Autor: Sergey Lukyanchikov, inxhinier-konsultant në InterSystems
Sfida të llogaritjeve AI/ML në kohë reale
Le të fillojmë me shembuj nga praktika e Data Science në kompaninë InterSystems:
- Portali i ngarkuar i blerĂ«sit Ă«shtĂ« i lidhur me njĂ« sistem rekomandues online. Duhet tĂ« restrukturohet promocioni nĂ« shkallĂ« tĂ« rrjetit tĂ« shitjes (supozoni se nĂ« vend tĂ« njĂ« vargu "tĂ« sheshtĂ«" tĂ« promovimeve tani do tĂ« aplikohet njĂ« matricĂ« "segmen-taktik"). ĂfarĂ« ndodh me mekanizmat rekomandues? ĂfarĂ« ndodh me pĂ«rcjelljen dhe aktualizimin e tĂ« dhĂ«nave nĂ« mekanizmin rekomandues (vĂ«llimi i tĂ« dhĂ«nave hyrĂ«se Ă«shtĂ« rritur 25000 herĂ«)? ĂfarĂ« ndodh me prodhimin e rekomandimeve (nevoja pĂ«r njĂ« ulje mijĂ«ra herĂ« tĂ« pragut tĂ« filtrimit tĂ« rregullave tĂ« rekomandimit pĂ«r shkak tĂ« rritjes mijĂ«ra herĂ« tĂ« numrit dhe "asortimentit" tĂ« tyre)?
- Ekziston njĂ« sistem monitorimi i probability tĂ« zhvillimit tĂ« defekteve nĂ« njĂ«sitĂ« e pajisjeve. NĂ« sistemin e monitorimit Ă«shtĂ« lidhur njĂ« SCADA, e cila pĂ«rcjell mijĂ«ra parametra tĂ« procesit teknologjik çdo sekondĂ«. ĂfarĂ« ndodh me sistemin e monitorimit, i cili mĂ« parĂ« punonte nĂ« "zgjedhje manuale" (a Ă«shtĂ« nĂ« gjendje tĂ« sigurojĂ« monitorim çdo sekonde tĂ« probability)? ĂfarĂ« do tĂ« ndodhĂ« nĂ«se nĂ« tĂ« dhĂ«nat hyrĂ«se shfaqet njĂ« bllok i ri me disa qindra kolona me lexime nga sensorĂ«t, tĂ« sapo-integruara nĂ« SCADA (a do tĂ« nevojitet dhe pĂ«r sa kohĂ« do tĂ« ndalojĂ« sistemi i monitorimit pĂ«r tâu pĂ«rfshirĂ« nĂ« analizĂ« tĂ« tĂ« dhĂ«nave nga sensorĂ«t e rinj)?
- ĂshtĂ« krijuar njĂ« kompleks mekanizmash AI/ML (rekomanduese, monitoruese, parashikuese), qĂ« pĂ«rdorin rezultatet e punĂ«s sĂ« njĂ«ri-tjetrit. Sa orĂ«-njeri kĂ«rkohen çdo muaj pĂ«r tĂ« adaptruar funksionimin e kĂ«tij kompleksi ndaj ndryshimeve nĂ« tĂ« dhĂ«nat hyrĂ«se? Cila Ă«shtĂ« "ngadalĂ«simi" total nĂ« mbĂ«shtetje tĂ« kĂ«tij kompleksi nĂ« marrjen e vendimeve menaxheriale (frekuenca e informacionit tĂ« ri mbĂ«shtetĂ«s nĂ« krahasim me frekuencĂ«n e tĂ« dhĂ«nave hyrĂ«se tĂ« reja)?
Duke e përmbledhur këtë dhe shumë shembuj të tjerë, arritëm në formulimin e sfidave që lindin në kalimin në përdorimin e mekanizmave të mësimit të makinerive dhe inteligjencës artificiale në kohë reale:
- Na përshtatet shpejtësia e krijimit dhe adaptimit (në situatën që po ndryshon) të zhvillimeve AI/ML në kompaninë tonë?
- Sa sa përdorin teknologjitë tona AI/ML për të mbështetur menaxhimin e biznesit në kohë reale?
- A janë të afta zgjidhjet tona AI/ML të përshtaten vetë (pa zhvilluesit) me ndryshimet në të dhëna dhe në praktikat e menaxhimit të biznesit?
Artikulli ynë është një përmbledhje e detajuar e mundësive të platformës InterSystems IRIS për mbështetje universale të implementimit të mekanizmave AI/ML, ndërtimit (integrimit) të zgjidhjeve AI/ML dhe trajnimit (testimit) të zgjidhjeve AI/ML me flukset e intensifikuara të të dhënave. Ne do të shqyrtojmë kërkimin e tregut, shembuj praktikë të zgjidhjeve AI/ML dhe aspektet konceptuale të asaj që ne e quajmë në këtë artikull platforma AI/ML në kohë reale.
ĂfarĂ« dihet nga anketat: aplikacionet nĂ« kohĂ« reale
Rezultatet , të kryera midis rreth 800 profesionistëve IT në vitin 2019 nga kompania Lightbend, flasin vetë për veten:
Figura 1 Konsumatorët kryesorë të të dhënave në kohë reale
Le të citojmë fragmente të rëndësishme të raportit mbi rezultatin e kësaj ankete në përkthimin tonë:
«⊠Tendencat e popullaritetit tĂ« mjeteve tĂ« integrimit tĂ« flukseve tĂ« tĂ« dhĂ«nave dhe, njĂ«kohĂ«sisht, mbĂ«shtetjes pĂ«r llogaritjet nĂ« kontejnerĂ« ofrojnĂ« njĂ« pĂ«rgjigje sinergjike ndaj kĂ«rkesĂ«s sĂ« tregut pĂ«r zgjidhje mĂ« efektive, tĂ« shpejta dhe dinamike. Flukset e tĂ« dhĂ«nave lejojnĂ« njĂ« transmetim mĂ« tĂ« shpejtĂ« tĂ« informacionit se sa tĂ« dhĂ«nat tradicionale me paketa. SĂ« fundmi, shtohet mundĂ«sia e aplikimit tĂ« metodave kompjuterike, tĂ« tilla si rekomandimet e bazuara nĂ« AI/ML, duke krijuar avantazhe konkurruese pĂ«rmes rritjes sĂ« kĂ«naqĂ«sisĂ« sĂ« klientĂ«ve. Garancia pĂ«r shpejtĂ«sinĂ« ndikon gjithashtu nĂ« tĂ« gjitha rolet nĂ« paradigmen DevOps - duke rritur efikasitetin e zhvillimit dhe implementimit tĂ« aplikacioneve. ⊠TetĂ«qind e katĂ«r profesionistĂ« IT ofruan informacion mbi pĂ«rdorimin e flukseve tĂ« tĂ« dhĂ«nave nĂ« organizatat e tyre. RespondentĂ«t ishin kryesisht nga vendet perĂ«ndimore (41% nĂ« EvropĂ« dhe 37% nĂ« AmerikĂ«n Veriore) dhe ishin praktikisht tĂ« shpĂ«rndarĂ« nĂ« mĂ«nyrĂ« tĂ« barabartĂ« midis kompanive tĂ« vogla, tĂ« mesme dhe tĂ« mĂ«dha. âŠ
Inteligjenca artificiale nuk është vetëm një modë. Pesëdhjetë e tetë për qind e atyre që e përdorin tanimë përpunimin e rrjedhave të të dhënave në aplikacione produktive AI/ML konfirmojnë se aplikimi i tyre në AI/ML do të ketë rritjen më të madhe vitin e ardhshëm (krahasuar me aplikacionet e tjera).
