ఇంటర్‌సిస్టమ్స్ IRIS - యూనివర్సల్ రియల్ టైమ్ AI/ML ప్లాట్‌ఫారమ్

రచయిత: Sergey Lukyanchikov, InterSystems వద్ద కన్సల్టింగ్ ఇంజనీర్

రియల్ టైమ్ AI/ML కంప్యూటింగ్ కాల్‌లు

ఇంటర్‌సిస్టమ్స్‌లో డేటా సైన్స్ ప్రాక్టీస్ అనుభవం నుండి ఉదాహరణలతో ప్రారంభిద్దాం:

• లోడ్ చేయబడిన కొనుగోలుదారు పోర్టల్ ఆన్‌లైన్ సిఫార్సు సిస్టమ్‌కు కనెక్ట్ చేయబడింది. రిటైల్ నెట్‌వర్క్ అంతటా ప్రమోషన్‌ల పునర్నిర్మాణం ఉంటుంది (ఉదాహరణకు, ప్రమోషన్‌ల యొక్క “ఫ్లాట్” లైన్‌కు బదులుగా, ఇప్పుడు “సెగ్మెంట్-టాక్టిక్స్” మ్యాట్రిక్స్ ఉపయోగించబడుతుంది). సిఫార్సు ఇంజిన్లకు ఏమి జరుగుతుంది? సిఫార్సు ఇంజిన్‌కు డేటాను సమర్పించడం మరియు నవీకరించడం (ఇన్‌పుట్ డేటా పరిమాణం 25000 రెట్లు పెరిగింది) ఏమి జరుగుతుంది? సిఫార్సుల అభివృద్ధికి ఏమి జరుగుతుంది (సిఫార్సు నియమాల వడపోత థ్రెషోల్డ్‌ని వాటి సంఖ్య మరియు "పరిధి"లో వెయ్యి రెట్లు పెరుగుదల కారణంగా వెయ్యి రెట్లు తగ్గించాల్సిన అవసరం)?
• పరికరాల భాగాలలో అభివృద్ధి చెందుతున్న లోపాల సంభావ్యతను పర్యవేక్షించడానికి ఒక వ్యవస్థ ఉంది. స్వయంచాలక ప్రక్రియ నియంత్రణ వ్యవస్థ పర్యవేక్షణ వ్యవస్థకు అనుసంధానించబడింది, ప్రతి సెకనుకు వేలాది సాంకేతిక ప్రక్రియ పారామితులను ప్రసారం చేస్తుంది. మునుపు "మాన్యువల్ శాంపిల్స్" (ఇది సెకండ్-బై-సెకండ్ ప్రాబబిలిటీ మానిటరింగ్‌ని అందించగల సామర్థ్యం కలిగి ఉందా)పై పనిచేసిన మానిటరింగ్ సిస్టమ్‌కు ఏమి జరుగుతుంది? ప్రాసెస్ కంట్రోల్ సిస్టమ్‌కి ఇటీవల జోడించిన సెన్సార్‌ల రీడింగ్‌లతో ఇన్‌పుట్ డేటాలో అనేక వందల నిలువు వరుసల కొత్త బ్లాక్ కనిపించినట్లయితే ఏమి జరుగుతుంది (విశ్లేషణలో కొత్త సెన్సార్‌ల నుండి డేటాను చేర్చడానికి పర్యవేక్షణ వ్యవస్థను ఎంతకాలం ఆపాలి? )?
• ఒకరి పని ఫలితాలను ఉపయోగించే AI/ML మెకానిజమ్‌ల (సిఫార్సు, పర్యవేక్షణ, అంచనా) సమితి సృష్టించబడింది. ఇన్‌పుట్ డేటాలో మార్పులకు ఈ కాంప్లెక్స్ యొక్క ఆపరేషన్‌ను స్వీకరించడానికి ప్రతి నెలా ఎన్ని పని గంటలు అవసరం? మేనేజ్‌మెంట్ డెసిషన్ మేకింగ్ కాంప్లెక్స్ (కొత్త ఇన్‌పుట్ డేటా సంభవించే ఫ్రీక్వెన్సీకి సంబంధించి దానిలో కొత్త సపోర్టింగ్ సమాచారం యొక్క ఫ్రీక్వెన్సీ) మద్దతు ఇచ్చినప్పుడు సాధారణ "స్లోడౌన్" అంటే ఏమిటి?

వీటిని మరియు అనేక ఇతర ఉదాహరణలను సంగ్రహించి, నిజ సమయంలో మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మెకానిజమ్‌ల వినియోగానికి వెళ్లేటప్పుడు తలెత్తే సవాళ్లను రూపొందించడానికి మేము వచ్చాము:

• మా కంపెనీలో AI/ML డెవలప్‌మెంట్‌ల సృష్టి మరియు అనుసరణ (మారుతున్న పరిస్థితికి) వేగంతో మేము సంతృప్తి చెందామా?
• మేము ఉపయోగించే AI/ML సొల్యూషన్‌లు నిజ-సమయ వ్యాపార నిర్వహణకు ఎంత మద్దతు ఇస్తాయి?
• మేము ఉపయోగించే AI/ML సొల్యూషన్‌లు స్వతంత్రంగా (డెవలపర్‌లు లేకుండా) డేటా మరియు వ్యాపార నిర్వహణ పద్ధతుల్లో మార్పులకు అనుగుణంగా మారగలవా?

మా కథనం AI/ML మెకానిజమ్‌ల విస్తరణ, AI/ML సొల్యూషన్‌ల అసెంబ్లీ (ఇంటిగ్రేషన్) మరియు ఇంటెన్సివ్‌పై AI/ML సొల్యూషన్‌ల శిక్షణ (పరీక్ష) కోసం సార్వత్రిక మద్దతు పరంగా ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్ యొక్క సామర్థ్యాల సమగ్ర అవలోకనం. డేటా స్ట్రీమ్‌లు. మేము ఈ కథనంలో మార్కెట్ పరిశోధన, AI/ML సొల్యూషన్‌ల కేస్ స్టడీస్ మరియు నిజ-సమయ AI/ML ప్లాట్‌ఫారమ్‌గా పిలిచే సంభావిత అంశాలను పరిశీలిస్తాము.

సర్వేల నుండి మనకు తెలిసినవి: నిజ-సమయ అప్లికేషన్లు

Результаты సర్వేలైట్‌బెండ్ ద్వారా 800లో దాదాపు 2019 మంది IT నిపుణుల మధ్య నిర్వహించబడింది, వారి కోసం మాట్లాడండి:

మూర్తి 1 నిజ-సమయ డేటా యొక్క ప్రముఖ వినియోగదారులు

ఈ సర్వే ఫలితాలపై నివేదికలోని ముఖ్యమైన శకలాలను మా అనువాదంలో కోట్ చేద్దాం:

“... డేటా స్ట్రీమ్‌లను ఏకీకృతం చేయడానికి సాధనాల ప్రజాదరణలో ట్రెండ్‌లు మరియు, అదే సమయంలో, కంటైనర్‌లలో కంప్యూటింగ్‌కు మద్దతు ఇవ్వడం, సమర్థవంతమైన పరిష్కారాల కోసం మరింత ప్రతిస్పందించే, హేతుబద్ధమైన, డైనమిక్ ప్రతిపాదన కోసం మార్కెట్ యొక్క అభ్యర్థనకు సినర్జిస్టిక్ ప్రతిస్పందనను అందిస్తాయి. స్ట్రీమింగ్ డేటా సాంప్రదాయ ప్యాకెట్ డేటా కంటే వేగంగా సమాచారాన్ని బదిలీ చేస్తుంది. గణన పద్ధతులను త్వరగా వర్తింపజేయగల సామర్థ్యం దీనికి జోడించబడింది, ఉదాహరణకు, AI/ML-ఆధారిత సిఫార్సులు, పెరిగిన కస్టమర్ సంతృప్తి ద్వారా పోటీ ప్రయోజనాలను సృష్టించడం. చురుకుదనం కోసం రేసు DevOps నమూనాలోని అన్ని పాత్రలను కూడా ప్రభావితం చేస్తుంది - అప్లికేషన్ డెవలప్‌మెంట్ మరియు విస్తరణను మరింత సమర్థవంతంగా చేస్తుంది. … ఎనిమిది వందల నలుగురు IT నిపుణులు తమ సంస్థల్లో డేటా ఫ్లోల వినియోగంపై సమాచారాన్ని అందించారు. ప్రతివాదులు ప్రధానంగా పాశ్చాత్య దేశాలలో ఉన్నారు (ఐరోపాలో 41% మరియు ఉత్తర అమెరికాలో 37%) మరియు చిన్న, మధ్యస్థ మరియు పెద్ద కంపెనీల మధ్య దాదాపు సమానంగా పంపిణీ చేయబడ్డారు. ...

... కృత్రిమ మేధస్సు అనేది హైప్ కాదు. ఉత్పాదకత AI/ML అప్లికేషన్‌లలో ఇప్పటికే డేటా స్ట్రీమ్ ప్రాసెసింగ్‌ని ఉపయోగిస్తున్న వారిలో యాభై-ఎనిమిది శాతం మంది తమ AI/ML వినియోగం వచ్చే ఏడాది (ఇతర అప్లికేషన్‌లతో పోలిస్తే) అత్యధిక వృద్ధిని సాధిస్తుందని ధృవీకరిస్తున్నారు.

• మెజారిటీ ప్రతివాదుల ప్రకారం, AI/ML దృశ్యాలలో డేటా స్ట్రీమ్‌ల వినియోగం తదుపరి సంవత్సరంలో అత్యధిక వృద్ధిని చూస్తుంది.
• AI/MLలోని అప్లికేషన్‌లు సాపేక్షంగా కొత్త రకాల దృశ్యాల కారణంగా మాత్రమే కాకుండా, నిజ-సమయ డేటా ఎక్కువగా ఉపయోగించబడే సాంప్రదాయిక దృశ్యాల కారణంగా కూడా పెరుగుతాయి.
• AI/MLతో పాటు, IoT డేటా పైప్‌లైన్‌ల వినియోగదారులలో ఉత్సాహం స్థాయి ఆకట్టుకుంటుంది - IoT డేటాను ఇప్పటికే ఇంటిగ్రేట్ చేసిన వారిలో 48% మంది ఈ డేటాపై దృష్టాంతంలో అమలు చేయడం సమీప భవిష్యత్తులో గణనీయమైన పెరుగుదలను చూస్తుందని చెప్పారు. ..."

