ИнтерСистемс ИРИС - универзална АИ/МЛ платформа у реалном времену

Аутор: Сергеи Лукианцхиков, консултантски инжењер у ИнтерСистемс

АИ/МЛ рачунарски позиви у реалном времену

Почнимо са примерима из искуства праксе науке о подацима у ИнтерСистемс-у:

• Учитани портал за купце повезан је са системом за препоруке на мрежи. Доћи ће до реструктурирања промоција широм малопродајне мреже (на пример, уместо „равне“ линије промоција, сада ће се користити матрица „сегмент-тактика“). Шта се дешава са машинама за препоруке? Шта се дешава са подношењем и ажурирањем података машини за препоруке (обим улазних података је повећан за 25000 пута)? Шта се дешава са развојем препорука (потреба да се хиљаду пута смањи праг филтрирања правила препоруке због хиљадуструког повећања њиховог броја и „опсега“)?
• Постоји систем за праћење вероватноће појаве кварова у компонентама опреме. На систем за надзор је повезан аутоматизовани систем управљања процесом који сваке секунде преноси хиљаде параметара технолошког процеса. Шта се дешава са системом за праћење који је раније радио на „ручним узорцима“ (да ли је способан да обезбеди праћење вероватноће секунду по секунду)? Шта ће се десити ако се у улазним подацима појави нови блок од неколико стотина колона са очитањима са сензора који су недавно додани у систем управљања процесом (да ли ће бити потребно и колико дуго зауставити систем за праћење да би се подаци са нових сензора укључили у анализу )?
• Створен је скуп механизама АИ/МЛ (препорука, праћење, предвиђање) који користе резултате рада једног другог. Колико радних сати је потребно сваког месеца да се рад овог комплекса прилагоди променама улазних података? Које је опште „успоравање“ када га подржава комплекс за доношење одлука менаџмента (учесталост појављивања нових пратећих информација у њему у односу на учесталост појављивања нових улазних података)?

Сумирајући ове и многе друге примере, дошли смо до формулације изазова који настају када се пређе на коришћење машинског учења и механизама вештачке интелигенције у реалном времену:

• Да ли смо задовољни брзином креирања и прилагођавања (променљивој ситуацији) развоја АИ/МЛ развоја у нашој компанији?
• Колико АИ/МЛ решења која користимо подржавају управљање пословањем у реалном времену?
• Да ли су АИ/МЛ решења која користимо способна да се самостално (без програмера) прилагоде променама у подацима и пракси управљања пословањем?

Наш чланак је детаљан преглед могућности ИнтерСистемс ИРИС платформе у смислу универзалне подршке за примену АИ/МЛ механизама, склапања (интеграције) АИ/МЛ решења и обуке (тестирања) АИ/МЛ решења на интензивним токови података. У овом чланку ћемо погледати истраживање тржишта, студије случаја АИ/МЛ решења и концептуалне аспекте онога што називамо платформом за АИ/МЛ у реалном времену.

Оно што знамо из анкета: апликације у реалном времену

Налази анкетакоју је спровео Лигхтбенд међу скоро 800 ИТ професионалаца 2019. говоре сами за себе:

Слика 1. Водећи потрошачи података у реалном времену

Наведимо важне фрагменте извештаја о резултатима ове анкете у нашем преводу:

„... Трендови у популарности алата за интеграцију токова података и, у исто време, подржавање рачунарства у контејнерима пружају синергијски одговор на захтев тржишта за ефикаснијим, рационалнијим, динамичнијим предлогом ефикасних решења. Стримовање података преноси информације брже од традиционалних пакетних података. Овоме се додаје и могућност брзе примене рачунарских метода, као што су, на пример, препоруке засноване на АИ/МЛ, стварајући конкурентске предности кроз повећање задовољства купаца. Трка за агилношћу такође утиче на све улоге у ДевОпс парадигми – чинећи развој и примену апликација ефикаснијим. … Осамсто четири ИТ професионалца пружила су информације о коришћењу токова података у својим организацијама. Испитаници су претежно лоцирани у западним земљама (41% у Европи и 37% у Северној Америци) и били су скоро равномерно распоређени између малих, средњих и великих предузећа. ...

... Вештачка интелигенција није хипе. Педесет осам процената оних који већ користе обраду токова података у продуктивним АИ/МЛ апликацијама потврђује да ће њихова употреба АИ/МЛ имати највећи раст у наредној години (у поређењу са другим апликацијама).

• Према мишљењу већине испитаника, употреба токова података у АИ/МЛ сценаријима ће доживети највећи раст у наредној години.
• Апликације у АИ/МЛ ће расти не само због релативно нових типова сценарија, већ и због традиционалних сценарија у којима се подаци у реалном времену све више користе.
• Поред АИ/МЛ, ниво ентузијазма међу корисницима ИоТ цевовода података је импресиван – 48% оних који су већ интегрисали ИоТ податке каже да ће имплементација сценарија на овим подацима имати значајан пораст у блиској будућности. ..."

