InterSystems IRIS - jukwaa la muda halisi la AI/ML

Mwandishi: Sergey Lukyanchikov, Mhandisi wa Ushauri wa InterSystems

Changamoto za Kompyuta za AI/ML za wakati halisi

Wacha tuanze na mifano kutoka kwa uzoefu wa mazoezi ya Sayansi ya Data huko InterSystems:

• Lango la mnunuzi "lililopakiwa" limeunganishwa kwenye mfumo wa pendekezo mtandaoni. Urekebishaji wa ofa kwa ukubwa wa mtandao wa rejareja unakuja (kwa mfano, badala ya safu "bapa" ya matangazo, matriki ya "mbinu za sehemu" sasa itatumika). Nini kinatokea kwa wanaopendekeza? Ni nini hufanyika kwa kuwasilisha na kusasisha data kwa utaratibu wa pendekezo (idadi ya data ya ingizo imeongezeka kwa mara 25000)? Ni nini kinatokea kwa ukuzaji wa mapendekezo (haja ya kupungua mara elfu katika kizingiti cha kuchuja cha sheria za pendekezo kwa sababu ya ongezeko la elfu la idadi yao na "anuwai")?
• Kuna mfumo wa ufuatiliaji wa uwezekano wa maendeleo ya kasoro katika nodes za vifaa. Mfumo wa udhibiti wa mchakato uliunganishwa kwenye mfumo wa ufuatiliaji, ukisambaza maelfu ya vigezo vya mchakato kila sekunde. Nini kinatokea kwa mfumo wa ufuatiliaji ambao hapo awali ulifanya kazi kwenye "sampuli za mwongozo" (una uwezo wa kutoa ufuatiliaji wa uwezekano wa pili hadi pili)? Nini kitatokea ikiwa kizuizi kipya kilicho na safu mia kadhaa kitaonekana kwenye data ya pembejeo na usomaji wa sensorer zilizoongezwa hivi karibuni kwenye mfumo wa udhibiti wa mchakato (ikiwa na ni muda gani itakuwa muhimu kusimamisha mfumo wa ufuatiliaji kujumuisha data kutoka kwa sensorer mpya kwenye uchambuzi)?
• Seti ya mifumo ya AI/ML (ya kupendekezwa, ufuatiliaji, ubashiri) imeundwa, kwa kutumia matokeo ya kazi ya kila mmoja. Ni saa ngapi za mtu zinahitajika kila mwezi ili kukabiliana na uendeshaji wa tata hii kwa mabadiliko katika data ya uingizaji? Je, ni "kupunguza kasi" kwa jumla kunakoungwa mkono na tata ya kufanya maamuzi (marudio ya kutokea kwa taarifa mpya ya usaidizi ndani yake kuhusiana na marudio ya kutokea kwa data mpya ya ingizo)?

Kwa muhtasari wa mifano hii na mingine mingi, tulifikia uundaji wa changamoto zinazotokea tunapohamia kwenye matumizi ya mashine za kujifunza na mbinu za kijasusi za wakati halisi:

• Je, tumeridhishwa na kasi ya uundaji na urekebishaji (kwa hali inayobadilika) ya maendeleo ya AI/ML katika kampuni yetu?
• Je, suluhu za AI/ML tunazotumia zinasaidia kwa kiwango gani usimamizi wa biashara katika wakati halisi?
• Je, suluhu za AI/ML tunazotumia zinaweza kujitegemea (bila wasanidi programu) kukabiliana na mabadiliko ya data na mbinu za usimamizi wa biashara?

Nakala yetu ni muhtasari wa kina wa uwezo wa jukwaa la InterSystems IRIS katika suala la usaidizi wa ulimwengu kwa kupelekwa kwa mifumo ya AI / ML, mkusanyiko (muunganisho) wa suluhisho za AI / ML na mafunzo (upimaji) wa suluhisho za AI / ML kwenye data kubwa. mtiririko. Tutageukia utafiti wa soko, uchunguzi wa kifani wa suluhu za AI/ML, na vipengele vya dhana ya kile tunachorejelea kama jukwaa la wakati halisi la AI/ML katika makala haya.

Tunachojua kutoka kwa tafiti: programu za wakati halisi

Matokeo utafitiuliofanywa kati ya wataalam wa IT wapatao 800 mnamo 2019 na Lightbend wanazungumza wenyewe:

Kielelezo 1 Watumiaji wakuu wa data ya wakati halisi

Hebu tunukuu vipande vya ripoti kuhusu matokeo ya utafiti huu ambavyo ni muhimu kwetu katika tafsiri yetu:

"... Mitindo ya umaarufu wa zana za ujumuishaji wa mtiririko wa data na, wakati huo huo, usaidizi wa kompyuta iliyojumuishwa hutoa jibu la usawa kwa mahitaji ya soko kwa pendekezo bora zaidi, la busara, lenye nguvu la suluhisho bora. Mitiririko ya data huruhusu habari kuhamishwa haraka kuliko data ya kawaida ya pakiti. Kinachoongezwa kwa hili ni uwezo wa kutumia haraka mbinu za kukokotoa, kama vile mapendekezo yanayotokana na AI/ML, ili kuunda faida za ushindani kupitia kuongezeka kwa kuridhika kwa wateja. Mbio za wepesi pia huathiri majukumu yote katika dhana ya DevOps - kufanya ukuzaji wa programu na utumaji kuwa mzuri zaidi. … Wataalamu mia nane na wanne wa IT walitoa taarifa kuhusu matumizi ya mtiririko wa data katika mashirika yao. Wahojiwa walipatikana zaidi katika nchi za Magharibi (41% Ulaya na 37% Amerika Kaskazini) na walikuwa karibu kusambazwa sawasawa kati ya kampuni ndogo, za kati na kubwa. …

… Akili Bandia si hype. Asilimia XNUMX ya wale ambao tayari wanatumia uchakataji wa mtiririko wa data katika programu zinazozalisha za AI/ML wanathibitisha kuwa matumizi yao katika AI/ML yatapata faida kubwa zaidi mwaka ujao (ikilinganishwa na programu zingine).

