InterSystems IRIS - unibersal na real-time na platform ng AI/ML

May-akda: Sergey Lukyanchikov, InterSystems Consulting Engineer

Real-time na AI/ML Computing Challenges

Magsimula tayo sa mga halimbawa mula sa karanasan ng kasanayan sa Data Science sa InterSystems:

• Ang "na-load" na portal ng mamimili ay konektado sa isang online na sistema ng pagrerekomenda. Paparating na ang muling pagsasaayos ng mga promosyon sa laki ng retail network (halimbawa, sa halip na isang "flat" na linya ng mga promosyon, ang "segment-tactics" na matrix ay gagamitin na ngayon). Ano ang mangyayari sa mga nagrerekomenda? Ano ang mangyayari sa pagsusumite at pag-update ng data sa mekanismo ng nagrerekomenda (ang dami ng data ng input ay tumaas ng 25000 beses)? Ano ang mangyayari sa pagbuo ng mga rekomendasyon (ang pangangailangan para sa isang libong beses na pagbaba sa threshold ng pag-filter ng mga panuntunan sa rekomendasyon dahil sa isang libong beses na pagtaas sa kanilang bilang at "saklaw")?
• Mayroong isang sistema para sa pagsubaybay sa posibilidad ng pag-unlad ng mga depekto sa mga node ng kagamitan. Ang isang sistema ng kontrol sa proseso ay konektado sa sistema ng pagsubaybay, na nagpapadala ng libu-libong mga parameter ng proseso bawat segundo. Ano ang mangyayari sa sistema ng pagsubaybay na dating nagtrabaho sa "mga manu-manong sample" (may kakayahang magbigay ng pangalawa-sa-segundong pagsubaybay sa posibilidad)? Ano ang mangyayari kung ang isang bagong bloke na may ilang daang mga column ay lilitaw sa data ng pag-input na may mga pagbabasa ng mga sensor na idinagdag kamakailan sa sistema ng kontrol ng proseso (kung at gaano katagal kinakailangan upang ihinto ang sistema ng pagsubaybay upang isama ang data mula sa mga bagong sensor sa pagsusuri)?
• Isang set ng mga mekanismo ng AI/ML (recommendatory, monitoring, predictive) ang ginawa, gamit ang mga resulta ng trabaho ng bawat isa. Ilang oras ng tao ang kinakailangan buwan-buwan upang maiangkop ang pagpapatakbo ng complex na ito sa mga pagbabago sa data ng input? Ano ang pangkalahatang "slowdown" na sinusuportahan ng kumplikadong paggawa ng desisyon (dalas ng paglitaw ng bagong sumusuportang impormasyon dito kaugnay sa dalas ng paglitaw ng bagong data ng input)?

Sa pagbubuod sa mga ito at sa marami pang ibang halimbawa, nakarating kami sa pagbuo ng mga hamon na lumitaw kapag lumipat sa paggamit ng machine learning at mga real-time na mekanismo ng artificial intelligence:

• Nasiyahan ba tayo sa bilis ng paglikha at pagbagay (sa pagbabago ng sitwasyon) ng mga pagpapaunlad ng AI / ML sa ating kumpanya?
• Hanggang saan sinusuportahan ng mga solusyon sa AI/ML na ginagamit namin ang real-time na pamamahala ng negosyo?
• Ang mga solusyon ba sa AI/ML na ginagamit namin ay nakapag-iisa (nang walang mga developer) na umangkop sa mga pagbabago sa data at mga kasanayan sa pamamahala ng negosyo?

Ang aming artikulo ay isang detalyadong pangkalahatang-ideya ng mga kakayahan ng InterSystems IRIS platform sa mga tuntunin ng pangkalahatang suporta para sa pag-deploy ng mga mekanismo ng AI / ML, pagpupulong (pagsasama) ng mga solusyon sa AI / ML at pagsasanay (pagsubok) ng mga solusyon sa AI / ML sa masinsinang data dumadaloy. Bumaling tayo sa pananaliksik sa merkado, mga pag-aaral ng kaso ng mga solusyon sa AI/ML, at mga konseptong aspeto ng tinutukoy natin bilang isang real-time na platform ng AI/ML sa artikulong ito.

Ang alam namin mula sa mga survey: mga real-time na application

Natuklasan surveyna isinagawa sa mga 800 IT professional noong 2019 ng Lightbend ay nagsasalita para sa kanilang sarili:

Figure 1 Mga nangungunang consumer ng real-time na data

Sipiin natin ang mga fragment ng ulat sa mga resulta ng survey na ito na mahalaga para sa atin sa ating pagsasalin:

“…Ang mga uso sa katanyagan ng mga tool sa pagsasama ng dataflow at, kasabay nito, ang suporta para sa containerized computing ay nagbibigay ng isang synergistic na tugon sa pangangailangan ng merkado para sa isang mas mahusay, makatuwiran, dynamic na panukala ng mga epektibong solusyon. Nagbibigay-daan ang mga stream ng data na mailipat ang impormasyon nang mas mabilis kaysa sa tradisyonal na packet data. Idinagdag dito ang kakayahang mabilis na maglapat ng mga pamamaraan sa pagkalkula, tulad ng mga rekomendasyong nakabatay sa AI/ML, upang lumikha ng mga bentahe sa mapagkumpitensya sa pamamagitan ng pagtaas ng kasiyahan ng customer. Ang karera para sa liksi ay nakakaapekto rin sa lahat ng mga tungkulin sa paradigm ng DevOps - na ginagawang mas mahusay ang pagbuo at pag-deploy ng application. … Walong daan at apat na mga propesyonal sa IT ang nagbigay ng impormasyon sa paggamit ng mga daloy ng data sa kanilang mga organisasyon. Ang mga respondente ay nakararami sa mga bansang Kanluranin (41% sa Europe at 37% sa North America) at halos pantay-pantay ang pagkakabahagi sa maliliit, katamtaman at malalaking kumpanya. …

… Ang artificial intelligence ay hindi hype. Limampu't walong porsyento ng mga gumagamit na ng pagpoproseso ng dataflow sa mga produktibong AI/ML na application ay nagkukumpirma na ang kanilang paggamit sa AI/ML ay makikita ang pinakamalaking pakinabang sa susunod na taon (kumpara sa iba pang mga application).