Из овог прилично занимљивог истраживања, јасно је да је перцепција сценарија машинског учења и вештачке интелигенције као лидера у потрошњи токова података већ „на путу“. Али једнако важно запажање је перцепција АИ/МЛ у реалном времену кроз сочиво ДевОпс-а: овде већ можемо да почнемо да говоримо о трансформацији још увек доминантне културе „АИ/МЛ-а за једнократну употребу са потпуно доступним скупом података“.

Концепт АИ/МЛ платформе у реалном времену

Једна типична област примене за АИ/МЛ у реалном времену је контрола процеса у производњи. Користећи њен пример и узимајући у обзир претходна размишљања, формулисаћемо концепт АИ/МЛ платформе у реалном времену.
Употреба вештачке интелигенције и машинског учења у контроли процеса има низ карактеристика:

• Подаци о стању технолошког процеса се примају интензивно: са великом фреквенцијом и за широк спектар параметара (до десетина хиљада вредности параметара које се преносе у секунди из система управљања процесом)
• Подаци о идентификацији недостатака, а да не говоримо о подацима о њиховом развоју, напротив, оскудни су и неправилни, карактерише их недовољна типизација недостатака и њихова локализација у времену (често представљени папирним записима)
• Са практичне тачке гледишта, за обуку и примену модела доступан је само „прозор релевантности“ изворних података, који одражава динамику технолошког процеса у разумном клизном интервалу који се завршава последњим прочитаним вредностима параметара процеса.

Ове карактеристике нас приморавају да, поред пријема и основне обраде у реалном времену интензивног „широкопојасног улазног сигнала“ из технолошког процеса, вршимо (паралелно) примену, обуку и контролу квалитета резултата АИ/ МЛ модели - такође у реалном времену. „Оквир“ који наши модели „виде“ у клизном прозору релевантности се стално мења – а са њим се мења и квалитет резултата рада АИ/МЛ модела обучених на једном од „рамова“ у прошлости. . Уколико дође до погоршања квалитета резултата рада АИ/МЛ модела (на пример: вредност грешке класификације „аларм-норма” је прешла границе које смо дефинисали), треба аутоматски покренути додатну обуку модела на актуелнији „оквир“ - и избор тренутка за покретање додатне обуке модела треба да узме у обзир како трајање саме обуке, као и динамику погоршања квалитета рада тренутне верзије модела (од актуелне верзије модела настављају да се користе док се модели обучавају и док се не формирају њихове „новообучене” верзије).

ИнтерСистемс ИРИС има кључне могућности платформе да омогући АИ/МЛ решења за контролу процеса у реалном времену. Ове могућности се могу поделити у три главне групе:

• Континуирана примена (Цонтинуоус Деплоимент/Деливери, ЦД) нових или прилагођених постојећих АИ/МЛ механизама у продуктивно решење које ради у реалном времену на ИнтерСистемс ИРИС платформи
• Континуирана интеграција (ЦИ) у јединствено продуктивно решење улазних токова података технолошког процеса, редова података за примену/обуку/контролу квалитета механизама АИ/МЛ и размене података/кода/контролних радњи са окружењима математичког моделирања, оркестрираних у реалном времену платформа ИнтерСистемс ИРИС
• Континуирана (само)обука (Цонтинуоус Траининг, ЦТ) механизама АИ/МЛ, која се изводи у окружењима математичког моделирања коришћењем података, кода и контролних радњи („донијетих одлука“) које преноси ИнтерСистемс ИРИС платформа

Сврставање могућности платформе у односу на машинско учење и вештачку интелигенцију управо у ове групе није случајно. Да цитирамо методолошки публикација Гоогле, који пружа концептуалну основу за ову класификацију, у нашем преводу:

„... ДевОпс концепт, популаран ових дана, покрива развој и рад информационих система великих размера. Предности имплементације овог концепта су смањење трајања развојних циклуса, бржа примена развоја и флексибилност у планирању издања. Да би постигао ове предности, ДевОпс укључује примену најмање две праксе:

• Континуирана интеграција (ЦИ)
• Континуирана испорука (ЦД)

Ове праксе се такође примењују на АИ/МЛ платформе како би се обезбедило поуздано и ефикасно склапање продуктивних АИ/МЛ решења.