• Kulingana na wengi wa waliohojiwa, matumizi ya mtiririko wa data katika hali za AI / ML yatapata ongezeko kubwa zaidi katika mwaka ujao.
• Programu katika AI/ML zitakua sio tu kupitia aina mpya za matukio, lakini pia kupitia hali za kitamaduni, ambapo data ya wakati halisi inazidi kutumika.
• Mbali na AI/ML, kiwango cha shauku kati ya watumiaji wa mabomba ya data ya IoT ni ya kuvutia - 48% ya wale ambao tayari wameunganisha data ya IoT wanasema kwamba utekelezaji wa matukio kwenye data hii utapata ongezeko kubwa katika siku za usoni. …»

Kutokana na uchunguzi huu unaovutia, inaweza kuonekana kuwa mtazamo wa kujifunza kwa mashine na matukio ya akili ya bandia kama viongozi katika utumiaji wa mitiririko ya data tayari "uko njiani". Lakini mtazamo wa muda halisi wa AI / ML kupitia macho ya DevOps unakuwa uchunguzi muhimu sawa: hapa tunaweza tayari kuanza kuzungumza juu ya mabadiliko ya utamaduni bado mkubwa wa "AI / ML ya wakati mmoja na seti ya data inayopatikana kikamilifu".

Dhana ya jukwaa la muda halisi la AI/ML

Programu moja ya kawaida ya AI/ML ya wakati halisi iko katika udhibiti wa mchakato wa utengenezaji. Kwa mfano wake na kwa kuzingatia tafakari za hapo awali, tutaunda dhana ya jukwaa la wakati halisi la AI / ML.
Utumiaji wa akili bandia na ujifunzaji wa mashine katika udhibiti wa mchakato una sifa kadhaa:

• Takwimu juu ya hali ya mchakato wa kiteknolojia hupokelewa kwa nguvu: na masafa ya juu na zaidi ya anuwai ya vigezo (hadi makumi ya maelfu ya maadili ya paramu yanayopitishwa kwa sekunde kutoka kwa mfumo wa kudhibiti mchakato)
• Data juu ya ugunduzi wa kasoro, bila kutaja data juu ya maendeleo yao, kinyume chake, ni chache na isiyo ya kawaida, inayojulikana na uchapaji wa kutosha wa kasoro na ujanibishaji wao kwa wakati (mara nyingi huwakilishwa na rekodi kwenye karatasi)
• Kwa mtazamo wa vitendo, tu "dirisha la umuhimu" la data ya awali linapatikana kwa mafunzo na utumiaji wa mifano, inayoonyesha mienendo ya mchakato wa kiteknolojia kwa muda mzuri wa kuteleza, kuishia na maadili ya mwisho ya kusoma ya vigezo vya mchakato.

Vipengele hivi vinatulazimisha, pamoja na kupokea na usindikaji wa kimsingi wa wakati halisi wa "pembejeo pana" kutoka kwa mchakato, kutekeleza (sambamba) utumaji, mafunzo na udhibiti wa ubora wa matokeo ya kazi ya mifano ya AI / ML - pia katika muda halisi. "Fremu" ambayo wanamitindo wetu "huona" kwenye dirisha la utelezi la umuhimu inabadilika kila wakati - na pamoja nayo, ubora wa matokeo ya kazi ya miundo ya AI / ML iliyofunzwa kwenye mojawapo ya "fremu" hapo awali pia hubadilika. . Ikiwa ubora wa matokeo ya kazi ya mifano ya AI / ML inazorota (kwa mfano: thamani ya kosa la uainishaji la "kengele-kawaida" imevuka mipaka ambayo tumefafanua), urekebishaji wa mifano unapaswa kuanza kiatomati kwa zaidi. "sura" inayofaa - na chaguo la wakati wa kuanza kufundisha tena mifano inapaswa kuzingatia jinsi muda wa mafunzo yenyewe, na vile vile mienendo ya kuzorota kwa ubora wa toleo la sasa la mifano (tangu matoleo ya sasa. ya modeli zinaendelea kutumika wakati modeli zinafunzwa, na hadi matoleo yao ya "mafunzo mapya" yatatolewa).

InterSystems IRIS ina uwezo muhimu wa jukwaa ili kuwezesha masuluhisho ya wakati halisi ya AI/ML kwa udhibiti wa mchakato. Uwezekano huu unaweza kugawanywa katika vikundi vitatu kuu:

• Usambazaji unaoendelea (Usambazaji Unaoendelea / Uwasilishaji, CD) wa mifumo mpya au iliyobadilishwa iliyopo ya AI / ML kuwa suluhisho la tija ambalo hufanya kazi kwa wakati halisi kwenye jukwaa la InterSystems IRIS.
• Ujumuishaji Unaoendelea (CI) katika suluhisho moja lenye tija la mtiririko wa data ya mchakato unaoingia, foleni za data za matumizi / mafunzo / udhibiti wa ubora wa mifumo ya AI / ML na ubadilishanaji wa data / msimbo / udhibiti na mazingira ya modeli ya hisabati, ambayo yamepangwa kwa wakati halisi. Jukwaa la IRIS la InterSystems
• Kujifunza kwa kuendelea (kujitegemea) (Mafunzo Endelevu, CT) ya mifumo ya AI / ML inayofanywa katika mazingira ya uundaji wa hisabati kwa kutumia data, msimbo na vitendo vya udhibiti ("maamuzi yaliyofanywa") yanayopitishwa na jukwaa la InterSystems IRIS.

Uainishaji wa uwezo wa jukwaa kuhusiana na kujifunza kwa mashine na akili ya bandia katika vikundi kama hivyo sio bahati mbaya. Hebu tunukuu mbinu uchapishaji Google, ambayo hutoa msingi wa kimawazo wa uainishaji huu, katika tafsiri yetu:

“… Dhana ya DevOps, ambayo ni maarufu siku hizi, inashughulikia ukuzaji na uendeshaji wa mifumo mikubwa ya habari. Faida za kutekeleza dhana hii ni kupunguzwa kwa muda wa mizunguko ya maendeleo, kuongeza kasi ya upelekaji wa maendeleo, kubadilika kwa mipango ya kutolewa. Ili kufikia manufaa haya, DevOps inahusisha utekelezaji wa angalau mazoea mawili:

• Ujumuishaji Unaoendelea (CI)
• Uwasilishaji Unaoendelea (CD)

Mbinu hizi pia zinatumika kwa majukwaa ya AI/ML ili kuhakikisha miundo thabiti na tendaji ya masuluhisho yenye tija ya AI/ML.