• Ayon sa karamihan ng mga sumasagot, ang paggamit ng mga daloy ng data sa AI / ML na mga sitwasyon ay makakatanggap ng pinakamalaking pagtaas sa susunod na taon.
• Ang mga application sa AI/ML ay lalago hindi lamang sa pamamagitan ng medyo bagong mga uri ng mga senaryo, kundi pati na rin sa pamamagitan ng tradisyonal na mga sitwasyon, kung saan ang real-time na data ay lalong ginagamit.
• Bilang karagdagan sa AI/ML, ang antas ng sigasig sa mga user ng IoT data pipelines ay kahanga-hanga - 48% ng mga nakapag-integrate na ng IoT data ay nagsasabi na ang pagpapatupad ng mga senaryo sa data na ito ay makakatanggap ng malaking pagtaas sa malapit na hinaharap. … »

Mula sa medyo kawili-wiling survey na ito, makikita na ang perception ng machine learning at artificial intelligence scenario bilang mga nangunguna sa pagkonsumo ng mga stream ng data ay "papunta na". Ngunit ang pang-unawa ng real-time na AI / ML sa pamamagitan ng DevOps optics ay nagiging isang pantay na mahalagang obserbasyon: dito maaari na nating simulan ang pag-uusap tungkol sa pagbabago ng nangingibabaw na kultura ng "isang beses na AI / ML na may ganap na naa-access na set ng data".

Real-time na konsepto ng AI/ML platform

Ang isang karaniwang application para sa real-time na AI/ML ay nasa kontrol sa proseso ng pagmamanupaktura. Sa halimbawa nito at isinasaalang-alang ang mga nakaraang pagmuni-muni, bubuo kami ng konsepto ng isang real-time na platform ng AI / ML.
Ang paggamit ng artificial intelligence at machine learning sa process control ay may ilang feature:

• Ang data sa estado ng teknolohikal na proseso ay masinsinang natatanggap: na may mataas na dalas at higit sa isang malawak na hanay ng mga parameter (hanggang sampu-sampung libong mga halaga ng parameter na ipinadala bawat segundo mula sa sistema ng kontrol ng proseso)
• Ang data sa pagtuklas ng mga depekto, hindi banggitin ang data sa kanilang pag-unlad, sa kabaligtaran, ay mahirap makuha at hindi regular, na nailalarawan sa pamamagitan ng hindi sapat na pag-type ng mga depekto at ang kanilang lokalisasyon sa oras (madalas na kinakatawan ng mga tala sa papel)
• Mula sa praktikal na pananaw, tanging ang "relevance window" ng paunang data ang magagamit para sa pagsasanay at paglalapat ng mga modelo, na sumasalamin sa dynamics ng teknolohikal na proseso para sa isang makatwirang sliding interval, na nagtatapos sa mga huling nabasa na halaga ng mga parameter ng proseso

Pinipilit kami ng mga tampok na ito, bilang karagdagan sa pagtanggap at pangunahing real-time na pagproseso ng matinding "broadband input" mula sa proseso, upang maisagawa (kaayon) ang aplikasyon, pagsasanay at kontrol sa kalidad ng mga resulta ng gawain ng mga modelo ng AI / ML - din sa real time. Ang "frame" na "nakikita" ng aming mga modelo sa sliding window ng kaugnayan ay patuloy na nagbabago – at kasama nito, nagbabago rin ang kalidad ng mga resulta ng gawa ng mga modelong AI / ML na sinanay sa isa sa mga "frame" sa nakaraan . Kung ang kalidad ng mga resulta ng trabaho ng mga modelo ng AI / ML ay lumala (halimbawa: ang halaga ng error sa pag-uuri ng "alarm-norm" ay lumampas sa mga hangganan na aming tinukoy), ang muling pagsasanay ng mga modelo ay dapat na awtomatikong magsimula sa mas maraming may-katuturang "frame" - at ang pagpili ng sandali upang simulan ang muling pagsasanay ng mga modelo ay dapat isaalang-alang kung paano ang tagal ng pagsasanay mismo, pati na rin ang dynamics ng pagkasira sa kalidad ng kasalukuyang bersyon ng mga modelo (dahil sa kasalukuyang mga bersyon ng mga modelo ay patuloy na inilalapat habang ang mga modelo ay sinasanay, at hanggang sa mabuo ang kanilang mga "retrained" na bersyon).

Ang InterSystems IRIS ay may mga pangunahing kakayahan sa platform upang paganahin ang mga real-time na solusyon sa AI/ML para sa kontrol sa proseso. Ang mga posibilidad na ito ay maaaring nahahati sa tatlong pangunahing grupo:

• Patuloy na pag-deploy (Continuous Deployment / Delivery, CD) ng bago o inangkop na umiiral na mga mekanismo ng AI / ML sa isang produktibong solusyon na gumagana sa real time sa InterSystems IRIS platform
• Patuloy na Pagsasama (CI) sa isang solong produktibong solusyon ng mga papasok na daloy ng data ng proseso, mga queue ng data para sa aplikasyon / pagsasanay / kontrol ng kalidad ng mga mekanismo ng AI / ML at pagpapalitan ng data / code / kontrol sa mga kapaligiran sa pagmomolde ng matematika, na isinaayos sa real-time InterSystems IRIS platform
• Ang tuluy-tuloy (sa-sarili) na pag-aaral (Continuous Training, CT) ng mga mekanismo ng AI / ML na isinagawa sa mga kapaligiran ng pagmomodelo ng matematika gamit ang data, code at mga aksyong kontrol ("mga desisyong ginawa") na ipinadala ng InterSystems IRIS platform

Ang pag-uuri ng mga kakayahan ng platform na may kaugnayan sa machine learning at artificial intelligence sa mga partikular na grupong ito ay hindi sinasadya. Sipiin natin ang metodolohikal publication Google, na nagbibigay ng konseptong batayan para sa pag-uuri na ito, sa aming pagsasalin:

“… Ang konsepto ng DevOps, na sikat ngayon, ay sumasaklaw sa pagbuo at pagpapatakbo ng malakihang mga sistema ng impormasyon. Ang mga bentahe ng pagpapatupad ng konseptong ito ay ang pagbawas sa tagal ng mga yugto ng pag-unlad, ang pagpapabilis ng pag-deploy ng pag-unlad, ang kakayahang umangkop ng pagpaplano ng pagpapalabas. Para makamit ang mga benepisyong ito, kinasasangkutan ng DevOps ang pagpapatupad ng hindi bababa sa dalawang kasanayan:

• Patuloy na Pagsasama (CI)
• Tuloy-tuloy na Paghahatid (CD)

Nalalapat din ang mga kagawiang ito sa mga platform ng AI/ML upang matiyak ang matatag at gumaganap na pagbuo ng mga produktibong solusyon sa AI/ML.