АИ/МЛ платформе се разликују од других информационих система у следећим аспектима:

• Тимске компетенције: Приликом креирања АИ/МЛ решења, тим обично укључује научнике за податке или „академске” стручњаке у области истраживања података који спроводе анализу података, развијају и тестирају моделе. Ови чланови тима можда нису професионални продуктивни програмери кода.
• Развој: АИ/МЛ мотори су експерименталне природе. Да би се проблем решио на најефикаснији начин, потребно је проћи кроз различите комбинације улазних варијабли, алгоритама, метода моделирања и параметара модела. Сложеност такве претраге лежи у праћењу „шта је функционисало/не ради“, обезбеђујући поновљивост епизода, генерализацију развоја за поновљене имплементације.
• Тестирање: Тестирање АИ/МЛ мотора захтева шири спектар тестова од већине других развоја. Поред стандардних јединичних и интеграционих тестова, тестира се валидност података и квалитет резултата примене модела на тренинг и контролне узорке.
• Примена: Примена АИ/МЛ решења није ограничена на услуге предвиђања које користе једном обучени модел. АИ/МЛ решења су изграђена око вишестепених цевовода који обављају аутоматизовану обуку и примену модела. Примена таквих цевовода укључује аутоматизацију нетривијалних радњи које традиционално изводе ручно научници података како би били у могућности да обуче и тестирају моделе.
• Продуктивност: АИ/МЛ машинама може недостајати продуктивност не само због неефикасног програмирања, већ и због константне промене природе улазних података. Другим речима, перформансе АИ/МЛ механизама могу деградирати због ширег спектра разлога од перформанси конвенционалних развоја. Што доводи до потребе за праћењем (онлине) перформанси наших АИ/МЛ мотора, као и слањем упозорења или одбијањем резултата ако индикатори учинка не испуњавају очекивања.

АИ/МЛ платформе су сличне другим информационим системима по томе што обе захтевају континуирану интеграцију кода са контролом верзија, тестирањем јединица, тестирањем интеграције и континуираним развојем. Међутим, у случају АИ/МЛ, постоји неколико важних разлика:

• ЦИ (Цонтинуоус Интегратион) више није ограничен на тестирање и валидацију кода распоређених компоненти – такође укључује тестирање и валидацију података и АИ/МЛ модела.
• ЦД (Цонтинуоус Деливери/Деплоимент, континуирано распоређивање) није ограничен на писање и издавање пакета или услуга, већ подразумева платформу за састављање, обуку и примену АИ/МЛ решења.
• ЦТ (Цонтинуоус Траининг, континуирана обука) је нови елемент [цца. аутор чланка: нови елемент у односу на традиционални концепт ДевОпс-а, ​​у којем је ЦТ, по правилу, Цонтинуоус Тестинг], својствен АИ/МЛ платформама, одговоран за аутономно управљање механизмима за обуку и примену АИ /МЛ модели. ..."

Можемо констатовати да машинско учење и вештачка интелигенција који раде на подацима у реалном времену захтевају шири скуп алата и компетенција (од развоја кода до оркестрације окружења за математичко моделирање), ближу интеграцију свих функционалних и предметних области, ефикаснију организацију људских и машински ресурси.

Сценарио у реалном времену: препознавање развоја кварова на напојним пумпама

Настављајући да користимо област управљања процесом као пример, размотримо специфичан проблем (који смо већ споменули на самом почетку): потребно је да обезбедимо праћење развоја кварова у пумпама у реалном времену на основу тока вредности параметара процеса. и извештаје особља за поправку о идентификованим дефектима.

Слика 2. Формулација проблема за праћење развоја дефеката

Карактеристика већине овако постављених задатака у пракси је да се правилност и ефикасност пријема података (АПЦС) морају разматрати у контексту епизодног и нередовног појављивања (и регистрације) недостатака различитих врста. Другим речима: подаци из система за контролу процеса стижу једном у секунди, тачни и тачни, а хемијском оловком се бележе грешке и датум у општој бележници у радионици (на пример: „12.01 – цурење у корице са стране 3. лежишта”).

Дакле, формулацију проблема можемо допунити следећим важним ограничењем: имамо само једну „ознаку“ дефекта одређеног типа (тј. пример дефекта одређеног типа представљају подаци из контроле процеса система на одређени датум – и немамо више примера квара овог типа). Ово ограничење нас одмах води изван оквира класичног машинског учења (учење под надзором), за које би требало да постоји много „тагова“.

Слика 3 Појашњење задатка праћења развоја дефеката

Можемо ли некако „умножити“ једину „ознаку“ која нам је на располагању? Да ми можемо. Тренутно стање пумпе карактерише степен сличности са регистрованим дефектима. Чак и без употребе квантитативних метода, на нивоу визуелне перцепције, посматрајући динамику вредности података који пристижу из система контроле процеса, већ можете научити много:

Слика 4. Динамика стања пумпе на позадини „ознаке“ дефекта датог типа

Али визуелна перцепција (барем за сада) није најпогоднији генератор „ознака“ у нашем сценарију који се брзо мења. Проценићемо сличност тренутног стања пумпе са пријављеним дефектима помоћу статистичког теста.