ఈ ఆసక్తికరమైన సర్వే నుండి, డేటా స్ట్రీమ్‌ల వినియోగంలో మెషీన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ దృష్టాంతాలు ఇప్పటికే "మార్గంలో" ఉన్నాయని స్పష్టంగా తెలుస్తుంది. DevOps యొక్క లెన్స్ ద్వారా నిజ-సమయ AI/ML యొక్క అవగాహన కూడా అంతే ముఖ్యమైన పరిశీలన: ఇక్కడ మనం ఇప్పటికే "పూర్తిగా యాక్సెస్ చేయగల డేటా సెట్‌తో పునర్వినియోగపరచలేని AI/ML" యొక్క ఇప్పటికీ ఆధిపత్య సంస్కృతిని మార్చడం గురించి మాట్లాడటం ప్రారంభించవచ్చు.

రియల్ టైమ్ AI/ML ప్లాట్‌ఫారమ్ కాన్సెప్ట్

రియల్-టైమ్ AI/ML కోసం ఒక సాధారణ అప్లికేషన్ ప్రాంతం తయారీలో ప్రక్రియ నియంత్రణ. ఆమె ఉదాహరణను ఉపయోగించి మరియు మునుపటి ఆలోచనలను పరిగణనలోకి తీసుకుని, మేము నిజ-సమయ AI/ML ప్లాట్‌ఫారమ్ యొక్క భావనను రూపొందిస్తాము.
ప్రక్రియ నియంత్రణలో కృత్రిమ మేధస్సు మరియు యంత్ర అభ్యాసం యొక్క ఉపయోగం అనేక లక్షణాలను కలిగి ఉంది:

• సాంకేతిక ప్రక్రియ యొక్క స్థితిపై డేటా తీవ్రంగా స్వీకరించబడింది: అధిక ఫ్రీక్వెన్సీతో మరియు విస్తృత శ్రేణి పారామితుల కోసం (ప్రాసెస్ కంట్రోల్ సిస్టమ్ నుండి సెకనుకు పదివేల పారామీటర్ విలువలు ప్రసారం చేయబడతాయి)
• లోపాలను గుర్తించే డేటా, వాటి అభివృద్ధిపై డేటాను పేర్కొనలేదు, దీనికి విరుద్ధంగా, కొరత మరియు సక్రమంగా ఉంటుంది, లోపాల యొక్క తగినంత టైపిఫికేషన్ మరియు సమయానికి వాటి స్థానికీకరణ (తరచుగా పేపర్ రికార్డుల ద్వారా సూచించబడుతుంది)
• ఆచరణాత్మక దృక్కోణం నుండి, ప్రాసెస్ పారామితుల యొక్క చివరి రీడ్ విలువలతో ముగిసే సహేతుకమైన స్లయిడింగ్ విరామంలో సాంకేతిక ప్రక్రియ యొక్క డైనమిక్‌లను ప్రతిబింబిస్తూ, శిక్షణ మరియు నమూనాలను వర్తింపజేయడానికి సోర్స్ డేటా యొక్క “సంబంధిత విండో” మాత్రమే అందుబాటులో ఉంటుంది.

ఈ లక్షణాలు సాంకేతిక ప్రక్రియ నుండి ఇంటెన్సివ్ “బ్రాడ్‌బ్యాండ్ ఇన్‌పుట్ సిగ్నల్” యొక్క నిజ సమయంలో స్వీకరించడం మరియు ప్రాథమిక ప్రాసెసింగ్‌తో పాటు, AI / ఫలితాల యొక్క అప్లికేషన్, శిక్షణ మరియు నాణ్యత నియంత్రణను (సమాంతరంగా) నిర్వహించడానికి బలవంతం చేస్తాయి. ML నమూనాలు - నిజ సమయంలో కూడా. ఔచిత్యం యొక్క స్లైడింగ్ విండోలో మా నమూనాలు "చూసే" "ఫ్రేమ్" నిరంతరం మారుతూ ఉంటుంది - మరియు దానితో పాటు, గతంలో "ఫ్రేమ్"లలో ఒకదానిపై శిక్షణ పొందిన AI/ML మోడల్స్ యొక్క పని ఫలితాల నాణ్యత కూడా మారుతుంది. . AI/ML మోడల్‌ల పని ఫలితాల నాణ్యత క్షీణిస్తే (ఉదాహరణకు: “అలారం-కట్టుబాటు” వర్గీకరణ లోపం యొక్క విలువ మేము నిర్వచించిన పరిమితులను మించిపోయింది), మోడల్‌ల అదనపు శిక్షణ స్వయంచాలకంగా ప్రారంభించబడాలి మరింత ప్రస్తుత “ఫ్రేమ్” - మరియు మోడల్స్ యొక్క అదనపు శిక్షణను ప్రారంభించడానికి క్షణం ఎంపిక శిక్షణ యొక్క వ్యవధి మరియు నమూనాల యొక్క ప్రస్తుత వెర్షన్ యొక్క పని నాణ్యతలో క్షీణత యొక్క డైనమిక్స్ (నుండి) పరిగణనలోకి తీసుకోవాలి. మోడల్‌లు శిక్షణ పొందుతున్నప్పుడు మరియు వాటి “కొత్తగా శిక్షణ పొందిన” సంస్కరణలు ఏర్పడే వరకు మోడల్‌ల యొక్క ప్రస్తుత సంస్కరణలు ఉపయోగించడం కొనసాగుతుంది).

ఇంటర్‌సిస్టమ్స్ IRIS నిజ-సమయ ప్రక్రియ నియంత్రణ కోసం AI/ML సొల్యూషన్‌లను ప్రారంభించడానికి కీలక ప్లాట్‌ఫారమ్ సామర్థ్యాలను కలిగి ఉంది. ఈ సామర్థ్యాలను మూడు ప్రధాన సమూహాలుగా విభజించవచ్చు:

• ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌లో నిజ సమయంలో పనిచేసే ఉత్పాదక పరిష్కారంలో కొత్త లేదా స్వీకరించబడిన ఇప్పటికే ఉన్న AI/ML మెకానిజమ్‌ల యొక్క నిరంతర విస్తరణ (నిరంతర విస్తరణ/డెలివరీ, CD)
• ఇన్‌కమింగ్ టెక్నాలజీ ప్రాసెస్ డేటా స్ట్రీమ్‌ల యొక్క ఒకే ఉత్పాదక పరిష్కారంగా నిరంతర ఏకీకరణ (CI), AI/ML మెకానిజమ్స్ యొక్క అప్లికేషన్/శిక్షణ/నాణ్యత నియంత్రణ కోసం డేటా క్యూలు మరియు నిజ సమయంలో ఆర్కెస్ట్రేట్ చేయబడిన గణిత మోడలింగ్ పరిసరాలతో డేటా/కోడ్/నియంత్రణ చర్యల మార్పిడి. వేదిక InterSystems IRIS
• AI/ML మెకానిజమ్స్ యొక్క నిరంతర (స్వయం-) శిక్షణ (నిరంతర శిక్షణ, CT), ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్ ద్వారా ప్రసారం చేయబడిన డేటా, కోడ్ మరియు నియంత్రణ చర్యలను (“నిర్ణయాలు తీసుకున్నవి”) ఉపయోగించి గణిత మోడలింగ్ పరిసరాలలో ప్రదర్శించబడతాయి.

మెషీన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌కు సంబంధించి ప్లాట్‌ఫారమ్ సామర్థ్యాల వర్గీకరణ ఖచ్చితంగా ఈ సమూహాలలో ప్రమాదవశాత్తు కాదు. పద్దతిని కోట్ చేద్దాం ప్రచురణ ఈ వర్గీకరణకు సంభావిత ఆధారాన్ని అందించే Google, మా అనువాదంలో:

“... ఈ రోజుల్లో జనాదరణ పొందిన DevOps కాన్సెప్ట్, పెద్ద-స్థాయి సమాచార వ్యవస్థల అభివృద్ధి మరియు ఆపరేషన్‌ను కవర్ చేస్తుంది. ఈ కాన్సెప్ట్‌ను అమలు చేయడం వల్ల కలిగే ప్రయోజనాలు డెవలప్‌మెంట్ సైకిల్స్ వ్యవధిని తగ్గించడం, డెవలప్‌మెంట్‌ల వేగవంతమైన విస్తరణ మరియు విడుదల ప్రణాళికలో వశ్యత. ఈ ప్రయోజనాలను సాధించడానికి, DevOps కనీసం రెండు పద్ధతుల అమలును కలిగి ఉంటుంది:

• నిరంతర ఏకీకరణ (CI)
• నిరంతర డెలివరీ (CD)

ఉత్పాదక AI/ML సొల్యూషన్‌ల నమ్మకమైన మరియు పనితీరును నిర్ధారించడానికి ఈ పద్ధతులు AI/ML ప్లాట్‌ఫారమ్‌లకు కూడా వర్తిస్తాయి.