Ang mga platform ng AI/ML ay naiiba sa iba pang mga sistema ng impormasyon sa mga sumusunod na aspeto:

• Mga Kakayahan ng Koponan: Kapag gumagawa ng solusyon sa AI/ML, karaniwang kasama sa team ang mga data scientist o data scientist na nagsasagawa ng pagsusuri ng data, pagbuo ng modelo, at pagpapatunay. Maaaring hindi mga propesyonal na developer ng productive code ang mga miyembro ng team na ito.
• Pag-unlad: Ang mga mekanismo ng AI/ML ay likas na pang-eksperimento. Upang malutas ang problema sa pinakamabisang paraan, kinakailangan na pagbukud-bukurin ang iba't ibang kumbinasyon ng mga variable ng input, algorithm, pamamaraan ng pagmomodelo at mga parameter ng modelo. Ang pagiging kumplikado ng naturang paghahanap ay nakasalalay sa pagsubaybay sa "kung ano ang gumana / hindi gumana", tinitiyak ang muling paggawa ng mga yugto, pag-generalize ng mga pag-unlad para sa mga umuulit na pagpapatupad.
• Pagsubok: Ang pagsubok sa mga mekanismo ng AI/ML ay nangangailangan ng mas malaking hanay ng mga pagsubok kaysa sa karamihan ng iba pang mga development. Bilang karagdagan sa mga tipikal na pagsubok sa unit at integration, sinusubok ang validity ng data at ang kalidad ng mga resulta ng paglalapat ng modelo sa mga sample ng pagsasanay at kontrol.
• Deployment: Ang pag-deploy ng mga solusyon sa AI/ML ay hindi limitado sa mga predictive na serbisyo na naglalapat ng minsang sinanay na modelo. Ang mga solusyon sa AI / ML ay binuo sa paligid ng mga multi-stage na pipeline na nagsasagawa ng awtomatikong pagsasanay at paglalapat ng mga modelo. Ang pag-deploy ng mga naturang pipeline ay nagsasangkot ng pag-automate ng mga di-trivial na hakbang na tradisyunal na ginagawa ng mga data scientist upang makapagsanay at makapagsubok ng mga modelo.
• Produktibo: Maaaring magkulang sa performance ang mga AI/ML engine hindi lamang dahil sa hindi mahusay na programming, kundi dahil din sa pabago-bagong katangian ng input data. Sa madaling salita, maaaring bumaba ang pagganap ng mga mekanismo ng AI/ML dahil sa mas malawak na hanay ng mga dahilan kaysa sa pagganap ng mga nakasanayang pag-unlad. Nagreresulta ito sa pangangailangang subaybayan (online) ang performance ng aming mga AI/ML engine, at magpadala ng mga alerto o tanggihan ang mga resulta kung hindi umabot sa inaasahan ang performance.

Ang mga platform ng AI/ML ay katulad ng iba pang mga sistema ng impormasyon na parehong nangangailangan ng tuluy-tuloy na pagsasama ng code sa kontrol ng bersyon, pagsubok sa yunit, pagsubok sa pagsasama, patuloy na pag-deploy ng pag-unlad. Gayunpaman, sa kaso ng AI/ML, may ilang mahahalagang pagkakaiba:

• Ang CI (Continuous Integration) ay hindi na limitado sa pagsubok at pagpapatunay sa code ng mga naka-deploy na bahagi – kasama rin dito ang pagsubok at pagpapatunay ng data at mga modelo ng AI/ML.
• Ang CD (Continuous Delivery / Deployment, tuloy-tuloy na deployment) ay hindi limitado sa pagsusulat at pagpapalabas ng mga package o serbisyo, ngunit nagpapahiwatig ng platform para sa pagbuo, pag-aaral at paglalapat ng mga solusyon sa AI / ML.
• CT (Patuloy na Pagsasanay, patuloy na pag-aaral) - isang bagong elemento [approx. ng may-akda ng artikulo: isang bagong elemento na may kaugnayan sa tradisyonal na konsepto ng DevOps, kung saan ang CT ay karaniwang Continuous Testing], na likas sa AI / ML platforms, na responsable para sa awtonomiya na pamamahala sa mga mekanismo para sa pag-aaral at paglalapat ng mga modelo ng AI / ML. ... "

Maaari naming sabihin na ang machine learning at artificial intelligence na nagtatrabaho sa real-time na data ay nangangailangan ng mas malawak na hanay ng mga tool at kakayahan (mula sa pagbuo ng code hanggang sa pagsasaayos ng mathematical modeling environment), mas malapit na pagsasama-sama sa pagitan ng lahat ng functional at subject na lugar, mas mahusay na organisasyon ng tao at mapagkukunan ng makina.

Real-time na Scenario: Pagkilala sa Pagbuo ng mga Depekto sa Feed Pumps

Ang patuloy na paggamit ng larangan ng kontrol sa proseso bilang isang halimbawa, isaalang-alang ang isang tiyak na gawain (nabanggit na namin sa pinakadulo simula): kinakailangan na magbigay ng real-time na pagsubaybay sa pagbuo ng mga depekto sa mga bomba batay sa daloy ng mga parameter ng proseso at mga ulat ng mga tauhan ng pagpapanatili sa mga nakitang depekto.

Figure 2 Pagbubuo ng gawain ng pagsubaybay sa pagbuo ng mga depekto

Ang kakaiba ng karamihan ng mga gawaing itinakda sa ganitong paraan sa pagsasanay ay ang pagiging regular at kahusayan ng resibo ng data (APCS) ay dapat isaalang-alang laban sa background ng episodiko at hindi regular na paglitaw (at pagpaparehistro) ng iba't ibang uri ng mga depekto. Sa madaling salita: ang data mula sa proseso ng control system ay dumating nang isang beses sa isang segundo tama-tumpak, at ang mga depekto ay naitala gamit ang isang hindi matanggal na lapis na may petsa sa pangkalahatang notebook sa workshop (halimbawa: "12.01 - tumagas sa takip mula sa gilid ng 3rd bearing”).

Kaya, posibleng dagdagan ang pagbabalangkas ng problema sa sumusunod na mahalagang limitasyon: mayroon lamang kaming isang "label" ng isang depekto ng isang partikular na uri (ibig sabihin, ang isang halimbawa ng isang depekto ng isang partikular na uri ay kinakatawan ng data mula sa sistema ng kontrol sa proseso para sa isang tiyak na petsa - at wala kaming higit pang mga halimbawa ng isang depekto ng partikular na uri na ito). Kaagad tayong dinadala ng paghihigpit na ito sa labas ng saklaw ng classical machine learning (pinamamahalaang pag-aaral), kung saan dapat mayroong maraming "label".