Слика 5 Примена статистичког теста на долазне податке у позадини дефектне „ознаке“

Статистички тест утврђује вероватноћу да су записи са вредностима параметара технолошког процеса у „проточном пакету“ који се добијају из система управљања процесом слични записима „ознаке“ квара одређеног типа. Вредност вероватноће (индекс статистичке сличности) израчуната као резултат примене статистичког теста се конвертује у вредност од 0 или 1, постајући „ознака“ за машинско учење у сваком специфичном запису у пакету који се испитује ради сличности. То јест, након обраде новопримљеног пакета записа стања пумпе са статистичким тестом, имамо прилику да (а) додамо овај пакет у скуп за обуку за обуку АИ/МЛ модела и (б) извршимо контролу квалитета тренутну верзију модела када га користите за овај пакет.

Слика 6 Примена модела машинског учења на долазне податке у позадини дефектне „ознаке“

У једном од наших претходних вебинари Показујемо и објашњавамо како вам платформа ИнтерСистемс ИРИС омогућава да имплементирате било који АИ/МЛ механизам у облику континуираног извршавања пословних процеса који прате поузданост резултата моделирања и прилагођавају параметре модела. Када имплементирамо прототип нашег сценарија са пумпама, користимо сву ИнтерСистемс ИРИС функционалност представљену током вебинара - имплементирајући у процес анализатора као део нашег решења не класично учење под надзором, већ учење са појачањем, које аутоматски управља селекцијом модела за обуку . Узорак за обуку садржи записе о којима се јавља „консензус детекције“ након примене и статистичког теста и тренутне верзије модела – односно, и статистички тест (након трансформисања индекса сличности у 0 или 1) и модел су дали резултат о таквим евиденцијама 1. Приликом нове обуке модела, приликом његове валидације (новообучени модел се примењује на сопствени узорак за обуку, уз прелиминарну примену статистичког теста на њега), евидентира се „нису задржали“ резултат 1 након обраде статистичким тестом (због сталног присуства у обуци узорак записа са оригиналне „ознаке“ дефекта), уклањају се из скупа за обуку, а нова верзија модела учи из „ознаке“ дефекта. дефект плус „задржани“ записи из стрима.

Слика 7 Роботизација АИ/МЛ рачунарства у ИнтерСистемс ИРИС

Ако постоји потреба за неком врстом „другог мишљења“ о квалитету детекције добијеног током локалних прорачуна у ИнтерСистемс ИРИС-у, креира се саветнички процес за обављање обуке и примене модела на контролном скупу података користећи услуге у облаку (на пример, Мицрософт Азуре, Амазон Веб Сервицес, Гоогле Цлоуд Платформ, итд.):

Слика 8 Друго мишљење из Мицрософт Азуре-а у организацији ИнтерСистемс ИРИС

Прототип нашег сценарија у ИнтерСистемс ИРИС је дизајниран као систем аналитичких процеса заснован на агентима који су у интеракцији са објектом опреме (пумпа), окружењима за математичко моделирање (Питхон, Р и Јулиа) и осигуравају самоучење свих укључених АИ/ Механизми МЛ – на токовима података у реалном времену.

Слика 9 Главна функционалност АИ/МЛ решења у реалном времену у ИнтерСистемс ИРИС

Практични резултат нашег прототипа:

• Дефект узорка који је препознао модел (12. јануар):

• Дефект у развоју препознат од стране модела који није био укључен у узорак (11. септембра, сам квар је идентификовао тим за поправку само два дана касније, 13. септембра):

Симулација на стварним подацима који садрже неколико епизода истог квара показала је да наше решење, имплементирано на ИнтерСистемс ИРИС платформи, омогућава да идентификујемо развој дефеката овог типа неколико дана пре него што их открије тим за поправку.

ИнтерСистемс ИРИС - универзална АИ/МЛ рачунарска платформа у реалном времену

ИнтерСистемс ИРИС платформа поједностављује развој, примену и рад решења за податке у реалном времену. ИнтерСистемс ИРИС је способан да истовремено врши трансакциону и аналитичку обраду података; подржавају синхронизоване приказе података према више модела (укључујући релационе, хијерархијске, објектне и документне); делује као платформа за интеграцију широког спектра извора података и појединачних апликација; пружају напредну аналитику у реалном времену структурираних и неструктурираних података. ИнтерСистемс ИРИС такође обезбеђује механизме за коришћење екстерних аналитичких алата и омогућава флексибилну комбинацију хостовања у облаку и на локалним серверима.

Апликације изграђене на платформи ИнтерСистемс ИРИС се примењују у различитим индустријама, помажући компанијама да остваре значајне економске користи из стратешке и оперативне перспективе, повећавајући информисано доношење одлука и премошћивајући јаз између догађаја, анализе и акције.

Слика 10 ИнтерСистемс ИРИС архитектура у контексту АИ/МЛ у реалном времену

Као и претходни дијаграм, дијаграм испод комбинује нови „координатни систем“ (ЦД/ЦИ/ЦТ) са дијаграмом тока информација између радних елемената платформе. Визуелизација почиње са макромеханизмом ЦД и наставља се са макромеханизмима ЦИ и ЦТ.

