ඕනෑම දත්ත ප්‍රභවයක් සහ පාරිභෝගිකයින් සමඟ සංවර්ධිත ඒකාබද්ධ කිරීමේ මෙවලම් (ක්‍රියාවලි පාලන පද්ධතිය/SCADA, උපකරණ, MRO, ERP, ආදිය)
• සාදන ලද බහු මාදිලියේ DBMS ඕනෑම තාක්ෂණික ක්‍රියාවලි දත්ත පරිමාවක ඉහළ කාර්ය සාධන ගනුදෙනු සහ විශ්ලේෂණ සැකසුම් (දෙමුහුන් ගනුදෙනු/විශ්ලේෂණ සැකසුම්, HTAP) සඳහා
• Python, R, Julia මත පදනම් වූ තත්‍ය කාලීන විසඳුම් සඳහා AI/ML එන්ජින් අඛණ්ඩව යෙදවීම සඳහා සංවර්ධන මෙවලම්
• තත්‍ය කාලීන AI/ML විසඳුම් එන්ජින් අඛණ්ඩව ඒකාබද්ධ කිරීම සහ (ස්වයං) ඉගෙනීම සඳහා අනුවර්තන ව්‍යාපාරික ක්‍රියාවලි
• ක්‍රියාවලි දත්ත සහ AI/ML විසඳුමක ප්‍රතිඵල දෘශ්‍යමාන කිරීම සඳහා බිල්ට් ව්‍යාපාරික බුද්ධි මෙවලම්
• API කළමනාකරණය සැකසුම් පාලන පද්ධති/SCADA, තොරතුරු සහ විශ්ලේෂණ පද්ධති, ඇඟවීම් යැවීම, ආදිය සඳහා AI/ML විසඳුමේ ප්‍රතිඵල ලබා දීම සඳහා.

InterSystems IRIS වේදිකාවේ AI/ML විසඳුම් දැනට පවතින තොරතුරු තාක්ෂණ යටිතල ව්‍යුහයට පහසුවෙන් ගැලපේ. InterSystems IRIS වේදිකාව දෝෂ-ඉවසන සහ ආපදා-ඉවසන වින්‍යාස කිරීම් සහ අතථ්‍ය පරිසරයන්, භෞතික සේවාදායකයන්, පුද්ගලික සහ පොදු වලාකුළු සහ ඩොකර් බහාලුම්වල නම්‍යශීලී යෙදවීම සඳහා සහාය දීමෙන් AI/ML විසඳුම්වල ඉහළ විශ්වසනීයත්වය සහතික කරයි.

මේ අනුව, InterSystems IRIS යනු විශ්වීය තත්‍ය කාලීන AI/ML පරිගණක වේදිකාවකි. අපගේ වේදිකාවේ විශ්වීයත්වය ප්‍රායෝගිකව තහවුරු වන්නේ ක්‍රියාවට නංවන ලද ගණනය කිරීම් වල සංකීර්ණත්වය පිළිබඳ තථ්‍ය සීමාවන් නොමැති වීම, විවිධ කර්මාන්ත වලින් අවස්ථා සැකසීම (තත්‍ය කාලය තුළ) ඒකාබද්ධ කිරීමට InterSystems IRIS හි හැකියාව සහ සුවිශේෂී අනුවර්තනය වීමේ හැකියාව මගිනි. පරිශීලකයින්ගේ නිශ්චිත අවශ්‍යතා සඳහා ඕනෑම වේදිකාවක් කාර්යයන් සහ යාන්ත්‍රණයන්.

Figure 21 InterSystems IRIS - විශ්වීය තත්‍ය කාලීන AI/ML පරිගණක වේදිකාවක්

මෙහි ඉදිරිපත් කර ඇති තොරතුරු ගැන උනන්දුවක් දක්වන අපගේ පාඨකයින් සමඟ වඩාත් වැදගත් අන්තර්ක්‍රියා සඳහා, එය කියවීමට සීමා නොවී "සජීවී" සංවාදය දිගටම කරගෙන යාමට අපි නිර්දේශ කරමු. ඔබේ සමාගමේ විශේෂතා සම්බන්ධයෙන් තත්‍ය කාලීන AI/ML අවස්ථා සැකසීම, InterSystems IRIS වේදිකාවේ ඒකාබද්ධ මූලාකෘති කිරීම, කෘතිම බුද්ධිය සහ යන්ත්‍ර ඉගෙනීම හඳුන්වාදීම සඳහා මාර්ග සිතියමක් සකස් කිරීම සහ ප්‍රායෝගිකව ක්‍රියාත්මක කිරීම සඳහා සහාය ලබා දීමට අපි සතුටු වන්නෙමු. ඔබේ නිෂ්පාදන සහ කළමනාකරණ ක්‍රියාවලීන් වෙත. අපගේ AI/ML විශේෂඥ කණ්ඩායම සම්බන්ධතා ඊමේල් - [විද්‍යුත් ආරක්‍ෂිත].

මූලාශ්රය: www.habr.com