Figure 3 Pagpino ng gawain ng pagsubaybay sa pagbuo ng mga depekto

Maaari ba nating "paramihin" ang tanging "label" sa ating pagtatapon? Oo kaya natin. Ang kasalukuyang estado ng bomba ay nailalarawan sa antas ng pagkakapareho sa mga rehistradong depekto. Kahit na walang paggamit ng mga pamamaraan ng dami, sa antas ng visual na pang-unawa, pagmamasid sa dinamika ng mga halaga ng data na nagmumula sa sistema ng kontrol ng proseso, marami ka nang matututunan:

Figure 4 Dynamics ng estado ng pump laban sa background ng "marka" ng isang depekto ng isang naibigay na uri

Ngunit ang visual na perception (kahit sa ngayon) ay hindi ang pinakaangkop na generator ng "mga tag" sa aming mabilis na pagbabago ng senaryo. Susuriin namin ang pagkakapareho ng kasalukuyang estado ng bomba sa mga naiulat na mga depekto gamit ang isang istatistikal na pagsubok.

Figure 5 Paglalapat ng istatistikal na pagsubok sa papasok na data laban sa background ng isang "label" ng isang depekto

Tinutukoy ng istatistikal na pagsubok ang posibilidad na ang mga talaan na may mga halaga ng mga parameter ng teknolohikal na proseso sa "flow-packet" na natanggap mula sa sistema ng kontrol ng proseso ay katulad ng mga talaan ng "label" ng isang tiyak na uri ng depekto. Ang halaga ng posibilidad na kinakalkula bilang resulta ng paglalapat ng istatistikal na pagsubok (index ng pagkakapareho ng istatistika) ay kino-convert sa isang halaga na 0 o 1, na nagiging isang "label" para sa machine learning sa bawat partikular na tala sa pakete ng pagkakatulad. Iyon ay, pagkatapos iproseso ang bagong natanggap na pakete ng mga rekord ng estado ng bomba gamit ang isang istatistikal na pagsubok, mayroon kaming pagkakataon na (a) idagdag ang paketeng ito sa sample ng pagsasanay para sa pagsasanay sa modelo ng AI / ML at (b) subaybayan ang kalidad ng ang kasalukuyang bersyon ng modelo kapag inilapat ito sa package na ito.

Figure 6 Paglalapat ng modelo ng machine learning sa papasok na data laban sa background ng isang "label" ng isang depekto

Sa isa sa aming nakaraan mga webinar ipinapakita at ipinapaliwanag namin kung paano pinapayagan ka ng InterSystems IRIS platform na ipatupad ang anumang mekanismo ng AI / ML sa anyo ng patuloy na pagpapatupad ng mga proseso ng negosyo na kumokontrol sa pagiging maaasahan ng mga resulta ng simulation at umaangkop sa mga parameter ng modelo. Kapag ipinapatupad ang prototype ng aming scenario na may mga pump, ginagamit namin ang lahat ng InterSystems IRIS functionality na ipinakita sa webinar - ipinapatupad sa proseso ng analyzer bilang bahagi ng aming solusyon, hindi klasikal na pinangangasiwaang pag-aaral, ngunit sa halip ay reinforcement learning, na awtomatikong kumokontrol sa sample para sa pagsasanay mga modelo. Ang mga rekord ay inilalagay sa sample ng pagsasanay kung saan ang isang "detection consensus" ay nangyayari pagkatapos ilapat ang parehong istatistikal na pagsubok at ang kasalukuyang bersyon ng modelo - ibig sabihin, ang parehong istatistikal na pagsubok (pagkatapos ng pagbabago ng index ng pagkakatulad sa 0 o 1), at ang modelo ay gumawa ng resulta sa naturang mga talaan 1. Sa isang bagong pagsasanay ng modelo, sa panahon ng pagpapatunay nito (ang bagong sinanay na modelo ay inilapat sa sarili nitong sample ng pagsasanay, na may paunang aplikasyon ng isang istatistikal na pagsubok dito), ang mga talaan na "nagsagawa ng not hold” ang resulta 1 pagkatapos maproseso ng statistical test (dahil sa patuloy na presensya sa pagsasanay ang sample ng mga record mula sa orihinal na "label" ng depekto) ay tinanggal mula sa sample ng pagsasanay, at ang bagong bersyon ng modelo ay natututo mula sa "label" ng depekto kasama ang "hinahawakan" na mga tala mula sa stream.

Figure 7 Robotization ng mga kalkulasyon ng AI/ML sa InterSystems IRIS

Kung may pangangailangan para sa isang uri ng "pangalawang opinyon" sa kalidad ng pagtuklas na nakuha ng lokal na pag-compute sa InterSystems IRIS, isang proseso ng tagapayo ay nilikha upang magsagawa ng mga modelo ng paglalapat ng pagsasanay sa isang control dataset gamit ang mga serbisyo ng cloud (halimbawa, Microsoft Azure , Amazon Web Services , Google Cloud Platform, atbp.):

Figure 8 Ikalawang Opinyon mula sa Microsoft Azure na inayos ng InterSystems IRIS

Ang prototype ng aming scenario sa InterSystems IRIS ay ginawa sa anyo ng isang agent-based na sistema ng analytical na mga proseso na nakikipag-ugnayan sa equipment object (pump), mathematical modelling environment (Python, R at Julia), at nagbibigay ng self-learning ng lahat. kasangkot ang mga mekanismo ng AI / ML - sa mga real-time na daloy ng data .

Figure 9 Pangunahing functionality ng real-time AI/ML solution sa InterSystems IRIS

Ang praktikal na resulta ng aming prototype:

• Defect pattern na kinikilala ng modelo (Enero 12):

• Isang umuunlad na depekto na kinikilala ng modelo, na hindi kasama sa sample (Setyembre 11, ang depekto mismo ay natiyak ng pangkat ng pagkumpuni pagkalipas lamang ng dalawang araw - Setyembre 13):

Ang simulation sa totoong data na naglalaman ng ilang mga episode ng parehong depekto ay nagpakita na ang aming solusyon, na ipinatupad sa InterSystems IRIS platform, ay nagbibigay-daan sa amin na matukoy ang pagbuo ng mga depekto ng ganitong uri ng ilang araw bago sila ma-detect ng repair team.

InterSystems IRIS - unibersal na real-time na AI/ML computing platform

Pinapasimple ng InterSystems IRIS platform ang pagbuo, pag-deploy, at pagpapatakbo ng mga real-time na solusyon sa data. Nagagawa ng InterSystems IRIS na sabay na magsagawa ng transactional at analytical na pagproseso ng data; mapanatili ang mga naka-synchronize na view ng data alinsunod sa ilang mga modelo (kabilang ang relational, hierarchical, object at dokumento); kumilos bilang isang platform ng pagsasama para sa isang malawak na hanay ng mga mapagkukunan ng data at mga indibidwal na aplikasyon; magbigay ng advanced na real-time na analytics sa structured at unstructured na data. Nagbibigay din ang InterSystems IRIS ng mga mekanismo para sa paggamit ng mga panlabas na tool sa pagsusuri, nagbibigay-daan sa kakayahang umangkop upang pagsamahin ang pagho-host sa cloud at sa mga lokal na server.