AI/ML ప్లాట్‌ఫారమ్‌లు క్రింది అంశాలలో ఇతర సమాచార వ్యవస్థల నుండి భిన్నంగా ఉంటాయి:

• బృంద సామర్థ్యాలు: AI/ML సొల్యూషన్‌ను రూపొందించేటప్పుడు, బృందం సాధారణంగా డేటా సైంటిస్టులు లేదా డేటా పరిశోధన రంగంలో డేటా విశ్లేషణ, అభివృద్ధి మరియు పరీక్ష నమూనాలను నిర్వహించే "అకడమిక్" నిపుణులను కలిగి ఉంటుంది. ఈ బృంద సభ్యులు వృత్తిపరమైన ఉత్పాదక కోడ్ డెవలపర్‌లు కాకపోవచ్చు.
• అభివృద్ధి: AI/ML ఇంజిన్‌లు ప్రకృతిలో ప్రయోగాత్మకమైనవి. అత్యంత ప్రభావవంతమైన మార్గంలో సమస్యను పరిష్కరించడానికి, ఇన్‌పుట్ వేరియబుల్స్, అల్గారిథమ్‌లు, మోడలింగ్ పద్ధతులు మరియు మోడల్ పారామితుల యొక్క వివిధ కలయికల ద్వారా వెళ్లడం అవసరం. అటువంటి శోధన యొక్క సంక్లిష్టత "ఏది పని చేసింది/పని చేయలేదు" అని గుర్తించడం, ఎపిసోడ్‌ల పునరుత్పత్తిని నిర్ధారించడం, పునరావృత అమలుల కోసం పరిణామాల సాధారణీకరణ.
• టెస్టింగ్: AI/ML ఇంజిన్‌లను పరీక్షించడానికి చాలా ఇతర డెవలప్‌మెంట్‌ల కంటే విస్తృత శ్రేణి పరీక్షలు అవసరం. ప్రామాణిక యూనిట్ మరియు ఇంటిగ్రేషన్ పరీక్షలతో పాటు, డేటా చెల్లుబాటు మరియు శిక్షణ మరియు నియంత్రణ నమూనాలకు మోడల్‌ను వర్తింపజేసే ఫలితాల నాణ్యత పరీక్షించబడతాయి.
• విస్తరణ: AI/ML సొల్యూషన్‌ల విస్తరణ అనేది ఒకసారి శిక్షణ పొందిన మోడల్‌ను ఉపయోగించే ప్రిడిక్టివ్ సర్వీస్‌లకు మాత్రమే పరిమితం కాదు. AI/ML సొల్యూషన్‌లు ఆటోమేటెడ్ మోడల్ ట్రైనింగ్ మరియు అప్లికేషన్‌ను నిర్వహించే బహుళ-దశల పైప్‌లైన్‌ల చుట్టూ నిర్మించబడ్డాయి. అటువంటి పైప్‌లైన్‌లను అమలు చేయడంలో మోడల్‌లకు శిక్షణ ఇవ్వడం మరియు పరీక్షించడం కోసం డేటా సైంటిస్టులు సాంప్రదాయకంగా మానవీయంగా నిర్వహించే నాన్-ట్రివియల్ చర్యలను ఆటోమేట్ చేయడం.
• ఉత్పాదకత: AI/ML ఇంజిన్‌లు అసమర్థమైన ప్రోగ్రామింగ్ కారణంగా మాత్రమే కాకుండా, ఇన్‌పుట్ డేటా యొక్క నిరంతరం మారుతున్న స్వభావం కారణంగా కూడా ఉత్పాదకతను కలిగి ఉండవు. మరో మాటలో చెప్పాలంటే, AI/ML మెకానిజమ్‌ల పనితీరు సంప్రదాయ పరిణామాల పనితీరు కంటే విస్తృతమైన కారణాల వల్ల క్షీణించవచ్చు. ఇది మా AI/ML ఇంజిన్‌ల పనితీరును పర్యవేక్షించాల్సిన (ఆన్‌లైన్) అవసరానికి దారి తీస్తుంది, అలాగే పనితీరు సూచికలు అంచనాలను అందుకోకపోతే హెచ్చరికలను పంపడం లేదా ఫలితాలను తిరస్కరించడం.

AI/ML ప్లాట్‌ఫారమ్‌లు ఇతర ఇన్ఫర్మేషన్ సిస్టమ్‌ల మాదిరిగానే ఉంటాయి, ఈ రెండింటికి వెర్షన్ కంట్రోల్, యూనిట్ టెస్టింగ్, ఇంటిగ్రేషన్ టెస్టింగ్ మరియు నిరంతర డెవలప్‌మెంట్ డిప్లాయ్‌మెంట్‌తో నిరంతర కోడ్ ఇంటిగ్రేషన్ అవసరం. అయితే, AI/ML విషయంలో, అనేక ముఖ్యమైన తేడాలు ఉన్నాయి:

• CI (నిరంతర ఇంటిగ్రేషన్) ఇకపై అమలు చేయబడిన భాగాల కోడ్‌ను పరీక్షించడం మరియు ధృవీకరించడం మాత్రమే పరిమితం కాదు - ఇది డేటా మరియు AI/ML మోడల్‌లను పరీక్షించడం మరియు ధృవీకరించడం కూడా కలిగి ఉంటుంది.
• CD (నిరంతర డెలివరీ/డిప్లాయ్‌మెంట్, నిరంతర విస్తరణ) ప్యాకేజీలు లేదా సేవలను వ్రాయడం మరియు విడుదల చేయడం మాత్రమే కాదు, AI/ML సొల్యూషన్‌ల కూర్పు, శిక్షణ మరియు అప్లికేషన్ కోసం ఒక వేదికను సూచిస్తుంది.
• CT (నిరంతర శిక్షణ, నిరంతర శిక్షణ) ఒక కొత్త మూలకం [సుమారుగా. వ్యాసం రచయిత: DevOps యొక్క సాంప్రదాయ భావనకు సంబంధించి ఒక కొత్త అంశం, దీనిలో CT అనేది ఒక నియమం వలె, నిరంతర పరీక్ష], AI/ML ప్లాట్‌ఫారమ్‌లలో అంతర్లీనంగా ఉంటుంది, శిక్షణ మరియు AIని వర్తింపజేయడానికి యంత్రాంగాల స్వయంప్రతిపత్తి నిర్వహణకు బాధ్యత వహిస్తుంది. /ML నమూనాలు. ..."

మెషిన్ లెర్నింగ్ మరియు రియల్ టైమ్ డేటాపై పనిచేసే ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ విస్తృతమైన సాధనాలు మరియు సామర్థ్యాలు (కోడ్ డెవలప్‌మెంట్ నుండి మ్యాథమెటికల్ మోడలింగ్ ఎన్విరాన్‌మెంట్‌ల ఆర్కెస్ట్రేషన్ వరకు), అన్ని ఫంక్షనల్ మరియు సబ్జెక్ట్ ప్రాంతాల మధ్య సన్నిహిత ఏకీకరణ, మానవ మరియు మరింత సమర్థవంతమైన సంస్థ అవసరమని మేము చెప్పగలం. యంత్ర వనరులు.

నిజ-సమయ దృశ్యం: ఫీడ్ పంపులలో లోపాల అభివృద్ధిని గుర్తించడం

ప్రక్రియ నియంత్రణ ప్రాంతాన్ని ఉదాహరణగా ఉపయోగించడం కొనసాగిస్తూ, ఒక నిర్దిష్ట సమస్యను పరిగణించండి (మేము ఇప్పటికే చాలా ప్రారంభంలో పేర్కొన్నాము): ప్రక్రియ పారామితి విలువల ప్రవాహం ఆధారంగా పంపులలో లోపాల అభివృద్ధిని మేము నిజ-సమయ పర్యవేక్షణను అందించాలి. మరియు గుర్తించిన లోపాల గురించి మరమ్మత్తు సిబ్బంది నుండి నివేదికలు.

మూర్తి 2 లోపాల అభివృద్ధిని పర్యవేక్షించడానికి సమస్య సూత్రీకరణ

ఆచరణలో ఈ విధంగా చేయబడిన చాలా పనుల యొక్క లక్షణం ఏమిటంటే, వివిధ రకాల లోపాల యొక్క ఎపిసోడిక్ మరియు సక్రమంగా సంభవించే (మరియు నమోదు) నేపథ్యంలో డేటా రసీదు (APCS) యొక్క క్రమబద్ధత మరియు సామర్థ్యాన్ని తప్పనిసరిగా పరిగణించాలి. మరో మాటలో చెప్పాలంటే: ప్రాసెస్ కంట్రోల్ సిస్టమ్ నుండి డేటా సెకనుకు ఒకసారి వస్తుంది, సరైనది మరియు ఖచ్చితమైనది మరియు లోపాల గురించి గమనికలు వర్క్‌షాప్‌లోని సాధారణ నోట్‌బుక్‌లోని తేదీని సూచించే రసాయన పెన్సిల్‌తో తయారు చేయబడతాయి (ఉదాహరణకు: “12.01 – కవర్‌లోకి లీక్ 3 వ బేరింగ్ వైపు నుండి”).

అందువల్ల, మేము ఈ క్రింది ముఖ్యమైన పరిమితితో సమస్య యొక్క సూత్రీకరణను అనుబంధించగలము: మేము ఒక నిర్దిష్ట రకం లోపం యొక్క ఒక "లేబుల్" మాత్రమే కలిగి ఉన్నాము (అనగా, ఒక నిర్దిష్ట రకం లోపం యొక్క ఉదాహరణ ప్రక్రియ నియంత్రణ నుండి డేటా ద్వారా సూచించబడుతుంది. నిర్దిష్ట తేదీలో సిస్టమ్ - మరియు ఈ నిర్దిష్ట రకం లోపానికి సంబంధించిన మరిన్ని ఉదాహరణలు మా వద్ద లేవు). ఈ పరిమితి తక్షణమే క్లాసికల్ మెషీన్ లెర్నింగ్ (పర్యవేక్షించబడిన అభ్యాసం) పరిధిని దాటి మనల్ని తీసుకువెళుతుంది, దీని కోసం చాలా "ట్యాగ్‌లు" ఉండాలి.

లోపాల అభివృద్ధిని పర్యవేక్షించే పని యొక్క మూర్తి 3 స్పష్టీకరణ

మన వద్ద ఉన్న ఒకే ఒక్క “ట్యాగ్”ని ఎలాగైనా “గుణించగలమా”? అవును మనం చేయగలం. పంప్ యొక్క ప్రస్తుత పరిస్థితి నమోదిత లోపాలతో సారూప్యత యొక్క డిగ్రీని కలిగి ఉంటుంది. పరిమాణాత్మక పద్ధతులను ఉపయోగించకుండా, దృశ్యమాన అవగాహన స్థాయిలో, ప్రాసెస్ కంట్రోల్ సిస్టమ్ నుండి వచ్చే డేటా విలువల డైనమిక్స్‌ను గమనించడం ద్వారా, మీరు ఇప్పటికే చాలా నేర్చుకోవచ్చు:

మూర్తి 4 ఇచ్చిన రకం లోపం యొక్క "మార్క్" నేపథ్యానికి వ్యతిరేకంగా పంప్ స్థితి యొక్క డైనమిక్స్

కానీ విజువల్ పర్సెప్షన్ (కనీసం ఇప్పటికైనా) మన వేగంగా మారుతున్న దృష్టాంతంలో "ట్యాగ్‌ల" యొక్క అత్యంత అనుకూలమైన జనరేటర్ కాదు. మేము గణాంక పరీక్షను ఉపయోగించి నివేదించబడిన లోపాలకు ప్రస్తుత పంప్ పరిస్థితి యొక్క సారూప్యతను మూల్యాంకనం చేస్తాము.

