InterSystems IRIS - ஒரு உலகளாவிய நிகழ்நேர AI/ML இயங்குதளம்

ஆசிரியர்: Sergey Lukyanchikov, InterSystems இல் ஆலோசனைப் பொறியாளர்

நிகழ்நேர AI/ML கம்ப்யூட்டிங் அழைப்புகள்

இன்டர்சிஸ்டம்ஸில் டேட்டா சயின்ஸ் பயிற்சியின் அனுபவத்திலிருந்து எடுத்துக்காட்டுகளுடன் ஆரம்பிக்கலாம்:

• ஏற்றப்பட்ட வாங்குபவர் போர்டல் ஆன்லைன் பரிந்துரை அமைப்புடன் இணைக்கப்பட்டுள்ளது. சில்லறை நெட்வொர்க் முழுவதும் விளம்பரங்களின் மறுசீரமைப்பு இருக்கும் (உதாரணமாக, "பிளாட்" வரிசை விளம்பரங்களுக்கு பதிலாக, "பிரிவு-தந்திரங்கள்" அணி இப்போது பயன்படுத்தப்படும்). பரிந்துரை இயந்திரங்களுக்கு என்ன நடக்கும்? பரிந்துரை இயந்திரத்தில் தரவைச் சமர்ப்பித்தல் மற்றும் புதுப்பித்தல் (உள்ளீடு தரவின் அளவு 25000 மடங்கு அதிகரித்துள்ளது) என்ன ஆகும்? பரிந்துரைகளின் வளர்ச்சிக்கு என்ன நடக்கும் (அவற்றின் எண்ணிக்கை மற்றும் "வரம்பில்" ஆயிரம் மடங்கு அதிகரிப்பு காரணமாக பரிந்துரை விதிகளின் வடிகட்டுதல் வரம்பை ஆயிரம் மடங்கு குறைக்க வேண்டிய அவசியம்)?
• உபகரணங்களின் கூறுகளில் குறைபாடுகள் ஏற்படுவதற்கான சாத்தியக்கூறுகளைக் கண்காணிப்பதற்கான ஒரு அமைப்பு உள்ளது. ஒரு தானியங்கி செயல்முறை கட்டுப்பாட்டு அமைப்பு கண்காணிப்பு அமைப்புடன் இணைக்கப்பட்டது, ஒவ்வொரு நொடியும் ஆயிரக்கணக்கான தொழில்நுட்ப செயல்முறை அளவுருக்களை அனுப்புகிறது. "கையேடு மாதிரிகளில்" முன்பு பணிபுரிந்த கண்காணிப்பு அமைப்புக்கு என்ன நடக்கும் (இது இரண்டாவது-நொடி நிகழ்தகவு கண்காணிப்பை வழங்கும் திறன் கொண்டதா)? செயல்முறைக் கட்டுப்பாட்டு அமைப்பில் சமீபத்தில் சேர்க்கப்பட்ட சென்சார்களின் அளவீடுகளுடன் உள்ளீட்டுத் தரவில் பல நூறு நெடுவரிசைகளின் புதிய தொகுதி தோன்றினால் என்ன நடக்கும் )?
• AI/ML பொறிமுறைகளின் தொகுப்பு (பரிந்துரை, கண்காணிப்பு, முன்கணிப்பு) உருவாக்கப்பட்டுள்ளது, அவை ஒருவருக்கொருவர் பணியின் முடிவுகளைப் பயன்படுத்துகின்றன. உள்ளீட்டுத் தரவுகளில் ஏற்படும் மாற்றங்களுக்கு ஏற்ப இந்த வளாகத்தின் செயல்பாட்டை மாற்றியமைக்க ஒவ்வொரு மாதமும் எத்தனை மனித நேரங்கள் தேவை? மேலாண்மை முடிவெடுக்கும் வளாகம் (புதிய உள்ளீடு தரவு நிகழ்வின் அதிர்வெண்ணுடன் தொடர்புடைய புதிய துணைத் தகவல்களின் நிகழ்வுகளின் அதிர்வெண்) ஆதரிக்கும் போது பொதுவான "மந்தநிலை" என்ன?

இவை மற்றும் பல உதாரணங்களைச் சுருக்கி, இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு வழிமுறைகளை உண்மையான நேரத்தில் பயன்படுத்தும்போது எழும் சவால்களை உருவாக்குவதற்கு நாங்கள் வந்துள்ளோம்:

• எங்கள் நிறுவனத்தில் AI/ML மேம்பாடுகளின் உருவாக்கம் மற்றும் தழுவல் (மாறும் சூழ்நிலைக்கு) வேகத்தில் நாங்கள் திருப்தியடைகிறோம்?
• நாம் பயன்படுத்தும் AI/ML தீர்வுகள் நிகழ்நேர வணிக நிர்வாகத்தை எவ்வளவு ஆதரிக்கின்றன?
• நாம் பயன்படுத்தும் AI/ML தீர்வுகள் தரவு மற்றும் வணிக மேலாண்மை நடைமுறைகளில் ஏற்படும் மாற்றங்களுக்கு ஏற்ப சுதந்திரமாக (டெவலப்பர்கள் இல்லாமல்) மாற்றியமைக்க முடியுமா?

AI/ML பொறிமுறைகளைப் பயன்படுத்துவதற்கான உலகளாவிய ஆதரவு, AI/ML தீர்வுகளின் அசெம்பிளி (ஒருங்கிணைப்பு) மற்றும் தீவிர AI/ML தீர்வுகளின் பயிற்சி (சோதனை) ஆகியவற்றின் அடிப்படையில் InterSystems IRIS இயங்குதளத்தின் திறன்களின் முழுமையான கண்ணோட்டம் எங்கள் கட்டுரையாகும். தரவு ஸ்ட்ரீம்கள். இந்தக் கட்டுரையில் சந்தை ஆராய்ச்சி, AI/ML தீர்வுகளின் வழக்கு ஆய்வுகள் மற்றும் நிகழ்நேர AI/ML பிளாட்ஃபார்ம் என அழைக்கப்படும் கருத்தியல் அம்சங்களைப் பார்ப்போம்.

கணக்கெடுப்புகளில் இருந்து நாம் அறிந்தவை: நிகழ்நேர பயன்பாடுகள்

Результаты கணக்கெடுப்புLightbend ஆல் 800 இல் கிட்டத்தட்ட 2019 IT நிபுணர்களிடையே நடத்தப்பட்டது.

படம் 1 நிகழ்நேர தரவுகளின் முன்னணி நுகர்வோர்

இந்தக் கருத்துக்கணிப்பின் முடிவுகள் குறித்த அறிக்கையின் முக்கியமான பகுதிகளை எங்கள் மொழிபெயர்ப்பில் மேற்கோள் காட்டுவோம்:

“... தரவு ஸ்ட்ரீம்களை ஒருங்கிணைப்பதற்கான கருவிகளின் பிரபலத்தின் போக்குகள் மற்றும், அதே நேரத்தில், கொள்கலன்களில் கணினியை ஆதரிப்பது, பயனுள்ள தீர்வுகளின் மிகவும் பதிலளிக்கக்கூடிய, பகுத்தறிவு, ஆற்றல்மிக்க முன்மொழிவுக்கான சந்தையின் கோரிக்கைக்கு ஒரு ஒருங்கிணைந்த பதிலை வழங்குகிறது. ஸ்ட்ரீமிங் தரவு பாரம்பரிய பாக்கெட் தரவை விட வேகமாக தகவல் பரிமாற்றம். எடுத்துக்காட்டாக, AI/ML அடிப்படையிலான பரிந்துரைகள், அதிகரித்த வாடிக்கையாளர் திருப்தி மூலம் போட்டி நன்மைகளை உருவாக்குதல் போன்ற கணக்கீட்டு முறைகளை விரைவாகப் பயன்படுத்துவதற்கான திறன் இதனுடன் சேர்க்கப்பட்டுள்ளது. சுறுசுறுப்புக்கான பந்தயம் DevOps முன்னுதாரணத்தில் உள்ள அனைத்து பாத்திரங்களையும் பாதிக்கிறது - பயன்பாட்டு மேம்பாடு மற்றும் வரிசைப்படுத்தலை மிகவும் திறமையாக ஆக்குகிறது. … எண்ணூற்று நான்கு IT வல்லுநர்கள் தங்கள் நிறுவனங்களில் தரவு ஓட்டங்களைப் பயன்படுத்துவது பற்றிய தகவலை வழங்கினர். பதிலளித்தவர்கள் பெரும்பாலும் மேற்கத்திய நாடுகளில் (ஐரோப்பாவில் 41% மற்றும் வட அமெரிக்காவில் 37%) மற்றும் சிறிய, நடுத்தர மற்றும் பெரிய நிறுவனங்களுக்கு இடையே கிட்டத்தட்ட சமமாக விநியோகிக்கப்பட்டனர். ...

... செயற்கை நுண்ணறிவு என்பது ஹைப் அல்ல. உற்பத்தித்திறன் AI/ML பயன்பாடுகளில் தரவு ஸ்ட்ரீம் செயலாக்கத்தைப் பயன்படுத்துபவர்களில் ஐம்பத்தெட்டு சதவீதம் பேர், AI/ML இன் பயன்பாடு அடுத்த ஆண்டில் (பிற பயன்பாடுகளுடன் ஒப்பிடும்போது) மிகப்பெரிய வளர்ச்சியைக் காணும் என்பதை உறுதிப்படுத்துகின்றனர்.

• பதிலளித்தவர்களில் பெரும்பாலானவர்களின் கருத்துப்படி, AI/ML காட்சிகளில் தரவு ஸ்ட்ரீம்களின் பயன்பாடு அடுத்த ஆண்டில் மிகப்பெரிய வளர்ச்சியைக் காணும்.
• AI/ML இல் உள்ள பயன்பாடுகள், ஒப்பீட்டளவில் புதிய வகையான காட்சிகள் காரணமாக மட்டுமல்லாமல், நிகழ்நேர தரவு அதிகமாகப் பயன்படுத்தப்படும் பாரம்பரிய காட்சிகளின் காரணமாகவும் வளரும்.
• AI/ML ஐத் தவிர, IoT டேட்டா பைப்லைன்களைப் பயன்படுத்துபவர்களிடையே உள்ள உற்சாகத்தின் அளவு சுவாரஸ்யமாக உள்ளது - IoT தரவை ஏற்கனவே ஒருங்கிணைத்தவர்களில் 48% பேர், இந்தத் தரவைச் செயல்படுத்துவது எதிர்காலத்தில் குறிப்பிடத்தக்க அதிகரிப்பைக் காணும் என்று கூறுகிறார்கள். ..."