Ang mga application na binuo sa InterSystems IRIS platform ay na-deploy sa mga industriya, na tumutulong sa mga kumpanya na makamit ang makabuluhang pang-ekonomiyang halaga mula sa isang strategic at operational na pananaw, pagpapahusay sa paggawa ng desisyon at pagsasara ng mga puwang sa pagitan ng kaganapan, pagsusuri at pagkilos.

Figure 10 InterSystems IRIS architecture sa konteksto ng real-time AI/ML

Tulad ng nakaraang diagram, pinagsasama ng diagram sa ibaba ang bagong "coordinate system" (CD/CI/CT) sa daloy ng impormasyon sa pagitan ng mga item sa platform work. Ang visualization ay nagsisimula sa CD macro-mechanism at nagpapatuloy sa CI at CT macro-mechanism.

Figure 11 Scheme ng mga daloy ng impormasyon sa pagitan ng mga elemento ng AI/ML ng InterSystems IRIS platform

Ang kakanyahan ng mekanismo ng CD sa InterSystems IRIS: ang mga gumagamit ng platform (mga developer ng AI / ML solution) ay umaangkop sa umiiral at / o lumikha ng mga bagong pag-unlad ng AI / ML gamit ang isang espesyal na editor ng code ng mekanismo ng AI / ML: Jupyter (buong pangalan: Jupyter Notebook; gayundin, para sa kaiklian, ang mga dokumentong nilikha sa editor na ito ay tinatawag minsan). Sa Jupyter, may pagkakataon ang isang developer na isulat, i-debug at i-verify ang performance (kabilang ang paggamit ng graphics) ng isang partikular na AI / ML development bago ito i-host ("deploy") sa InterSystems IRIS. Malinaw na ang isang bagong pag-unlad na nilikha sa ganitong paraan ay makakatanggap lamang ng pangunahing pag-debug (dahil, sa partikular, ang Jupyter ay hindi gumagana sa mga real-time na stream ng data) - ito ay nasa pagkakasunud-sunod ng mga bagay, dahil ang pangunahing resulta ng pag-unlad sa Jupyter ay kumpirmasyon ng pangunahing operability ng isang hiwalay na AI / ML-mechanism ("ipinapakita ang inaasahang resulta sa sample ng data"). Katulad nito, ang isang mekanismo na inilagay na sa platform (tingnan ang mga sumusunod na macro-mechanism) bago ang pag-debug sa Jupyter ay maaaring mangailangan ng "rollback" sa form na "pre-platform" (pagbabasa ng data mula sa mga file, nagtatrabaho sa data sa pamamagitan ng xDBC sa halip na mga talahanayan, direktang pakikipag-ugnayan sa mga global - multidimensional data arrays InterSystems IRIS - atbp.).

Ang isang mahalagang aspeto ng pagpapatupad ng CD sa InterSystems IRIS ay ang pagsasama ng bidirectional ay ipinatupad sa pagitan ng platform at Jupyter, na nagbibigay-daan sa iyong ilipat sa platform (at, higit pa, proseso sa platform) na nilalaman sa Python, R at Julia (lahat ng tatlo ay mga programming language sa kaukulang nangungunang open-source source na kapaligiran ng mathematical modeling). Kaya, may kakayahan ang mga developer ng nilalamang AI/ML na "patuloy na i-deploy" ang nilalamang ito sa platform, nagtatrabaho sa kanilang pamilyar na editor ng Jupyter, na may mga pamilyar na library na available sa Python, R, Julia, at gumaganap ng pangunahing pag-debug (kung kinakailangan) sa labas ng platform .

Lumipat tayo sa macro mechanism ng CI sa InterSystems IRIS. Ang diagram ay nagpapakita ng macro-process ng "real-time na robot" (isang kumplikadong mga istruktura ng data, mga proseso ng negosyo at mga fragment ng code na inayos ng mga ito sa mga wika ng mga banig at ang wika ng ObjectScript - ang katutubong wika ng pag-unlad ng InterSystems IRIS). Ang gawain ng prosesong macro na ito ay upang mapanatili ang mga queue ng data na kinakailangan para sa pagpapatakbo ng mga mekanismo ng AI / ML (batay sa mga daloy ng data na ipinadala sa platform sa real time), gumawa ng mga desisyon tungkol sa pagkakasunud-sunod ng aplikasyon at ang "saklaw" ng AI / Mga mekanismo ng ML (sila rin ay "mga algoritmo ng matematika", " mga modelo", atbp. - maaaring matawag nang iba depende sa mga detalye ng pagpapatupad at mga kagustuhan sa terminolohikal), panatilihing napapanahon ang mga istruktura ng data para sa pagsusuri ng mga resulta ng gawain ng mga mekanismo ng AI / ML (mga cube, table, multidimensional data array, atbp.). atbp. - para sa mga ulat, dashboard, atbp.).

Isang mahalagang aspeto ng pagpapatupad ng CI sa InterSystems IRIS ay ang bidirectional integration ay ipinapatupad sa pagitan ng platform at mathematical modeling environment, na nagbibigay-daan sa pag-execute ng content na naka-host sa platform sa Python, R at Julia sa kani-kanilang mga environment kasama ang pagbabalik ng mga resulta ng execution. . Ang integration na ito ay ipinatupad sa parehong "terminal mode" (ibig sabihin, ang AI/ML content ay binuo bilang ObjectScript code na gumagawa ng mga tawag sa mats) at "business process mode" (ibig sabihin, ang AI/ML content ay binuo bilang isang business process gamit ang isang graphic editor, o kung minsan ay gumagamit ng Jupyter, o gumagamit ng IDE - IRIS Studio, Eclipse, Visual Studio Code). Ang kakayahang ma-edit ng mga proseso ng negosyo sa Jupyter ay makikita ng ugnayan sa pagitan ng IRIS sa antas ng CI at Jupyter sa antas ng CD. Ang isang mas detalyadong pangkalahatang-ideya ng pagsasama sa mathematical modeling environment ay ibinibigay sa ibaba. Sa yugtong ito, sa aming opinyon, mayroong lahat ng dahilan upang ayusin ang presensya sa platform ng lahat ng kinakailangang mga tool upang ipatupad ang "tuloy-tuloy na pagsasama" ng mga pagpapaunlad ng AI / ML (nagmula sa "tuloy-tuloy na pag-deploy") sa real-time na AI / Mga solusyon sa ML.