Слика 11 Дијаграм токова информација између АИ/МЛ елемената платформе ИнтерСистемс ИРИС

Суштина ЦД механизма у ИнтерСистемс ИРИС: корисници платформе (програмери АИ/МЛ решења) прилагођавају постојеће и/или креирају нове АИ/МЛ развоје користећи специјализовани уређивач кода за АИ/МЛ механизме: Јупитер (пун назив: Јупитер Нотебоок; ради сажетости, понекад се називају и документи креирани у овом уређивачу). У Јупитер-у, програмер има прилику да напише, отклони грешке и провери перформансе (укључујући коришћење графике) одређеног АИ/МЛ развоја пре него што се постави („расположи“) у ИнтерСистемс ИРИС. Јасно је да ће нови развој креиран на овај начин добити само основно отклањање грешака (пошто Јупитер посебно не ради са токовима података у реалном времену) – то је по реду ствари, јер је главни резултат развоја у Јупитеру је потврда фундаменталне оперативности посебног АИ / МЛ механизма („показује очекивани резултат на узорку података“). Слично томе, механизам који је већ постављен на платформи (погледајте следеће макро-механизме) пре отклањања грешака у Јупитер-у може захтевати „враћање“ на образац „пре платформе“ (читање података из датотека, рад са подацима преко кДБЦ уместо табела, директна интеракција са глобалима – вишедимензионалним низовима података ИнтерСистемс ИРИС – итд.).

Важан аспект имплементације ЦД-а у ИнтерСистемс ИРИС: имплементирана је двосмерна интеграција између платформе и Јупитер-а, омогућавајући садржај у Питхон-у, Р и Јулиа-и да се пренесе на платформу (и, касније, обрађује у платформи) (сва три су програмирана језици у одговарајућим водећим језицима отвореног кода). Стога, програмери АИ/МЛ садржаја имају прилику да спроводе „континуирану примену“ овог садржаја на платформи, радећи у свом познатом Јупитер едитору, са познатим библиотекама доступним у Питхон, Р, Јулиа, и обављајући основно отклањање грешака (ако је потребно) изван платформе.

Пређимо на ЦИ макро механизам у ИнтерСистемс ИРИС. Дијаграм приказује макро процес „роботизатора у реалном времену“ (комплекс структура података, пословних процеса и фрагмената кода оркестрираних од њих на математичким језицима и ОбјецтСцрипт-у - изворном развојном језику ИнтерСистемс ИРИС). Задатак овог макро процеса је одржавање редова података неопходних за рад механизама АИ/МЛ (на основу токова података који се преносе на платформу у реалном времену), доношење одлука о редоследу примене и „асортименту“ АИ/ Механизми МЛ (они су и „математички алгоритми”, „модели” итд. – могу се назвати различито у зависности од специфичности имплементације и терминолошких преференција), одржавају структуре података ажурним за анализу резултата рада АИ/ МЛ механизми (коцке, табеле, вишедимензионални низови података итд. – за извештаје, контролне табле итд.).

Важан аспект имплементације ЦИ посебно у ИнтерСистемс ИРИС: двосмерна интеграција је имплементирана између платформе и окружења за математичко моделирање, омогућавајући вам да извршите садржај хостован на платформи у Питхон, Р и Јулиа у њиховим одговарајућим окружењима и вратите извршење резултате. Ова интеграција је имплементирана и у „терминалном режиму“ (тј. АИ/МЛ садржај је формулисан као ОбјецтСцрипт код који упућује позиве окружењу) и у „режиму пословног процеса“ (тј., АИ/МЛ садржај је формулисан као пословни процес користећи графички уређивач, или понекад користећи Јупитер, или користећи ИДЕ - ИРИС Студио, Ецлипсе, Висуал Студио Цоде). Доступност пословних процеса за уређивање у Јупитеру се огледа кроз везу између ИРИС-а на нивоу ЦИ и Јупитер-а на нивоу ЦД-а. Детаљнији преглед интеграције са окружењима за математичко моделирање је дат у наставку. У овој фази, по нашем мишљењу, постоји сваки разлог да се осигура да платформа има све неопходне алате за имплементацију „континуиране интеграције“ развоја АИ/МЛ (који долази из „континуиране имплементације“) у АИ/МЛ решења у реалном времену.