இந்த சுவாரஸ்யமான கணக்கெடுப்பிலிருந்து, தரவு ஸ்ட்ரீம்களின் நுகர்வில் முன்னணியில் இருக்கும் இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு காட்சிகள் பற்றிய கருத்து ஏற்கனவே "வழியில் உள்ளது" என்பது தெளிவாகிறது. ஆனால் DevOps இன் லென்ஸ் மூலம் நிகழ்நேர AI/ML ஐப் புரிந்துகொள்வது சமமான முக்கியமான அவதானிப்பு: “முழுமையாக அணுகக்கூடிய தரவுத் தொகுப்புடன் செலவழிக்கக்கூடிய AI/ML” இன் இன்னும் ஆதிக்கம் செலுத்தும் கலாச்சாரத்தின் மாற்றத்தைப் பற்றி நாம் ஏற்கனவே பேசத் தொடங்கலாம்.

நிகழ்நேர AI/ML இயங்குதள கருத்து

நிகழ்நேர AI/MLக்கான ஒரு பொதுவான பயன்பாட்டுப் பகுதியானது உற்பத்தியில் செயல்முறைக் கட்டுப்பாடு ஆகும். அவரது உதாரணத்தைப் பயன்படுத்தி, முந்தைய எண்ணங்களை கணக்கில் எடுத்துக்கொண்டு, நிகழ்நேர AI/ML இயங்குதளத்தின் கருத்தை உருவாக்குவோம்.
செயல்முறைக் கட்டுப்பாட்டில் செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றலின் பயன்பாடு பல அம்சங்களைக் கொண்டுள்ளது:

• தொழில்நுட்ப செயல்முறையின் நிலை குறித்த தரவு தீவிரமாக பெறப்படுகிறது: அதிக அதிர்வெண் மற்றும் பரந்த அளவிலான அளவுருக்கள் (செயல்முறை கட்டுப்பாட்டு அமைப்பிலிருந்து வினாடிக்கு பல்லாயிரக்கணக்கான அளவுரு மதிப்புகள் அனுப்பப்படுகின்றன)
• குறைபாடுகளை அடையாளம் காணும் தரவு, அவற்றின் வளர்ச்சியின் தரவைக் குறிப்பிடவில்லை, மாறாக, பற்றாக்குறை மற்றும் ஒழுங்கற்றவை, குறைபாடுகளின் போதுமான வகைப்பாடு மற்றும் சரியான நேரத்தில் அவற்றின் உள்ளூர்மயமாக்கல் (பெரும்பாலும் காகித பதிவுகளால் குறிப்பிடப்படுகின்றன)
• ஒரு நடைமுறைக் கண்ணோட்டத்தில், மூலத் தரவின் "பொருத்தமான சாளரம்" மட்டுமே பயிற்சி மற்றும் மாதிரிகளைப் பயன்படுத்துவதற்குக் கிடைக்கிறது, இது செயல்முறை அளவுருக்களின் கடைசி வாசிப்பு மதிப்புகளுடன் முடிவடையும் ஒரு நியாயமான நெகிழ் இடைவெளியில் தொழில்நுட்ப செயல்முறையின் இயக்கவியலை பிரதிபலிக்கிறது.

இந்த அம்சங்கள் தொழில்நுட்ப செயல்முறையிலிருந்து தீவிரமான "பிராட்பேண்ட் உள்ளீட்டு சிக்னலை" உண்மையான நேரத்தில் பெறுதல் மற்றும் அடிப்படை செயலாக்கத்திற்கு கூடுதலாக, AI இன் முடிவுகளின் பயன்பாடு, பயிற்சி மற்றும் தரக் கட்டுப்பாட்டை (இணையாக) செய்ய கட்டாயப்படுத்துகிறது. ML மாதிரிகள் - உண்மையான நேரத்திலும். ஸ்லைடிங் விண்டோவில் எங்கள் மாதிரிகள் "பார்க்கும்" "பிரேம்" தொடர்ந்து மாறிக்கொண்டே இருக்கிறது - மேலும், கடந்த காலத்தில் "பிரேம்களில்" ஒன்றில் பயிற்சி பெற்ற AI/ML மாடல்களின் வேலைகளின் தரமும் மாறுகிறது. . AI/ML மாதிரிகளின் வேலையின் முடிவுகளின் தரம் மோசமடைந்தால் (உதாரணமாக: “அலாரம்-நெறி” வகைப்பாடு பிழையின் மதிப்பு நாம் வரையறுத்த வரம்புகளுக்கு அப்பால் சென்று விட்டது), மாதிரிகளின் கூடுதல் பயிற்சி தானாகவே தொடங்கப்பட வேண்டும். மிகவும் தற்போதைய “சட்டகம்” - மற்றும் மாதிரிகளின் கூடுதல் பயிற்சியைத் தொடங்குவதற்கான தருணத்தைத் தேர்ந்தெடுப்பது, பயிற்சியின் கால அளவு மற்றும் மாதிரிகளின் தற்போதைய பதிப்பின் வேலையின் தரம் மோசமடைந்ததன் இயக்கவியல் ஆகியவற்றை கணக்கில் எடுத்துக்கொள்ள வேண்டும். மாடல்களின் தற்போதைய பதிப்புகள் மாடல்கள் பயிற்சியளிக்கப்படும் வரை தொடர்ந்து பயன்படுத்தப்படுகின்றன, மேலும் அவற்றின் "புதிதாக பயிற்சி பெற்ற" பதிப்புகள் உருவாகும் வரை).

InterSystems IRIS ஆனது நிகழ்நேர செயல்முறைக் கட்டுப்பாட்டிற்கான AI/ML தீர்வுகளை இயக்குவதற்கான முக்கிய இயங்குதள திறன்களைக் கொண்டுள்ளது. இந்த திறன்களை மூன்று முக்கிய குழுக்களாக பிரிக்கலாம்:

• இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் இயங்குதளத்தில் நிகழ்நேரத்தில் செயல்படும் ஒரு உற்பத்தித் தீர்வுக்கான புதிய அல்லது ஏற்கனவே உள்ள AI/ML பொறிமுறைகளின் தொடர்ச்சியான வரிசைப்படுத்தல் (தொடர்ச்சியான வரிசைப்படுத்தல்/டெலிவரி, சிடி)
• தொடர்ச்சியான ஒருங்கிணைப்பு (CI) உள்வரும் தொழில்நுட்ப செயல்முறை தரவு ஸ்ட்ரீம்கள், AI/ML பொறிமுறைகளின் பயன்பாடு/பயிற்சி/தரக் கட்டுப்பாடுக்கான தரவு வரிசைகள் மற்றும் நிகழ்நேரத்தில் ஒழுங்கமைக்கப்பட்ட கணித மாடலிங் சூழல்களுடன் தரவு/குறியீடு/கட்டுப்பாட்டு செயல்களின் பரிமாற்றம். இயங்குதளம் InterSystems IRIS
• AI/ML பொறிமுறைகளின் தொடர்ச்சியான (சுய) பயிற்சி (தொடர்ச்சியான பயிற்சி, CT), இன்டர் சிஸ்டம்ஸ் IRIS இயங்குதளத்தால் அனுப்பப்படும் தரவு, குறியீடு மற்றும் கட்டுப்பாட்டுச் செயல்கள் ("முடிவுகள்") ஆகியவற்றைப் பயன்படுத்தி கணித மாடலிங் சூழல்களில் நிகழ்த்தப்படுகிறது.

இயந்திரக் கற்றல் மற்றும் செயற்கை நுண்ணறிவு தொடர்பான இயங்குதள திறன்களை துல்லியமாக இந்தக் குழுக்களாக வகைப்படுத்துவது தற்செயலானதல்ல. வழிமுறையை மேற்கோள் காட்டுவோம் வெளியீடு இந்த வகைப்பாட்டிற்கான கருத்தியல் அடிப்படையை வழங்கும் Google, எங்கள் மொழிபெயர்ப்பில்:

“... இந்த நாட்களில் பிரபலமான DevOps கருத்து, பெரிய அளவிலான தகவல் அமைப்புகளின் வளர்ச்சி மற்றும் செயல்பாட்டை உள்ளடக்கியது. இந்த கருத்தை செயல்படுத்துவதன் நன்மைகள், வளர்ச்சி சுழற்சிகளின் கால அளவைக் குறைத்தல், வளர்ச்சிகளை விரைவாகப் பயன்படுத்துதல் மற்றும் வெளியீட்டுத் திட்டமிடலில் நெகிழ்வுத்தன்மை ஆகியவை ஆகும். இந்த நன்மைகளை அடைய, DevOps குறைந்தது இரண்டு நடைமுறைகளை செயல்படுத்துவதை உள்ளடக்கியது:

• தொடர்ச்சியான ஒருங்கிணைப்பு (CI)
• தொடர்ச்சியான விநியோகம் (சிடி)

இந்த நடைமுறைகள் AI/ML பிளாட்ஃபார்ம்களுக்கும் பொருந்தும், உற்பத்தி AI/ML தீர்வுகளின் நம்பகமான மற்றும் செயல்திறன் மிக்க ஒருங்கிணைப்பை உறுதிப்படுத்துகிறது.