- Sipas shumicës së atyre që u anketuan, përdorimi i rrjedhave të të dhënave në skenarët AI/ML do të ketë rritjen më të madhe vitin e ardhshëm.
- Përdorimi në AI/ML do të rritet jo vetëm përmes skenarëve relativisht të rinj, por edhe përmes skenarëve tradicionalë, ku të dhënat në kohë reale po përdoren gjithnjë e më shumë.
- PĂ«rveç AI/ML, niveli i entuziazmit midis pĂ«rdoruesve tĂ« sistemeve tĂ« tĂ« dhĂ«nave IoT Ă«shtĂ« impresionuesâ48% e atyre qĂ« e kanĂ« integruar tashmĂ« tĂ« dhĂ«nat IoT, thonĂ« se implementimi i skenarĂ«ve me kĂ«to tĂ« dhĂ«na do tĂ« ketĂ« njĂ« rritje tĂ« konsiderueshme nĂ« tĂ« ardhmen e afĂ«rt. ⊠»
Nga kjo anketë mjaft interesante, duket se perceptimi i skenarëve të mësimit të makinave dhe inteligjencës artificiale si liderë në konsumimin e rrjedhave të të dhënave është tashmë "në rrugë". Por një vëzhgim po aq të rëndësishëm është perceptimi i AI/ML në kohë reale përmes optikës DevOps: këtu mund të fillojmë të flasim për transformimin e kulturës aktuale "të përkohshmes AI/ML me një set të dhënash të plotë të aksesueshëm".
Koncepci ai/ML e platformës në kohë reale
Një nga fushat tipike të aplikimit të AI/ML në kohë reale është menaxhimi i proceseve teknologjike në prodhim. Në këtë rast dhe duke marrë parasysh reflektimet e mëparshme, do të formulojmë konceptin e AI/ML të platformës së kohës reale.
Përdorimi i inteligjencës artificiale dhe mësimit të makinave në menaxhimin e proceseve teknologjike ka disa karakteristika:
- Të dhënat mbi gjendjen e procesit teknologjik vijnë me intensitet: me një frekuencë të madhe dhe për një gamë të gjerë parametrash (përfshirë dhjetëra mijëra vlera parametrash që transmetohen në sekondë nga sistemet e kontrollit të procesit industrial)
- Të dhënat për identifikimin e defekteve, përveç të dhënave mbi zhvillimin e tyre, përkundrazi, janë të pakta dhe të pavendosura, karakterizohen nga mungesa e tipizimit të defekteve dhe lokalizimit të tyre në kohë (shpesh, paraqiten në forma të shkruara në letër)
- Nga një pikëpamje praktike, për trajnimin dhe aplikimin e modeleve, është e disponueshme vetëm "finestra e relevancës" së të dhënave origjinale, e cila pasqyron dinamikën e procesit tehnologjik për një interval racional lëvizës, që përfundon me vlerat e fundit të lexuara të parametrave të procesit.
Këto karakteristika na detyrojnë, përveç pranimit dhe procesimit bazik në kohë reale të një "sinjali të gjerë hyrës" nga procesi teknologjik, të realizojmë (paralelisht) aplikimin, trajnimin dhe kontrollin e cilësisë së rezultateve të punës së modeleve AI/ML - gjithashtu në mënyrë në kohë reale. Ai "kadër" që modelet tona "shohin" në finestrën e relevancës, ndryshon vazhdimisht - dhe për këtë arsye ndryshon edhe cilësia e rezultateve të punës së modeleve AI/ML, të trajnuara mbi një nga "kadrët" në të kaluarën. Kur cilësia e rezultateve të punës së modeleve AI/ML përkeqësohet (p.sh.: vlera e gabimit të klasifikimit "alarm-normë" ka dalë përtej kufijve të caktuar prej nesh), duhet të aktivizohet automatikisht ri-trajnimi i modeleve mbi një "kadër" më të përshtatshëm - dhe zgjedhja e momentit për fillimin e ri-trajnimit të modeleve duhet të marrë parasysh si gjatësi e vetë trajnimit ashtu edhe dinamikën e përkeqësimit të cilësisë së punës së versioneve aktuale të modeleve (sepse versionet aktuale të modeleve vazhdojnë të aplikohen, derisa modelet të trajnohen, dhe derisa të formohen versionet e tyre "të ri-trainuara").
InterSystems IRIS ka mundësi kyçe të platformës për të siguruar funksionimin e zgjidhjeve AI/ML në menaxhimin e proceseve teknologjike në kohë reale. Këto mundësi mund të ndahen në tri grupe kryesore:
- Shpërndarja e vazhdueshme (Continuous Deployment/Delivery, CD) të mekanizmave të rinj ose të adaptuar të ekzistueshëm AI/ML në një zgjidhje produktive që funksionon në kohë reale në platformën InterSystems IRIS.
- Integrimi i vazhdueshëm (Continuous Integration, CI) i rrjedhave të dhënash hyrëse të procesit teknologjik në një zgjidhje produktive, radhëve të të dhënave për aplikimin/trajnimin/kontrollin e cilësisë së mekanizmave AI/ML dhe ndërrimit të të dhënave/kodit/ndikimeve menaxhuese me mjedise modelimi matematikor, orkestrimi i të cilëve realizohet në kohë reale nga platforma InterSystems IRIS.
- Trajnimi i vazhdueshëm (vetë-) i Shkencës së Inteligjencës Artificiale dhe Mësimit të Makinerive (AI/ML), që realizohet në mjedise modelimi matematikor me përdorimin e të dhënave, kodit dhe ndërhyrjeve menaxhuese ('vendimet e marra'), të transmetuara nga platforma InterSystems IRIS
Klasifikimi i mundësive të platformës përkatësisht në mësimin e makinave dhe inteligjencën artificiale sipas këtyre grupeve nuk është rastësor. Citojmë metodologjinë e kompanisë Google, e cila paraqet themelin konceptual për këtë klasifikim, në përkthimin tonë:
â⊠Koncepti popullor nĂ« ditĂ«t e sotme, DevOps, pĂ«rfshin zhvillimin dhe operimin e sistemeve informacioni nĂ« shkallĂ« tĂ« madhe. Avantazhet e implementimit tĂ« kĂ«tij koncepti pĂ«rfshijnĂ« reduktimin e kohĂ«s sĂ« cikleve tĂ« zhvillimit, pĂ«rshpejtimin e shpĂ«rndarjes sĂ« zhvillimeve, fleksibilitetin nĂ« planifikimin e lĂ«shimeve. PĂ«r tĂ« arritur kĂ«to avantazhe, DevOps parashikon implementimin, si minimum, tĂ« dy praktikave:
- Integrimi i Vazhdushëm (CI)
- Dorëzimi i Vazhdushëm (CD)
Këto praktika gjithashtu janë të aplikueshme për platformën AI/ML - me qëllimin e sigurimit të një ndërtimi të besueshëm dhe produktiv të zgjidhjeve AI/ML.