At ang pangunahing mekanismo ng macro: CT. Kung wala ito, walang AI / ML platform (bagaman ang "real time" ay ipapatupad sa pamamagitan ng CD / CI). Ang kakanyahan ng CT ay ang gawain ng platform na may mga "artifact" ng machine learning at artificial intelligence nang direkta sa mga working session ng mathematical modeling environment: mga modelo, mga talahanayan ng pamamahagi, mga vector ng matrix, mga layer ng mga neural network, atbp. Ang "trabaho" na ito, sa karamihan ng mga kaso, ay binubuo sa paglikha ng mga nabanggit na artifact sa mga kapaligiran (sa kaso ng mga modelo, halimbawa, ang "paglikha" ay binubuo ng pagtatakda ng detalye ng modelo at ang kasunod na pagpili ng mga halaga nito mga parameter - ang tinatawag na "pagsasanay" ng modelo), ang kanilang aplikasyon (para sa mga modelo: gamit ang mga ito upang kalkulahin ang mga halaga ng "modelo" ng mga target na variable - mga pagtataya, kabilang sa isang kategorya, ang posibilidad ng isang kaganapan, atbp. ) at pagpapabuti ng mga nagawa na at inilapat na artifact (halimbawa, muling pagtukoy sa hanay ng mga variable ng input ng modelo batay sa mga resulta ng aplikasyon – upang mapataas ang katumpakan ng hula, bilang isang opsyon). Ang pangunahing punto sa pag-unawa sa papel ng CT ay ang "abstraction" nito mula sa mga katotohanan ng CD at CI: Ipapatupad ng CT ang lahat ng artifact, na tumututok sa computational at mathematical specifics ng AI ​​/ML solution sa loob ng mga kakayahan na ibinigay ng mga partikular na kapaligiran . Ang responsibilidad para sa "pagbibigay ng data ng input" at "paghahatid ng mga resulta" ay magiging responsibilidad ng CD at CI.

Isang mahalagang aspeto ng pagpapatupad ng CT sa InterSystems IRIS: gamit ang pagsasama sa mga mathematical modeling environment na nabanggit na sa itaas, ang platform ay may kakayahang kunin ang parehong mga artifact mula sa mga sesyon ng trabaho na tumatakbo sa ilalim ng kontrol nito sa mga kapaligiran at (pinaka-mahalaga) gawing platform ang mga ito mga bagay ng datos. Halimbawa, ang isang talahanayan ng pamamahagi na nilikha sa isang gumaganang Python session ay maaaring (nang hindi humihinto sa session sa Python) na ilipat sa platform sa anyo ng, halimbawa, isang global (multidimensional InterSystems IRIS data array) - at ginamit para sa mga kalkulasyon sa isa pang mekanismo ng AI / ML (naipatupad na sa wika ng ibang kapaligiran - halimbawa, sa R) - o isang virtual na talahanayan. Isa pang halimbawa: kahanay sa "normal na mode" ng pagpapatakbo ng modelo (sa Python working session), ang "auto-ML" ay isinasagawa sa data ng pag-input nito: awtomatikong pagpili ng pinakamainam na mga variable ng input at mga halaga ng parameter. At kasama ang "regular" na pagsasanay, ang produktibong modelo sa real time ay tumatanggap din ng isang "panukala sa pag-optimize" para sa pagtutukoy nito - kung saan nagbabago ang hanay ng mga variable ng input, nagbabago ang mga halaga ng parameter (hindi bilang resulta ng pagsasanay sa Python , ngunit bilang resulta ng pagsasanay ng isang "alternatibong bersyon ng sarili nito, tulad ng sa H2O stack), na nagbibigay-daan sa pangkalahatang solusyon ng AI/ML na awtonomiya na harapin ang mga hindi inaasahang pagbabago sa likas na katangian ng input data at ang mga phenomena na ginagampanan.

Kilalanin natin nang mas detalyado ang platform AI / ML functionality ng InterSystems IRIS, gamit ang halimbawa ng isang real-life prototype.

Sa diagram sa ibaba, sa kaliwang bahagi ng slide, mayroong isang bahagi ng proseso ng negosyo na nagpapatupad ng pagproseso ng mga script sa Python at R. Sa gitnang bahagi, mayroong mga visual log para sa pagpapatupad ng ilan sa mga script na ito, ayon sa pagkakabanggit, sa Python at R. Sa likod mismo ng mga ito ay mga halimbawa ng nilalaman sa isa at isa pang wika, na isinumite para sa pagpapatupad sa naaangkop na mga kapaligiran. Sa dulo sa kanan ay mga visualization batay sa mga resulta ng script execution. Ang mga visualization sa itaas ay ginawa sa IRIS Analytics (ang data ay kinuha mula sa Python patungo sa InterSystems IRIS data platform at ipinapakita sa dashboard gamit ang platform), sa ibaba ay ginawa ang mga ito sa R ​​working session at output mula doon sa graphic. mga file. Isang mahalagang aspeto: ang ipinakita na fragment sa prototype ay responsable para sa pagsasanay ng modelo (pag-uuri ng mga estado ng kagamitan) sa data na darating sa real time mula sa proseso-simulator ng kagamitan, sa utos mula sa proseso-monitor ng kalidad ng pag-uuri naobserbahan sa panahon ng aplikasyon ng modelo. Ang pagpapatupad ng solusyon sa AI/ML bilang isang hanay ng mga prosesong nakikipag-ugnayan ("mga ahente") ay tatalakayin pa.