AI/ML இயங்குதளங்கள் பின்வரும் அம்சங்களில் மற்ற தகவல் அமைப்புகளிலிருந்து வேறுபடுகின்றன:

• குழு திறன்கள்: AI/ML தீர்வை உருவாக்கும் போது, ​​குழுவில் பொதுவாக தரவு விஞ்ஞானிகள் அல்லது தரவு ஆய்வுத் துறையில் "கல்வி" நிபுணர்கள் அடங்குவர், அவர்கள் தரவு பகுப்பாய்வு, உருவாக்கம் மற்றும் சோதனை மாதிரிகளை நடத்துகின்றனர். இந்தக் குழு உறுப்பினர்கள் தொழில்முறை உற்பத்தி குறியீடு டெவலப்பர்களாக இல்லாமல் இருக்கலாம்.
• வளர்ச்சி: AI/ML இன்ஜின்கள் இயற்கையில் சோதனைக்குரியவை. ஒரு சிக்கலை மிகவும் திறமையான முறையில் தீர்க்க, உள்ளீட்டு மாறிகள், வழிமுறைகள், மாடலிங் முறைகள் மற்றும் மாதிரி அளவுருக்கள் ஆகியவற்றின் பல்வேறு சேர்க்கைகள் மூலம் செல்ல வேண்டியது அவசியம். அத்தகைய தேடலின் சிக்கலானது, "என்ன வேலை செய்தது / வேலை செய்யவில்லை" என்பதைக் கண்டுபிடிப்பதில் உள்ளது, அத்தியாயங்களின் மறுஉருவாக்கம், மீண்டும் மீண்டும் செயல்படுத்துவதற்கான வளர்ச்சிகளை பொதுமைப்படுத்துதல்.
• சோதனை: AI/ML இன்ஜின்களைச் சோதிப்பதற்குப் பிற முன்னேற்றங்களைக் காட்டிலும் பரந்த அளவிலான சோதனைகள் தேவைப்படுகின்றன. நிலையான அலகு மற்றும் ஒருங்கிணைப்பு சோதனைகளுக்கு கூடுதலாக, தரவு செல்லுபடியாகும் தன்மை மற்றும் மாதிரியைப் பயிற்சி மற்றும் கட்டுப்பாட்டு மாதிரிகளுக்குப் பயன்படுத்துவதன் முடிவுகளின் தரம் ஆகியவை சோதிக்கப்படுகின்றன.
• வரிசைப்படுத்தல்: AI/ML தீர்வுகளின் வரிசைப்படுத்தல் ஒருமுறை பயிற்சி பெற்ற மாதிரியைப் பயன்படுத்தும் முன்கணிப்பு சேவைகளுக்கு மட்டும் அல்ல. AI/ML தீர்வுகள் தானியங்கு மாதிரி பயிற்சி மற்றும் பயன்பாட்டைச் செய்யும் பல-நிலை பைப்லைன்களைச் சுற்றி உருவாக்கப்பட்டுள்ளன. அத்தகைய பைப்லைன்களை வரிசைப்படுத்துவது, மாதிரிகளைப் பயிற்றுவிப்பதற்கும் சோதனை செய்வதற்கும், தரவு விஞ்ஞானிகளால் பாரம்பரியமாக கைமுறையாகச் செய்யப்படும் அற்பமான செயல்களை தானியக்கமாக்குகிறது.
• உற்பத்தித்திறன்: AI/ML இன்ஜின்கள் திறமையற்ற நிரலாக்கத்தால் மட்டுமல்ல, உள்ளீட்டுத் தரவின் தொடர்ந்து மாறிவரும் தன்மையாலும் உற்பத்தித்திறன் இல்லாமல் இருக்கலாம். வேறு வார்த்தைகளில் கூறுவதானால், AI/ML பொறிமுறைகளின் செயல்திறன் வழக்கமான முன்னேற்றங்களின் செயல்திறனைக் காட்டிலும் பரந்த அளவிலான காரணங்களால் சிதைந்துவிடும். இது எங்கள் AI/ML இன்ஜின்களின் செயல்திறனைக் கண்காணிக்க வேண்டிய (ஆன்லைன்) தேவைக்கு வழிவகுக்கிறது, அத்துடன் செயல்திறன் குறிகாட்டிகள் எதிர்பார்ப்புகளை பூர்த்தி செய்யவில்லை என்றால் எச்சரிக்கைகளை அனுப்பவும் அல்லது முடிவுகளை நிராகரிக்கவும்.

AI/ML இயங்குதளங்கள் மற்ற தகவல் அமைப்புகளைப் போலவே இருக்கின்றன, இரண்டிற்கும் பதிப்புக் கட்டுப்பாடு, அலகு சோதனை, ஒருங்கிணைப்பு சோதனை மற்றும் தொடர்ச்சியான வளர்ச்சி வரிசைப்படுத்தல் ஆகியவற்றுடன் தொடர்ச்சியான குறியீடு ஒருங்கிணைப்பு தேவைப்படுகிறது. இருப்பினும், AI/ML விஷயத்தில், பல முக்கியமான வேறுபாடுகள் உள்ளன:

• CI (தொடர்ச்சியான ஒருங்கிணைப்பு) என்பது வரிசைப்படுத்தப்பட்ட கூறுகளின் குறியீட்டை சோதனை செய்வதற்கும் சரிபார்ப்பதற்கும் மட்டுப்படுத்தப்படவில்லை - இது தரவு மற்றும் AI/ML மாதிரிகளை சோதனை செய்தல் மற்றும் சரிபார்த்தல் ஆகியவற்றை உள்ளடக்கியது.
• CD (தொடர்ச்சியான விநியோகம்/பயன்பாடு, தொடர்ச்சியான வரிசைப்படுத்தல்) என்பது தொகுப்புகள் அல்லது சேவைகளை எழுதுவதற்கும் வெளியிடுவதற்கும் மட்டுப்படுத்தப்படவில்லை, ஆனால் AI/ML தீர்வுகளின் கலவை, பயிற்சி மற்றும் பயன்பாட்டிற்கான தளத்தைக் குறிக்கிறது.
• CT (தொடர்ச்சியான பயிற்சி, தொடர்ச்சியான பயிற்சி) என்பது ஒரு புதிய உறுப்பு [தோராயமாக. கட்டுரையின் ஆசிரியர்: DevOps இன் பாரம்பரிய கருத்துடன் தொடர்புடைய ஒரு புதிய உறுப்பு, இதில் CT என்பது ஒரு விதியாக, தொடர்ச்சியான சோதனை], AI/ML இயங்குதளங்களில் உள்ளார்ந்ததாகும், AI பயிற்சி மற்றும் பயன்படுத்துவதற்கான வழிமுறைகளின் தன்னாட்சி நிர்வாகத்திற்கு பொறுப்பாகும். /எம்எல் மாதிரிகள். ..."

இயந்திர கற்றல் மற்றும் நிகழ்நேர தரவுகளில் செயல்படும் செயற்கை நுண்ணறிவு ஆகியவை பரந்த அளவிலான கருவிகள் மற்றும் திறன்கள் (குறியீடு மேம்பாடு முதல் கணித மாடலிங் சூழல்களின் ஆர்கெஸ்ட்ரேஷன் வரை), அனைத்து செயல்பாட்டு மற்றும் பொருள் பகுதிகளுக்கு இடையே நெருக்கமான ஒருங்கிணைப்பு, மனிதனின் மிகவும் திறமையான அமைப்பு மற்றும் இயந்திர வளங்கள்.

நிகழ்நேர காட்சி: ஊட்ட பம்புகளில் குறைபாடுகளின் வளர்ச்சியை அங்கீகரித்தல்

செயல்முறை கட்டுப்பாட்டு பகுதியை ஒரு எடுத்துக்காட்டுக்கு தொடர்ந்து பயன்படுத்துவதன் மூலம், ஒரு குறிப்பிட்ட சிக்கலைக் கவனியுங்கள் (நாங்கள் ஏற்கனவே ஆரம்பத்தில் குறிப்பிட்டுள்ளோம்): செயல்முறை அளவுரு மதிப்புகளின் ஓட்டத்தின் அடிப்படையில் பம்ப்களில் உள்ள குறைபாடுகளின் வளர்ச்சியை நிகழ்நேர கண்காணிப்பு வழங்க வேண்டும். மற்றும் கண்டறியப்பட்ட குறைபாடுகள் பற்றி பழுதுபார்க்கும் பணியாளர்களிடமிருந்து அறிக்கைகள்.

படம் 2 குறைபாடுகளின் வளர்ச்சியைக் கண்காணிப்பதற்கான சிக்கல் உருவாக்கம்

நடைமுறையில் இந்த வழியில் முன்வைக்கப்படும் பெரும்பாலான பணிகளின் அம்சம் என்னவென்றால், தரவு ரசீதின் (APCS) ஒழுங்குமுறை மற்றும் செயல்திறன் பல்வேறு வகையான குறைபாடுகளின் எபிசோடிக் மற்றும் ஒழுங்கற்ற நிகழ்வுகளின் (மற்றும் பதிவு) பின்னணியில் கருதப்பட வேண்டும். வேறு வார்த்தைகளில் கூறுவதானால்: செயல்முறை கட்டுப்பாட்டு அமைப்பிலிருந்து தரவு ஒரு வினாடிக்கு ஒரு முறை, சரியானது மற்றும் துல்லியமானது, மேலும் குறைபாடுகள் பற்றிய குறிப்புகள் ஒரு ரசாயன பென்சிலுடன் பட்டறையில் உள்ள பொதுவான நோட்புக்கில் தேதியைக் குறிக்கின்றன (உதாரணமாக: "12.01 - அட்டையில் கசிவு 3 வது தாங்கியின் பக்கத்திலிருந்து").

எனவே, பின்வரும் முக்கியமான வரம்புகளுடன் சிக்கலை உருவாக்குவதை நாம் கூடுதலாகச் செய்யலாம்: ஒரு குறிப்பிட்ட வகையின் குறைபாட்டின் ஒரே ஒரு “லேபிள்” மட்டுமே எங்களிடம் உள்ளது (அதாவது, ஒரு குறிப்பிட்ட வகையின் குறைபாட்டின் எடுத்துக்காட்டு செயல்முறைக் கட்டுப்பாட்டிலிருந்து தரவுகளால் குறிப்பிடப்படுகிறது. ஒரு குறிப்பிட்ட தேதியில் உள்ள அமைப்பு - மேலும் இந்தக் குறிப்பிட்ட வகையின் குறைபாட்டிற்கான கூடுதல் எடுத்துக்காட்டுகள் எங்களிடம் இல்லை). இந்த வரம்பு உடனடியாக கிளாசிக்கல் மெஷின் லேர்னிங்கின் (மேற்பார்வை செய்யப்பட்ட கற்றல்) எல்லைக்கு அப்பால் நம்மை அழைத்துச் செல்கிறது, அதற்காக நிறைய "குறிச்சொற்கள்" இருக்க வேண்டும்.