మూర్తి 5 లోపం "లేబుల్" నేపథ్యానికి వ్యతిరేకంగా ఇన్‌కమింగ్ డేటాకు గణాంక పరీక్షను వర్తింపజేయడం

ప్రాసెస్ కంట్రోల్ సిస్టమ్ నుండి స్వీకరించబడిన “ఫ్లో-ప్యాకెట్” లోని సాంకేతిక ప్రక్రియ పారామితుల విలువలతో రికార్డులు ఒక నిర్దిష్ట రకం లోపం యొక్క “ట్యాగ్” యొక్క రికార్డులకు సమానంగా ఉండే సంభావ్యతను గణాంక పరీక్ష నిర్ణయిస్తుంది. గణాంక పరీక్షను వర్తింపజేయడం ద్వారా లెక్కించబడిన సంభావ్యత విలువ (గణాంక సారూప్యత సూచిక) 0 లేదా 1 విలువకు మార్చబడుతుంది, సారూప్యత కోసం పరిశీలించబడే ప్యాకెట్‌లోని ప్రతి నిర్దిష్ట రికార్డులో మెషీన్ లెర్నింగ్ కోసం "లేబుల్" అవుతుంది. అంటే, కొత్తగా అందుకున్న పంప్ స్టేట్ రికార్డ్‌ల ప్యాకేజీని గణాంక పరీక్షతో ప్రాసెస్ చేసిన తర్వాత, (ఎ) ఈ ప్యాకేజీని AI/ML మోడల్‌కు శిక్షణ ఇవ్వడానికి శిక్షణ సెట్‌కు జోడించడానికి మరియు (బి) నాణ్యత నియంత్రణను నిర్వహించడానికి మాకు అవకాశం ఉంది. ఈ ప్యాకేజీకి ఉపయోగించినప్పుడు మోడల్ యొక్క ప్రస్తుత వెర్షన్.

మూర్తి 6 లోపం "లేబుల్" నేపథ్యానికి వ్యతిరేకంగా ఇన్‌కమింగ్ డేటాకు మెషిన్ లెర్నింగ్ మోడల్‌ను వర్తింపజేయడం

మా మునుపటి వాటిలో వెబ్‌నార్లు మోడలింగ్ ఫలితాల విశ్వసనీయతను పర్యవేక్షించే మరియు మోడల్ పారామితులను స్వీకరించే వ్యాపార ప్రక్రియలను నిరంతరం అమలు చేసే రూపంలో ఏదైనా AI/ML మెకానిజంను అమలు చేయడానికి ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్ మిమ్మల్ని ఎలా అనుమతిస్తుంది అని మేము చూపుతాము మరియు వివరిస్తాము. పంప్‌లతో మా దృశ్యం యొక్క నమూనాను అమలు చేస్తున్నప్పుడు, మేము వెబ్‌నార్ సమయంలో అందించిన అన్ని ఇంటర్‌సిస్టమ్స్ IRIS కార్యాచరణను ఉపయోగిస్తాము - మా పరిష్కారంలో భాగంగా విశ్లేషణ ప్రక్రియలో అమలు చేయడం క్లాసికల్ పర్యవేక్షించబడిన అభ్యాసం కాదు, కానీ శిక్షణ నమూనాల ఎంపికను స్వయంచాలకంగా నిర్వహించే రీన్‌ఫోర్స్‌మెంట్ లెర్నింగ్. . శిక్షణ నమూనాలో గణాంక పరీక్ష మరియు మోడల్ యొక్క ప్రస్తుత వెర్షన్ రెండింటినీ వర్తింపజేసిన తర్వాత "గుర్తింపు ఏకాభిప్రాయం" ఏర్పడే రికార్డులు ఉన్నాయి - అంటే, గణాంక పరీక్ష (సారూప్యత సూచికను 0 లేదా 1కి మార్చిన తర్వాత) మరియు మోడల్ ఫలితాన్ని అందించింది. అటువంటి రికార్డులపై 1. మోడల్ యొక్క కొత్త శిక్షణ సమయంలో, దాని ధృవీకరణ సమయంలో (కొత్తగా శిక్షణ పొందిన మోడల్ దాని స్వంత శిక్షణ నమూనాకు వర్తించబడుతుంది, దానికి గణాంక పరీక్ష యొక్క ప్రాథమిక దరఖాస్తుతో), ప్రాసెస్ చేసిన తర్వాత ఫలితం 1ని "నిలుపుకోని" రికార్డులు గణాంక పరీక్ష ద్వారా (శిక్షణలో స్థిరంగా ఉండటం వల్ల లోపం యొక్క అసలు “లేబుల్” నుండి రికార్డుల నమూనా), శిక్షణ సెట్ నుండి తీసివేయబడుతుంది మరియు మోడల్ యొక్క కొత్త వెర్షన్ “లేబుల్” నుండి నేర్చుకుంటుంది లోపం మరియు స్ట్రీమ్ నుండి "నిలుపుకున్న" రికార్డులు.

మూర్తి 7 ఇంటర్‌సిస్టమ్స్ IRISలో AI/ML కంప్యూటింగ్ యొక్క రోబోటైజేషన్

ఇంటర్‌సిస్టమ్స్ IRISలో స్థానిక గణనల సమయంలో పొందిన గుర్తింపు నాణ్యతపై ఒక రకమైన “రెండవ అభిప్రాయం” అవసరం ఉంటే, క్లౌడ్ సేవలను (ఉదాహరణకు, మైక్రోసాఫ్ట్, మైక్రోసాఫ్ట్) ఉపయోగించి నియంత్రణ డేటాసెట్‌లో నమూనాల శిక్షణ మరియు అనువర్తనాన్ని నిర్వహించడానికి ఒక సలహాదారు ప్రక్రియ సృష్టించబడుతుంది. Azure, Amazon Web Services , Google Cloud Platform మొదలైనవి):

మూర్తి 8 ఇంటర్‌సిస్టమ్స్ IRISచే నిర్వహించబడిన Microsoft Azure నుండి రెండవ అభిప్రాయం

ఇంటర్‌సిస్టమ్స్ ఐఆర్‌ఐఎస్‌లోని మా దృశ్యం యొక్క నమూనా అనేది ఒక ఎక్విప్‌మెంట్ ఆబ్జెక్ట్ (పంప్), మ్యాథమెటికల్ మోడలింగ్ ఎన్విరాన్‌మెంట్స్ (పైథాన్, ఆర్ మరియు జూలియా)తో సంకర్షణ చెందే విశ్లేషణాత్మక ప్రక్రియల ఏజెంట్-ఆధారిత వ్యవస్థగా రూపొందించబడింది మరియు అన్ని ప్రమేయం ఉన్న AI/ స్వీయ-అభ్యాసాన్ని నిర్ధారిస్తుంది. ML మెకానిజమ్స్ - నిజ-సమయ డేటా స్ట్రీమ్‌లలో .

మూర్తి 9 ఇంటర్‌సిస్టమ్స్ IRISలో నిజ-సమయ AI/ML సొల్యూషన్ యొక్క ప్రధాన కార్యాచరణ

మా నమూనా యొక్క ఆచరణాత్మక ఫలితం:

• నమూనా లోపం గుర్తించబడింది (జనవరి 12):

• నమూనాలో చేర్చబడని మోడల్ ద్వారా అభివృద్ధి చెందుతున్న లోపం గుర్తించబడింది (సెప్టెంబర్ 11, లోపాన్ని మరమ్మతు బృందం రెండు రోజుల తర్వాత, సెప్టెంబర్ 13న గుర్తించింది):

ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌లో అమలు చేయబడిన మా పరిష్కారం, మరమ్మతు బృందం ద్వారా గుర్తించబడటానికి చాలా రోజుల ముందు ఈ రకమైన లోపాలను అభివృద్ధిని గుర్తించడానికి మమ్మల్ని అనుమతిస్తుంది అని అదే లోపం యొక్క అనేక ఎపిసోడ్‌లను కలిగి ఉన్న నిజమైన డేటాపై అనుకరణ చూపింది.

ఇంటర్‌సిస్టమ్స్ IRIS - యూనివర్సల్ రియల్ టైమ్ AI/ML కంప్యూటింగ్ ప్లాట్‌ఫారమ్

InterSystems IRIS ప్లాట్‌ఫారమ్ రియల్ టైమ్ డేటా సొల్యూషన్‌ల అభివృద్ధి, విస్తరణ మరియు ఆపరేషన్‌ను సులభతరం చేస్తుంది. InterSystems IRIS ఏకకాలంలో లావాదేవీ మరియు విశ్లేషణాత్మక డేటా ప్రాసెసింగ్‌ను నిర్వహించగలదు; బహుళ నమూనాల (రిలేషనల్, క్రమానుగత, వస్తువు మరియు పత్రంతో సహా) ప్రకారం సమకాలీకరించబడిన డేటా వీక్షణలకు మద్దతు ఇస్తుంది; విస్తృత శ్రేణి డేటా మూలాధారాలు మరియు వ్యక్తిగత అనువర్తనాలను ఏకీకృతం చేయడానికి వేదికగా పని చేస్తుంది; నిర్మాణాత్మక మరియు నిర్మాణాత్మక డేటాపై అధునాతన నిజ-సమయ విశ్లేషణలను అందిస్తాయి. ఇంటర్‌సిస్టమ్స్ IRIS బాహ్య విశ్లేషణాత్మక సాధనాలను ఉపయోగించడం కోసం మెకానిజమ్‌లను కూడా అందిస్తుంది మరియు క్లౌడ్‌లో మరియు స్థానిక సర్వర్‌లలో హోస్టింగ్ యొక్క సౌకర్యవంతమైన కలయికను అనుమతిస్తుంది.

ఇంటర్‌సిస్టమ్స్ ఐఆర్‌ఐఎస్ ప్లాట్‌ఫారమ్‌పై రూపొందించబడిన అప్లికేషన్‌లు వివిధ రకాల పరిశ్రమలలో విస్తరించబడ్డాయి, కంపెనీలు వ్యూహాత్మక మరియు కార్యాచరణ దృక్పథం నుండి గణనీయమైన ఆర్థిక ప్రయోజనాలను గ్రహించడంలో సహాయపడతాయి, సమాచారంతో కూడిన నిర్ణయం తీసుకోవడం మరియు ఈవెంట్, విశ్లేషణ మరియు చర్య మధ్య అంతరాలను తగ్గించడం.