Platforma AI/ML dallohen nga sistemet e tjera të informacionit në aspektet e mëposhtme:
- Kompetencat e ekipit: nĂ« krijimin e njĂ« zgjidhjeje AI/ML, ekipi zakonisht pĂ«rfshin shkencĂ«tarĂ« tĂ« tĂ« dhĂ«nave ose ekspertĂ« âakademikĂ«â nĂ« fushĂ«n e studimit tĂ« tĂ« dhĂ«nave, tĂ« cilĂ«t realizojnĂ« analizĂ«n e tĂ« dhĂ«nave, zhvillimin dhe verifikimin e modeleve. KĂ«ta pjesĂ«tarĂ« tĂ« ekipit mund tĂ« mos jenĂ« zhvillues profesionistĂ« tĂ« kodit produktiv.
- Zhvillimi: mekanizmat AI/ML janĂ« eksperimentale pĂ«r natyrĂ«n e tyre. PĂ«r tĂ« zgjidhur problemin nĂ« mĂ«nyrĂ«n mĂ« efektive, kĂ«rkohet tĂ« kalohen pĂ«rmes kombinimeve tĂ« ndryshme tĂ« variablave hyrĂ«s, algoritmeve, metodave tĂ« modelimit dhe parametrave tĂ« modelit. Kompleksiteti i kĂ«tij procesi pĂ«rfshin ndjekjen e âçfarĂ« ka funksionuar/ndĂ«rlikuarâ, sigurimin e riprodhueshmĂ«risĂ« sĂ« episodĂ«ve, dhe pĂ«rgjithĂ«simin e zhvillimeve pĂ«r implementime tĂ« pĂ«rsĂ«ritura.
- Testimi: testimi i mekanizmave AI/ML kërkon një gamë më të gjerë testesh sesa shumica e zhvillimeve të tjera. Përveç testeve tipike të modbit dhe integrimit, testohen vlefshmëria e të dhënave, cilësia e rezultateve të aplikimit të modelit në grupet e të dhënave për trajnimin dhe kontrollin.
- Zhvillimi: Zhvillimi i zgjidhjeve AI/ML nuk është i kufizuar vetëm në shërbimet parashikuese që përdorin një model të stërvitur një herë. Zgjidhjet AI/ML ndërtohen rreth pipeline-ve të shumëfishta, që kryejnë stërvitje automatike dhe aplikim modelesh. Zhvillimi i këtyre pipeline-ve përfshin automatizimin e veprimeve jo triviale, të cilat zakonisht kryhen manualisht nga data-scientistët për të mundësuar stërvitjen dhe testimin e modeleve.
- Prodhimi: Mekanizmat AI/ML mund të kenë mungesë performance jo vetëm për shkak të programimit të paefektshëm, por edhe për shkak të natyrës që ndryshon vazhdimisht të të dhënave hyrëse. Në fjalë të tjera, performanca e mekanizmave AI/ML mund të degradohet për shkak të një spektri më të gjerë arsyesh, sesa performanca e zhvillimeve të zakonshme. Kjo çon në nevojën për monitorim (në kohë reale) të performancës të mekanizmave tanë AI/ML, si dhe dërgimin e njoftimeve ose filtrimin e rezultateve, nëse treguesit e performancës nuk përputhen me pritshmëritë.
Platformat AI/ML janë të ngjashme me sistemet e tjera informatikë në atë që të dyja kërkojnë integrim të vazhdueshëm të kodit me kontroll versioni, testim modular, testim integrimi dhe një shpërndarje të vazhdueshme të zhvillimeve. Megjithatë, në rastin e AI/ML, ka disa dallime të rëndësishme:
- CI (Integrimi i vazhdueshĂ«m) nuk kufizohet mĂ« vetĂ«m nĂ« testim dhe validim tĂ« kodit tĂ« komponenteve tĂ« shpĂ«rndara â ajo gjithashtu pĂ«rfshin testimin dhe validimin e tĂ« dhĂ«nave dhe modeleve AI/ML.
- CD (Shpërndarja e vazhdueshme) nuk është vetëm për shkruajten dhe lëshimin e pakove ose shërbimeve, por përfshin një platformë për kompozimin, stërvitjen dhe aplikimin e zgjidhjeve AI/ML.
- CT (StĂ«rvitja e vazhdueshme) â njĂ« element i ri [shĂ«nim i autorit: njĂ« element i ri nĂ« relacion me konceptin tradicional tĂ« DevOps, ku CT zakonisht Ă«shtĂ« Testimi i vazhdueshĂ«m], i pĂ«rshkruar nĂ« platformat AI/ML, pĂ«rgjegjĂ«s pĂ«r menaxhimin autonom tĂ« mekanizmave tĂ« stĂ«rvitjes dhe aplikimit tĂ« modeleve AI/ML.
Mund të konstatojmë se mësimi automatik dhe inteligjenca artificiale, që punojnë me të dhëna në kohë reale, kërkojnë një gamë më të gjerë mjetesh dhe kompetencash (nga zhvillimi i kodit deri te orkestrimi i mjediseve të modelimit matematikor), një integrim më të ngushtë midis të gjitha fushave funksionale dhe tematike, dhe një organizim më efikas të burimeve njerëzore dhe makinerike.
Skema në kohë reale: njohja e zhvillimit të defekteve në pompën ushqyese
Duke vazhduar të përdorim si shembull fushën e menaxhimit të proceseve teknologjike, le të shqyrtojmë një detyrë specifike (që e kemi përmendur në fillim): është e nevojshme të sigurohet në kohë reale monitorimi i zhvillimit të defekteve në pompat bazuar në fluksin e vlerave të parametrave të procesit teknologjik dhe raportet e personelit të riparimeve për defektet e identifikuara.
Figura 2 Formulimi i detyrës për monitorimin e zhvillimit të defekteve
Karakteristika e shumicĂ«s sĂ« detyrave tĂ« tilla tĂ« formuluara nĂ« praktikĂ« Ă«shtĂ« se rregullshmĂ«ria dhe shpĂ«rndarja e shpejtĂ« e tĂ« dhĂ«nave (ASUTP) duhet tĂ« shqyrtohet nĂ« kontekstin e episodicitetit dhe papĂ«rshtatshmĂ«risĂ« sĂ« shfaqjes (dhe regjistrimit) tĂ« defekteve tĂ« ndryshme. NĂ« terma tĂ« tjera: tĂ« dhĂ«nat nga ASUTP vijnĂ« çdo sekondĂ« si tĂ« saktĂ«, ndĂ«rsa pĂ«r defektet bĂ«hen shĂ«nime me laps kimik me datĂ«n nĂ« njĂ« fletore tĂ« pĂ«rgjithshme nĂ« punĂ« (p.sh.: "12.01 â rrjedhje nga kapaku nĂ« anĂ«n e ndezĂ«sit tĂ« 3-tĂ«").