И главни макро механизам: ЦТ. Без тога, неће бити АИ/МЛ платформе (иако ће „реално време“ бити имплементирано преко ЦД/ЦИ). Суштина ЦТ-а је рад платформе са „артефактима“ машинског учења и вештачке интелигенције директно у радним сесијама окружења математичког моделирања: модели, табеле дистрибуције, матрични вектори, слојеви неуронских мрежа итд. Овај „рад“, у већини случајева, састоји се од креирања поменутих артефаката у окружењима (у случају модела, на пример, „креација“ се састоји од постављања спецификације модела и накнадног одабира вредности његових параметара - тзв. „обука“ модела), њихову примену (за моделе: израчунавање уз помоћ „модела“ вредности циљних варијабли – прогнозе, чланство у категорији, вероватноћа догађаја, итд.) и побољшање већ креиране и примењене артефакте (на пример, редефинисање скупа улазних варијабли модела на основу резултата примене – у циљу побољшања тачности предвиђања, као опција). Кључна тачка у разумевању улоге ЦТ-а је његова „апстракција“ од реалности ЦД-а и ЦИ: ЦТ ће имплементирати све артефакте, фокусирајући се на рачунарске и математичке специфичности АИ/МЛ решења у оквиру могућности које пружају специфична окружења. Одговорност за „обезбеђивање улазних података” и „испоруку резултата” биће одговорност ЦД-а и ЦИ.

Важан аспект имплементације ЦТ-а посебно у ИнтерСистемс ИРИС: користећи интеграцију са окружењима за математичко моделирање која је већ поменута, платформа има могућност да извуче управо те артефакте из радних сесија које се одвијају под њеном контролом у математичким окружењима и (што је најважније) окрене их у објекте података платформе. На пример, табела дистрибуције која је управо креирана у радној Питхон сесији може се (без заустављања Питхон сесије) пренети на платформу у облику, на пример, глобалног (вишедимензионални ИнтерСистемс ИРИС низ података) - и користити за прорачуне у другом АИ/МЛ- механизму (примењеном на језику другог окружења – на пример, у Р) – или виртуелној табели. Други пример: паралелно са „нормалним режимом“ рада модела (у радној сесији Питхон-а), „ауто-МЛ“ се спроводи на његовим улазним подацима: аутоматски избор оптималних улазних променљивих и вредности параметара. А уз „редовну“ обуку, продуктивни модел у реалном времену добија и „предлог за оптимизацију“ своје спецификације - у којој се мења скуп улазних варијабли, мењају се вредности параметара (не више као резултат обуке). у Питхон-у, али као резултат обуке са „алтернативном“ верзијом самог себе, као што је Х2О стек), омогућавајући целокупном АИ/МЛ решењу да се самостално носи са неочекиваним променама у природи улазних података и феномена који се моделују .

Хајде да се детаљније упознамо са платформом АИ/МЛ функционалности ИнтерСистемс ИРИС, користећи пример прототипа из стварног живота.

На доњем дијаграму, на левој страни слајда налази се део пословног процеса који имплементира извршавање скрипти у Питхон-у и Р-у. У централном делу налазе се визуелни логови извршавања неких од ових скрипти, односно у Питхон-у и Р. Непосредно иза њих су примери садржаја на једном и другом језику, пренети за извршење у одговарајућа окружења. На крају десно су визуелизације засноване на резултатима извршења скрипте. Визуелизације на врху су направљене на ИРИС аналитици (подаци су преузети из Питхон-а у платформу података ИнтерСистемс ИРИС и приказани на контролној табли помоћу платформе), на дну су направљене директно у Р радној сесији и излазе одатле у графичке датотеке . Важан аспект: представљени фрагмент у прототипу је одговоран за обуку модела (класификација стања опреме) на подацима добијеним у реалном времену из процеса симулатора опреме, по команди из процеса праћења квалитета класификације који се посматра током примене модела. О имплементацији АИ/МЛ решења у облику скупа процеса у интеракцији („агенти“) биће даље речи.

Слика 12 Интеракција са Питхон, Р и Јулиа у ИнтерСистемс ИРИС

Процеси платформе (то су и „пословни процеси”, „аналитички процеси”, „цевоводе” итд. - у зависности од контекста), пре свега, уређују се у графичком уређивачу пословних процеса у самој платформи, и то у начин да се и његов блок дијаграм и одговарајући АИ/МЛ механизам (програмски код) креирају истовремено. Када кажемо да је „добијен АИ/МЛ механизам“, у почетку мислимо на хибридност (унутар једног процеса): садржај на језицима окружења за математичко моделирање је у близини садржаја у СКЛ-у (укључујући екстензије из ИнтегратедМЛ), у ИнтерСистемс ОбјецтСцрипт, са другим подржаним језицима. Штавише, процес платформе пружа веома широке могућности за „приказивање“ у облику хијерархијски угнежђених фрагмената (као што се може видети у примеру на доњем дијаграму), што вам омогућава да ефикасно организујете чак и веома сложен садржај без „испадања“ графичког формата (у „неграфичке“ формате » методе/класе/процедуре итд.). Односно, ако је потребно (а то је предвиђено у већини пројеката), апсолутно целокупно АИ/МЛ решење може да се имплементира у графичком формату за самодокументовање. Напомињемо да је у централном делу дијаграма испод, који представља виши „ниво угнежђења“, јасно да је поред стварног рада на обучавању модела (користећи Питхон и Р), извршена анализа тзв. Додата је РОЦ крива обученог модела, омогућавајући визуелно (и рачунарски) процену квалитета обуке – и ова анализа је имплементирана на Јулиа језику (извршена, сходно томе, у Јулиа математичком окружењу).