Majukwaa ya AI/ML hutofautiana na mifumo mingine ya habari katika vipengele vifuatavyo:

• Umahiri wa Timu: Wakati wa kuunda suluhisho la AI/ML, timu kwa kawaida hujumuisha wanasayansi wa data au wanasayansi wa data ambao hufanya uchanganuzi wa data, uundaji wa muundo na uthibitishaji. Wanatimu hawa wanaweza wasiwe wasanidi wa kitaalamu wa kanuni zinazozalisha.
• Maendeleo: Mitambo ya AI/ML ni ya majaribio kwa asili. Ili kutatua tatizo kwa njia ya ufanisi zaidi, inahitajika kutatua kwa njia ya mchanganyiko mbalimbali wa vigezo vya pembejeo, algorithms, mbinu za mfano na vigezo vya mfano. Ugumu wa utaftaji kama huo upo katika kufuata "kilichofanya kazi / hakikufanya kazi", kuhakikisha uboreshaji wa vipindi, kueneza maendeleo kwa utekelezaji wa mara kwa mara.
• Majaribio: Kujaribu mbinu za AI/ML kunahitaji anuwai kubwa ya majaribio kuliko maendeleo mengine mengi. Mbali na vipimo vya kawaida vya kitengo na ujumuishaji, uhalali wa data na ubora wa matokeo ya kutumia modeli kwenye sampuli za mafunzo na udhibiti hujaribiwa.
• Usambazaji: Usambazaji wa suluhu za AI/ML sio tu kwa huduma za ubashiri zinazotumia kielelezo kilichofunzwa mara moja. Suluhu za AI / ML zimejengwa karibu na mabomba ya hatua nyingi ambayo hufanya mafunzo ya kiotomatiki na matumizi ya miundo. Usambazaji wa mabomba kama haya hujumuisha uwekaji kiotomatiki hatua zisizo ndogo ambazo kawaida hutekelezwa na wanasayansi wa data ili kuweza kutoa mafunzo na kujaribu miundo.
• Uzalishaji: Injini za AI/ML zinaweza kukosa utendakazi sio tu kwa sababu ya upangaji usiofaa, lakini pia kwa sababu ya hali ya kubadilika ya data ya uingizaji. Kwa maneno mengine, utendakazi wa mifumo ya AI/ML inaweza kuharibika kutokana na sababu nyingi zaidi kuliko utendakazi wa maendeleo ya kawaida. Hii inasababisha hitaji la kufuatilia (mtandaoni) utendakazi wa injini zetu za AI/ML, na kutuma arifa au kukataa matokeo ikiwa utendakazi haufikii matarajio.

Majukwaa ya AI/ML yanafanana na mifumo mingine ya taarifa kwa kuwa yote mawili yanahitaji ujumuishaji wa msimbo unaoendelea na udhibiti wa toleo, upimaji wa kitengo, majaribio ya ujumuishaji, uwekaji wa maendeleo endelevu. Walakini, kwa upande wa AI/ML, kuna tofauti chache muhimu:

• CI (Ushirikiano Unaoendelea) haukomei tena katika kujaribu na kuthibitisha msimbo wa vipengele vilivyotumika - pia inajumuisha kupima na kuthibitisha data na miundo ya AI/ML.
• CD (Utoaji Unaoendelea / Usambazaji, usambazaji unaoendelea) haikomei tu kuandika na kutoa vifurushi au huduma, lakini inamaanisha jukwaa la kutunga, kujifunza na kutumia ufumbuzi wa AI / ML.
• CT (Mafunzo ya Kuendelea, kujifunza kwa kuendelea) - kipengele kipya [takriban. na mwandishi wa makala: kipengele kipya kuhusiana na dhana ya jadi ya DevOps, ambayo CT kwa kawaida ni Jaribio la Kuendelea], asili katika majukwaa ya AI / ML, yenye jukumu la kusimamia kwa uhuru taratibu za kujifunza na kutumia mifano ya AI / ML. ... "

Tunaweza kusema kwamba kujifunza kwa mashine na akili bandia inayofanya kazi kwenye data ya wakati halisi kunahitaji seti pana ya zana na umahiri (kutoka uundaji wa msimbo hadi upangaji wa mazingira ya uundaji wa hisabati), ujumuishaji wa karibu kati ya nyanja zote za utendaji na somo, upangaji mzuri zaidi wa binadamu na rasilimali za mashine.

Hali ya Wakati Halisi: Kutambua Ukuzaji wa Kasoro katika Pampu za Mipasho

Kuendelea kutumia uwanja wa udhibiti wa mchakato kama mfano, fikiria kazi maalum (tayari iliyotajwa na sisi mwanzoni): inahitajika kutoa ufuatiliaji wa wakati halisi wa maendeleo ya kasoro katika pampu kulingana na mtiririko wa vigezo vya mchakato. na ripoti za wafanyikazi wa matengenezo juu ya kasoro zilizogunduliwa.

Kielelezo 2 Uundaji wa kazi ya kufuatilia maendeleo ya kasoro

Upekee wa kazi nyingi zilizowekwa kwa njia hii katika mazoezi ni kwamba utaratibu na ufanisi wa upokeaji data (APCS) unapaswa kuzingatiwa dhidi ya usuli wa matukio ya matukio na yasiyo ya kawaida (na usajili) wa aina mbalimbali za kasoro. Kwa maneno mengine: data kutoka kwa mfumo wa udhibiti wa mchakato huja mara moja kwa usahihi wa pili, na kasoro hurekodiwa na penseli isiyoweza kufutika na tarehe kwenye daftari la jumla kwenye semina (kwa mfano: "12.01 - kuvuja kwenye kifuniko kutoka kwa upande wa fani ya 3").

Kwa hivyo, inawezekana kuongeza uundaji wa tatizo na upungufu muhimu wafuatayo: tuna "lebo" moja tu ya kasoro ya aina fulani (yaani, mfano wa kasoro ya aina fulani inawakilishwa na data kutoka kwa mfumo wa kudhibiti mchakato kwa tarehe maalum - na hatuna mifano zaidi ya kasoro ya aina hii). Kizuizi hiki kinatupeleka mara moja zaidi ya upeo wa kujifunza kwa mashine ya kawaida (mafunzo yanayosimamiwa), ambayo inapaswa kuwa na "lebo" nyingi.

Kielelezo 3 Uboreshaji wa kazi ya kufuatilia maendeleo ya kasoro

Je, tunaweza kwa namna fulani "kuzidisha" "lebo" pekee tuliyo nayo? Ndio tunaweza. Hali ya sasa ya pampu ina sifa ya kiwango cha kufanana na kasoro zilizosajiliwa. Hata bila utumiaji wa njia za upimaji, katika kiwango cha mtazamo wa kuona, ukiangalia mienendo ya maadili ya data kutoka kwa mfumo wa kudhibiti mchakato, unaweza tayari kujifunza mengi:

Kielelezo 4 Mienendo ya hali ya pampu dhidi ya usuli wa "alama" ya kasoro ya aina fulani.