Prandaj, mund tĂ« pĂ«rfundojmĂ« formulimin e detyrĂ«s me kĂ«tĂ« kufizim tĂ« rĂ«ndĂ«sishĂ«m: "etika" e defektit tĂ« njĂ« lloji tĂ« caktuar Ă«shtĂ« vetĂ«m njĂ« (sh. e. shembulli i defektit tĂ« njĂ« lloji tĂ« caktuar pĂ«rfaqĂ«sohet nga tĂ« dhĂ«nat nga ASUTP nĂ« njĂ« datĂ« tĂ« caktuar â dhe nuk kemi mĂ« shembuj tĂ« kĂ«tij lloji defekti). Ky kufizim na nxjerr menjĂ«herĂ« jashtĂ« kufijve tĂ« mĂ«simit tĂ« klasifikueshĂ«m (supervised learning), pĂ«r tĂ« cilin duhet tĂ« ketĂ« shumĂ« "etiketa".
Figura 3 Saktësimi i detyrës për monitorimin e zhvillimit të defekteve
A mund tĂ« âkopjojmĂ«â ndonjĂ« mĂ«nyrĂ« etiketĂ«n e vetme qĂ« kemi nĂ« dispozicion? Po, mundemi. Gjendja aktuale e pompĂ«s karakterizohet nga shkalla e ngjashmĂ«risĂ« me defektet e regjistruara. Edhe pa pĂ«rdorur metoda sasiore, nĂ« nivelin e perceptimit vizual, duke vĂ«zhguar dinamikĂ«n e vlerave tĂ« dhĂ«nave qĂ« vijnĂ« nga ASUTP, mund tĂ« nxjerrim shumĂ«.
Figura 4 Dinamika e gjendjes së pompës në sfondin e «etiketës» së defektit të caktuar
Por perceptimi vizual (të paktën për momentin) nuk është gjeneratori më i përshtatshëm i «etiketave» në skenarin tonë të shpejtë. Ne do të vlerësojmë ngjashmërinë e gjendjes aktuale të pompës me defektet e regjistruara përmes një testi statistik.
Figura 5 Përdorimi i testit statistik në të dhënat që arrijnë në sfondin e «etiketës» së defektit
Testi statistik pĂ«rcakton probabilitetin qĂ« regjistrimet me vlerat e parametrave tĂ« procesit teknologjik nĂ« âpaketĂ«n-fluksâ tĂ« marra nga ASUTP tĂ« jenĂ« tĂ« ngjashme me regjistrimet e «etiketĂ«s» sĂ« defektit tĂ« njĂ« tipi tĂ« caktuar. Vlera e probabilitetit e llogaritur si rezultat i aplikimit tĂ« testit statistik konvertohet nĂ« vlera 0 ose 1, duke u bĂ«rĂ« «etiketë» pĂ«r mĂ«simin automatik nĂ« çdo regjistrim tĂ« veçantĂ« nĂ« paketĂ«n e shqyrtuar. DomethĂ«nĂ«, pas pĂ«rpunimit tĂ« paketĂ«s sĂ« re tĂ« regjistrimeve tĂ« gjendjes sĂ« pompĂ«s me testin statistik, ne kemi mundĂ«sinĂ« (a) tĂ« shtojmĂ« kĂ«tĂ« paketĂ« nĂ« grupin mĂ«simor pĂ«r trajnim tĂ« modelit AI/ML, dhe (b) tĂ« kontrollojmĂ« cilĂ«sinĂ« e punĂ«s sĂ« versionit aktual tĂ« modelit kur aplikohet nĂ« kĂ«tĂ« paketĂ«.
Figura 6 Përdorimi i modelit të mësimit automatik në të dhënat që arrijnë në sfondin e «etiketës» së defektit
NĂ« njĂ« nga webinarĂ«t tanĂ« tĂ« mĂ«parshĂ«m Ne tregojmĂ« dhe shpjegojmĂ« se si platforma InterSystems IRIS mundĂ«son realizimin e çdo mekanizmi AI/ML si procesesh biznesi tĂ« vazhdueshĂ«m, duke kontrolluar saktĂ«sinĂ« e rezultateve tĂ« modelimit dhe duke adaptuar parametrat e modeleve. NĂ« realizimin e prototipit tĂ« skenarit tonĂ« me pompĂ«n, pĂ«rdorim tĂ« gjithĂ« funksionalitetin e paraqitur gjatĂ« webinarit tĂ« InterSystems IRIS â duke implementuar nĂ« proces-analizuesin e nĂ« zgjidhjen tonĂ«, jo mĂ«simin tradicional tĂ« mbikĂ«qyrur, por mĂ« tepĂ«r mĂ«simin me forca (reinforcement learning), qĂ« menaxhon automatikisht pĂ«rzgjedhjen pĂ«r tĂ« mĂ«suar modelet. NĂ« pĂ«rzgjedhjen pĂ«r mĂ«sim vendosen regjistrimet, pĂ«r tĂ« cilat ndodh njĂ« 'konsensus detekti' pas aplikimit tĂ« testit statistik dhe versionit aktual tĂ« modelit â domethĂ«nĂ«, si testi statistik (pas transformimit tĂ« indeksit tĂ« ngjashmĂ«risĂ« nĂ« 0 ose 1), ashtu edhe modeli, nxorrĂ«n rezultat 1 pĂ«r kĂ«to regjistrime. GjatĂ« trajnimit tĂ« ri tĂ« modelit, nĂ« verifikimin e tij (modeli e ri trajnohet nĂ« pĂ«rzgjedhjen e tij tĂ« mĂ«simit, me aplikimin paraprak tĂ« testit statistik), regjistrimet qĂ« nuk 'mbahen' pas pĂ«rpunimit me testin statistik rezultati 1 (pĂ«r shkak tĂ« pranisĂ« sĂ« vazhdueshme nĂ« pĂ«rzgjedhjen e mĂ«simit tĂ« regjistrimeve nga 'etiketa' origjinale e defektit), hiqen nga pĂ«rzgjedhja e mĂ«simit, dhe versioni i ri i modelit mĂ«son mbi 'etiketĂ«n' e defektit plus mbi regjistrimet 'tĂ« mbajtur' nga fluksi.
Figurë 7 Robotizimi i llogaritjeve AI/ML në InterSystems IRIS
Në rast se ndodh nevoja për një 'opinioni të dytë' mbi cilësinë e detektimit që merret gjatë llogaritjeve lokale në InterSystems IRIS, krijohet një proces-këshilltar për të kryer trajnimin-aplikimin e modeleve në një dataset kontrolli duke përdorur shërbimet cloud (p.sh., Microsoft Azure, Amazon Web Services, Google Cloud Platform, etj.):
Figurë 8 'Opinioni i Dytë' nga Microsoft Azure nën orkestrimin e InterSystems IRIS
Prototipi i skenarit tonĂ« nĂ« InterSystems IRIS Ă«shtĂ« realizuar si njĂ« sistem agjentĂ«sh tĂ« proceseve analitike, duke ndĂ«rvepruar me objektin e pajisjes (pompa), mjediset e modelimit matematikor (Python, R dhe Julia), dhe duke siguruar vetĂ«-mĂ«simin e tĂ« gjithĂ« mekanizmave AI/ML tĂ« pĂ«rfshirĂ« â mbi flukset e tĂ« dhĂ«nave nĂ« kohĂ« reale.