మూర్తి 10 నిజ-సమయ AI/ML సందర్భంలో ఇంటర్‌సిస్టమ్స్ IRIS ఆర్కిటెక్చర్

మునుపటి రేఖాచిత్రం వలె, దిగువ రేఖాచిత్రం కొత్త "కోఆర్డినేట్ సిస్టమ్" (CD/CI/CT)ని ప్లాట్‌ఫారమ్ యొక్క పని అంశాల మధ్య సమాచార ప్రవాహం యొక్క రేఖాచిత్రంతో మిళితం చేస్తుంది. విజువలైజేషన్ మాక్రోమెకానిజం CDతో ప్రారంభమవుతుంది మరియు మాక్రోమెకానిజమ్స్ CI మరియు CTతో కొనసాగుతుంది.

మూర్తి 11 ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్ యొక్క AI/ML మూలకాల మధ్య సమాచార ప్రవాహాల రేఖాచిత్రం

ఇంటర్‌సిస్టమ్స్ IRISలోని CD మెకానిజం యొక్క సారాంశం: ప్లాట్‌ఫారమ్ వినియోగదారులు (AI/ML సొల్యూషన్‌ల డెవలపర్‌లు) AI/ML మెకానిజమ్‌ల కోసం ప్రత్యేకమైన కోడ్ ఎడిటర్‌ని ఉపయోగించి ఇప్పటికే ఉన్న మరియు/లేదా కొత్త AI/ML డెవలప్‌మెంట్‌లను రూపొందించారు: జూపిటర్ (పూర్తి పేరు: జూపిటర్ నోట్‌బుక్; సంక్షిప్తత కోసం, ఈ ఎడిటర్‌లో సృష్టించబడిన పత్రాలను కూడా కొన్నిసార్లు పిలుస్తారు). జూపిటర్‌లో, డెవలపర్‌కు నిర్దిష్ట AI/ML డెవలప్‌మెంట్ ఇంటర్‌సిస్టమ్స్ ఐఆర్‌ఐఎస్‌లో ఉంచడానికి ముందు (“వియోగించబడింది”) దాని పనితీరును (గ్రాఫిక్‌లను ఉపయోగించడంతో సహా) వ్రాయడానికి, డీబగ్ చేయడానికి మరియు ధృవీకరించడానికి అవకాశం ఉంటుంది. ఈ విధంగా సృష్టించబడిన కొత్త డెవలప్‌మెంట్ ప్రాథమిక డీబగ్గింగ్‌ను మాత్రమే స్వీకరిస్తుంది (ముఖ్యంగా, జూపిటర్ నిజ-సమయ డేటా స్ట్రీమ్‌లతో పని చేయదు కాబట్టి) - ఇది విషయాల క్రమంలో ఉంది, ఎందుకంటే జూపిటర్‌లో అభివృద్ధి యొక్క ప్రధాన ఫలితం ప్రత్యేక AI / ML మెకానిజం యొక్క ప్రాథమిక కార్యాచరణ యొక్క నిర్ధారణ ("డేటా నమూనాపై ఆశించిన ఫలితాన్ని చూపుతుంది"). అదేవిధంగా, జూపిటర్‌లో డీబగ్ చేయడానికి ముందు ప్లాట్‌ఫారమ్‌లో ఇప్పటికే ఉంచబడిన మెకానిజం (క్రింది స్థూల-మెకానిజమ్‌లను చూడండి) "ప్రీ-ప్లాట్‌ఫారమ్" ఫారమ్‌కు "రోల్‌బ్యాక్" అవసరం కావచ్చు (ఫైళ్ల నుండి డేటాను చదవడం, టేబుల్‌లకు బదులుగా xDBC ద్వారా డేటాతో పని చేయడం, గ్లోబల్స్‌తో ప్రత్యక్ష పరస్పర చర్య - మల్టీడైమెన్షనల్ డేటా శ్రేణులు ఇంటర్‌సిస్టమ్స్ IRIS – మొదలైనవి).

ఇంటర్‌సిస్టమ్స్ IRISలో CD అమలులో ముఖ్యమైన అంశం: ప్లాట్‌ఫారమ్ మరియు జూపిటర్ మధ్య ద్విదిశాత్మక ఏకీకరణ అమలు చేయబడింది, పైథాన్, R మరియు జూలియాలోని కంటెంట్‌ను ప్లాట్‌ఫారమ్‌కు బదిలీ చేయడానికి అనుమతిస్తుంది (మరియు, తదనంతరం, ప్లాట్‌ఫారమ్‌లో ప్రాసెస్ చేయబడుతుంది) (మూడు ప్రోగ్రామింగ్‌లు. సంబంధిత ప్రముఖ ఓపెన్ సోర్స్ భాషలలోని భాషలు) మూల గణిత నమూనా పరిసరాలు). అందువల్ల, AI/ML కంటెంట్ డెవలపర్‌లు ఈ కంటెంట్‌ను ప్లాట్‌ఫారమ్‌లో “నిరంతర విస్తరణ” చేయడానికి, వారి సుపరిచితమైన జూపిటర్ ఎడిటర్‌లో పని చేయడానికి, పైథాన్, R, జూలియాలో సుపరిచితమైన లైబ్రరీలతో మరియు ప్రాథమిక డీబగ్గింగ్ (అవసరమైతే) నిర్వహించడానికి అవకాశం ఉంది. వేదిక వెలుపల.

ఇంటర్‌సిస్టమ్స్ IRISలో CI మాక్రో మెకానిజమ్‌కి వెళ్దాం. రేఖాచిత్రం "రియల్-టైమ్ రోబోటైజర్" యొక్క స్థూల ప్రక్రియను చూపుతుంది (డేటా స్ట్రక్చర్‌లు, వ్యాపార ప్రక్రియలు మరియు కోడ్ శకలాలు గణిత భాషలలో మరియు ఆబ్జెక్ట్‌స్క్రిప్ట్ - ఇంటర్‌సిస్టమ్స్ IRIS యొక్క స్థానిక అభివృద్ధి భాషలో రూపొందించబడ్డాయి). AI/ML మెకానిజమ్స్ (నిజ సమయంలో ప్లాట్‌ఫారమ్‌కు ప్రసారం చేయబడిన డేటా స్ట్రీమ్‌ల ఆధారంగా) ఆపరేషన్ కోసం అవసరమైన డేటా క్యూలను నిర్వహించడం ఈ స్థూల ప్రక్రియ యొక్క పని, అప్లికేషన్ యొక్క క్రమం మరియు AI/ యొక్క “కలగలుపు” గురించి నిర్ణయాలు తీసుకోవడం. ML మెకానిజమ్‌లు (అవి కూడా "గణిత అల్గారిథమ్‌లు", "మోడల్స్" మొదలైనవి - అమలు మరియు టెర్మినలాజికల్ ప్రాధాన్యతల యొక్క ప్రత్యేకతలను బట్టి విభిన్నంగా పిలువబడతాయి), AI/ పని ఫలితాలను విశ్లేషించడానికి డేటా నిర్మాణాలను తాజాగా ఉంచండి. ML మెకానిజమ్‌లు (క్యూబ్‌లు, టేబుల్‌లు, మల్టీడైమెన్షనల్ డేటా శ్రేణులు మొదలైనవి). మొదలైనవి – నివేదికలు, డ్యాష్‌బోర్డ్‌లు మొదలైనవి).

ఇంటర్‌సిస్టమ్స్ IRISలో ప్రత్యేకంగా CI అమలు చేయడంలో ఒక ముఖ్యమైన అంశం: ప్లాట్‌ఫారమ్ మరియు మ్యాథమెటికల్ మోడలింగ్ పరిసరాల మధ్య ద్విదిశాత్మక ఏకీకరణ అమలు చేయబడింది, ఇది పైథాన్, R మరియు జూలియాలోని ప్లాట్‌ఫారమ్‌లో హోస్ట్ చేయబడిన కంటెంట్‌ను వారి సంబంధిత పరిసరాలలో అమలు చేయడానికి మరియు అమలును తిరిగి స్వీకరించడానికి మిమ్మల్ని అనుమతిస్తుంది. ఫలితాలు ఈ ఏకీకరణ “టెర్మినల్ మోడ్” (అనగా, AI/ML కంటెంట్ పర్యావరణానికి కాల్‌లు చేసే ఆబ్జెక్ట్‌స్క్రిప్ట్ కోడ్‌గా రూపొందించబడింది) మరియు “బిజినెస్ ప్రాసెస్ మోడ్” (అనగా, AI/ML కంటెంట్ వ్యాపార ప్రక్రియగా రూపొందించబడింది) రెండింటిలోనూ అమలు చేయబడుతుంది. గ్రాఫికల్ ఎడిటర్‌ని ఉపయోగించడం లేదా కొన్నిసార్లు జూపిటర్‌ని ఉపయోగించడం లేదా IDE - IRIS స్టూడియో, ఎక్లిప్స్, విజువల్ స్టూడియో కోడ్) ఉపయోగించడం. జూపిటర్‌లో ఎడిటింగ్ కోసం వ్యాపార ప్రక్రియల లభ్యత CI స్థాయిలో IRIS మరియు CD స్థాయిలో జూపిటర్ మధ్య కనెక్షన్ ద్వారా ప్రతిబింబిస్తుంది. గణిత మోడలింగ్ పరిసరాలతో ఏకీకరణ యొక్క మరింత వివరణాత్మక అవలోకనం క్రింద అందించబడింది. ఈ దశలో, మా అభిప్రాయం ప్రకారం, రియల్ టైమ్ AI/ML సొల్యూషన్‌లలోకి AI/ML డెవలప్‌మెంట్‌ల ("నిరంతర విస్తరణ" నుండి వచ్చిన) "నిరంతర ఏకీకరణ"ని అమలు చేయడానికి అవసరమైన అన్ని సాధనాలను ప్లాట్‌ఫారమ్ కలిగి ఉందని నిర్ధారించుకోవడానికి ప్రతి కారణం ఉంది.