குறைபாடுகளின் வளர்ச்சியைக் கண்காணிக்கும் பணியின் படம் 3 தெளிவுபடுத்தல்

நம் வசம் உள்ள ஒரே "டேக்கை" எப்படியாவது "பெருக்க" முடியுமா? ஆம் நம்மால் முடியும். விசையியக்கக் குழாயின் தற்போதைய நிலை, பதிவு செய்யப்பட்ட குறைபாடுகளுடன் ஒற்றுமையின் அளவு வகைப்படுத்தப்படுகிறது. அளவு முறைகளைப் பயன்படுத்தாமல், காட்சி உணர்வின் மட்டத்தில், செயல்முறை கட்டுப்பாட்டு அமைப்பிலிருந்து வரும் தரவு மதிப்புகளின் இயக்கவியலைக் கவனிப்பதன் மூலம், நீங்கள் ஏற்கனவே நிறைய கற்றுக்கொள்ளலாம்:

படம் 4 கொடுக்கப்பட்ட வகையின் குறைபாட்டின் "குறியின்" பின்னணிக்கு எதிராக பம்ப் நிலையின் இயக்கவியல்

ஆனால் காட்சிப் புலன் (குறைந்தபட்சம் இப்போதைக்கு) நமது வேகமாக மாறிவரும் சூழ்நிலையில் "குறிச்சொற்களின்" மிகவும் பொருத்தமான ஜெனரேட்டர் அல்ல. தற்போதைய பம்ப் நிலை மற்றும் அறிக்கையிடப்பட்ட குறைபாடுகளுடன் உள்ள ஒற்றுமையை புள்ளியியல் சோதனையைப் பயன்படுத்தி மதிப்பீடு செய்வோம்.

படம் 5 குறைபாடு "லேபிளின்" பின்னணிக்கு எதிராக உள்வரும் தரவுகளுக்கு புள்ளிவிவர சோதனையைப் பயன்படுத்துதல்

செயல்முறை கட்டுப்பாட்டு அமைப்பிலிருந்து பெறப்பட்ட "ஓட்டம்-பாக்கெட்" இல் உள்ள தொழில்நுட்ப செயல்முறை அளவுருக்களின் மதிப்புகள் கொண்ட பதிவுகள் ஒரு குறிப்பிட்ட வகை குறைபாட்டின் "டேக்" பதிவுகளுக்கு ஒத்ததாக இருக்கும் நிகழ்தகவை ஒரு புள்ளிவிவர சோதனை தீர்மானிக்கிறது. புள்ளியியல் சோதனையைப் பயன்படுத்துவதன் விளைவாக கணக்கிடப்பட்ட நிகழ்தகவு மதிப்பு (புள்ளிவிவர ஒற்றுமைக் குறியீடு) 0 அல்லது 1 மதிப்பாக மாற்றப்பட்டு, பாக்கெட்டில் உள்ள ஒவ்வொரு குறிப்பிட்ட பதிவிலும் இயந்திர கற்றலுக்கான "லேபிள்" ஆக மாறுகிறது. அதாவது, புதிதாகப் பெறப்பட்ட பம்ப் ஸ்டேட் ரெக்கார்டுகளின் தொகுப்பை புள்ளிவிவரச் சோதனையுடன் செயலாக்கிய பிறகு, (அ) AI/ML மாதிரியைப் பயிற்றுவிப்பதற்கான பயிற்சித் தொகுப்பில் இந்தத் தொகுப்பைச் சேர்ப்பதற்கும் (b) தரக் கட்டுப்பாட்டைச் செயல்படுத்துவதற்கும் எங்களுக்கு வாய்ப்பு உள்ளது. இந்த தொகுப்பில் பயன்படுத்தும் போது மாதிரியின் தற்போதைய பதிப்பு.

படம் 6 குறைபாடு "லேபிளின்" பின்னணிக்கு எதிராக உள்வரும் தரவுகளுக்கு இயந்திர கற்றல் மாதிரியைப் பயன்படுத்துதல்

எங்கள் முந்தைய ஒன்றில் வலைப்பக்கங்கள் மாடலிங் முடிவுகளின் நம்பகத்தன்மையைக் கண்காணிக்கும் மற்றும் மாதிரி அளவுருக்களை மாற்றியமைக்கும் வணிகச் செயல்முறைகளைத் தொடர்ந்து செயல்படுத்தும் வடிவத்தில், InterSystems IRIS இயங்குதளமானது, எந்த AI/ML பொறிமுறையையும் செயல்படுத்த உங்களை அனுமதிக்கிறது என்பதை நாங்கள் காண்பித்து விளக்குகிறோம். பம்புகள் மூலம் எங்கள் காட்சியின் முன்மாதிரியை செயல்படுத்தும் போது, ​​வெபினாரின் போது வழங்கப்பட்ட அனைத்து InterSystems IRIS செயல்பாடுகளையும் நாங்கள் பயன்படுத்துகிறோம் - எங்கள் தீர்வின் ஒரு பகுதியாக பகுப்பாய்வி செயல்பாட்டில் செயல்படுத்துவது கிளாசிக்கல் மேற்பார்வை கற்றல் அல்ல, மாறாக வலுவூட்டல் கற்றல், இது தானாகவே பயிற்சி மாதிரிகளுக்கான தேர்வை நிர்வகிக்கிறது. . பயிற்சி மாதிரியில் புள்ளிவிவர சோதனை மற்றும் மாதிரியின் தற்போதைய பதிப்பு இரண்டையும் பயன்படுத்திய பிறகு "கண்டறிதல் ஒருமித்த கருத்து" எழும் பதிவுகள் உள்ளன - அதாவது, புள்ளிவிவர சோதனை (ஒற்றுமை குறியீட்டை 0 அல்லது 1 ஆக மாற்றிய பின்) மற்றும் மாதிரியானது முடிவுகளை உருவாக்கியது. அத்தகைய பதிவுகளில் 1. மாதிரியின் புதிய பயிற்சியின் போது, ​​அதன் சரிபார்ப்பின் போது (புதிதாக பயிற்சியளிக்கப்பட்ட மாதிரி அதன் சொந்த பயிற்சி மாதிரிக்கு பயன்படுத்தப்படுகிறது, அதற்கு ஒரு புள்ளியியல் சோதனையின் பூர்வாங்க பயன்பாடு), செயலாக்கத்திற்குப் பிறகு 1 முடிவு "தங்கவில்லை" புள்ளியியல் சோதனை மூலம் (பயிற்சியில் தொடர்ந்து இருப்பதன் காரணமாக, குறைபாடுகளின் அசல் "லேபிளில்" இருந்து பதிவுகளின் மாதிரி), பயிற்சி தொகுப்பிலிருந்து நீக்கப்பட்டது, மேலும் மாதிரியின் புதிய பதிப்பு "லேபிளில்" இருந்து கற்றுக்கொள்கிறது. குறைபாடு மற்றும் ஸ்ட்ரீமில் இருந்து "தக்கவைக்கப்பட்ட" பதிவுகள்.

படம் 7 இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ்ஸில் ஏஐ/எம்எல் கணக்கீடுகளின் ரோபோடைசேஷன்

InterSystems IRIS இல் உள்ளூர் கணக்கீடுகளின் போது பெறப்பட்ட கண்டறிதலின் தரம் குறித்து ஒரு வகையான "இரண்டாவது கருத்து" தேவைப்பட்டால், கிளவுட் சேவைகளைப் பயன்படுத்தி (உதாரணமாக, மைக்ரோசாப்ட், மைக்ரோசாப்ட்) கட்டுப்பாட்டு தரவுத்தொகுப்பில் மாதிரிகளைப் பயிற்சி செய்வதற்கும் பயன்படுத்துவதற்கும் ஒரு ஆலோசகர் செயல்முறை உருவாக்கப்பட்டது. Azure, Amazon Web Services , Google Cloud Platform போன்றவை):

படம் 8 இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் மூலம் திட்டமிடப்பட்ட மைக்ரோசாஃப்ட் அஸூரிலிருந்து இரண்டாவது கருத்து

InterSystems IRIS இல் உள்ள எங்கள் காட்சியின் முன்மாதிரியானது, ஒரு உபகரணப் பொருள் (பம்ப்), கணித மாடலிங் சூழல்கள் (Python, R மற்றும் Julia) ஆகியவற்றுடன் தொடர்பு கொள்ளும் பகுப்பாய்வு செயல்முறைகளின் முகவர்-அடிப்படையிலான அமைப்பாக வடிவமைக்கப்பட்டுள்ளது. ML வழிமுறைகள் - நிகழ்நேர தரவு ஸ்ட்ரீம்களில் .

படம் 9 InterSystems IRIS இல் நிகழ்நேர AI/ML தீர்வின் முக்கிய செயல்பாடு

எங்கள் முன்மாதிரியின் நடைமுறை முடிவு:

• மாதிரி குறைபாடு அடையாளம் காணப்பட்டது (ஜனவரி 12):

• மாதிரியில் சேர்க்கப்படாத மாதிரியால் அங்கீகரிக்கப்பட்ட வளரும் குறைபாடு (செப்டம்பர் 11, குறைபாடு இரண்டு நாட்களுக்குப் பிறகு, செப்டம்பர் 13 அன்று பழுதுபார்க்கும் குழுவால் அடையாளம் காணப்பட்டது):

ஒரே குறைபாட்டின் பல அத்தியாயங்களைக் கொண்ட உண்மையான தரவுகளின் உருவகப்படுத்துதல், InterSystems IRIS இயங்குதளத்தில் செயல்படுத்தப்பட்ட எங்கள் தீர்வு, பழுதுபார்க்கும் குழுவால் கண்டறியப்படுவதற்கு பல நாட்களுக்கு முன்பே இந்த வகை குறைபாடுகளின் வளர்ச்சியை அடையாளம் காண அனுமதிக்கிறது என்பதைக் காட்டுகிறது.

InterSystems IRIS - ஒரு உலகளாவிய நிகழ்நேர AI/ML கம்ப்யூட்டிங் தளம்

InterSystems IRIS இயங்குதளமானது நிகழ்நேர தரவு தீர்வுகளின் மேம்பாடு, வரிசைப்படுத்தல் மற்றும் செயல்பாட்டை எளிதாக்குகிறது. InterSystems IRIS ஆனது பரிவர்த்தனை மற்றும் பகுப்பாய்வு தரவு செயலாக்கத்தை ஒரே நேரத்தில் செய்யும் திறன் கொண்டது; பல மாதிரிகள் (தொடர்புடைய, படிநிலை, பொருள் மற்றும் ஆவணம் உட்பட) படி ஒத்திசைக்கப்பட்ட தரவு காட்சிகளை ஆதரிக்கவும்; பரந்த அளவிலான தரவு மூலங்கள் மற்றும் தனிப்பட்ட பயன்பாடுகளை ஒருங்கிணைக்கும் தளமாக செயல்படுதல்; கட்டமைக்கப்பட்ட மற்றும் கட்டமைக்கப்படாத தரவுகளில் மேம்பட்ட நிகழ்நேர பகுப்பாய்வுகளை வழங்குதல். InterSystems IRIS ஆனது வெளிப்புற பகுப்பாய்வுக் கருவிகளைப் பயன்படுத்துவதற்கான வழிமுறைகளையும் வழங்குகிறது மற்றும் கிளவுட் மற்றும் லோக்கல் சர்வர்களில் ஹோஸ்டிங்கின் நெகிழ்வான கலவையை அனுமதிக்கிறது.