Figurë 9 Funksionaliteti kryesor i zgjidhjes AI/ML në kohë reale në InterSystems IRIS
Rezultati praktike të prototipit tonë:
- Mostra e defektit e njohur nga modeli (12 Janar):
- Defekti në zhvillim i njohur nga modeli, i cili nuk ishte pjesë e muestras (11 Shtator, defekti u konstatua nga ekipi i riparimit vetëm dy ditë më vonë - 13 Shtator):
Simulimi mbi të dhëna reale që përmbante disa episode të të njëjtit defekt tregoi se zgjidhja jonë, e realizuar në platformën InterSystems IRIS, lejon identifikimin e zhvillimit të defekteve të këtij lloji disa ditë para se të zbuloheshin nga ekipi i riparimit.
InterSystems IRIS â njĂ« platformĂ« universale pĂ«r AI/ML llogaritje nĂ« kohĂ« reale
Platforma InterSystems IRIS thjeshton zhvillimin, shpërndarjen dhe operimin e zgjidhjeve mbi të dhëna në kohë reale. InterSystems IRIS mund të kryejë njëkohësisht përpunim transaksionesh dhe analitik; të mbështesë pamje të sinkronizuara të të dhënave sipas modeleve të shumëfishta (përfshirë ato relacional, hierarkik, objektiv dhe dokumentar); të shërbejë si një platformë integrimi për një gamë të gjerë burimesh të dhënash dhe aplikacionesh individuale; të ofrojë analitikë të avancuar në kohë reale mbi të dhëna të struktuara dhe jo-struktuara. InterSystems IRIS gjithashtu ofron mekanizma për aplikimin e mjeteve analitike të jashtme, duke lejuar përzierje fleksibël të vendndodhjes në re dhe në servera lokalë.
Aplikacionet e ndërtuara mbi platformën InterSystems IRIS janë implementuar në industri të ndryshme, duke ndihmuar kompanitë të arrijnë përfitime të mëdha ekonomike si në perspektivën strategjike ashtu edhe atë operative, duke rritur informimin në vendimmarrje dhe eliminimin e 'rënieve' midis ngjarjes, analizës dhe veprimit.
Figura 10 Arkitektura e InterSystems IRIS në kontekstin e AI/ML në kohë reale
Siç është ilustrimi i mëparshëm, diagrami më poshtë kombinon një 'sistem koordinatash' të ri (CD/CI/CT) me skemën e rrjedhave të informacionit ndërmjet komponentëve të platformës. Vizualizimi fillon me makromekanizmin CD dhe vazhdon me makromekanizmat CI dhe CT.
Figura 11 Skema e rrjedhave të informacionit ndërmjet elementëve AI/ML të platformës InterSystems IRIS
The essence of the CD mechanism in InterSystems IRIS: platform users (developers of AI/ML solutions) adapt existing and/or create new AI/ML developments using a specialized AI/ML code editor: Jupyter (full name: Jupyter Notebook; for brevity, documents created in this editor are sometimes referred to as such). In Jupyter, the developer has the ability to write, debug, and verify the functionality (including using graphics) of a specific AI/ML development before its deployment in InterSystems IRIS. It is clear that the newly created development will only receive basic debugging (since, among other things, Jupyter does not work with real-time data streams) - this is normal, as the main result of development in Jupyter becomes the confirmation of the fundamental operability of a separate AI/ML mechanism ("shows the expected result on a data sample"). Similarly, a mechanism already deployed in the platform (see the next macro-mechanisms) may require a "rollback" to a "pre-platform" state (reading data from files, working with data via xDBC instead of tables, direct interaction with globals - multidimensional arrays of data in InterSystems IRIS - etc.) before debugging in Jupyter.
An important aspect of implementing CD specifically in InterSystems IRIS: there is a bidirectional integration implemented between the platform and Jupyter, allowing content in Python, R, and Julia (all three are programming languages in their respective leading open-source environments for mathematical modeling) to be transferred to the platform (and subsequently processed in the platform). Thus, AI/ML content developers have the opportunity to perform "continuous deployment" of this content in the platform, working in their familiar Jupyter editor, with familiar libraries available in Python, R, Julia, and performing basic debugging (if necessary) outside of the platform.
Kalon nĂ« makromekanizmin CI nĂ« InterSystems IRIS. NĂ« diagram, Ă«shtĂ« paraqitur makroprocesi i punĂ«s sĂ« "robotizatorit nĂ« kohĂ« reale" (njĂ« kompleks i strukturave tĂ« dhĂ«nash, proceseve biznesore dhe fraksioneve tĂ« kodit tĂ« orkestruar nĂ« gjuhĂ«t matsred dhe gjuhĂ«n ObjectScript â gjuha native e zhvillimit nĂ« InterSystems IRIS). Detyra e kĂ«tij makroprocesi Ă«shtĂ«: tĂ« mbĂ«shtesĂ« radhĂ«t e tĂ« dhĂ«nave tĂ« nevojshme pĂ«r funksionimin e mekanizmave AI/ML (bazuar nĂ« rrjedhat e tĂ« dhĂ«nave qĂ« i dorĂ«zohen platformĂ«s nĂ« kohĂ« reale), tĂ« marrĂ« vendime pĂ«r rendin e aplikimit dhe "asortimentin" e mekanizmave AI/ML (ato quhen gjithashtu "algoritme matematikore", "modele", etj. â mund tĂ« kenĂ« emra tĂ« ndryshĂ«m nĂ« varĂ«si tĂ« realizimit specifik dhe preferencave terminologjike), tĂ« mbajĂ« nĂ« gjendje tĂ« pĂ«rditĂ«suar strukturat e tĂ« dhĂ«nave pĂ«r analizĂ«n e rezultateve tĂ« punĂ«s sĂ« mekanizmave AI/ML (kubet, tabelat, shumĂ«dimensionet e tĂ« dhĂ«nave, etj. â pĂ«r raporte, dashboarde, etj.).
NjĂ« aspekt i rĂ«ndĂ«sishĂ«m i implementimit tĂ« CI pikĂ«risht nĂ« InterSystems IRIS: midis platformĂ«s dhe mjediseve tĂ« modelimit matematikor Ă«shtĂ« realizuar njĂ« integrim dykahĂ«sh, qĂ« lejon ekzekutimin e pĂ«rmbajtjes tĂ« vendosur nĂ« platformĂ« nĂ« gjuhĂ«t Python, R dhe Julia nĂ« mjediset pĂ«rkatĂ«se me marrjen e rezultateve tĂ« ekzekutimit pĂ«rsĂ«ri. Kjo integrim Ă«shtĂ« realizuar si nĂ« "modin e terminalit" (dmth. pĂ«rmbajtja AI/ML formulohet si kod nĂ« ObjectScript, i cili bĂ«n thirrje nĂ« mjediset matematikore), ashtu edhe nĂ« "modin e procesit biznesor" (dmth. pĂ«rmbajtja AI/ML formulohet si njĂ« proces biznesi pĂ«rmes njĂ« redaktori grafik, ose ndonjĂ«herĂ« pĂ«rmes Jupyter, ose pĂ«rmes IDE â IRIS Studio, Eclipse, Visual Studio Code). DisponueshmĂ«ria e proceseve biznesore pĂ«r redaktim nĂ« Jupyter reflektohet pĂ«rmes lidhjes midis IRIS nĂ« nivelin CI dhe Jupyter nĂ« nivelin CD. NjĂ« pasqyrĂ« mĂ« e detajuar e integrimit me mjediset e modelimit matematikor jepet mĂ« vonĂ«. NĂ« kĂ«tĂ« fazĂ«, sipas mendimit tonĂ«, ka tĂ« gjitha bazat pĂ«r tĂ« konfirmuar praninĂ« nĂ« platformĂ« tĂ« tĂ« gjitha mjeteve tĂ« nevojshme pĂ«r realizimin e "integrimit tĂ« vazhdueshĂ«m" tĂ« zhvillimeve AI/ML (qĂ« vijnĂ« nga "shpĂ«rndarja e vazhdueshme") nĂ« zgjidhjet AI/ML nĂ« kohĂ« reale.