Lakini mtazamo wa kuona (angalau kwa sasa) sio jenereta inayofaa zaidi ya "vitambulisho" katika hali yetu inayobadilika haraka. Tutatathmini ufanano wa hali ya sasa ya pampu na kasoro zilizoripotiwa kwa kutumia jaribio la takwimu.

Mchoro 5 Kutumia jaribio la takwimu kwa data inayoingia dhidi ya usuli wa "lebo" ya kasoro.

Mtihani wa takwimu huamua uwezekano kwamba rekodi zilizo na maadili ya vigezo vya mchakato wa kiteknolojia katika "pakiti ya mtiririko" iliyopokelewa kutoka kwa mfumo wa kudhibiti mchakato ni sawa na rekodi za "lebo" za aina fulani ya kasoro. Thamani ya uwezekano inayokokotolewa kutokana na kutumia jaribio la takwimu (kielezo cha kufanana kwa takwimu) inabadilishwa kuwa thamani ya 0 au 1, na kuwa "lebo" ya kujifunza kwa mashine katika kila rekodi mahususi katika kifurushi cha kufanana. Hiyo ni, baada ya kusindika kifurushi kipya kilichopokelewa cha rekodi za hali ya pampu na jaribio la takwimu, tunayo fursa ya (a) kuongeza kifurushi hiki kwenye sampuli ya mafunzo kwa mafunzo ya mfano wa AI / ML na (b) kudhibiti ubora wa toleo la sasa la modeli linapotumika kwenye kifurushi hiki.

Mchoro wa 6 Kutumia muundo wa mashine ya kujifunza kwa data inayoingia dhidi ya usuli wa "lebo" ya kasoro.

Katika moja ya uliopita mitandao tunaonyesha na kueleza jinsi jukwaa la InterSystems IRIS hukuruhusu kutekeleza utaratibu wowote wa AI/ML kwa njia ya kuendelea kutekeleza michakato ya biashara inayodhibiti kutegemewa kwa matokeo ya uigaji na kurekebisha vigezo vya modeli. Wakati wa kutekeleza mfano wa hali yetu na pampu, tunatumia utendakazi wote wa InterSystems IRIS uliowasilishwa wakati wa wavuti - kutekeleza katika mchakato wa uchanganuzi kama sehemu ya suluhisho letu, sio ujifunzaji uliosimamiwa wa kitambo, lakini ujifunzaji wa kuimarisha, ambao hudhibiti sampuli kiotomatiki kwa mafunzo. mifano. Rekodi huwekwa katika sampuli ya mafunzo ambapo "makubaliano ya ugunduzi" hutokea baada ya kutumia jaribio la takwimu na toleo la sasa la modeli - i.e. jaribio la takwimu (baada ya mabadiliko ya faharasa ya mfanano kuwa 0 au 1), na modeli ilitoa matokeo kwenye rekodi kama hizo 1. Kwa mafunzo mapya ya modeli, wakati wa uthibitisho wake (mfano mpya uliofunzwa unatumika kwa sampuli yake ya mafunzo, na utumiaji wa jaribio la takwimu kwake), rekodi ambazo "zilifanya. usishike" matokeo 1 baada ya kusindika na mtihani wa takwimu (kwa sababu ya uwepo wa mara kwa mara katika mafunzo sampuli ya rekodi kutoka kwa "lebo" ya asili ya kasoro) huondolewa kutoka kwa sampuli ya mafunzo, na toleo jipya la mfano hujifunza. kutoka kwa "lebo" ya kasoro pamoja na rekodi "zilizoshikiliwa" kutoka kwa mkondo.

Kielelezo cha 7 Ubadilishaji roboti wa hesabu za AI/ML katika InterSystems IRIS

Iwapo kuna haja ya aina ya "maoni ya pili" juu ya ubora wa ugunduzi unaopatikana kwa kompyuta ya ndani katika InterSystems IRIS, mchakato wa mshauri unaundwa ili kutekeleza mifano ya kutumia mafunzo kwenye mkusanyiko wa udhibiti kwa kutumia huduma za wingu (kwa mfano, Microsoft Azure , Amazon Web Services , Google Cloud Platform, n.k.):

Kielelezo cha 8 Maoni ya Pili kutoka Microsoft Azure iliyoratibiwa na InterSystems IRIS

Mfano wa hali yetu katika InterSystems IRIS hufanywa kwa njia ya mfumo wa wakala wa michakato ya uchanganuzi inayoingiliana na kifaa cha kifaa (pampu), mazingira ya kielelezo cha hisabati (Python, R na Julia), na kutoa mafunzo ya kibinafsi ya kila kitu. ilihusisha mifumo ya AI/ML - kwenye mtiririko wa data wa wakati halisi .

Kielelezo 9 Utendaji kuu wa suluhisho la AI/ML la wakati halisi katika InterSystems IRIS

Matokeo ya vitendo ya mfano wetu:

• Mchoro wa kasoro unaotambuliwa na mfano (Januari 12):

• Kasoro inayoendelea inayotambuliwa na mfano, ambayo haikujumuishwa kwenye sampuli (Septemba 11, kasoro yenyewe ilithibitishwa na timu ya ukarabati siku mbili tu baadaye - Septemba 13):

Uigaji kwenye data halisi iliyo na matukio kadhaa ya kasoro sawa ilionyesha kuwa ufumbuzi wetu, unaotekelezwa kwenye jukwaa la InterSystems IRIS, hutuwezesha kuchunguza maendeleo ya kasoro za aina hii siku kadhaa kabla ya kugunduliwa na timu ya ukarabati.

InterSystems IRIS - jukwaa la kompyuta la wakati halisi la AI/ML

Jukwaa la InterSystems IRIS hurahisisha ukuzaji, uwekaji, na uendeshaji wa suluhisho la data la wakati halisi. InterSystems IRIS ina uwezo wa kufanya wakati huo huo usindikaji wa data ya shughuli na uchambuzi; kudumisha maoni yaliyosawazishwa ya data kwa mujibu wa mifano kadhaa (ikiwa ni pamoja na uhusiano, hierarchical, kitu na hati); fanya kama jukwaa la ujumuishaji la anuwai ya vyanzo vya data na matumizi ya kibinafsi; toa uchanganuzi wa hali ya juu wa data iliyopangwa na isiyo na muundo. InterSystems IRIS pia hutoa taratibu za matumizi ya zana za uchambuzi wa nje, inaruhusu kubadilika kwa kuchanganya upangishaji katika wingu na kwenye seva za ndani.

