InterSystems IRIS - یونیورسل ریئل ٹائم AI/ML پلیٹ فارم

مصنف: سرگئی لوکیانچیکوف، انٹر سسٹم کنسلٹنگ انجینئر

ریئل ٹائم AI/ML کمپیوٹنگ چیلنجز

آئیے InterSystems میں ڈیٹا سائنس کی مشق کے تجربے سے مثالوں کے ساتھ شروع کریں:

• "لوڈ" خریدار پورٹل ایک آن لائن سفارشی نظام سے منسلک ہے۔ ریٹیل نیٹ ورک کے پیمانے پر پروموشنز کی ری اسٹرکچرنگ آرہی ہے (مثال کے طور پر، پروموشنز کی "فلیٹ" لائن کے بجائے، "سگمنٹ ٹیکٹکس" میٹرکس اب استعمال کیا جائے گا)۔ سفارش کرنے والوں کا کیا ہوتا ہے؟ تجویز کنندہ کے طریقہ کار کو ڈیٹا جمع کرنے اور اپ ڈیٹ کرنے سے کیا ہوتا ہے (ان پٹ ڈیٹا کا حجم 25000 گنا بڑھ گیا ہے)؟ سفارشات کی ترقی کا کیا ہوتا ہے (ان کی تعداد اور "حد" میں ہزار گنا اضافے کی وجہ سے سفارشی قواعد کی فلٹرنگ حد میں ہزار گنا کمی کی ضرورت)؟
• آلات کے نوڈس میں نقائص کی نشوونما کے امکان کی نگرانی کے لیے ایک نظام موجود ہے۔ ایک پروسیس کنٹرول سسٹم مانیٹرنگ سسٹم سے منسلک تھا، جو ہر سیکنڈ میں ہزاروں پروسیس پیرامیٹرز کو منتقل کرتا تھا۔ نگرانی کے نظام کا کیا ہوتا ہے جو پہلے "دستی نمونوں" پر کام کرتا تھا (کیا یہ دوسرے سے دوسرے امکان کی نگرانی فراہم کرنے کے قابل ہے)؟ اگر پروسیس کنٹرول سسٹم میں حال ہی میں شامل کیے گئے سینسرز کی ریڈنگ کے ساتھ ان پٹ ڈیٹا میں کئی سو کالموں کے ساتھ ایک نیا بلاک ظاہر ہوتا ہے تو کیا ہوگا (کیا اور کب تک مانیٹرنگ سسٹم کو روکنے کے لیے نئے سینسرز کا ڈیٹا شامل کرنا ضروری ہوگا؟ تجزیہ)؟
• ایک دوسرے کے کام کے نتائج کا استعمال کرتے ہوئے AI/ML میکانزم (تجویزی، نگرانی، پیشین گوئی) کا ایک سیٹ بنایا گیا ہے۔ اس کمپلیکس کے آپریشن کو ان پٹ ڈیٹا میں تبدیلیوں کے مطابق ڈھالنے کے لیے ماہانہ کتنے گھنٹے درکار ہیں؟ فیصلہ سازی کے کمپلیکس (نئے ان پٹ ڈیٹا کی موجودگی کی تعدد کے مقابلہ میں اس میں نئی ​​معاون معلومات کی موجودگی کی تعدد) کے ذریعہ مجموعی طور پر "سست روی" کی حمایت کیا ہے؟

ان اور بہت سی دوسری مثالوں کا خلاصہ کرتے ہوئے، ہم ان چیلنجوں کی تشکیل پر پہنچے جو مشین لرننگ اور ریئل ٹائم مصنوعی ذہانت کے طریقہ کار کے استعمال کی طرف بڑھتے ہوئے پیدا ہوتے ہیں:

• کیا ہم اپنی کمپنی میں AI/ML ترقیات کی تخلیق اور موافقت (بدلتی ہوئی صورتحال کے مطابق) کی رفتار سے مطمئن ہیں؟
• ہم کس حد تک AI/ML سلوشنز استعمال کرتے ہیں جو ریئل ٹائم بزنس مینجمنٹ کو سپورٹ کرتے ہیں؟
• کیا ہم جو AI/ML حل استعمال کرتے ہیں وہ آزادانہ طور پر (ڈویلپرز کے بغیر) ڈیٹا اور کاروباری انتظام کے طریقوں میں ہونے والی تبدیلیوں کے مطابق ہونے کے قابل ہیں؟