మరియు ప్రధాన స్థూల యంత్రాంగం: CT. అది లేకుండా, AI/ML ప్లాట్‌ఫారమ్ ఉండదు (అయితే “రియల్ టైమ్” CD/CI ద్వారా అమలు చేయబడుతుంది). CT యొక్క సారాంశం మెషీన్ లెర్నింగ్ మరియు కృత్రిమ మేధస్సు యొక్క "కళాఖండాలు"తో నేరుగా గణిత మోడలింగ్ పరిసరాల యొక్క పని సెషన్‌లలో ప్లాట్‌ఫారమ్ యొక్క పని: నమూనాలు, పంపిణీ పట్టికలు, మాతృక వెక్టర్స్, న్యూరల్ నెట్‌వర్క్‌ల పొరలు మొదలైనవి. ఈ “పని”, చాలా సందర్భాలలో, పరిసరాలలో పేర్కొన్న కళాఖండాలను సృష్టించడం (మోడళ్ల విషయంలో, ఉదాహరణకు, “సృష్టి” మోడల్ యొక్క స్పెసిఫికేషన్‌ను సెట్ చేయడం మరియు దాని పారామితుల విలువల తదుపరి ఎంపికను కలిగి ఉంటుంది - మోడల్ యొక్క "శిక్షణ" అని పిలవబడేది), వారి అప్లికేషన్ (మోడల్స్ కోసం: టార్గెట్ వేరియబుల్స్ యొక్క "మోడల్" విలువల సహాయంతో గణన - భవిష్య సూచనలు, వర్గం సభ్యత్వం, ఈవెంట్ యొక్క సంభావ్యత మొదలైనవి) మరియు ఇప్పటికే మెరుగుదల కళాఖండాలు సృష్టించబడ్డాయి మరియు వర్తింపజేయబడ్డాయి (ఉదాహరణకు, అప్లికేషన్ ఫలితాల ఆధారంగా మోడల్ ఇన్‌పుట్ వేరియబుల్స్ సమితిని పునర్నిర్వచించడం - అంచనా ఖచ్చితత్వాన్ని మెరుగుపరచడానికి, ఒక ఎంపికగా). CT పాత్రను అర్థం చేసుకోవడంలో కీలకమైన అంశం CD మరియు CI యొక్క వాస్తవాల నుండి దాని "నైరూప్యత": CT అన్ని కళాఖండాలను అమలు చేస్తుంది, నిర్దిష్ట పరిసరాల ద్వారా అందించబడిన సామర్థ్యాలలో AI/ML పరిష్కారం యొక్క గణన మరియు గణిత ప్రత్యేకతలపై దృష్టి సారిస్తుంది. “ఇన్‌పుట్‌లను అందించడం” మరియు “అవుట్‌పుట్‌లను అందించడం” బాధ్యత CD మరియు CI యొక్క బాధ్యత.

ఇంటర్‌సిస్టమ్స్ IRISలో ప్రత్యేకంగా CT అమలులో ముఖ్యమైన అంశం: పైన పేర్కొన్న గణిత మోడలింగ్ పరిసరాలతో ఏకీకరణను ఉపయోగించి, ప్లాట్‌ఫారమ్ గణిత వాతావరణంలో దాని నియంత్రణలో నడుస్తున్న పని సెషన్‌ల నుండి ఆ కళాఖండాలను సేకరించే సామర్థ్యాన్ని కలిగి ఉంది మరియు (ముఖ్యంగా) వాటిని ప్లాట్‌ఫారమ్ డేటా ఆబ్జెక్ట్‌లుగా మార్చండి. ఉదాహరణకు, పని చేస్తున్న పైథాన్ సెషన్‌లో ఇప్పుడే సృష్టించబడిన డిస్ట్రిబ్యూషన్ టేబుల్ (పైథాన్ సెషన్‌ను ఆపకుండా) ప్లాట్‌ఫారమ్‌కు బదిలీ చేయబడుతుంది, ఉదాహరణకు, గ్లోబల్ (మల్టీ డైమెన్షనల్ ఇంటర్‌సిస్టమ్స్ IRIS డేటా అర్రే) - మరియు ఉపయోగించబడుతుంది మరొక AI/ML- మెకానిజంలో లెక్కల కోసం (మరొక పర్యావరణం యొక్క భాషలో అమలు చేయబడుతుంది - ఉదాహరణకు, R లో) - లేదా వర్చువల్ పట్టిక. మరొక ఉదాహరణ: మోడల్ యొక్క ఆపరేషన్ యొక్క "సాధారణ మోడ్"కి సమాంతరంగా (పైథాన్ వర్కింగ్ సెషన్‌లో), "ఆటో-ML" దాని ఇన్‌పుట్ డేటాపై నిర్వహించబడుతుంది: ఆప్టిమల్ ఇన్‌పుట్ వేరియబుల్స్ మరియు పారామీటర్ విలువల యొక్క స్వయంచాలక ఎంపిక. మరియు “రెగ్యులర్” శిక్షణతో పాటు, నిజ సమయంలో ఉత్పాదక మోడల్ దాని స్పెసిఫికేషన్ యొక్క “ఆప్టిమైజేషన్ కోసం ప్రతిపాదన” కూడా అందుకుంటుంది - దీనిలో ఇన్‌పుట్ వేరియబుల్స్ సెట్ మారుతుంది, పరామితి విలువలు మారుతాయి (ఇకపై శిక్షణ ఫలితంగా కాదు. పైథాన్‌లో, కానీ H2O స్టాక్ వంటి దాని యొక్క “ప్రత్యామ్నాయ”” వెర్షన్‌తో శిక్షణ ఫలితంగా, మొత్తం AI/ML సొల్యూషన్ స్వయంప్రతిపత్తితో ఇన్‌పుట్ డేటా స్వభావం మరియు దృగ్విషయాల స్వభావంలో ఊహించని మార్పులను ఎదుర్కోవడానికి అనుమతిస్తుంది. .

నిజ జీవిత నమూనా యొక్క ఉదాహరణను ఉపయోగించి, ఇంటర్‌సిస్టమ్స్ IRIS యొక్క ప్లాట్‌ఫారమ్ AI/ML కార్యాచరణతో మరింత వివరంగా తెలుసుకుందాం.

దిగువ రేఖాచిత్రంలో, స్లయిడ్ యొక్క ఎడమ వైపున పైథాన్ మరియు R లలో స్క్రిప్ట్‌ల అమలును అమలు చేసే వ్యాపార ప్రక్రియలో కొంత భాగం ఉంది. మధ్య భాగంలో వరుసగా ఈ స్క్రిప్ట్‌లలో కొన్నింటిని అమలు చేయడం యొక్క దృశ్య లాగ్‌లు ఉన్నాయి, పైథాన్ మరియు R. వాటి వెనుక తక్షణమే ఒకటి మరియు మరొక భాషలోని కంటెంట్‌కు ఉదాహరణలు, వాటిని అమలు చేయడానికి తగిన వాతావరణాలకు బదిలీ చేయబడతాయి. కుడివైపు చివర స్క్రిప్ట్ ఎగ్జిక్యూషన్ ఫలితాల ఆధారంగా విజువలైజేషన్‌లు ఉంటాయి. ఎగువన ఉన్న విజువలైజేషన్‌లు IRIS Analyticsలో తయారు చేయబడ్డాయి (డేటా పైథాన్ నుండి ఇంటర్‌సిస్టమ్స్ IRIS డేటా ప్లాట్‌ఫారమ్‌లోకి తీసుకోబడింది మరియు ప్లాట్‌ఫారమ్‌ను ఉపయోగించి డాష్‌బోర్డ్‌లో ప్రదర్శించబడుతుంది), దిగువన నేరుగా R వర్క్ సెషన్‌లో తయారు చేయబడింది మరియు అక్కడ నుండి గ్రాఫిక్ ఫైల్‌లకు అవుట్‌పుట్ చేయబడింది. . ఒక ముఖ్యమైన అంశం: నమూనా యొక్క దరఖాస్తు సమయంలో గమనించిన వర్గీకరణ నాణ్యత మానిటర్ ప్రక్రియ నుండి కమాండ్‌పై, పరికరాల సిమ్యులేటర్ ప్రక్రియ నుండి నిజ సమయంలో అందుకున్న డేటాపై మోడల్‌కు (పరికరాల స్థితుల వర్గీకరణ) శిక్షణ ఇవ్వడానికి ప్రోటోటైప్‌లో సమర్పించబడిన భాగం బాధ్యత వహిస్తుంది. పరస్పర చర్య ప్రక్రియల ("ఏజెంట్") రూపంలో AI/ML పరిష్కారాన్ని అమలు చేయడం మరింత చర్చించబడుతుంది.

మూర్తి 12 ఇంటర్‌సిస్టమ్స్ IRISలో పైథాన్, R మరియు జూలియాతో పరస్పర చర్య

ప్లాట్‌ఫారమ్ ప్రక్రియలు (అవి కూడా “వ్యాపార ప్రక్రియలు”, “విశ్లేషణాత్మక ప్రక్రియలు”, “పైప్‌లైన్‌లు” మొదలైనవి - సందర్భాన్ని బట్టి), మొదటగా, ప్లాట్‌ఫారమ్‌లోని గ్రాఫికల్ బిజినెస్ ప్రాసెస్ ఎడిటర్‌లో సవరించబడతాయి మరియు అలాంటి వాటిలో దాని బ్లాక్ రేఖాచిత్రం మరియు సంబంధిత AI/ML మెకానిజం (ప్రోగ్రామ్ కోడ్) రెండూ ఏకకాలంలో సృష్టించబడతాయి. మేము "AI/ML మెకానిజం పొందబడింది" అని చెప్పినప్పుడు, మేము మొదట హైబ్రిడిటీని (ఒక ప్రక్రియలో) అర్థం చేసుకున్నాము: గణిత మోడలింగ్ పరిసరాల భాషలలోని కంటెంట్ SQLలోని కంటెంట్‌కి ఆనుకొని ఉంటుంది (దీని నుండి పొడిగింపులతో సహా ఇంటిగ్రేటెడ్ ML), ఇంటర్‌సిస్టమ్స్ ఆబ్జెక్ట్‌స్క్రిప్ట్‌లో, ఇతర మద్దతు ఉన్న భాషలతో. అంతేకాకుండా, ప్లాట్‌ఫారమ్ ప్రక్రియ క్రమానుగతంగా సమూహ శకలాలు (దిగువ రేఖాచిత్రంలో ఉదాహరణలో చూడవచ్చు) రూపంలో “రెండరింగ్” కోసం చాలా విస్తృత అవకాశాలను అందిస్తుంది, ఇది చాలా క్లిష్టమైన కంటెంట్‌ను కూడా ఎప్పుడూ “పడిపోకుండా” సమర్థవంతంగా నిర్వహించడానికి మిమ్మల్ని అనుమతిస్తుంది. గ్రాఫికల్ ఫార్మాట్ ("గ్రాఫికల్ కాని" ఫార్మాట్‌లలోకి). » పద్ధతులు/తరగతులు/విధానాలు మొదలైనవి). అంటే, అవసరమైతే (మరియు ఇది చాలా ప్రాజెక్ట్‌లలో ఊహించబడింది), ఖచ్చితంగా మొత్తం AI/ML సొల్యూషన్‌ను గ్రాఫికల్ సెల్ఫ్-డాక్యుమెంటింగ్ ఫార్మాట్‌లో అమలు చేయవచ్చు. దిగువ రేఖాచిత్రం యొక్క కేంద్ర భాగంలో, ఇది అధిక “గూడు స్థాయి”ని సూచిస్తుందని దయచేసి గమనించండి, మోడల్‌కు శిక్షణ ఇచ్చే వాస్తవ పనితో పాటు (పైథాన్ మరియు R ఉపయోగించి), అని పిలవబడే విశ్లేషణ శిక్షణ పొందిన మోడల్ యొక్క ROC వక్రత జోడించబడింది, దృశ్యమానంగా (మరియు గణనపరంగా కూడా) శిక్షణ నాణ్యతను అంచనా వేయడానికి అనుమతిస్తుంది - మరియు ఈ విశ్లేషణ జూలియా భాషలో అమలు చేయబడుతుంది (అనుగుణంగా, జూలియా గణిత వాతావరణంలో అమలు చేయబడుతుంది).