Maombi yaliyojengwa kwenye jukwaa la InterSystems IRIS yametumwa katika sekta zote, kusaidia makampuni kufikia thamani kubwa ya kiuchumi kutoka kwa mtazamo wa kimkakati na uendeshaji, kuimarisha maamuzi na kufunga mapengo kati ya tukio, uchambuzi na hatua.

Kielelezo 10 cha usanifu wa IRIS wa InterSystems katika muktadha wa AI/ML ya wakati halisi.

Kama mchoro uliopita, mchoro ulio hapa chini unachanganya "mfumo wa kuratibu" (CD/CI/CT) na mtiririko wa taarifa kati ya vitu vya kazi vya jukwaa. Taswira huanza na mfumo mkuu wa CD na kuendelea na mifumo mikuu ya CI na CT.

Mchoro 11 Mpango wa taarifa unapita kati ya vipengele vya AI/ML vya jukwaa la InterSystems IRIS

Kiini cha utaratibu wa CD katika InterSystems IRIS: watumiaji wa jukwaa (watengenezaji wa suluhisho la AI / ML) hurekebisha zilizopo na / au kuunda maendeleo mapya ya AI / ML kwa kutumia mhariri maalum wa kanuni ya AI / ML: Jupyter (jina kamili: Jupyter Notebook; pia, kwa ufupi, hati zilizoundwa katika mhariri huu wakati mwingine huitwa). Katika Jupyter, msanidi programu ana nafasi ya kuandika, kurekebisha na kuthibitisha utendakazi (ikiwa ni pamoja na kutumia michoro) ya maendeleo mahususi ya AI / ML kabla ya kupangishwa ("kutumika") katika InterSystems IRIS. Ni wazi kwamba maendeleo mapya yaliyoundwa kwa njia hii yatapata uharibifu wa msingi tu (kwani, hasa, Jupyter haifanyi kazi na mitiririko ya data ya wakati halisi) - hii ni kwa utaratibu wa mambo, kwa sababu matokeo kuu ya maendeleo katika Jupyter. ni uthibitisho wa utendakazi wa kimsingi wa utaratibu tofauti wa AI/ML (“inaonyesha matokeo yanayotarajiwa kwenye sampuli ya data”). Vile vile, utaratibu ambao tayari umewekwa kwenye jukwaa (angalia mbinu kuu zifuatazo) kabla ya kurekebisha kwenye Jupyter inaweza kuhitaji "kurudisha nyuma" kwa fomu ya "pre-platform" (kusoma data kutoka kwa faili, kufanya kazi na data kupitia xDBC badala ya meza, mwingiliano wa moja kwa moja na ulimwengu - safu za data za multidimensional InterSystems IRIS - nk.).

Kipengele muhimu cha utekelezaji wa CD katika InterSystems IRIS ni kwamba ushirikiano wa pande mbili unatekelezwa kati ya jukwaa na Jupyter, ambayo inakuwezesha kuhamisha kwenye jukwaa (na, zaidi, mchakato katika jukwaa) maudhui katika Python, R na Julia (zote tatu ni. lugha za programu katika mazingira yanayolingana ya chanzo-wazi cha modeli ya hisabati). Kwa hivyo, watengenezaji wa maudhui wa AI/ML wana uwezo wa "kusambaza" maudhui haya kila mara kwenye jukwaa, wakifanya kazi katika mhariri wao wa kawaida wa Jupyter, na maktaba zinazojulikana zinazopatikana Python, R, Julia, na kufanya utatuzi wa kimsingi (ikiwa ni lazima) nje ya jukwaa. .

Wacha tuendelee kwenye utaratibu wa jumla wa CI katika InterSystems IRIS. Mchoro unaonyesha mchakato wa jumla wa "roboti ya wakati halisi" (mchanganyiko wa miundo ya data, michakato ya biashara na vipande vya msimbo vilivyopangwa nao katika lugha za mikeka na lugha ya ObjectScript - lugha ya asili ya maendeleo ya InterSystems. IRIS). Kazi ya mchakato huu mkubwa ni kudumisha foleni za data zinazohitajika kwa uendeshaji wa mifumo ya AI / ML (kulingana na mtiririko wa data unaopitishwa kwenye jukwaa kwa wakati halisi), kufanya maamuzi juu ya mlolongo wa maombi na "anuwai" ya AI / Taratibu za ML (pia ni "algorithms ya hisabati", "mifano", n.k. - zinaweza kuitwa tofauti kulingana na maelezo ya utekelezaji na matakwa ya istilahi), kusasisha miundo ya data kwa kuchambua matokeo ya kazi ya mifumo ya AI / ML. (cubes, meza, safu za data za multidimensional, nk) nk - kwa ripoti, dashibodi, nk).

Kipengele muhimu cha utekelezaji wa CI katika InterSystems IRIS ni kwamba ujumuishaji wa pande mbili unatekelezwa kati ya jukwaa na mazingira ya modeli ya hisabati, ambayo inaruhusu kutekeleza yaliyomo kwenye jukwaa huko Python, R na Julia katika mazingira yao husika na kurudi kwa matokeo ya utekelezaji. . Ujumuishaji huu unatekelezwa katika "hali ya mwisho" (yaani, maudhui ya AI/ML yameundwa kama msimbo wa ObjectScript kupiga simu kwa mikeka) na "modi ya mchakato wa biashara" (yaani, maudhui ya AI/ML yameundwa kama mchakato wa biashara kwa kutumia kihariri cha picha, au wakati mwingine kutumia Jupyter, au kutumia IDE - IRIS Studio, Eclipse, Visual Studio Code). Uhariri wa michakato ya biashara katika Jupyter unaakisiwa na uhusiano kati ya IRIS katika kiwango cha CI na Jupyter katika kiwango cha CD. Muhtasari wa kina zaidi wa ujumuishaji na mazingira ya uundaji wa hisabati umetolewa hapa chini. Katika hatua hii, kwa maoni yetu, kuna kila sababu ya kurekebisha uwepo katika jukwaa la zana zote muhimu za kutekeleza "ushirikiano unaoendelea" wa maendeleo ya AI / ML (kutoka "kupelekwa kwa kuendelea") hadi AI ya wakati halisi / Suluhisho za ML.