Dhe mekanizmi makro i rëndësishëm: CT. Pa të, nuk do të funksiononte platforma AI/ML (ndonëse «kohë reale» do të implementohej përmes CD/CI). Essenca e CT është puna e platformës me «artefaktet» e mësimit të makinerisë dhe inteligjencës artificiale drejtpërdrejt në sesionet e punës të mjediseve të modelimit matematikor: modelet, tabelat e shpërndarjes, vektorët-matrica, shtresat e rrjeteve nervore etj. Kjo «punë», në shumicën e rasteve, përbëhet nga krijimi i artefakteve të përmendura në mjedise (në rastin e modeleve, për shembull, «krijimi» përbëhet nga përcaktimi i specifikimeve të modelit dhe më pas përshtatja e vlerave të parametrave të tij - e ashtuquajtura «mësohet» e modelit), aplikimi i tyre (për modele: llogaritja me ndihmën e tyre e vlerave «modelore» të variablave të synuara - parashikimeve, përkatësive në kategori, probabilitetit të ndodhisë së një ngjarjeje etj.) dhe përmirësimi i artefakteve tashmë të krijuara dhe të aplikuara (për shembull, ripërcaktimi i grupeve të variablave hyrës të modelit në përputhje me rezultatet e aplikimit - me qëllim rritjen e saktësisë së parashikimeve, si një variant). Një moment kyç në kuptimin e rolit të CT është «abstraktësia» e tij nga realitetet CD dhe CI: CT do të implementojë të gjitha artefaktet, duke u orientuar nga specifika llogaritëse dhe matematikore e zgjidhjes AI/ML brenda mundësive që ofrohen nga ambientet e caktuara. Pëgjegjësia për «furnizimin me të dhëna hyrëse» dhe «dërgimin e rezultateve» do të debohet në CD dhe CI.
Një aspekt i rëndësishëm i implementimit të CT në InterSystems IRIS: duke përdorur integrimin e përmendur më sipër me mjediset e modelimit matematikor, platforma ka aftësinë të nxjerrë nga seancat e punës, që zhvillohen nën menaxhimin e saj në mjediset e përmendura, ato artefakte dhe (çështja më e rëndësishme) t'i shndërrojë ato në objekte të të dhënave të platformës. Për shembull, një tabelë shpërndarjeje, e cila sapo është krijuar në një seancë pune Python, mund të transferohet (pa ndaluar seancën në Python) në platformë në formën, për shembull, të një global (një shumësi dimensionale të të dhënave në InterSystems IRIS) - dhe të përdoret për llogaritje në një mekanizëm tjetër AI/ML (të realizuar tashmë në një gjuhë tjetër mjedisi - për shembull, në R) - ose si një tabelë virtuale. Një shembull tjetër: paralelisht me 'modalitetin standard' të punës së modelit (në seancën e punës Python), në të dhënat e tij hyrëse bëhet 'auto-ML': përcaktimi automatik i variablave hyrës optimalë dhe vlerave të parametrave. Dhe së bashku me 'mësimin standard', modeli produktiv në kohë reale merr gjithashtu një 'propozim për optimizim' të specifikacionit të tij - në të cilin ndryshon grupi i variablave hyrës, ndryshojnë vlerat e parametrave (tashmë jo si rezultat i mësimit në Python, por si rezultat i mësimit të 'versionit alternativ' të vetes së tij, për shembull, në stack H2O), duke i lejuar zgjidhjes tërësore AI/ML të përballojë autonomisht ndryshimet e papritura në natyrën e të dhënave hyrëse dhe dukjeve që modelohen.
Le të njohim më në detaje funksionalitetin AI/ML të platformës InterSystems IRIS, përmes një shembulli të një prototipi realisht ekzistues.
Në diagramin e dhënë më poshtë, në anën e majtë të tezës - një pjesë e procesit biznesor, e cila implementon ekzekutimin e skripteve në Python dhe R. Në pjesën qendrore - logjet vizuale të ekzekutimit të disa nga këtyre skripteve, përkatësisht, në Python dhe në R. Menjëherë pas tyre - shembujt e përmbajtjes në të dy gjuhët, të dërguara për ekzekutim në ambientet përkatëse. Në fund, në anën e djathtë - vizualizimet, të bazuara në rezultatet e ekzekutimit të skripteve. Vizualizimet në krye - janë bërë në IRIS Analytics (të dhënat janë marrë nga Python në platformën e të dhënave InterSystems IRIS dhe janë shfaqur në dashboard duke përdorur mjetet e platformës), ndërsa ato poshtë - janë krijuar direkt në sesionin e punës në R dhe janë nxjerrë aty në skedarë grafikë. Një aspekt i rëndësishëm: fragmenti i paraqitur në prototip është përgjegjës për trajnimin e modelit (klasifikimi i gjendjeve të pajisjeve) mbi të dhënat që vijnë në kohë reale nga procesi-simulues i pajisjeve, sipas urdhrit nga procesi-monitorues i cilësisë së klasifikimit, të observed gjatë aplikimit të modelit. Rreth implementimit të zgjidhjes AI/ML në formën e një grupi procesesh të ndërveprueshëm ("agjentëve") do të flasim më vonë.
Figura 12 Ndërveprimi me Python, R dhe Julia në InterSystems IRIS
Proceset e platformës (të njohura si "procese biznesi", "procese analitike", "pipeline" etj. - varësisht nga konteksti), para së gjithash, redaktohen në redaktorin grafik të proceseve të biznesit në vetë platformën, në mënyrë që të krijohen njëkohësisht si diagrami i tij i bllokut, ashtu edhe mekanizmi përkatës AI/ML (kodi programor). Duke folur për atë se "çfarë krijohet si mekanizmi AI/ML", ne fillimisht nënkuptojmë hibridizmin (në kuadër të një procesi): përmbajtja në gjuhët e ambientit të modelimit matematikor është afër përmbajtjes në SQL (përfshirë, me zgjerime nga ), në InterSystems ObjectScript, me gjuhë të tjera të mbështetura. Më shumë se kaq, procesi i platformës ofron mundësi shumë të gjera për 'vizatimin' në formën e fragmenteve hierarkikisht të vendosur (siç shikohet në shembullin në diagramin e mëposhtëm), duke lejuar organizimin efikas edhe të përmbajtjeve shumë komplekse, pa 'dalë' kurrë nga formati grafik (në metodat/kategoritë/procedurat 'jo grafike' etj.). Që do të thotë, kurdo që është e nevojshme (dhe kjo pritet në shumicën e projekteve), e gjithë zgjidhja AI/ML mund të implementohet në një format grafik automatikisht dokumentues. Vëmendje për qendrat në diagramin e mëposhtëm, ku paraqitet një 'nivel më i lartë i vendosjes', tregon se përveç vetë punës për stërvitjen e modelit (me Python dhe R), shtohet analiza e ashtuquajturës kurbë ROC e modelit të stërvitur, që lejon vlerësimin vizual (edhe llogaritës) të cilësisë së stërvitjes - dhe kjo analizë është realizuar në gjuhën Julia (ekzekutohet përkatësisht në mjedisin matematikor Julia).