Figure 12 Pakikipag-ugnayan sa Python, R at Julia sa InterSystems IRIS

Ang mga proseso ng platform (sila rin ay "mga proseso ng negosyo", "mga proseso ng analitikal", "mga pipeline", atbp. - depende sa konteksto), ay pangunahing na-edit sa isang graphical na editor ng proseso ng negosyo sa mismong platform, at sa paraang pareho ang block diagram nito at ang kaukulang mekanismo ng AI/ML (program code) ay nilikha nang sabay-sabay. Sa pagsasalita tungkol sa katotohanan na "nakuha ang isang mekanismo ng AI / ML", una naming ibig sabihin ay hybridity (sa loob ng parehong proseso): ang nilalaman sa mga wika ng mga kapaligiran sa pagmomodelo ng matematika ay katabi ng nilalaman sa SQL (kabilang ang mga extension mula sa IntegratedML), sa InterSystems ObjectScript, kasama ang iba pang sinusuportahang wika. Bukod dito, ang proseso ng platform ay nagbibigay ng napakalawak na mga posibilidad para sa "pagguhit" sa anyo ng mga hierarchically nested fragment (tulad ng makikita sa halimbawa sa diagram sa ibaba), na nagbibigay-daan sa iyong epektibong ayusin ang kahit na napakakomplikadong nilalaman nang hindi "nahuhulog" ng ang graphic na format kahit saan (sa “non-graphic » method/classes/procedures, atbp.). Iyon ay, kung kinakailangan (at ito ay inaasahan sa karamihan ng mga proyekto), ganap na lahat ng AI / ML solusyon ay maaaring ipatupad sa isang graphical na self-commenting na format. Pakitandaan na sa gitnang bahagi ng diagram sa ibaba, na nagpapakita ng mas mataas na "nesting level", makikita na bilang karagdagan sa aktwal na gawain ng pagsasanay sa modelo (gamit ang Python at R), isang pagsusuri ng tinatawag na Ang ROC curve ng sinanay na modelo ay idinagdag, na nagbibigay-daan sa biswal (at computational din) na suriin ang kalidad ng pagsasanay - at ang pagsusuri na ito ay ipinatupad sa wikang Julia (ito ay isinagawa, ayon sa pagkakabanggit, sa kapaligiran ni Julia).

Figure 13 Visual na kapaligiran para sa pagbuo ng mga solusyon sa AI/ML sa InterSystems IRIS

Tulad ng nabanggit kanina, ang paunang pag-unlad at (sa ilang mga kaso) pagbagay ng mga mekanismo ng AI / ML na ipinatupad na sa platform ay / maaaring gawin sa labas ng platform sa editor ng Jupyter. Sa diagram sa ibaba, nakikita namin ang isang halimbawa ng pag-aangkop sa isang kasalukuyang proseso ng platform (katulad ng sa diagram sa itaas) - ganito ang hitsura ng fragment na responsable para sa pagsasanay sa modelo sa Jupyter. Ang nilalaman ng Python ay magagamit para sa pag-edit, pag-debug, output ng graphics nang direkta sa Jupyter. Maaaring gawin ang mga pagbabago (kung kinakailangan) gamit ang agarang pag-synchronize sa proseso ng platform, kasama ang bersyon ng produksyon nito. Katulad nito, ang bagong nilalaman ay maaaring ilipat sa platform (isang bagong proseso ng platform ay awtomatikong nabuo).

Figure 14 Paggamit ng Jupyter Notebook para I-edit ang AI/ML Engine sa InterSystems IRIS Platform

Ang adaptasyon ng proseso ng platform ay maaaring gawin hindi lamang sa isang graphical o notebook na format, kundi pati na rin sa "kabuuang" IDE (Integrated Development Environment) na format. Ang mga IDE na ito ay IRIS Studio (katutubong IRIS studio), Visual Studio Code (InterSystems IRIS extension para sa VSCode), at Eclipse (Atelier plugin). Sa ilang mga kaso, posible para sa development team na gamitin ang lahat ng tatlong IDE sa parehong oras. Ang diagram sa ibaba ay nagpapakita ng isang halimbawa ng pag-edit ng parehong proseso sa IRIS studio, sa Visual Studio Code at sa Eclipse. Ganap na lahat ng nilalaman ay magagamit para sa pag-edit: Python / R / Julia / SQL, at ObjectScript, at isang proseso ng negosyo.

Figure 15 Pagbuo ng InterSystems IRIS na proseso ng negosyo sa iba't ibang IDE

Ang InterSystems IRIS business process description at execution tool sa Business Process Language (BPL) ay nararapat na espesyal na banggitin. Ginagawang posible ng BPL na gamitin ang "mga handa na bahagi ng pagsasama" (mga aktibidad) sa mga proseso ng negosyo - na, sa katunayan, ay nagbibigay ng buong dahilan upang igiit na ang "patuloy na pagsasama" ay ipinatupad sa InterSystems IRIS. Ang mga handa na bahagi ng proseso ng negosyo (mga aktibidad at mga link sa pagitan ng mga ito) ay ang pinakamakapangyarihang accelerator para sa pag-assemble ng solusyon sa AI/ML. At hindi lamang mga pagtitipon: salamat sa mga aktibidad at koneksyon sa pagitan nila, sa magkakaibang mga pag-unlad at mekanismo ng AI / ML, lumilitaw ang isang "autonomous na layer ng pamamahala" na maaaring gumawa ng mga desisyon ayon sa sitwasyon, sa real time.

Figure 16 Handa nang mga bahagi ng proseso ng negosyo para sa tuluy-tuloy na pagsasama (CI) sa InterSystems IRIS platform

Ang konsepto ng mga sistema ng ahente (sila rin ay "mga multi-agent system") ay may isang malakas na posisyon sa robotics, at ang InterSystems IRIS platform ay organikong sumusuporta dito sa pamamagitan ng "produkto-proseso" na konstruksyon. Bilang karagdagan sa walang limitasyong mga posibilidad para sa "pagpupuno" sa bawat proseso ng pag-andar na kinakailangan para sa pangkalahatang solusyon, ang pagbibigay sa sistema ng mga proseso ng platform na may pag-aari ng "ahensya" ay nagpapahintulot sa iyo na lumikha ng mga epektibong solusyon para sa labis na hindi matatag na simulate na mga phenomena (pag-uugali ng mga social/biosystem , bahagyang napapansin na mga teknolohikal na proseso, atbp.).

Figure 16 Operasyon ng AI/ML solution bilang isang business process agent system sa InterSystems IRIS

Ipinagpapatuloy namin ang aming pagsusuri sa InterSystems IRIS na may kwento tungkol sa aplikasyon ng platform para sa paglutas ng buong klase ng mga real-time na problema (isang medyo detalyadong kakilala sa ilan sa mga pinakamahusay na kasanayan ng platform AI / ML sa InterSystems IRIS ay nangyayari sa isa sa aming nakaraang mga webinar).

Sa mainit na pagtugis ng nakaraang diagram, nasa ibaba ang isang mas detalyadong diagram ng sistema ng ahente. Ang diagram ay nagpapakita ng parehong prototype, lahat ng apat na proseso ng ahente ay nakikita, ang mga ugnayan sa pagitan ng mga ito ay iginuhit ng eskematiko: GENERATOR - pinangangasiwaan ang paglikha ng data sa pamamagitan ng mga sensor ng kagamitan, BUFFER - namamahala sa mga pila ng data, ANALYZER - nagsasagawa ng machine learning mismo, MONITOR - kinokontrol ang kalidad ng machine learning at nagbibigay ng senyales na kailangang sanayin muli ang modelo.