Na utaratibu kuu wa jumla: CT. Bila hivyo, hakutakuwa na jukwaa la AI/ML (ingawa "muda halisi" utatekelezwa kupitia CD / CI). Kiini cha CT ni kazi ya jukwaa na "mabaki" ya kujifunza mashine na akili ya bandia moja kwa moja katika vikao vya kazi vya mazingira ya mfano wa hisabati: mifano, meza za usambazaji, vekta za matrix, tabaka za mitandao ya neural, nk. "Kazi" hii, katika hali nyingi, inajumuisha kuunda mabaki yaliyotajwa katika mazingira (katika kesi ya mifano, kwa mfano, "uumbaji" inajumuisha kuweka vipimo vya mfano na uteuzi unaofuata wa maadili yake. vigezo - kinachojulikana kama "mafunzo" ya mfano), matumizi yao (kwa mifano: kuzitumia kuhesabu maadili ya "mfano" wa vigezo vinavyolengwa - utabiri, mali ya kitengo, uwezekano wa tukio kutokea, nk. ) na kuboresha vibaki vya awali vilivyoundwa na kutumiwa (kwa mfano, kufafanua upya seti ya vigeu vya pembejeo vya kielelezo kulingana na matokeo ya programu - ili kuongeza usahihi wa utabiri, kama chaguo). Jambo kuu katika kuelewa jukumu la CT ni "kujiondoa" kutoka kwa hali halisi ya CD na CI: CT itatekeleza mabaki yote, kwa kuzingatia maelezo ya kihesabu na kihesabu ya suluhisho la AI / ML ndani ya uwezo uliotolewa na mazingira maalum. . Jukumu la "kutoa data ya pembejeo" na "kutoa matokeo" litakuwa jukumu la CD na CI.

Kipengele muhimu cha utekelezaji wa CT katika InterSystems IRIS: kwa kutumia ujumuishaji na mazingira ya modeli ya hisabati tayari yaliyotajwa hapo juu, jukwaa lina uwezo wa kutoa mabaki sawa kutoka kwa vikao vya kazi vinavyoendeshwa chini ya udhibiti wake katika mazingira na (muhimu zaidi) kugeuza kuwa jukwaa. vitu vya data. Kwa mfano, jedwali la usambazaji ambalo limeundwa hivi punde katika kikao cha kufanya kazi cha Python linaweza (bila kusimamisha kikao kwenye Python) kuhamishiwa kwenye jukwaa kwa namna ya, kwa mfano, kimataifa (safu ya data ya InterSystems IRIS) - na kutumika. kwa mahesabu katika utaratibu mwingine wa AI / ML- (tayari kutekelezwa katika lugha ya mazingira mengine - kwa mfano, katika R) - au meza ya kawaida. Mfano mwingine: sambamba na "hali ya kawaida" ya operesheni ya mfano (katika kikao cha kazi cha Python), "auto-ML" inafanywa kwenye data yake ya pembejeo: uteuzi wa moja kwa moja wa vigezo bora vya pembejeo na maadili ya parameter. Na pamoja na mafunzo ya "kawaida", mtindo wenye tija kwa wakati halisi pia hupokea "pendekezo la uboreshaji" kwa uainishaji wake - ambayo seti ya vigeu vya pembejeo hubadilika, maadili ya parameta hubadilika (sio kama matokeo ya mafunzo katika Python). , lakini kama matokeo ya kufunza "toleo lake mbadala, kama vile mrundikano wa H2O), kuruhusu suluhisho la jumla la AI/ML kushughulikia kwa uhuru mabadiliko yasiyotarajiwa katika asili ya data ya ingizo na matukio yanayoigwa.

Wacha tufahamiane kwa undani zaidi na utendaji wa jukwaa la AI / ML la InterSystems IRIS, kwa kutumia mfano wa mfano wa maisha halisi.

Katika mchoro ulio hapa chini, upande wa kushoto wa slaidi, kuna sehemu ya mchakato wa biashara ambayo inatekeleza usindikaji wa maandiko katika Python na R. Katika sehemu ya kati, kuna kumbukumbu za kuona kwa ajili ya utekelezaji wa baadhi ya maandiko haya, kwa mtiririko huo, katika Python na R. Nyuma yao ni mifano ya yaliyomo kwenye lugha moja na nyingine, iliyowasilishwa kwa utekelezaji katika mazingira yanayofaa. Mwishoni upande wa kulia ni taswira kulingana na matokeo ya utekelezaji wa hati. Taswira za juu zinafanywa kwenye Uchanganuzi wa IRIS (data inachukuliwa kutoka Python hadi jukwaa la data la InterSystems IRIS na kuonyeshwa kwenye dashibodi kwa kutumia jukwaa), chini hufanywa moja kwa moja kwenye kikao cha kufanya kazi cha R na matokeo kutoka hapo hadi. faili za picha. Jambo muhimu: kipande kilichowasilishwa kwenye mfano kina jukumu la kufundisha mfano (uainishaji wa majimbo ya vifaa) juu ya data inayokuja kwa wakati halisi kutoka kwa simulator ya mchakato wa vifaa, kwa amri kutoka kwa mfuatiliaji wa mchakato wa ubora wa uainishaji. kuzingatiwa wakati wa utumiaji wa modeli. Utekelezaji wa suluhisho la AI/ML kama seti ya michakato ya mwingiliano (“mawakala”) utajadiliwa zaidi.

Kielelezo 12 Mwingiliano na Python, R na Julia katika InterSystems IRIS

Michakato ya jukwaa (pia ni "michakato ya biashara", "michakato ya uchanganuzi", "mabomba", n.k. - kulingana na muktadha), kimsingi huhaririwa katika kihariri cha mchakato wa biashara ya picha kwenye jukwaa lenyewe, na kwa njia ambayo zote mbili. mchoro wake wa kuzuia na utaratibu wa AI / ML unaofanana (msimbo wa programu) huundwa wakati huo huo. Kuzungumza juu ya ukweli kwamba "utaratibu wa AI / ML unapatikana", hapo awali tunamaanisha mseto (ndani ya mchakato huo huo): yaliyomo katika lugha za mazingira ya modeli ya hesabu iko karibu na yaliyomo katika SQL (pamoja na upanuzi kutoka IntegratedML), katika InterSystems ObjectScript, pamoja na lugha zingine zinazotumika. Kwa kuongezea, mchakato wa jukwaa hutoa uwezekano mpana sana wa "kuchora" kwa namna ya vipande vilivyowekwa kiota (kama inavyoweza kuonekana katika mfano kwenye mchoro hapa chini), ambayo hukuruhusu kupanga vyema hata yaliyomo ngumu sana bila "kuanguka" umbizo la picha popote (katika "njia zisizo za picha"/madarasa/taratibu, n.k.). Hiyo ni, ikiwa ni lazima (na inatarajiwa katika miradi mingi), suluhisho zote za AI / ML zinaweza kutekelezwa katika muundo wa maoni ya kibinafsi. Tafadhali kumbuka kuwa katika sehemu ya kati ya mchoro hapa chini, ambayo inaonyesha "kiwango cha kiota" cha juu, unaweza kuona kwamba pamoja na kazi halisi ya mafunzo ya mfano (kwa kutumia Python na R), uchambuzi wa kinachojulikana kama ROC. Curve ya mfano uliofunzwa huongezwa, ambayo inaruhusu kuibua (na kwa hesabu pia) kutathmini ubora wa mafunzo - na uchambuzi huu unatekelezwa katika lugha ya Julia (inatekelezwa, mtawaliwa, katika mazingira ya Julia).