Figura 13 Mjedisi vizual i kompozitës së zgjidhjeve AI/ML në InterSystems IRIS
Siç u përmend më parë, zhvillimi fillestar dhe (në disa raste) adaptimi i mekanizmave AI/ML tashmë të implementuar në platformë do të bëhet / mund të bëhet jashtë platformës në redaktorin Jupyter. Në diagramin më poshtë shohim një shembull të adaptimit të procesit ekzistues të platformës ( të njëjtit si në diagramin më sipër) - kështu duket në Jupyter ai fragment që është përgjegjës për stërvitjen e modelit. Përmbajtja në gjuhën Python është e disponueshme për redaktim, debuggim, dhe grafikë të nxjerrë drejtpërdrejt në Jupyter. Ndryshimet (në rast nevoje) mund të bëhen me sinkronizim të menjëhershëm në procesin e platformës, përfshirë versionin e saj produktiv. Në të njëjtën mënyrë mund të transferohet në platformë edhe përmbajtja e re (automatikisht formohet një proces i ri i platformës).
Figura 14 Përdorimi i Jupyter Notebook për redaktimin e mekanizmit AI/ML në platformën InterSystems IRIS
Adaptimi i procesit të platformës mund të realizohet jo vetëm në format grafik ose laptop, por edhe në formatin "total" të IDE (Mjedisi i Zhvillimit të Integruar). IDE-të e tilla përfshijnë IRIS Studio (studioja natyrore IRIS), Visual Studio Code (zgjerimi i InterSystems IRIS për VSCode) dhe Eclipse (plugin i Atelier). Në disa raste, është e mundur që ekipi i zhvilluesve të përdorë të treja IDE-të njëherësh. Në diagramin më poshtë është paraqitur një shembull i redaktimit të të njëjtit proces në studion IRIS, në Visual Studio Code dhe në Eclipse. Të gjithë përmbajtja është e disponueshme për redaktim: si Python/R/Julia/SQL, ashtu edhe ObjectScript dhe procesi i biznesit.
Figura 15 Zhvillimi i procesit të biznesit InterSystems IRIS në IDE të ndryshme
Merita e veçantĂ« i takon mjeteve tĂ« pĂ«rshkrimit dhe ekzekutimit tĂ« proceseve tĂ« biznesit InterSystems IRIS nĂ« gjuhĂ«n Business Process Language (BPL). BPL ofron mundĂ«sinĂ« pĂ«r tĂ« pĂ«rdorur nĂ« proceset e biznesit "komponentĂ« integrues tĂ« gatshĂ«m" (activities) â çka, nĂ« thelb, jep arsye tĂ« plota pĂ«r tĂ« thĂ«nĂ« se nĂ« InterSystems IRIS Ă«shtĂ« realizuar "integrimi i vazhdueshĂ«m". KomponentĂ«t e gatshĂ«m tĂ« procesit tĂ« biznesit (aktivitetet dhe lidhjet midis tyre) janĂ« njĂ« akcelERATOR i fuqishĂ«m pĂ«r ndĂ«rtimin e zgjidhjeve AI/ML. Dhe jo vetĂ«m ndĂ«rtimi; falĂ« aktiviteteve dhe lidhjeve midis tyre, mbi zhvillimet dhe mekanizmat e ndryshĂ«m AI/ML ngritĂ«t njĂ« "shtresĂ« menaxheriale autonome", e cila Ă«shtĂ« e aftĂ« tĂ« marrĂ« vendime nĂ« pĂ«rputhje me situatĂ«n, nĂ« kohĂ« reale.
Figura 16 Komponentët e gatshëm të proceseve të biznesit për integrimin e vazhdueshëm (CI) në platformën InterSystems IRIS
Koncepcioni i sistemeve agjentë (të njohura edhe si "sisteme multi-agent") ka pozita të forta në robotikë, dhe platforma InterSystems IRIS e mbështet këtë natyrshëm përmes konceptit "produkt-proces". Përveç mundësive të pafundme për "mbushjen" e çdo procesi me funksionalitetin e nevojshëm për zgjidhjen e përgjithshme, dhënia e sistemit të proceseve të platformës me cilësinë e "agensisë" lejon krijimin e zgjidhjeve efektive për dukuri të simuluara tepër të paqëndrueshme (sjellja e sistemeve sociale/biologjike, proceseve teknologjike pjesërisht të vëzhguara etj.).
Figura 16 Puna e zgjidhjes AI/ML në formën e një sistemi agjent të proceseve të biznesit në InterSystems IRIS
Vazhdojmë me shqyrtimin tonë të InterSystems IRIS duke folur për aplikimin e platformës për zgjidhjen e klasave të tërë të detyrave në kohë reale (një prezantim mjaft të detajuar me disa praktika më të mira të AI/ML në platformën InterSystems IRIS është bërë në një nga përmbledhjet tona të mëparshme. ).
Pas 'shkathĂ«sisĂ«' sĂ« diagramit tĂ« mĂ«parshĂ«m, kĂ«tu Ă«shtĂ« njĂ« diagram mĂ« i detajuar i sistemit tĂ« agentĂ«ve. NĂ« diagram paraqitet po i njĂ«jti prototip, janĂ« tĂ« dukshme tĂ« katĂ«r proceset-agjentĂ«, tĂ« vizatuara skematikisht marrĂ«dhĂ«niet midis tyre: GENERATOR â pĂ«rpunon krijimin e tĂ« dhĂ«nave nga sensorĂ«t e pajisjeve, BUFFER â menaxhon radhĂ«t e tĂ« dhĂ«nave, ANALYZER â kryen mĂ«simin e makinĂ«s, MONITOR â kontrollon cilĂ«sinĂ« e mĂ«simit tĂ« makinĂ«s dhe jep sinjal pĂ«r nevojĂ«n e pĂ«rsĂ«ritjes sĂ« pĂ«rpunimit tĂ« modelit.
Figura 17 Kompozita e zgjidhjes AI/ML si një sistem agentësh për proceset biznesore në InterSystems IRIS.