మూర్తి 13 ఇంటర్‌సిస్టమ్స్ IRISలో AI/ML సొల్యూషన్‌ల కూర్పు కోసం దృశ్యమాన వాతావరణం

ముందుగా చెప్పినట్లుగా, ప్లాట్‌ఫారమ్‌లో ఇప్పటికే అమలు చేయబడిన AI/ML మెకానిజమ్‌ల ప్రారంభ అభివృద్ధి మరియు (కొన్ని సందర్భాల్లో) అనుసరణ జూపిటర్ ఎడిటర్‌లో ప్లాట్‌ఫారమ్ వెలుపల చేయబడుతుంది/చేయబడుతుంది. దిగువ రేఖాచిత్రంలో మేము ఇప్పటికే ఉన్న ప్లాట్‌ఫారమ్ ప్రక్రియను స్వీకరించే ఉదాహరణను చూస్తాము (పైన ఉన్న రేఖాచిత్రం వలె) - ఈ విధంగా మోడల్‌కు శిక్షణ ఇవ్వడానికి బాధ్యత వహించే భాగం జూపిటర్‌లో కనిపిస్తుంది. పైథాన్ కంటెంట్ నేరుగా జూపిటర్‌లో ఎడిటింగ్, డీబగ్గింగ్ మరియు గ్రాఫిక్స్ అవుట్‌పుట్ కోసం అందుబాటులో ఉంది. ప్లాట్‌ఫారమ్ ప్రక్రియలో దాని ఉత్పాదక సంస్కరణతో సహా తక్షణ సమకాలీకరణతో మార్పులు (అవసరమైతే) చేయవచ్చు. కొత్త కంటెంట్ ప్లాట్‌ఫారమ్‌కి ఇదే విధంగా బదిలీ చేయబడుతుంది (కొత్త ప్లాట్‌ఫారమ్ ప్రక్రియ స్వయంచాలకంగా రూపొందించబడుతుంది).

మూర్తి 14 ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌లో AI/ML ఇంజిన్‌ను సవరించడానికి జూపిటర్ నోట్‌బుక్‌ని ఉపయోగించడం

ప్లాట్‌ఫారమ్ ప్రక్రియ యొక్క అనుసరణ గ్రాఫికల్ లేదా ల్యాప్‌టాప్ ఆకృతిలో మాత్రమే కాకుండా "మొత్తం" IDE (ఇంటిగ్రేటెడ్ డెవలప్‌మెంట్ ఎన్విరాన్‌మెంట్) ఆకృతిలో కూడా నిర్వహించబడుతుంది. ఈ IDEలు IRIS స్టూడియో (స్థానిక IRIS స్టూడియో), విజువల్ స్టూడియో కోడ్ (VSCode కోసం ఇంటర్‌సిస్టమ్స్ IRIS పొడిగింపు) మరియు ఎక్లిప్స్ (అటెలియర్ ప్లగ్ఇన్). కొన్ని సందర్భాల్లో, అభివృద్ధి బృందం మూడు IDEలను ఏకకాలంలో ఉపయోగించడం సాధ్యమవుతుంది. దిగువ రేఖాచిత్రం IRIS స్టూడియోలో, విజువల్ స్టూడియో కోడ్‌లో మరియు ఎక్లిప్స్‌లో అదే ప్రక్రియను సవరించడానికి ఉదాహరణను చూపుతుంది. ఎడిటింగ్ కోసం ఖచ్చితంగా మొత్తం కంటెంట్ అందుబాటులో ఉంది: Python/R/Julia/SQL, ObjectScript మరియు వ్యాపార ప్రక్రియ.

మూర్తి 15 వివిధ IDEలలో ఇంటర్‌సిస్టమ్స్ IRIS వ్యాపార ప్రక్రియ అభివృద్ధి

బిజినెస్ ప్రాసెస్ లాంగ్వేజ్ (BPL)లో ఇంటర్‌సిస్టమ్స్ IRIS వ్యాపార ప్రక్రియలను వివరించడం మరియు అమలు చేయడం కోసం సాధనాలు ప్రత్యేకంగా ప్రస్తావించాల్సిన అవసరం ఉంది. BPL వ్యాపార ప్రక్రియలలో "రెడీమేడ్ ఇంటిగ్రేషన్ కాంపోనెంట్స్" (కార్యకలాపాలు) ఉపయోగించడం సాధ్యం చేస్తుంది - వాస్తవానికి, ఇంటర్‌సిస్టమ్స్ IRISలో "నిరంతర ఏకీకరణ" అమలు చేయబడుతుందని చెప్పడానికి ఇది ప్రతి కారణాన్ని ఇస్తుంది. రెడీమేడ్ బిజినెస్ ప్రాసెస్ కాంపోనెంట్‌లు (వాటి మధ్య కార్యకలాపాలు మరియు కనెక్షన్‌లు) AI/ML సొల్యూషన్‌ని అసెంబ్లింగ్ చేయడానికి శక్తివంతమైన యాక్సిలరేటర్. మరియు అసెంబ్లీలు మాత్రమే కాదు: అసమాన AI/ML డెవలప్‌మెంట్‌లు మరియు మెకానిజమ్‌ల ద్వారా వాటి మధ్య కార్యకలాపాలు మరియు కనెక్షన్‌లకు ధన్యవాదాలు, నిజ సమయంలో పరిస్థితికి అనుగుణంగా నిర్ణయాలు తీసుకోగల “స్వయంప్రతిపత్త నిర్వహణ పొర” ఏర్పడుతుంది.

ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌లో నిరంతర ఏకీకరణ (CI) కోసం మూర్తి 16 రెడీమేడ్ వ్యాపార ప్రక్రియ భాగాలు

ఏజెంట్ సిస్టమ్స్ (దీనిని "మల్టీ-ఏజెంట్ సిస్టమ్స్" అని కూడా పిలుస్తారు) అనే భావన రోబోటైజేషన్‌లో బలమైన స్థానాన్ని కలిగి ఉంది మరియు ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్ "ఉత్పత్తి-ప్రక్రియ" నిర్మాణం ద్వారా సేంద్రీయంగా మద్దతు ఇస్తుంది. మొత్తం పరిష్కారానికి అవసరమైన కార్యాచరణతో ప్రతి ప్రక్రియను "సగ్గుబియ్యం" కోసం అపరిమిత అవకాశాలతో పాటు, ప్లాట్‌ఫారమ్ ప్రక్రియల వ్యవస్థను "ఏజెన్సీ" యొక్క ఆస్తితో అందించడం వలన మీరు అత్యంత అస్థిరమైన అనుకరణ దృగ్విషయాలకు (సామాజిక/ ప్రవర్తన) సమర్థవంతమైన పరిష్కారాలను రూపొందించడానికి అనుమతిస్తుంది. బయోసిస్టమ్స్, పాక్షికంగా పరిశీలించదగిన సాంకేతిక ప్రక్రియలు మొదలైనవి).

మూర్తి 16 ఇంటర్‌సిస్టమ్స్ IRISలో ఏజెంట్-ఆధారిత వ్యాపార ప్రక్రియ వ్యవస్థగా AI/ML సొల్యూషన్ యొక్క ఆపరేషన్

మేము మా సమీక్షను ఇంటర్‌సిస్టమ్స్ IRIS యొక్క మొత్తం తరగతుల రియల్-టైమ్ సమస్యలను పరిష్కరించడానికి ప్లాట్‌ఫారమ్ యొక్క అనువర్తిత ఉపయోగం గురించి కథనాన్ని కొనసాగిస్తాము (InterSystems IRISలో ప్లాట్‌ఫారమ్ AI/ML యొక్క కొన్ని ఉత్తమ అభ్యాసాల గురించి చాలా వివరణాత్మక పరిచయం ఒకదానిలో చూడవచ్చు. మా మునుపటి వెబ్‌నార్లు).

మునుపటి రేఖాచిత్రం యొక్క ముఖ్య విషయంగా, ఏజెంట్ సిస్టమ్ యొక్క మరింత వివరణాత్మక రేఖాచిత్రం క్రింద ఉంది. రేఖాచిత్రం ఒకే నమూనాను చూపుతుంది, మొత్తం నాలుగు ఏజెంట్ ప్రక్రియలు కనిపిస్తాయి, వాటి మధ్య సంబంధాలు క్రమపద్ధతిలో డ్రా చేయబడతాయి: జెనరేటర్ - పరికరాల సెన్సార్ల ద్వారా డేటా సృష్టిని ప్రాసెస్ చేస్తుంది, బఫర్ - డేటా క్యూలను నిర్వహిస్తుంది, ఎనలైజర్ - మెషీన్ లెర్నింగ్‌ను నిర్వహిస్తుంది, మానిటర్ - పర్యవేక్షిస్తుంది మెషిన్ లెర్నింగ్ నాణ్యత మరియు మోడల్‌ను మళ్లీ శిక్షణ ఇవ్వాల్సిన అవసరం గురించి ఒక సంకేతాన్ని సమర్పించడం.