Слика 13. Визуелно окружење за састављање АИ/МЛ решења у ИнтерСистемс ИРИС

Као што је раније поменуто, почетни развој и (у неким случајевима) прилагођавање АИ/МЛ механизама који су већ имплементирани на платформи ће се/могу обавити ван платформе у Јупитер едитору. У дијаграму испод видимо пример прилагођавања постојећег процеса платформе (исто као на дијаграму изнад) - овако изгледа фрагмент који је одговоран за обуку модела у Јупитер-у. Питхон садржај је доступан за уређивање, отклањање грешака и графички излаз директно у Јупитер-у. Промене (ако је потребно) се могу извршити тренутном синхронизацијом у процес платформе, укључујући његову продуктивну верзију. Нови садржај се може пренети на платформу на сличан начин (аутоматски се генерише процес нове платформе).

Слика 14 Коришћење Јупитер Нотебоок-а за уређивање АИ/МЛ машине у ИнтерСистемс ИРИС платформи

Адаптација процеса платформе може се извести не само у графичком или лаптоп формату - већ иу "тоталном" ИДЕ (Интегратед Девелопмент Енвиронмент) формату. Ови ИДЕ-ови су ИРИС Студио (матични ИРИС студио), Висуал Студио Цоде (ИнтерСистемс ИРИС екстензија за ВСЦоде) и Ецлипсе (додатак за Ателиер). У неким случајевима, могуће је да развојни тим користи сва три ИДЕ-а истовремено. Дијаграм испод приказује пример уређивања истог процеса у ИРИС студију, у Висуал Студио Цоде-у и у Ецлипсе-у. Апсолутно сав садржај је доступан за уређивање: Питхон/Р/Јулиа/СКЛ, ОбјецтСцрипт и пословни процес.

Слика 15 Развој пословног процеса ИнтерСистемс ИРИС у различитим ИДЕ-овима

Посебно треба поменути алате за описивање и извршавање пословних процеса ИнтерСистемс ИРИС у језику пословних процеса (БПЛ). БПЛ омогућава коришћење „готових интеграционих компоненти“ (активности) у пословним процесима – што, у ствари, даје све разлоге да се каже да је „континуирана интеграција“ имплементирана у ИнтерСистемс ИРИС. Готове компоненте пословног процеса (активности и везе између њих) су моћан акцелератор за склапање АИ/МЛ решења. И не само скупштине: захваљујући активностима и везама између њих преко различитих АИ/МЛ развоја и механизама, настаје „аутономни управљачки слој“, способан да доноси одлуке у складу са ситуацијом, у реалном времену.

Слика 16. Готове компоненте пословног процеса за континуирану интеграцију (ЦИ) на ИнтерСистемс ИРИС платформи

Концепт система агената (такође познат као „системи са више агената“) има јаку позицију у роботизацији, а платформа ИнтерСистемс ИРИС га органски подржава кроз конструкцију „производ-процес“. Поред неограничених могућности за „напуњавање“ сваког процеса функционалношћу неопходном за целокупно решење, давање система платформских процеса својством „агенције“ омогућава креирање делотворних решења за изузетно нестабилне симулиране појаве (понашање друштвених/ биосистеми, делимично уочљиви технолошки процеси итд.).

Слика 16 Рад АИ/МЛ решења као система пословног процеса заснованог на агентима у ИнтерСистемс ИРИС

Настављамо наш преглед ИнтерСистемс ИРИС причом о примењеној употреби платформе за решавање читавих класа проблема у реалном времену (прилично детаљан увод у неке од најбољих пракси платформе АИ/МЛ на ИнтерСистемс ИРИС може се наћи у једном наших претходних вебинари).

За петама претходног дијаграма, испод је детаљнији дијаграм система агената. На дијаграму је приказан исти прототип, сва четири агентска процеса су видљива, односи између њих су шематски нацртани: ГЕНЕРАТОР - обрађује креирање података помоћу сензора опреме, БУФФЕР - управља редовима података, АНАЛИЗАТ - врши само машинско учење, МОНИТОР - надгледа квалитет машинског учења и доставља сигнал о потреби преобуке модела.

Слика 17 Састав АИ/МЛ решења у облику система пословног процеса заснованог на агентима у ИнтерСистемс ИРИС

Дијаграм испод илуструје аутономно функционисање још једног роботског прототипа (препознавање емоционалне обојености текстова) неко време. У горњем делу је еволуција индикатора квалитета обуке модела (квалитет расте), у доњем делу је динамика индикатора квалитета примене модела и чињенице поновљене обуке (црвене траке). Као што видите, решење се научило ефикасно и аутономно и ради на задатом нивоу квалитета (вредности оцене квалитета не падају испод 80%).