NĂ« diagramin mĂ« poshtĂ« ilustrohet funksionimi autonom i njĂ« prototipi tjetĂ«r robotik (njohja e nuancave emocionale tĂ« teksteve) pĂ«r njĂ« periudhĂ« tĂ« caktuar kohe. NĂ« pjesĂ«n e sipĂ«rme â evolucioni i indeksit tĂ« cilĂ«sisĂ« sĂ« trajnimit tĂ« modelit (cilĂ«sia rritet), nĂ« pjesĂ«n e poshtme â dinamika e indeksit tĂ« cilĂ«sisĂ« sĂ« aplikimit tĂ« modelit dhe fakti i pĂ«rsĂ«ritjes sĂ« trajnimeve (vizatime tĂ« kuqe). Siç mund tĂ« shihet, zgjidhja Ă«shtĂ« efikase dhe Ă«shtĂ« vetĂ«-mĂ«suar nĂ« mĂ«nyrĂ« autonome, duke punuar nĂ« nivelin e caktuar tĂ« cilĂ«sisĂ« (vlerat e indeksit tĂ« cilĂ«sisĂ« nuk bien nĂ«n 80%).
Figura 18 Mësimi i vazhdueshëm (vetë-) në platformën InterSystems IRIS.
Ne kemi përmendur gjithashtu "auto-ML", por në diagramin e mëposhtëm shfaqet përdorimi i këtij funksionaliteti në detaje duke marrë si shembull një prototip tjetër. Në diagramin grafik të fragmentit të procesit biznesor shfaqet aktiviteti që niste modelimin në stakun H2O, si dhe rezultatet e këtij modelimi (dominimi i dukshëm i modelit të arritur mbi modelet "e krijuara nga njeriu", bazuar në diagramin krahasues të kurbave ROC, si dhe identifikimi automatizuar i "variablave më të rëndësishëm" nga të dhënat e disponueshme.) Një pikë e rëndësishme këtu është ajo kursimi i kohës dhe burimeve ekspertësh që arrihet falë "auto-ML": ajo që procesi ynë platformor e bën për gjysmë minuti (gjetja dhe trajnimi i modelit optimal), mund të marrë nga një ekspert nga një javë deri në një muaj.
Figura 19 Integrimi i "auto-ML" në zgjidhjen AI/ML në platformën InterSystems IRIS
Diagrami nĂ« vijim disi "tĂ« vlersoni kulmin", por Ă«shtĂ« njĂ« opsion i mirĂ« pĂ«r tĂ« pĂ«rfunduar historinĂ« e kategorive tĂ« problemeve tĂ« zgjidhura nĂ« kohĂ« reale: ne rikujtojmĂ« se pĂ«rkundĂ«r tĂ« gjitha mundĂ«sive tĂ« platformĂ«s InterSystems IRIS, trajnimi i modeleve nĂ«n menaxhimin e saj nuk Ă«shtĂ« obligator. Platforma mund tĂ« marrĂ« nga jashtĂ« njĂ« specifikim PMML tĂ« modelit, tĂ« trajnuar nĂ« njĂ« mjet qĂ« nuk Ă«shtĂ« nĂ«n menaxhimin e platformĂ«s â dhe tĂ« aplikojĂ« kĂ«tĂ« model nĂ« kohĂ« reale qĂ« nga momenti i importit tĂ« tij. . NdĂ«rkohĂ«, Ă«shtĂ« e rĂ«ndĂ«sishme tĂ« merren parasysh se jo tĂ« gjithĂ« AI/ML artefaktet mund tĂ« reduktohen nĂ« specifikimin PMML, edhe nĂ«se shumica e artefakteve mĂ« tĂ« zakonshme e lejojnĂ« njĂ« gjĂ« tĂ« tillĂ«. Prandaj, platforma InterSystems IRIS ka njĂ« "kontur tĂ« hapur" dhe nuk nĂ«nkupton "skllavĂ«rimin e platformĂ«s" pĂ«r pĂ«rdoruesit.
Figura 20 Integrimi i "auto-ML" në zgjidhjen AI/ML në platformën InterSystems IRIS
Le të rendisim përfitimet e tjera të platformës InterSystems IRIS (për qartësi, në lidhje me menaxhimin e proceseve teknologjike), të cilat kanë rëndësi të madhe për automatizimin e inteligjencës artificiale dhe mësimdhënies së makinave në kohë reale:
- Mjetet e avancuara të integrimit me çdo burim dhe konsumator të të dhënave (ASUTP/SCADA, pajisje, TOp, ERP, etj.)
- I integruar për përpunim të përshpejtuar për transaksione-analitika (Hybrid Transaction/Analytical Processing, HTAP) të çdo volumi të të dhënave të proceseve teknologjike
- Mjetet e zhvillimit për implementimin e vazhdueshëm të mekanizmave AI/ML për zgjidhje në kohë reale të bazuara në Python, R, Julia
- Procese biznesi adaptivë për integrim të vazhdueshëm dhe (vetë) mësim të mekanizmave AI/ML për zgjidhje në kohë reale
- Mjetet e integruara të Business Intelligence për vizualizimin e të dhënave të proceseve teknologjike dhe rezultateve të zgjidhjeve AI/ML
- për dërgimin e rezultateve të zgjidhjeve AI/ML në sistemet ASUTP/SCADA, sistemet informacion-analitike, njoftimet etj.
Zgjidhjet AI/ML në platformën InterSystems IRIS lehtë integrohen në infrastrukturën ekzistuese IT. Platforma InterSystems IRIS siguron besueshmëri të lartë të zgjidhjeve AI/ML përmes mbështetjes së konfigurimeve të qëndrueshme dhe të ruajtjes së fatkeqësive si dhe implementimit fleksibil në mjedise virtuale, serverë fizikë, në cloud privat dhe publik, konteinerë Docker.
Prandaj, InterSystems IRIS është një platformë universale për llogaritjet AI/ML në kohë reale. Universialiteti i platformës tonë konfirmohet në praktikë nga mungesa e kufizimeve de-fakto për kompleksitetin e llogaritjeve të implementuara, aftësia e InterSystems IRIS për të kombinuar (në kohë reale) përpunimin e skenarëve nga sektorë të ndryshëm, dhe adaptueshmëria e jashtëzakonshme e çdo funksioni dhe mekanizmi të platformës për nevojat specifike të përdoruesve.
Figura 21 InterSystems IRIS â platforma universale pĂ«r llogaritjet AI/ML nĂ« kohĂ« reale
PĂ«r njĂ« interaksion mĂ« konkret me ata nga lexuesit tanĂ« qĂ« e kanĂ« gjetur materialin e paraqitur kĂ«tu tĂ«rheqĂ«s, ne rekomandojmĂ« qĂ« tĂ« mos kufizohemi nĂ« leximin e tij, por tĂ« vazhdojmĂ« dialogun "live". Ne jemi tĂ« gatshĂ«m tĂ« ofrojmĂ« mbĂ«shtetje pĂ«r formimin e skenarĂ«ve AI/ML nĂ« kohĂ« reale nĂ« pĂ«rputhje me specifikĂ«n e kompanisĂ« suaj, tĂ« kryejmĂ« prototipizimin e pĂ«rbashkĂ«t nĂ« platformĂ«n InterSystems IRIS, tĂ« formojmĂ« dhe zbatojmĂ« nĂ« praktikĂ« njĂ« hartĂ« rrugore pĂ«r implementimin e inteligjencĂ«s artificiale dhe tĂ« mĂ«simit tĂ« makinave nĂ« proceset tuaja prodhuese dhe menaxheriale. Adresa e kontaktit tĂ« grupit tonĂ« ekspert tĂ« AI/ML â .
Burimi: habr.com