InterSystems IRIS இயங்குதளத்தில் கட்டமைக்கப்பட்ட பயன்பாடுகள் பல்வேறு தொழில்களில் பயன்படுத்தப்படுகின்றன, நிறுவனங்கள் ஒரு மூலோபாய மற்றும் செயல்பாட்டுக் கண்ணோட்டத்தில் குறிப்பிடத்தக்க பொருளாதார நன்மைகளை உணர உதவுகின்றன, தகவலறிந்த முடிவெடுப்பதை அதிகரிக்கின்றன மற்றும் நிகழ்வு, பகுப்பாய்வு மற்றும் செயல்களுக்கு இடையிலான இடைவெளிகளைக் குறைக்கின்றன.

படம் 10 இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் கட்டிடக்கலை நிகழ்நேர AI/ML இன் சூழலில்

முந்தைய வரைபடத்தைப் போலவே, கீழே உள்ள வரைபடமும் புதிய "கோர்டினேட் சிஸ்டம்" (சிடி/சிஐ/சிடி) மற்றும் இயங்குதளத்தின் வேலை கூறுகளுக்கு இடையேயான தகவல் ஓட்டத்தின் வரைபடத்துடன் இணைக்கப்பட்டுள்ளது. காட்சிப்படுத்தல் மேக்ரோமெக்கானிசம் சிடியுடன் தொடங்குகிறது மற்றும் மேக்ரோமெக்கானிசம்கள் சிஐ மற்றும் சிடியுடன் தொடர்கிறது.

படம் 11 இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் இயங்குதளத்தின் ஏஐ/எம்எல் கூறுகளுக்கு இடையே உள்ள தகவல்களின் வரைபடம்

InterSystems IRIS இல் உள்ள CD பொறிமுறையின் சாராம்சம்: பிளாட்ஃபார்ம் பயனர்கள் (AI/ML தீர்வுகளை உருவாக்குபவர்கள்) AI/ML பொறிமுறைகளுக்கான பிரத்யேக குறியீடு எடிட்டரைப் பயன்படுத்தி தற்போதுள்ள மற்றும்/அல்லது புதிய AI/ML மேம்பாடுகளை உருவாக்குகின்றனர்: Jupyter (முழு பெயர்: Jupyter Notebook; சுருக்கத்திற்காக, இந்த எடிட்டரில் உருவாக்கப்பட்ட ஆவணங்கள் சில நேரங்களில் அழைக்கப்படுகின்றன). Jupyter இல், ஒரு குறிப்பிட்ட AI/ML மேம்பாட்டின் செயல்திறனை (கிராபிக்ஸ் பயன்படுத்துவது உட்பட) InterSystems IRIS இல் வைக்கப்படுவதற்கு முன் ("பயன்படுத்தப்பட்டது") எழுத, பிழைத்திருத்த மற்றும் சரிபார்க்க டெவலப்பருக்கு வாய்ப்பு உள்ளது. இந்த வழியில் உருவாக்கப்பட்ட ஒரு புதிய மேம்பாடு அடிப்படை பிழைத்திருத்தத்தை மட்டுமே பெறும் என்பது தெளிவாகிறது (குறிப்பாக, ஜூபிட்டர் நிகழ்நேர தரவு ஸ்ட்ரீம்களுடன் வேலை செய்யாது) - இது விஷயங்களின் வரிசையில் உள்ளது, ஏனெனில் ஜூபிட்டரின் வளர்ச்சியின் முக்கிய விளைவு ஒரு தனி AI / ML பொறிமுறையின் அடிப்படை செயல்பாட்டின் உறுதிப்படுத்தல் ("ஒரு தரவு மாதிரியில் எதிர்பார்க்கப்படும் முடிவைக் காட்டுகிறது"). இதேபோல், ஜூபிட்டரில் பிழைத்திருத்தத்திற்கு முன் ஏற்கனவே இயங்குதளத்தில் வைக்கப்பட்டுள்ள (பின்வரும் மேக்ரோ-மெக்கானிசங்களைப் பார்க்கவும்) ஒரு "முன்-தளம்" படிவத்திற்கு "ரோல்பேக்" தேவைப்படலாம் (கோப்புகளிலிருந்து தரவைப் படித்தல், அட்டவணைகளுக்குப் பதிலாக xDBC மூலம் தரவுகளுடன் வேலை செய்தல், குளோபல்களுடன் நேரடி தொடர்பு - பல பரிமாண தரவு வரிசைகள் InterSystems IRIS – முதலியன).

InterSystems IRIS இல் CD செயல்படுத்துதலின் ஒரு முக்கிய அம்சம்: பிளாட்ஃபார்ம் மற்றும் Jupyter இடையே இருதரப்பு ஒருங்கிணைப்பு செயல்படுத்தப்பட்டுள்ளது, இது Python, R மற்றும் Julia இல் உள்ள உள்ளடக்கத்தை தளத்திற்கு மாற்ற அனுமதிக்கிறது (மேலும், பின்னர், மேடையில் செயலாக்கப்பட்டது) (மூன்றும் நிரலாக்கம் தொடர்புடைய முன்னணி திறந்த மூல மொழிகளில் உள்ள மொழிகள்) மூல கணித மாடலிங் சூழல்கள்). எனவே, AI/ML உள்ளடக்க டெவலப்பர்கள், Python, R, Julia இல் உள்ள பழக்கமான நூலகங்கள் மற்றும் அடிப்படை பிழைத்திருத்தம் (தேவைப்பட்டால்) ஆகியவற்றில் கிடைக்கும் பழக்கமான ஜூபிட்டர் எடிட்டரில் பணிபுரிந்து, இந்த உள்ளடக்கத்தை மேடையில் "தொடர்ச்சியான வரிசைப்படுத்தல்" செய்ய வாய்ப்பு உள்ளது. மேடைக்கு வெளியே.

InterSystems IRIS இல் உள்ள CI மேக்ரோ மெக்கானிசத்திற்கு செல்லலாம். வரைபடம் “நிகழ்நேர ரோபோடைசர்” இன் மேக்ரோ செயல்முறையைக் காட்டுகிறது (தரவு கட்டமைப்புகள், வணிக செயல்முறைகள் மற்றும் குறியீட்டு துண்டுகளின் சிக்கலானது கணித மொழிகள் மற்றும் ஆப்ஜெக்ட்ஸ்கிரிப்ட் - InterSystems IRIS இன் சொந்த வளர்ச்சி மொழி). இந்த மேக்ரோ செயல்முறையின் பணி, AI/ML பொறிமுறைகளின் செயல்பாட்டிற்குத் தேவையான தரவு வரிசைகளை பராமரிப்பதாகும் (நிகழ்நேரத்தில் இயங்குதளத்திற்கு அனுப்பப்படும் தரவு ஸ்ட்ரீம்களின் அடிப்படையில்), பயன்பாட்டின் வரிசை மற்றும் AI/ இன் "வகைப்படுத்தல்" பற்றிய முடிவுகளை எடுப்பதாகும். ML பொறிமுறைகள் (அவை "கணித வழிமுறைகள்", "மாதிரிகள்" போன்றவை - செயல்படுத்தல் மற்றும் சொற்களஞ்சிய விருப்பங்களின் பிரத்தியேகங்களைப் பொறுத்து வேறுவிதமாக அழைக்கப்படலாம்), AI/ இன் வேலையின் முடிவுகளை பகுப்பாய்வு செய்வதற்கு தரவு கட்டமைப்புகளை புதுப்பித்த நிலையில் வைத்திருங்கள். ML பொறிமுறைகள் (க்யூப்ஸ், டேபிள்கள், பல பரிமாண தரவு வரிசைகள் போன்றவை) போன்றவை - அறிக்கைகள், டாஷ்போர்டுகள் போன்றவை.).

InterSystems IRIS இல் CI செயல்படுத்தலின் ஒரு முக்கிய அம்சம்: பிளாட்ஃபார்ம் மற்றும் கணித மாடலிங் சூழல்களுக்கு இடையே இருதரப்பு ஒருங்கிணைப்பு செயல்படுத்தப்பட்டுள்ளது, இது Python, R மற்றும் Julia இல் உள்ள பிளாட்ஃபார்மில் ஹோஸ்ட் செய்யப்பட்ட உள்ளடக்கத்தை அந்தந்த சூழல்களில் செயல்படுத்தவும், செயலாக்க முடிவுகளை திரும்பப் பெறவும் உங்களை அனுமதிக்கிறது. இந்த ஒருங்கிணைப்பு "டெர்மினல் பயன்முறையில்" (அதாவது, AI/ML உள்ளடக்கம் சுற்றுச்சூழலுக்கு அழைப்புகளை மேற்கொள்ளும் ஆப்ஜெக்ட்ஸ்கிரிப்ட் குறியீடாக வடிவமைக்கப்பட்டுள்ளது) மற்றும் "வணிக செயல்முறை முறையில்" (அதாவது, AI/ML உள்ளடக்கம் ஒரு வணிகச் செயல்முறையாக வடிவமைக்கப்பட்டுள்ளது. வரைகலை எடிட்டரைப் பயன்படுத்துதல், அல்லது சில சமயங்களில் ஜூபிட்டரைப் பயன்படுத்துதல் அல்லது IDE - ஐஆர்ஐஎஸ் ஸ்டுடியோ, எக்லிப்ஸ், விஷுவல் ஸ்டுடியோ குறியீடு) ஆகியவற்றைப் பயன்படுத்துதல். ஜூபிட்டரில் எடிட்டிங் செய்வதற்கான வணிக செயல்முறைகளின் கிடைக்கும் தன்மை, சிஐ மட்டத்தில் ஐஆர்ஐஎஸ் மற்றும் சிடி அளவில் ஜூபிட்டருக்கு இடையே உள்ள இணைப்பின் மூலம் பிரதிபலிக்கிறது. கணித மாடலிங் சூழல்களுடன் ஒருங்கிணைப்பு பற்றிய விரிவான கண்ணோட்டம் கீழே கொடுக்கப்பட்டுள்ளது. இந்த கட்டத்தில், எங்கள் கருத்துப்படி, AI/ML மேம்பாடுகளின் "தொடர்ச்சியான ஒருங்கிணைப்பை" ("தொடர்ச்சியான வரிசைப்படுத்துதலில் இருந்து வருகிறது) நிகழ்நேர AI/ML தீர்வுகளில் செயல்படுத்துவதற்கு தேவையான அனைத்து கருவிகளும் இயங்குதளத்தில் இருப்பதை உறுதிசெய்ய எல்லா காரணங்களும் உள்ளன.