Mchoro 13 Mazingira ya Kuonekana ya kutunga suluhisho za AI/ML katika InterSystems IRIS

Kama ilivyotajwa hapo awali, ukuzaji wa awali na (katika hali zingine) urekebishaji wa mifumo ya AI / ML tayari imetekelezwa kwenye jukwaa / inaweza kufanywa nje ya jukwaa kwenye mhariri wa Jupyter. Katika mchoro hapa chini, tunaona mfano wa kurekebisha mchakato uliopo wa jukwaa (sawa na kwenye mchoro hapo juu) - hii ni jinsi kipande ambacho kinawajibika kwa mafunzo ya mfano kinaonekana kwenye Jupyter. Maudhui ya Python yanapatikana kwa kuhaririwa, kurekebisha hitilafu, pato la picha moja kwa moja kwenye Jupyter. Mabadiliko (ikihitajika) yanaweza kufanywa kwa ulandanishi wa papo hapo kwa mchakato wa jukwaa, ikijumuisha toleo lake la uzalishaji. Vile vile, maudhui mapya yanaweza kuhamishiwa kwenye jukwaa (mchakato mpya wa jukwaa huzalishwa moja kwa moja).

Kielelezo 14 Kutumia Daftari ya Jupyter Kuhariri Injini ya AI/ML katika Jukwaa la IRIS la InterSystems

Urekebishaji wa mchakato wa jukwaa unaweza kufanywa sio tu katika muundo wa picha au daftari, lakini pia katika muundo wa "jumla" ya IDE (Mazingira ya Maendeleo Iliyounganishwa). Vitambulisho hivi ni Studio ya IRIS (studio ya asili ya IRIS), Msimbo wa Studio ya Kuonekana (Kiendelezi cha IRIS cha InterSystems cha VSCode), na Eclipse (programu-jalizi ya Atelier). Katika baadhi ya matukio, inawezekana kwa timu ya maendeleo kutumia IDE zote tatu kwa wakati mmoja. Mchoro hapa chini unaonyesha mfano wa kuhariri mchakato sawa katika studio ya IRIS, katika Visual Studio Code na katika Eclipse. Maudhui yote yanapatikana kwa kuhaririwa: Python / R / Julia / SQL, na ObjectScript, na mchakato wa biashara.

Kielelezo 15 Ukuzaji wa mchakato wa biashara wa InterSystems IRIS katika IDE mbalimbali

Maelezo na zana za utekelezaji wa mchakato wa biashara wa InterSystems IRIS katika Lugha ya Mchakato wa Biashara (BPL) zinastahili kutajwa maalum. BPL inafanya uwezekano wa kutumia "vipengele vya ujumuishaji vilivyotengenezwa tayari" (shughuli) katika michakato ya biashara - ambayo, kwa kweli, inatoa sababu kamili ya kudai kwamba "ushirikiano endelevu" unatekelezwa katika InterSystems IRIS. Vipengee vya mchakato wa biashara vilivyotengenezwa tayari (shughuli na viungo kati yao) ndicho kichapuzi chenye nguvu zaidi cha kuunganisha suluhisho la AI/ML. Na sio makusanyiko tu: shukrani kwa shughuli na miunganisho kati yao, juu ya maendeleo na mifumo tofauti ya AI / ML, "safu ya usimamizi wa uhuru" inaonekana ambayo inaweza kufanya maamuzi kulingana na hali, kwa wakati halisi.

Mchoro 16 Vipengele vya mchakato wa biashara vilivyo tayari kwa ujumuishaji endelevu (CI) kwenye jukwaa la InterSystems IRIS

Dhana ya mifumo ya mawakala (pia ni "mifumo ya mawakala wengi") ina nafasi nzuri katika robotiki, na jukwaa la InterSystems IRIS linaiunga mkono kikaboni kupitia ujenzi wa "mchakato wa bidhaa". Kwa kuongezea uwezekano usio na kikomo wa "kujaza" kila mchakato na utendakazi unaohitajika kwa suluhisho la jumla, kuweka mfumo wa michakato ya jukwaa na mali ya "wakala" hukuruhusu kuunda suluhisho madhubuti kwa matukio ambayo hayajabadilika sana (tabia ya kijamii / mifumo ya kibaolojia. , michakato ya kiteknolojia inayoonekana kwa sehemu, n.k.).

Mchoro 16 Uendeshaji wa suluhisho la AI/ML kama mfumo wa wakala wa mchakato wa biashara katika InterSystems IRIS

Tunaendelea na ukaguzi wetu wa InterSystems IRIS na hadithi kuhusu utumiaji wa jukwaa la kutatua madarasa yote ya shida za wakati halisi (kujua kufahamiana kwa kina na baadhi ya mazoea bora ya jukwaa la AI / ML kwenye InterSystems IRIS hufanyika katika moja ya hapo awali. mitandao).

Katika harakati za moto za mchoro uliopita, hapa chini ni mchoro wa kina zaidi wa mfumo wa wakala. Mchoro unaonyesha mfano sawa, michakato yote minne ya wakala inaonekana, uhusiano kati yao umechorwa kwa mpangilio: GENERATOR - inashughulikia uundaji wa data na sensorer za vifaa, BUFFER - inasimamia foleni za data, ANALYZER - hufanya kujifunza kwa mashine yenyewe, FUATILIA - hudhibiti ubora wa kujifunza kwa mashine na kulisha ishara kwamba kielelezo kinahitaji kufunzwa upya.

Mchoro 17 Muundo wa suluhisho la AI/ML kama mfumo wa wakala wa mchakato wa biashara katika InterSystems IRIS.