మూర్తి 17 ఇంటర్‌సిస్టమ్స్ IRISలో ఏజెంట్-ఆధారిత వ్యాపార ప్రక్రియ వ్యవస్థ రూపంలో AI/ML పరిష్కారం యొక్క కూర్పు

దిగువ రేఖాచిత్రం కొంత సమయం వరకు మరొక రోబోటిక్ ప్రోటోటైప్ (టెక్స్ట్‌ల యొక్క భావోద్వేగ రంగును గుర్తించడం) యొక్క స్వయంప్రతిపత్త పనితీరును వివరిస్తుంది. ఎగువ భాగంలో మోడల్ శిక్షణ యొక్క నాణ్యత సూచిక యొక్క పరిణామం (నాణ్యత పెరుగుతోంది), దిగువ భాగంలో మోడల్ అప్లికేషన్ యొక్క నాణ్యత సూచిక యొక్క డైనమిక్స్ మరియు పునరావృత శిక్షణ (ఎరుపు గీతలు) యొక్క వాస్తవాలు. మీరు చూడగలిగినట్లుగా, పరిష్కారం సమర్థవంతంగా మరియు స్వయంప్రతిపత్తితో నేర్చుకుంది మరియు ఇచ్చిన నాణ్యత స్థాయిలో పనిచేస్తుంది (నాణ్యత స్కోర్ విలువలు 80% కంటే తక్కువగా ఉండవు).

మూర్తి 18 ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌పై నిరంతర (స్వీయ) శిక్షణ (CT)

మేము ఇంతకు ముందు “ఆటో-ML”ని కూడా ప్రస్తావించాము, అయితే దిగువన ఉన్న రేఖాచిత్రం మరొక నమూనా యొక్క ఉదాహరణను ఉపయోగించి ఈ కార్యాచరణ యొక్క ఉపయోగాన్ని వివరంగా చూపుతుంది. వ్యాపార ప్రక్రియ యొక్క ఒక భాగం యొక్క గ్రాఫికల్ రేఖాచిత్రం H2O స్టాక్‌లో మోడలింగ్‌ను ప్రేరేపించే కార్యాచరణను చూపుతుంది, ఈ మోడలింగ్ ఫలితాలను చూపుతుంది (దీని యొక్క తులనాత్మక రేఖాచిత్రం ప్రకారం, "మానవ-నిర్మిత" నమూనాలపై ఫలిత నమూనా యొక్క స్పష్టమైన ఆధిపత్యం ROC వక్రతలు, అలాగే అసలు డేటా సెట్‌లో అందుబాటులో ఉన్న "అత్యంత ప్రభావవంతమైన వేరియబుల్స్" యొక్క స్వయంచాలక గుర్తింపు). ఇక్కడ ఒక ముఖ్యమైన విషయం ఏమిటంటే "ఆటో-ML" ద్వారా సాధించే సమయం మరియు నిపుణుల వనరులను ఆదా చేయడం: మా ప్లాట్‌ఫారమ్ ప్రక్రియ అర నిమిషంలో ఏమి చేస్తుంది (ఆప్టిమల్ మోడల్‌ను కనుగొనడం మరియు శిక్షణ ఇవ్వడం) నిపుణుడిని ఒక వారం నుండి ఒక నెల వరకు పట్టవచ్చు.

మూర్తి 19 ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌లో AI/ML సొల్యూషన్‌లో “ఆటో-ML” ఏకీకరణ

దిగువన ఉన్న రేఖాచిత్రం పాయింట్‌ను కొద్దిగా మిస్ చేస్తుంది, కానీ నిజ-సమయ సమస్యల తరగతుల గురించి కథనాన్ని ముగించడానికి ఇది ఒక మంచి మార్గం: InterSystems IRIS ప్లాట్‌ఫారమ్ యొక్క అన్ని సామర్థ్యాలతో పాటు, శిక్షణ నమూనాలు దాని నియంత్రణలో ఉన్నాయని మేము మీకు గుర్తు చేస్తున్నాము. తప్పనిసరి కాదు. ప్లాట్‌ఫారమ్ వెలుపలి నుండి పిఎమ్‌ఎమ్ఎల్ స్పెసిఫికేషన్ అని పిలవబడే మోడల్‌ను అందుకోగలదు, ప్లాట్‌ఫారమ్ నియంత్రణలో లేని సాధనంలో శిక్షణ పొందుతుంది - మరియు ఈ మోడల్‌ను దిగుమతి చేసుకున్న క్షణం నుండి నిజ సమయంలో వర్తింపజేయవచ్చు. PMML లక్షణాలు. చాలా సాధారణ కళాఖండాలు దీనిని అనుమతించినప్పటికీ, అన్ని AI/ML కళాఖండాలను PMML స్పెసిఫికేషన్‌కు తగ్గించలేమని పరిగణనలోకి తీసుకోవడం చాలా ముఖ్యం. అందువల్ల, ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్ “ఓపెన్ లూప్” మరియు వినియోగదారులకు “ప్లాట్‌ఫారమ్ బానిసత్వం” అని అర్థం కాదు.

మూర్తి 20 ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌లో AI/ML సొల్యూషన్‌లో “ఆటో-ML” ఏకీకరణ

కృత్రిమ మేధస్సు మరియు నిజ-సమయ మెషిన్ లెర్నింగ్ యొక్క ఆటోమేషన్‌లో చాలా ప్రాముఖ్యత కలిగిన ఇంటర్‌సిస్టమ్స్ IRIS (స్పష్టత కోసం, ప్రాసెస్ నియంత్రణకు సంబంధించి) యొక్క అదనపు ప్లాట్‌ఫారమ్ ప్రయోజనాలను జాబితా చేద్దాం:

• ఏదైనా డేటా సోర్స్‌లు మరియు వినియోగదారులతో (ప్రాసెస్ కంట్రోల్ సిస్టమ్/SCADA, పరికరాలు, MRO, ERP, మొదలైనవి) అభివృద్ధి చేసిన ఇంటిగ్రేషన్ సాధనాలు
• అంతర్నిర్మిత బహుళ-మోడల్ DBMS సాంకేతిక ప్రక్రియ డేటా యొక్క ఏదైనా వాల్యూమ్ యొక్క అధిక-పనితీరు గల లావాదేవీ మరియు విశ్లేషణాత్మక ప్రాసెసింగ్ (హైబ్రిడ్ ట్రాన్సాక్షన్/ఎనలిటికల్ ప్రాసెసింగ్, HTAP) కోసం
• పైథాన్, R, జూలియా ఆధారంగా నిజ-సమయ పరిష్కారాల కోసం AI/ML ఇంజిన్‌ల నిరంతర విస్తరణ కోసం అభివృద్ధి సాధనాలు
• రియల్ టైమ్ AI/ML సొల్యూషన్ ఇంజిన్‌ల నిరంతర ఏకీకరణ మరియు (స్వీయ) అభ్యాసం కోసం అనుకూల వ్యాపార ప్రక్రియలు
• ప్రాసెస్ డేటా మరియు AI/ML సొల్యూషన్ ఫలితాలను విజువలైజ్ చేయడానికి బిల్ట్-ఇన్ బిజినెస్ ఇంటెలిజెన్స్ టూల్స్
• API నిర్వహణ నియంత్రణ వ్యవస్థలు/SCADA, సమాచారం మరియు విశ్లేషణాత్మక వ్యవస్థలు, హెచ్చరికలు పంపడం మొదలైనవాటికి AI/ML పరిష్కారం యొక్క ఫలితాలను అందించడం కోసం.

ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌లోని AI/ML సొల్యూషన్‌లు ఇప్పటికే ఉన్న IT ఇన్‌ఫ్రాస్ట్రక్చర్‌కి సులభంగా సరిపోతాయి. InterSystems IRIS ప్లాట్‌ఫారమ్ AI/ML సొల్యూషన్‌ల యొక్క అధిక విశ్వసనీయతను నిర్ధారిస్తుంది, దోషాలను తట్టుకునే మరియు విపత్తు-తట్టుకునే కాన్ఫిగరేషన్‌లు మరియు వర్చువల్ పరిసరాలలో, భౌతిక సర్వర్‌లలో, ప్రైవేట్ మరియు పబ్లిక్ క్లౌడ్‌లలో మరియు డాకర్ కంటైనర్‌లలో సౌకర్యవంతమైన విస్తరణకు మద్దతు ఇస్తుంది.

అందువలన, ఇంటర్‌సిస్టమ్స్ IRIS అనేది సార్వత్రిక నిజ-సమయ AI/ML కంప్యూటింగ్ ప్లాట్‌ఫారమ్. మా ప్లాట్‌ఫారమ్ యొక్క సార్వత్రికత అమలు చేయబడిన గణనల సంక్లిష్టతపై వాస్తవ పరిమితులు లేకపోవడం, అనేక రకాల పరిశ్రమల నుండి దృశ్యాలను (నిజ సమయంలో) ప్రాసెసింగ్‌ని కలపడానికి ఇంటర్‌సిస్టమ్స్ IRIS సామర్థ్యం మరియు అసాధారణమైన అనుకూలత ద్వారా ఆచరణలో నిర్ధారించబడింది. వినియోగదారుల నిర్దిష్ట అవసరాలకు ఏదైనా ప్లాట్‌ఫారమ్ ఫంక్షన్‌లు మరియు మెకానిజమ్స్.

మూర్తి 21 ఇంటర్‌సిస్టమ్స్ IRIS - యూనివర్సల్ రియల్ టైమ్ AI/ML కంప్యూటింగ్ ప్లాట్‌ఫారమ్

ఇక్కడ అందించిన విషయాలపై ఆసక్తి ఉన్న మా పాఠకుల వారితో మరింత ముఖ్యమైన పరస్పర చర్య కోసం, దానిని చదవడానికే పరిమితం చేసుకోవద్దని మరియు “లైవ్” డైలాగ్‌ని కొనసాగించాలని మేము సిఫార్సు చేస్తున్నాము. మీ కంపెనీ ప్రత్యేకతలకు సంబంధించి నిజ-సమయ AI/ML దృశ్యాలను రూపొందించడం, ఇంటర్‌సిస్టమ్స్ IRIS ప్లాట్‌ఫారమ్‌లో ఉమ్మడి ప్రోటోటైపింగ్ చేయడం, ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మరియు మెషిన్ లెర్నింగ్‌ని పరిచయం చేయడానికి రోడ్‌మ్యాప్‌ను రూపొందించడం మరియు ఆచరణలో అమలు చేయడం వంటి వాటితో మేము మద్దతునిస్తాము. మీ ఉత్పత్తి మరియు నిర్వహణ ప్రక్రియల్లోకి. మా AI/ML నిపుణుల బృందం సంప్రదింపు ఇమెయిల్ – [ఇమెయిల్ రక్షించబడింది].

మూలం: www.habr.com