Слика 18 Континуирана (само)обука (ЦТ) на ИнтерСистемс ИРИС платформи

Раније смо такође споменули „ауто-МЛ“, али дијаграм у наставку приказује детаљно коришћење ове функционалности на примеру другог прототипа. Графички дијаграм фрагмента пословног процеса приказује активност која покреће моделирање у Х2О стеку, приказује резултате овог моделирања (јасна доминација резултујућег модела над моделима које је направио човек, према упоредном дијаграму РОЦ криве, као и аутоматска идентификација „најутицајнијих варијабли“ доступних у оригиналном скупу података). Важна тачка овде је уштеда времена и стручних ресурса која се постиже „ауто-МЛ“: оно што наш процес платформе уради за пола минута (проналажење и обука оптималног модела) може да одузме стручњаку од недељу дана до месец дана.

Слика 19 Интеграција „ауто-МЛ” у АИ/МЛ решење на ИнтерСистемс ИРИС платформи

Дијаграм испод мало промаши поенту, али је добар начин да завршите причу о решавању класа проблема у реалном времену: подсећамо вас да су уз све могућности ИнтерСистемс ИРИС платформе, модели обуке под њеном контролом није обавезно. Платформа може споља да прими такозвану ПММЛ спецификацију модела, обучену у алату који није под контролом платформе - и примени овај модел у реалном времену од тренутка када је увезен ПММЛ спецификације. Важно је узети у обзир да се сви АИ/МЛ артефакти не могу свести на ПММЛ спецификацију, чак и ако већина најчешћих артефаката то дозвољава. Дакле, платформа ИнтерСистемс ИРИС је „отворена петља“ и не значи „ропство платформе“ за кориснике.

Слика 20 Интеграција „ауто-МЛ” у АИ/МЛ решење на ИнтерСистемс ИРИС платформи

Хајде да наведемо додатне предности платформе ИнтерСистемс ИРИС (ради јасноће, у односу на контролу процеса), које су од великог значаја у аутоматизацији вештачке интелигенције и машинском учењу у реалном времену:

• Развијени алати за интеграцију са било којим изворима података и потрошачима (систем контроле процеса/СЦАДА, опрема, МРО, ЕРП, итд.)
• Уграђени мулти-модел ДБМС за трансакциону и аналитичку обраду високих перформанси (Хибрид Трансацтион/Аналитицал Процессинг, ХТАП) било које количине података о технолошком процесу
• Развојни алати за континуирану примену АИ/МЛ мотора за решења у реалном времену заснована на Питхон, Р, Јулиа
• Прилагодљиви пословни процеси за континуирану интеграцију и (само)учење АИ/МЛ решења у реалном времену
• Уграђени алати пословне интелигенције за визуелизацију података процеса и резултата АИ/МЛ решења
• АПИ менаџмент за испоруку резултата АИ/МЛ решења системима управљања процесима/СЦАДА, информационим и аналитичким системима, слање упозорења итд.

АИ/МЛ решења на ИнтерСистемс ИРИС платформи лако се уклапају у постојећу ИТ инфраструктуру. ИнтерСистемс ИРИС платформа обезбеђује високу поузданост АИ/МЛ решења тако што подржава конфигурације отпорне на грешке и катастрофе и флексибилно примену у виртуелним окружењима, на физичким серверима, у приватним и јавним облацима и Доцкер контејнерима.

Дакле, ИнтерСистемс ИРИС је универзална рачунарска платформа АИ/МЛ у реалном времену. Универзалност наше платформе у пракси потврђује одсуство де фацто ограничења на сложеност спроведених прорачуна, способност ИнтерСистемс ИРИС да комбинује (у реалном времену) обраду сценарија из широког спектра индустрија, као и изузетна прилагодљивост било које функције и механизме платформе према специфичним потребама корисника.

Слика 21 ИнтерСистемс ИРИС – универзална АИ/МЛ рачунарска платформа у реалном времену

За садржајнију интеракцију са оним нашим читаоцима који су заинтересовани за материјал представљен овде, препоручујемо да се не ограничавате на читање и да наставите дијалог „уживо“. Бићемо срећни да пружимо подршку у формулисању АИ/МЛ сценарија у реалном времену у односу на специфичности ваше компаније, извршимо заједничку израду прототипа на ИнтерСистемс ИРИС платформи, формулишемо и применимо у пракси мапу пута за увођење вештачке интелигенције и машинског учења у ваше производне и управљачке процесе. Контакт е-пошта нашег стручног тима за АИ/МЛ – [емаил заштићен].

Извор: ввв.хабр.цом