மற்றும் முக்கிய மேக்ரோ பொறிமுறை: CT. இது இல்லாமல், AI/ML இயங்குதளம் இருக்காது (இருப்பினும் "நிகழ்நேரம்" CD/CI மூலம் செயல்படுத்தப்படும்). CT இன் சாராம்சம், இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு ஆகியவற்றின் "கலைப்பொருட்கள்" நேரடியாக கணித மாடலிங் சூழல்களின் வேலை அமர்வுகளில் இயங்குகிறது: மாதிரிகள், விநியோக அட்டவணைகள், மேட்ரிக்ஸ் திசையன்கள், நரம்பியல் நெட்வொர்க்குகளின் அடுக்குகள் போன்றவை. இந்த "வேலை", பெரும்பாலான சந்தர்ப்பங்களில், சூழல்களில் குறிப்பிடப்பட்ட கலைப்பொருட்களை உருவாக்குவதைக் கொண்டுள்ளது (மாடல்களின் விஷயத்தில், எடுத்துக்காட்டாக, "உருவாக்கம்" என்பது மாதிரியின் விவரக்குறிப்பை அமைப்பதையும் அதன் அளவுருக்களின் மதிப்புகளைத் தேர்ந்தெடுப்பதையும் கொண்டுள்ளது - மாதிரியின் "பயிற்சி" என்று அழைக்கப்படுபவை), அவற்றின் பயன்பாடு (மாடல்களுக்கு: இலக்கு மாறிகளின் "மாடல்" மதிப்புகளின் உதவியுடன் கணக்கீடு - முன்னறிவிப்புகள், வகை உறுப்பினர், நிகழ்வின் நிகழ்தகவு போன்றவை) மற்றும் ஏற்கனவே முன்னேற்றம் உருவாக்கப்பட்ட மற்றும் பயன்படுத்தப்படும் கலைப்பொருட்கள் (எடுத்துக்காட்டாக, பயன்பாட்டின் முடிவுகளின் அடிப்படையில் மாதிரி உள்ளீட்டு மாறிகளின் தொகுப்பை மறுவரையறை செய்தல் - முன்கணிப்பு துல்லியத்தை மேம்படுத்த, ஒரு விருப்பமாக). CT இன் பங்கைப் புரிந்துகொள்வதில் முக்கிய அம்சம் CD மற்றும் CI ஆகியவற்றின் உண்மைகளிலிருந்து அதன் "சுருக்கம்" ஆகும்: CT ஆனது அனைத்து கலைப்பொருட்களையும் செயல்படுத்தும், குறிப்பிட்ட சூழல்களால் வழங்கப்படும் திறன்களுக்குள் AI/ML தீர்வின் கணக்கீட்டு மற்றும் கணித விவரக்குறிப்புகளில் கவனம் செலுத்துகிறது. "உள்ளீடுகளை வழங்குதல்" மற்றும் "வெளியீடுகளை வழங்குதல்" ஆகியவற்றின் பொறுப்பு CD மற்றும் CI இன் பொறுப்பாகும்.

குறிப்பாக இண்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ்ஸில் சிடியை செயல்படுத்துவதில் ஒரு முக்கிய அம்சம்: ஏற்கனவே மேலே குறிப்பிட்டுள்ள கணித மாடலிங் சூழல்களுடனான ஒருங்கிணைப்பைப் பயன்படுத்தி, கணிதச் சூழல்களில் அதன் கட்டுப்பாட்டின் கீழ் இயங்கும் பணி அமர்வுகளில் இருந்து அந்த கலைப் பொருட்களைப் பிரித்தெடுக்கும் திறன் இயங்குதளமானது (மிக முக்கியமாக) உள்ளது. அவற்றை இயங்குதள தரவுப் பொருட்களாக மாற்றுகிறது. எடுத்துக்காட்டாக, வேலை செய்யும் பைதான் அமர்வில் உருவாக்கப்பட்ட ஒரு விநியோக அட்டவணையை (பைதான் அமர்வை நிறுத்தாமல்) பிளாட்ஃபார்மிற்கு மாற்றலாம், எடுத்துக்காட்டாக, உலகளாவிய (பல்பரிமாண InterSystems IRIS தரவு வரிசை) - மற்றும் பயன்படுத்தப்படும் மற்றொரு AI/ML- பொறிமுறையில் கணக்கீடுகளுக்கு (மற்றொரு சூழலின் மொழியில் செயல்படுத்தப்படுகிறது - எடுத்துக்காட்டாக, R இல்) - அல்லது ஒரு மெய்நிகர் அட்டவணை. மற்றொரு எடுத்துக்காட்டு: மாதிரியின் செயல்பாட்டின் "சாதாரண பயன்முறைக்கு" இணையாக (பைதான் வேலை அமர்வில்), "தானியங்கி-எம்எல்" அதன் உள்ளீட்டுத் தரவில் மேற்கொள்ளப்படுகிறது: உகந்த உள்ளீட்டு மாறிகள் மற்றும் அளவுரு மதிப்புகளின் தானியங்கி தேர்வு. "வழக்கமான" பயிற்சியுடன், நிகழ்நேரத்தில் ஒரு உற்பத்தி மாதிரி அதன் விவரக்குறிப்பின் "உகப்பாக்கத்திற்கான முன்மொழிவை" பெறுகிறது - இதில் உள்ளீட்டு மாறிகளின் தொகுப்பு மாறுகிறது, அளவுரு மதிப்புகள் மாறுகின்றன (இனி பயிற்சியின் விளைவாக இல்லை. பைத்தானில், ஆனால் H2O ஸ்டேக் போன்ற ஒரு “மாற்று”” பதிப்பைக் கொண்ட பயிற்சியின் விளைவாக, ஒட்டுமொத்த AI/ML தீர்வை தன்னியக்கமாக உள்ளீட்டுத் தரவு மற்றும் நிகழ்வுகளின் இயல்புகளில் எதிர்பாராத மாற்றங்களைச் சமாளிக்க அனுமதிக்கிறது. .

நிஜ வாழ்க்கை முன்மாதிரியின் உதாரணத்தைப் பயன்படுத்தி, InterSystems IRIS இன் இயங்குதள AI/ML செயல்பாட்டைப் பற்றி மேலும் விரிவாக அறிந்து கொள்வோம்.

கீழேயுள்ள வரைபடத்தில், ஸ்லைடின் இடது பக்கத்தில் பைதான் மற்றும் ஆர் ஆகியவற்றில் ஸ்கிரிப்ட்களை செயல்படுத்தும் வணிகச் செயல்முறையின் ஒரு பகுதி உள்ளது. மையப் பகுதியில் முறையே இந்த ஸ்கிரிப்ட்களில் சிலவற்றை செயல்படுத்துவதற்கான காட்சிப் பதிவுகள் உள்ளன, Python மற்றும் R. அவர்களுக்குப் பின்னால் உடனடியாக ஒன்று மற்றும் மற்றொரு மொழியில் உள்ள உள்ளடக்கத்தின் எடுத்துக்காட்டுகள், பொருத்தமான சூழல்களுக்கு செயல்படுத்துவதற்காக மாற்றப்படுகின்றன. வலதுபுறத்தில் ஸ்கிரிப்ட் செயல்படுத்தலின் முடிவுகளின் அடிப்படையில் காட்சிப்படுத்தல்கள் உள்ளன. மேலே உள்ள காட்சிப்படுத்தல்கள் ஐஆர்ஐஎஸ் அனலிட்டிக்ஸ் (பைத்தானில் இருந்து இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் டேட்டா பிளாட்ஃபார்மில் டேட்டா எடுக்கப்பட்டது மற்றும் பிளாட்ஃபார்மைப் பயன்படுத்தி டேஷ்போர்டில் காட்டப்பட்டது), கீழே நேரடியாக ஆர் வேலை அமர்வில் செய்யப்பட்டு அங்கிருந்து கிராஃபிக் கோப்புகளுக்கு வெளியீடு செய்யப்பட்டது. . ஒரு முக்கிய அம்சம்: முன்மாதிரியில் வழங்கப்பட்ட துண்டு, மாதிரியின் பயன்பாட்டின் போது கவனிக்கப்பட்ட வகைப்பாடு தர கண்காணிப்பு செயல்முறையின் கட்டளையின் பேரில், உபகரணங்கள் சிமுலேட்டர் செயல்முறையிலிருந்து நிகழ்நேரத்தில் பெறப்பட்ட தரவின் மாதிரியை (உபகரண நிலைகளின் வகைப்பாடு) பயிற்றுவிப்பதற்கு பொறுப்பாகும். ஊடாடும் செயல்முறைகளின் ("முகவர்கள்") வடிவில் AI/ML தீர்வை செயல்படுத்துவது மேலும் விவாதிக்கப்படும்.