Figure 17 Komposisyon ng AI/ML solution bilang isang business process agent system sa InterSystems IRIS

Ang diagram sa ibaba ay naglalarawan ng autonomous na paggana ng isa pang robotic prototype (emosyonal na pagkilala sa teksto) sa loob ng ilang panahon. Sa itaas na bahagi - ang ebolusyon ng tagapagpahiwatig ng kalidad ng pag-aaral ng modelo (lumalaki ang kalidad), sa ibabang bahagi - ang dinamika ng tagapagpahiwatig ng kalidad ng aplikasyon ng modelo at ang mga katotohanan ng paulit-ulit na pagsasanay (mga pulang bar). Tulad ng nakikita mo, ang solusyon ay natuto sa sarili nang mahusay at nagsasarili, at gumagana sa isang naibigay na antas ng kalidad (ang mga halaga ng tagapagpahiwatig ng kalidad ay hindi bumaba sa ibaba 80%).

Figure 18 Continuous (self-)learning (CT) sa InterSystems IRIS platform

Binanggit din namin ang "auto-ML" kanina, ngunit ipinapakita ng diagram sa ibaba ang application ng functionality na ito nang detalyado gamit ang isa pang prototype bilang isang halimbawa. Ang graphical na diagram ng fragment ng proseso ng negosyo ay nagpapakita ng aktibidad na nagsisimula sa simulation sa H2O stack, ay nagpapakita ng mga resulta ng simulation na ito (halatang pangingibabaw ng resultang modelo sa mga "gawa ng tao" na mga modelo, ayon sa comparative diagram ng ROC curves , pati na rin ang awtomatikong pagkakakilanlan ng "pinaka-maimpluwensyang mga variable" mula sa mga available sa orihinal na set ng data). Ang mahalagang punto dito ay ang pagtitipid ng oras at mga mapagkukunan ng eksperto, na nakakamit sa pamamagitan ng "auto-ML": kung ano ang ginagawa ng proseso ng aming platform sa kalahating minuto (paghahanap at pagsasanay sa pinakamainam na modelo), maaaring tumagal ang isang eksperto mula sa isang linggo hanggang isang buwan.

Figure 19 Auto-ML integration sa AI/ML solution batay sa InterSystems IRIS platform

Ang diagram sa ibaba ay "nagpapatumba sa kasukdulan" nang kaunti, ngunit ito ay isang magandang paraan upang makumpleto ang kuwento tungkol sa mga klase ng mga real-time na problema na niresolba: ipinaaalala namin sa iyo na sa lahat ng mga kakayahan ng InterSystems IRIS platform, ang mga modelo ng pagsasanay sa ilalim ang kontrol nito ay hindi sapilitan. Ang platform ay maaaring makakuha ng external na tinatawag na PMML model specification na sinanay sa isang tool na hindi kinokontrol ng platform - at ilapat ang modelong ito sa real time mula sa sandaling ito ay na-import. Mga pagtutukoy ng PMML. Kasabay nito, mahalagang isaalang-alang na hindi lahat ng artifact ng AI / ML ay maaaring bawasan sa isang detalye ng PMML, kahit na pinapayagan ito ng karamihan sa mga pinakakaraniwang artifact. Kaya, ang InterSystems IRIS platform ay may "open loop" at hindi nangangahulugang "platform slavery" para sa mga user.

Figure 20 Auto-ML integration sa AI/ML solution batay sa InterSystems IRIS platform

Inilista namin ang mga karagdagang bentahe ng platform ng InterSystems IRIS (para sa kalinawan, kaugnay ng kontrol sa proseso), na napakahalaga sa automation ng artificial intelligence at real-time machine learning:

• Mga advanced na tool sa pagsasama sa anumang data source at consumer (PCS/SCADA, equipment, MRO, ERP, atbp.)
• Built-in multi-modelo na DBMS para sa high-performance transactional-analytical processing (Hybrid Transaction/Analytical Processing, HTAP) ng anumang dami ng data ng proseso
• Mga tool sa pag-develop para sa tuluy-tuloy na pag-deploy ng mga real-time na AI/ML decision engine batay sa Python, R, Julia
• Adaptive na proseso ng negosyo para sa patuloy na pagsasama at (self-) na mga mekanismo ng pag-aaral ng mga real-time na solusyon sa AI/ML
• Naka-embed na mga tool sa Business Intelligence para sa pag-visualize ng data ng proseso at mga resulta ng solusyon sa AI/ML
• Pamamahala ng API upang maihatid ang mga resulta ng solusyon ng AI / ML upang maproseso ang mga control system / SCADA, impormasyon at analytical system, pagpapadala ng mga alerto, atbp.

Ang mga solusyon sa AI / ML batay sa InterSystems IRIS platform ay madaling magkasya sa umiiral na imprastraktura ng IT. Ang InterSystems IRIS platform ay nagbibigay ng mataas na pagiging maaasahan ng mga solusyon sa AI/ML sa pamamagitan ng suporta para sa fault-tolerant at disaster-tolerant na mga configuration at flexible na pag-deploy sa mga virtual na kapaligiran, sa mga pisikal na server, sa pribado at pampublikong ulap, mga Docker container.

Kaya, ang InterSystems IRIS ay isang unibersal na real-time na AI/ML computing platform. Ang pagiging pangkalahatan ng aming platform ay nakumpirma sa pagsasanay sa pamamagitan ng kawalan ng mga de facto na paghihigpit sa pagiging kumplikado ng ipinatupad na mga kalkulasyon, ang kakayahan ng InterSystems IRIS na pagsamahin (sa real time) ang pagproseso ng mga sitwasyon mula sa isang malawak na iba't ibang mga industriya, at ang pambihirang kakayahang umangkop ng anumang mga function at mekanismo ng platform sa mga partikular na pangangailangan ng user.

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

Para sa isang mas mahalagang pakikipag-ugnayan sa aming mga mambabasa na interesado sa materyal na ipinakita dito, inirerekumenda namin na huwag mong limitahan ang iyong sarili sa pagbabasa nito at ipagpatuloy ang dialogue na "live". Ikalulugod naming magbigay ng suporta sa pagbuo ng mga real-time na sitwasyon ng AI / ML na may kaugnayan sa mga detalye ng iyong kumpanya, magsagawa ng magkasanib na prototyping sa InterSystems IRIS platform, bumuo at magsagawa ng isang roadmap para sa pagpapakilala ng artificial intelligence at machine learning sa iyong mga proseso ng produksyon at pamamahala. Ang contact email address ng aming grupong eksperto sa AI/ML ay [protektado ng email].

Pinagmulan: www.habr.com