Mchoro ulio hapa chini unaonyesha utendakazi wa kujitegemea wa mfano mwingine wa roboti (utambuzi wa maandishi ya hisia) kwa muda. Katika sehemu ya juu - mageuzi ya kiashiria cha ubora wa kujifunza mfano (ubora unakua), katika sehemu ya chini - mienendo ya kiashiria cha ubora wa maombi ya mfano na ukweli wa mafunzo ya mara kwa mara (baa nyekundu). Kama unaweza kuona, suluhisho limejifunza kwa ufanisi na kwa uhuru, na inafanya kazi kwa kiwango fulani cha ubora (maadili ya kiashiria cha ubora hayapunguki chini ya 80%).

Kielelezo cha 18 Kuendelea (kujitegemea) kujifunza (CT) kwenye jukwaa la InterSystems IRIS

Pia tulitaja "auto-ML" hapo awali, lakini mchoro hapa chini unaonyesha matumizi ya utendakazi huu kwa undani kwa kutumia mfano mwingine kama mfano. Mchoro wa mchoro wa kipande cha mchakato wa biashara unaonyesha shughuli inayoanzisha uigaji katika safu ya H2O, inaonyesha matokeo ya uigaji huu (utawala dhahiri wa muundo unaotokana na mifano "iliyoundwa na mwanadamu", kulingana na chati ya kulinganisha ya curve za ROC. , pamoja na utambulisho wa kiotomatiki wa "vigezo vyenye ushawishi mkubwa" kutoka vinavyopatikana katika mkusanyiko wa data asili). Jambo muhimu hapa ni kuokoa muda na rasilimali za wataalam, ambayo hupatikana kwa njia ya "auto-ML": kile mchakato wetu wa jukwaa hufanya katika nusu dakika (kutafuta na kufundisha mfano bora), mtaalam anaweza kuchukua kutoka kwa wiki hadi mwezi.

Kielelezo 19 Ujumuishaji wa Auto-ML kwenye suluhisho la AI/ML kulingana na jukwaa la InterSystems IRIS

Mchoro hapa chini "hupiga kilele" kidogo, lakini hii ni njia nzuri ya kukamilisha hadithi kuhusu madarasa ya matatizo ya wakati halisi yanayotatuliwa: tunakukumbusha kwamba kwa uwezo wote wa jukwaa la InterSystems IRIS, mifano ya mafunzo chini ya udhibiti wake sio lazima. Jukwaa linaweza kupata nje kinachojulikana kama vipimo vya PMML vilivyofunzwa katika zana ambayo haidhibitiwi na mfumo - na kutumia muundo huu kwa wakati halisi kuanzia inapoingizwa. Vipimo vya PMML. Wakati huo huo, ni muhimu kuzingatia kwamba sio mabaki yote ya AI / ML yanaweza kupunguzwa kwa vipimo vya PMML, hata kama mabaki mengi ya kawaida yanaruhusu hili. Kwa hivyo, jukwaa la InterSystems IRIS lina "kitanzi wazi" na haimaanishi "utumwa wa jukwaa" kwa watumiaji.

Kielelezo 20 Ujumuishaji wa Auto-ML kwenye suluhisho la AI/ML kulingana na jukwaa la InterSystems IRIS

Tunaorodhesha faida za ziada za mfumo wa InterSystems IRIS (kwa uwazi, kuhusiana na udhibiti wa mchakato), ambazo ni muhimu sana katika uwekaji kiotomatiki wa akili bandia na ujifunzaji wa mashine katika wakati halisi:

• Zana za ujumuishaji za hali ya juu zilizo na vyanzo na watumiaji wowote wa data (PCS/SCADA, vifaa, MRO, ERP, n.k.)
• Imejengwa ndani DBMS ya aina nyingi kwa utendakazi wa hali ya juu wa usindikaji-changanuzi (Muamala Mseto/Uchakataji wa Uchanganuzi, HTAP) wa ujazo wowote wa data ya mchakato.
• Zana za ukuzaji kwa uwekaji endelevu wa injini za uamuzi za AI/ML za wakati halisi kulingana na Python, R, Julia.
• Michakato ya biashara inayobadilika kwa ujumuishaji unaoendelea na (binafsi) mifumo ya kujifunza ya suluhisho za AI/ML za wakati halisi.
• Zana zilizopachikwa za Ushauri wa Biashara za kuibua data ya mchakato na matokeo ya suluhisho la AI/ML
• Usimamizi wa API kutoa matokeo ya suluhisho la AI / ML kusindika mifumo ya udhibiti / SCADA, mifumo ya habari na uchambuzi, kutuma arifu, n.k.

Suluhu za AI / ML kulingana na jukwaa la InterSystems IRIS hutoshea kwa urahisi katika miundombinu iliyopo ya IT. Jukwaa la InterSystems IRIS hutoa kuegemea juu kwa suluhisho za AI/ML kupitia usaidizi wa usanidi unaostahimili makosa na kustahimili maafa na uwekaji rahisi katika mazingira ya kawaida, kwenye seva halisi, katika mawingu ya kibinafsi na ya umma, vyombo vya Docker.

Kwa hivyo, InterSystems IRIS ni jukwaa la kompyuta la wakati halisi la AI/ML. Ulimwengu wa jukwaa letu unathibitishwa kivitendo na kutokuwepo kwa vizuizi vya ukweli juu ya ugumu wa mahesabu yaliyotekelezwa, uwezo wa InterSystems IRIS kuchanganya (kwa wakati halisi) usindikaji wa matukio kutoka kwa tasnia anuwai, na uwezo wa kipekee wa kubadilika. ya kazi na mifumo yoyote ya jukwaa kwa mahitaji maalum ya mtumiaji.

Kielelezo 21 InterSystems IRIS - Universal Real-time AI/ML Computing Platform

Kwa mwingiliano mkubwa zaidi na wale wa wasomaji wetu ambao wanavutiwa na nyenzo iliyotolewa hapa, tunapendekeza kwamba usijiwekee kikomo kwa kuisoma na kuendelea na mazungumzo "moja kwa moja". Tutafurahi kutoa usaidizi katika uundaji wa matukio ya wakati halisi ya AI / ML kuhusiana na maalum ya kampuni yako, kufanya protoksi ya pamoja kwenye jukwaa la InterSystems IRIS, kuunda na kuweka kwa vitendo ramani ya barabara ya kuanzisha akili ya bandia na kujifunza kwa mashine. katika michakato yako ya uzalishaji na usimamizi. Anwani ya barua pepe ya kikundi chetu cha wataalamu wa AI/ML ni [barua pepe inalindwa].

Chanzo: mapenzi.com