படம் 12 இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ்ஸில் பைதான், ஆர் மற்றும் ஜூலியா உடனான தொடர்பு

பிளாட்ஃபார்ம் செயல்முறைகள் (அவை "வணிக செயல்முறைகள்", "பகுப்பாய்வு செயல்முறைகள்", "பைப்லைன்கள்" போன்றவை - சூழலைப் பொறுத்து), முதலில், மேடையில் உள்ள வரைகலை வணிக செயல்முறை எடிட்டரில் திருத்தப்படுகின்றன, மேலும் அத்தகைய ஒரு அதன் தொகுதி வரைபடம் மற்றும் தொடர்புடைய AI/ML பொறிமுறை (நிரல் குறியீடு) இரண்டும் ஒரே நேரத்தில் உருவாக்கப்படும். "AI/ML மெக்கானிசம் பெறப்பட்டது" என்று கூறும்போது, ​​முதலில் கலப்பினத்தை (ஒரு செயல்முறைக்குள்) குறிக்கிறோம்: கணித மாடலிங் சூழல்களின் மொழிகளில் உள்ள உள்ளடக்கம் SQL இல் உள்ள உள்ளடக்கத்திற்கு அருகில் உள்ளது (இதிலிருந்து நீட்டிப்புகள் உட்பட ஒருங்கிணைந்த எம்.எல்), இன்டர் சிஸ்டம்ஸ் ஆப்ஜெக்ட் ஸ்கிரிப்டில், பிற ஆதரிக்கப்படும் மொழிகளுடன். மேலும், பிளாட்ஃபார்ம் செயல்முறையானது படிநிலையாக உள்ளமைக்கப்பட்ட துண்டுகளின் வடிவத்தில் "ரெண்டரிங்" செய்வதற்கான மிகவும் பரந்த வாய்ப்புகளை வழங்குகிறது (கீழே உள்ள வரைபடத்தில் உள்ள எடுத்துக்காட்டில் காணலாம்), இது மிகவும் சிக்கலான உள்ளடக்கத்தை கூட "விழுந்துவிடாமல்" திறம்பட ஒழுங்கமைக்க உங்களை அனுமதிக்கிறது. வரைகலை வடிவத்தின் ("வரைகலை அல்லாத" வடிவங்களில்) » முறைகள்/வகுப்புகள்/செயல்முறைகள் போன்றவை). அதாவது, தேவைப்பட்டால் (பெரும்பாலான திட்டங்களில் இது முன்னறிவிக்கப்பட்டிருக்கிறது), முற்றிலும் AI/ML தீர்வை வரைகலை சுய ஆவணப்படுத்தல் வடிவத்தில் செயல்படுத்தலாம். கீழே உள்ள வரைபடத்தின் மையப் பகுதியில், "கூடு கட்டும் நிலை" அதிகமாக உள்ளது என்பதை நினைவில் கொள்ளவும், இது மாதிரியைப் பயிற்றுவிப்பதற்கான உண்மையான பணிக்கு கூடுதலாக (பைதான் மற்றும் ஆர் ஐப் பயன்படுத்தி), பகுப்பாய்வு என்று அழைக்கப்படுவது தெளிவாகிறது. பயிற்சியளிக்கப்பட்ட மாதிரியின் ROC வளைவு சேர்க்கப்பட்டுள்ளது, இது பார்வைக்கு (மற்றும் கணக்கீடு ரீதியாகவும்) பயிற்சியின் தரத்தை மதிப்பிட அனுமதிக்கிறது - மேலும் இந்த பகுப்பாய்வு ஜூலியா மொழியில் செயல்படுத்தப்படுகிறது (அதன்படி, ஜூலியா கணித சூழலில் செயல்படுத்தப்படுகிறது).

படம் 13 InterSystems IRIS இல் AI/ML தீர்வுகளின் கலவைக்கான காட்சி சூழல்

முன்பே குறிப்பிட்டபடி, பிளாட்ஃபார்மில் ஏற்கனவே செயல்படுத்தப்பட்ட AI/ML பொறிமுறைகளின் ஆரம்ப மேம்பாடு மற்றும் (சில சந்தர்ப்பங்களில்) தழுவல் ஜூபிடர் எடிட்டரில் இயங்குதளத்திற்கு வெளியே செய்யப்படும்/செய்யப்படும். கீழேயுள்ள வரைபடத்தில், ஏற்கனவே உள்ள இயங்குதள செயல்முறையை மாற்றியமைப்பதற்கான ஒரு உதாரணத்தைக் காண்கிறோம் (மேலே உள்ள வரைபடத்தில் உள்ளதைப் போன்றது) - ஜூபிட்டரில் மாதிரியைப் பயிற்றுவிப்பதற்குப் பொறுப்பான துண்டு இப்படித்தான் இருக்கும். ஜூபிட்டரில் நேரடியாக எடிட்டிங், பிழைத்திருத்தம் மற்றும் கிராபிக்ஸ் வெளியீடு ஆகியவற்றிற்கு பைதான் உள்ளடக்கம் கிடைக்கிறது. மாற்றங்களை (தேவைப்பட்டால்) அதன் உற்பத்தி பதிப்பு உட்பட, இயங்குதள செயல்முறையில் உடனடி ஒத்திசைவுடன் செய்யலாம். புதிய உள்ளடக்கத்தை இதே முறையில் இயங்குதளத்திற்கு மாற்றலாம் (புதிய இயங்குதள செயல்முறை தானாகவே உருவாக்கப்படும்).

படம் 14 InterSystems IRIS பிளாட்ஃபார்மில் AI/ML இன்ஜினைத் திருத்துவதற்கு Jupyter நோட்புக்கைப் பயன்படுத்துதல்

ஒரு பிளாட்ஃபார்ம் செயல்முறையின் தழுவல் ஒரு வரைகலை அல்லது மடிக்கணினி வடிவத்தில் மட்டுமல்ல - "மொத்த" IDE (ஒருங்கிணைந்த வளர்ச்சி சூழல்) வடிவத்திலும் செய்யப்படலாம். இந்த IDEகள் IRIS ஸ்டுடியோ (நேட்டிவ் IRIS ஸ்டுடியோ), விஷுவல் ஸ்டுடியோ குறியீடு (VSCodeக்கான இன்டர்சிஸ்டம்ஸ் IRIS நீட்டிப்பு) மற்றும் Eclipse (Atelier plugin) ஆகும். சில சந்தர்ப்பங்களில், ஒரு மேம்பாட்டுக் குழு ஒரே நேரத்தில் மூன்று IDE களையும் பயன்படுத்த முடியும். IRIS ஸ்டுடியோவில், விஷுவல் ஸ்டுடியோ குறியீடு மற்றும் கிரகணத்தில் அதே செயல்முறையைத் திருத்துவதற்கான உதாரணத்தை கீழே உள்ள வரைபடம் காட்டுகிறது. எல்லா உள்ளடக்கமும் எடிட்டிங் செய்யக் கிடைக்கிறது: பைதான்/ஆர்/ஜூலியா/எஸ்கியூஎல், ஆப்ஜெக்ட் ஸ்கிரிப்ட் மற்றும் வணிகச் செயல்முறை.

படம் 15 பல்வேறு ஐடிஇகளில் இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் வணிக செயல்முறையின் மேம்பாடு

வணிக செயல்முறை மொழியில் (BPL) InterSystems IRIS வணிக செயல்முறைகளை விவரிப்பதற்கும் செயல்படுத்துவதற்குமான கருவிகள் சிறப்புக் குறிப்பிடத் தக்கவை. பிபிஎல் வணிக செயல்முறைகளில் "ஆயத்த ஒருங்கிணைப்பு கூறுகளை" (செயல்பாடுகள்) பயன்படுத்துவதை சாத்தியமாக்குகிறது - உண்மையில், "தொடர்ச்சியான ஒருங்கிணைப்பு" இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ்ஸில் செயல்படுத்தப்படுகிறது என்று கூறுவதற்கு ஒவ்வொரு காரணத்தையும் அளிக்கிறது. ஆயத்த வணிக செயல்முறை கூறுகள் (அவற்றுக்கு இடையேயான செயல்பாடுகள் மற்றும் இணைப்புகள்) AI/ML தீர்வைச் சேர்ப்பதற்கான சக்திவாய்ந்த முடுக்கி ஆகும். அசெம்பிளிகள் மட்டுமல்ல: வேறுபட்ட AI/ML மேம்பாடுகள் மற்றும் பொறிமுறைகள் மூலம் அவற்றுக்கிடையேயான செயல்பாடுகள் மற்றும் இணைப்புகளுக்கு நன்றி, ஒரு "தன்னாட்சி மேலாண்மை அடுக்கு" எழுகிறது, இது சூழ்நிலைக்கு ஏற்ப முடிவுகளை எடுக்கும் திறன் கொண்டது, உண்மையான நேரத்தில்.

படம் 16 இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் தளத்தில் தொடர்ச்சியான ஒருங்கிணைப்புக்கான (சிஐ) ஆயத்த வணிக செயல்முறை கூறுகள்

ஏஜென்ட் சிஸ்டம்ஸ் ("மல்டி-ஏஜென்ட் சிஸ்டம்ஸ்" என்றும் அழைக்கப்படுகிறது) என்ற கருத்து ரோபோமயமாக்கலில் வலுவான நிலையைக் கொண்டுள்ளது, மேலும் இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் இயங்குதளமானது "தயாரிப்பு-செயல்முறை" கட்டமைப்பின் மூலம் அதை இயல்பாக ஆதரிக்கிறது. ஒட்டுமொத்த தீர்வுக்குத் தேவையான செயல்பாடுகளுடன் ஒவ்வொரு செயல்முறையையும் "திணிப்பு" செய்வதற்கான வரம்பற்ற சாத்தியக்கூறுகளுக்கு கூடுதலாக, "ஏஜென்சி" என்ற சொத்துடன் இயங்குதள செயல்முறைகளின் அமைப்பை வழங்குவது, மிகவும் நிலையற்ற உருவகப்படுத்தப்பட்ட நிகழ்வுகளுக்கு (சமூக/நடத்தை) பயனுள்ள தீர்வுகளை உருவாக்க உங்களை அனுமதிக்கிறது. உயிரியல் அமைப்புகள், ஓரளவு கவனிக்கக்கூடிய தொழில்நுட்ப செயல்முறைகள் போன்றவை).

படம் 16 இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ்ஸில் முகவர் அடிப்படையிலான வணிக செயல்முறை அமைப்பாக ஏஐ/எம்எல் தீர்வின் செயல்பாடு

இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் பற்றிய எங்கள் மதிப்பாய்வை நாங்கள் தொடர்கிறோம் எங்கள் முந்தைய வலைப்பக்கங்கள்).

முந்தைய வரைபடத்தில் சூடாக, முகவர் அமைப்பின் விரிவான வரைபடம் கீழே உள்ளது. வரைபடம் ஒரே மாதிரியைக் காட்டுகிறது, நான்கு முகவர் செயல்முறைகளும் தெரியும், அவற்றுக்கிடையேயான உறவுகள் திட்டவட்டமாக வரையப்பட்டுள்ளன: ஜெனரேட்டர் - சாதன உணரிகள் மூலம் தரவை உருவாக்குவதைச் செயலாக்குகிறது, பஃபர் - தரவு வரிசைகளை நிர்வகிக்கிறது, அனலைசர் - இயந்திர கற்றலைச் செய்கிறது, கண்காணிக்கிறது - கண்காணிக்கிறது இயந்திர கற்றலின் தரம் மற்றும் மாதிரியை மீண்டும் பயிற்சி செய்ய வேண்டியதன் அவசியத்தைப் பற்றிய சமிக்ஞையை சமர்ப்பிக்கிறது.

படம் 17 இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ்ஸில் முகவர் அடிப்படையிலான வணிக செயல்முறை அமைப்பின் வடிவத்தில் AI/ML தீர்வின் கலவை

கீழேயுள்ள வரைபடம் சில காலத்திற்கு மற்றொரு ரோபோ முன்மாதிரியின் தன்னாட்சி செயல்பாட்டை விளக்குகிறது. மேல் பகுதியில் மாதிரி பயிற்சியின் தரக் குறிகாட்டியின் பரிணாமம் (தரம் வளர்ந்து வருகிறது), கீழ் பகுதியில் மாதிரி பயன்பாட்டின் தரக் குறிகாட்டியின் இயக்கவியல் மற்றும் மீண்டும் மீண்டும் பயிற்சியின் உண்மைகள் (சிவப்பு கோடுகள்). நீங்கள் பார்க்க முடியும் என, தீர்வு தன்னை திறமையாகவும் தன்னாட்சியாகவும் கற்றுக்கொண்டது மற்றும் கொடுக்கப்பட்ட தர மட்டத்தில் செயல்படுகிறது (தர மதிப்பெண் மதிப்புகள் 80% க்கு கீழே குறையாது).

படம் 18 இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் தளத்தில் தொடர்ச்சியான (சுய) பயிற்சி (சிடி)

"ஆட்டோ-எம்எல்" என்பதை நாங்கள் முன்பே குறிப்பிட்டோம், ஆனால் கீழே உள்ள வரைபடம் மற்றொரு முன்மாதிரியின் உதாரணத்தைப் பயன்படுத்தி இந்த செயல்பாட்டின் பயன்பாட்டை விரிவாகக் காட்டுகிறது. வணிக செயல்முறையின் ஒரு துண்டின் வரைகலை வரைபடம், H2O அடுக்கில் மாடலிங்கைத் தூண்டும் செயல்பாட்டைக் காட்டுகிறது, இந்த மாடலிங்கின் முடிவுகளைக் காட்டுகிறது ("மனிதனால் உருவாக்கப்பட்ட" மாதிரிகள் மீது விளைந்த மாதிரியின் தெளிவான ஆதிக்கம், ஒப்பீட்டு வரைபடத்தின்படி ROC வளைவுகள், அத்துடன் அசல் தரவுத் தொகுப்பில் கிடைக்கும் "மிகவும் செல்வாக்குமிக்க மாறிகளின்" தானியங்கு அடையாளம்). "ஆட்டோ-எம்எல்" மூலம் அடையப்படும் நேரம் மற்றும் நிபுணத்துவ வளங்களைச் சேமிப்பது இங்கு ஒரு முக்கியமான விஷயம்: அரை நிமிடத்தில் எங்கள் இயங்குதளச் செயல்முறை என்ன செய்கிறது (உகந்த மாதிரியைக் கண்டுபிடித்து பயிற்சியளிக்கிறது) ஒரு நிபுணருக்கு ஒரு வாரம் முதல் ஒரு மாதம் வரை ஆகலாம்.

படம் 19 இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் இயங்குதளத்தில் AI/ML தீர்வுடன் “ஆட்டோ-எம்எல்” இன் ஒருங்கிணைப்பு

கீழே உள்ள வரைபடம் புள்ளியை சிறிது தவறவிட்டது, ஆனால் நிகழ்நேர சிக்கல்களின் வகுப்புகள் தீர்க்கப்படுவதைப் பற்றிய கதையை முடிக்க இது ஒரு சிறந்த வழியாகும்: InterSystems IRIS இயங்குதளத்தின் அனைத்து திறன்களுடனும், அதன் கட்டுப்பாட்டின் கீழ் உள்ள பயிற்சி மாதிரிகள் என்பதை நாங்கள் உங்களுக்கு நினைவூட்டுகிறோம். கட்டாயம் இல்லை. இயங்குதளத்தின் கட்டுப்பாட்டில் இல்லாத ஒரு கருவியில் பயிற்சியளிக்கப்பட்ட மாதிரியின் PMML விவரக்குறிப்பு என்று அழைக்கப்படுவதை பிளாட்பார்ம் வெளியில் இருந்து பெறலாம் - மேலும் இந்த மாதிரியை இறக்குமதி செய்யப்பட்ட தருணத்திலிருந்து உண்மையான நேரத்தில் பயன்படுத்தவும். PMML விவரக்குறிப்புகள். பெரும்பாலான பொதுவான கலைப்பொருட்கள் இதை அனுமதித்தாலும் கூட, அனைத்து AI/ML கலைப்பொருட்களையும் PMML விவரக்குறிப்பிற்கு குறைக்க முடியாது என்பதை கணக்கில் எடுத்துக்கொள்வது முக்கியம். எனவே, InterSystems IRIS இயங்குதளம் "ஓபன் லூப்" மற்றும் பயனர்களுக்கு "பிளாட்ஃபார்ம் அடிமைத்தனம்" என்று பொருள்படாது.

படம் 20 இன்டர்சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் இயங்குதளத்தில் AI/ML தீர்வுடன் “ஆட்டோ-எம்எல்” இன் ஒருங்கிணைப்பு

செயற்கை நுண்ணறிவு மற்றும் நிகழ்நேர இயந்திரக் கற்றலின் ஆட்டோமேஷனில் அதிக முக்கியத்துவம் வாய்ந்த InterSystems IRIS (தெளிவுக்காக, செயல்முறைக் கட்டுப்பாடு தொடர்பாக) கூடுதல் இயங்குதள நன்மைகளை பட்டியலிடுவோம்:

• எந்தவொரு தரவு மூலங்கள் மற்றும் நுகர்வோருடன் (செயல்முறைக் கட்டுப்பாட்டு அமைப்பு/SCADA, உபகரணங்கள், MRO, ERP, முதலியன) ஒருங்கிணைந்த கருவிகளை உருவாக்கியது.
• உள்ளமைக்கப்பட்ட பல மாதிரி DBMS உயர்-செயல்திறன் பரிவர்த்தனை மற்றும் பகுப்பாய்வு செயலாக்கத்திற்கு (கலப்பின பரிவர்த்தனை/பகுப்பாய்வு செயலாக்கம், HTAP) எந்த அளவிலான தொழில்நுட்ப செயல்முறை தரவும்
• பைதான், ஆர், ஜூலியாவை அடிப்படையாகக் கொண்ட நிகழ்நேர தீர்வுகளுக்கான AI/ML இன்ஜின்களை தொடர்ந்து பயன்படுத்துவதற்கான மேம்பாட்டு கருவிகள்
• நிகழ்நேர AI/ML தீர்வு இயந்திரங்களின் தொடர்ச்சியான ஒருங்கிணைப்பு மற்றும் (சுய) கற்றலுக்கான தகவமைப்பு வணிக செயல்முறைகள்
• செயல்முறை தரவு மற்றும் AI/ML தீர்வின் முடிவுகளை காட்சிப்படுத்துவதற்கான உள்ளமைக்கப்பட்ட வணிக நுண்ணறிவு கருவிகள்
• API மேலாண்மை செயல்முறை கட்டுப்பாட்டு அமைப்புகள்/SCADA, தகவல் மற்றும் பகுப்பாய்வு அமைப்புகள், விழிப்பூட்டல்களை அனுப்புதல் போன்றவற்றுக்கு AI/ML தீர்வு முடிவுகளை வழங்குவதற்காக.

InterSystems IRIS இயங்குதளத்தில் உள்ள AI/ML தீர்வுகள், தற்போதுள்ள IT உள்கட்டமைப்பிற்கு எளிதில் பொருந்துகின்றன. InterSystems IRIS இயங்குதளமானது AI/ML தீர்வுகளின் உயர் நம்பகத்தன்மையை உறுதிசெய்கிறது, தவறு-சகிப்புத்தன்மை மற்றும் பேரழிவு-சகிப்புத்தன்மை உள்ளமைவுகள் மற்றும் மெய்நிகர் சூழல்கள், இயற்பியல் சேவையகங்கள், தனியார் மற்றும் பொது மேகங்கள் மற்றும் டோக்கர் கொள்கலன்களில் நெகிழ்வான வரிசைப்படுத்தலை ஆதரிப்பதன் மூலம்.

எனவே, InterSystems IRIS என்பது ஒரு உலகளாவிய நிகழ்நேர AI/ML கம்ப்யூட்டிங் தளமாகும். நடைமுறைப்படுத்தப்பட்ட கணக்கீடுகளின் சிக்கலான தன்மையில் நடைமுறைக் கட்டுப்பாடுகள் இல்லாதது, பல்வேறு வகையான தொழில்களில் இருந்து காட்சிகளை (நிகழ்நேரத்தில்) செயலாக்குவதற்கு InterSystems IRIS இன் திறன் மற்றும் விதிவிலக்கான தழுவல் ஆகியவற்றால் எங்கள் தளத்தின் உலகளாவிய தன்மை நடைமுறையில் உறுதிப்படுத்தப்பட்டுள்ளது. பயனர்களின் குறிப்பிட்ட தேவைகளுக்கு எந்த இயங்குதள செயல்பாடுகள் மற்றும் வழிமுறைகள்.

படம் 21 இன்டர் சிஸ்டம்ஸ் ஐஆர்ஐஎஸ் - ஒரு உலகளாவிய நிகழ்நேர AI/ML கம்ப்யூட்டிங் தளம்

இங்கே வழங்கப்பட்ட உள்ளடக்கத்தில் ஆர்வமுள்ள எங்கள் வாசகர்களுடன் மிகவும் கணிசமான தொடர்புக்கு, அதைப் படிப்பதில் உங்களை மட்டுப்படுத்தாமல் "நேரடி" உரையாடலைத் தொடர பரிந்துரைக்கிறோம். உங்கள் நிறுவனத்தின் பிரத்தியேகங்கள் தொடர்பாக நிகழ்நேர AI/ML காட்சிகளை உருவாக்குதல், InterSystems IRIS தளத்தில் கூட்டு முன்மாதிரி செய்தல், செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் ஆகியவற்றை அறிமுகப்படுத்துவதற்கான சாலை வரைபடத்தை உருவாக்கி நடைமுறைப்படுத்துவதில் நாங்கள் மகிழ்ச்சியடைவோம். உங்கள் உற்பத்தி மற்றும் மேலாண்மை செயல்முறைகளில். எங்கள் AI/ML நிபுணர் குழு தொடர்பு மின்னஞ்சல் – [மின்னஞ்சல் பாதுகாக்கப்பட்டது].

ஆதாரம்: www.habr.com