ہمارا مضمون AI/ML میکانزم کی تعیناتی، AI/ML حلوں کی اسمبلی (انضمام) اور انتہائی ڈیٹا پر AI/ML حلوں کی تربیت (ٹیسٹنگ) کے لیے عالمی تعاون کے لحاظ سے InterSystems IRIS پلیٹ فارم کی صلاحیتوں کا ایک تفصیلی جائزہ ہے۔ بہنا. ہم اس مضمون میں مارکیٹ ریسرچ، AI/ML حل کے کیس اسٹڈیز، اور اس کے تصوراتی پہلوؤں کی طرف رجوع کریں گے جسے ہم ریئل ٹائم AI/ML پلیٹ فارم کہتے ہیں۔

ہم سروے سے کیا جانتے ہیں: ریئل ٹائم ایپلی کیشنز

نتائج سروےلائٹ بینڈ کے ذریعہ 800 میں تقریباً 2019 آئی ٹی پروفیشنلز کے درمیان منعقد کیا گیا:

تصویر 1 ریئل ٹائم ڈیٹا کے معروف صارفین

آئیے اس سروے کے نتائج پر رپورٹ کے ان ٹکڑوں کا حوالہ دیتے ہیں جو ہمارے ترجمہ میں ہمارے لیے اہم ہیں:

"...ڈیٹا فلو انٹیگریشن ٹولز کی مقبولیت میں رجحانات اور ایک ہی وقت میں، کنٹینرائزڈ کمپیوٹنگ کے لیے سپورٹ، مؤثر حل کی زیادہ موثر، عقلی، متحرک تجویز کے لیے مارکیٹ کی طلب کے لیے ہم آہنگی کا ردعمل فراہم کرتی ہے۔ ڈیٹا اسٹریمز روایتی پیکٹ ڈیٹا سے زیادہ تیزی سے معلومات کی منتقلی کی اجازت دیتے ہیں۔ اس میں اضافہ صارفین کی اطمینان کے ذریعے مسابقتی فوائد پیدا کرنے کے لیے کمپیوٹیشنل طریقوں جیسے کہ AI/ML پر مبنی سفارشات کو تیزی سے لاگو کرنے کی صلاحیت بھی شامل ہے۔ چستی کی دوڑ DevOps کی تمثیل میں تمام کرداروں کو بھی متاثر کرتی ہے – جس سے ایپلیکیشن کی ترقی اور تعیناتی زیادہ موثر ہوتی ہے۔ … آٹھ سو چار آئی ٹی پیشہ ور افراد نے اپنی تنظیموں میں ڈیٹا کے بہاؤ کے استعمال کے بارے میں معلومات فراہم کیں۔ جواب دہندگان بنیادی طور پر مغربی ممالک میں واقع تھے (یورپ میں 41% اور شمالی امریکہ میں 37%) اور چھوٹی، درمیانی اور بڑی کمپنیوں میں تقریباً یکساں طور پر تقسیم کیے گئے تھے۔ …

… مصنوعی ذہانت ہائپ نہیں ہے۔ XNUMX فیصد وہ لوگ جو پہلے سے ہی پیداواری AI/ML ایپلی کیشنز میں ڈیٹا فلو پروسیسنگ استعمال کرتے ہیں اس بات کی تصدیق کرتے ہیں کہ AI/ML میں ان کے استعمال سے اگلے سال سب سے زیادہ فائدہ ہوگا (دیگر ایپلی کیشنز کے مقابلے)۔

• جواب دہندگان کی اکثریت کے مطابق، AI/ML منظرناموں میں ڈیٹا کے بہاؤ کا استعمال اگلے سال میں سب سے زیادہ اضافہ حاصل کرے گا۔
• AI/ML میں ایپلی کیشنز نہ صرف نسبتاً نئی قسم کے منظرناموں کے ذریعے بڑھیں گی، بلکہ روایتی منظرناموں کے ذریعے بھی بڑھیں گی، جن میں حقیقی وقت کا ڈیٹا تیزی سے استعمال ہوتا ہے۔
• AI/ML کے علاوہ، IoT ڈیٹا پائپ لائنز کے صارفین میں جوش و خروش کی سطح متاثر کن ہے - 48% ان لوگوں کا جو پہلے سے IoT ڈیٹا کو مربوط کر چکے ہیں کہتے ہیں کہ مستقبل قریب میں اس ڈیٹا پر منظرناموں کے نفاذ میں نمایاں اضافہ ہو گا۔ … »

اس دلچسپ سروے سے، یہ دیکھا جا سکتا ہے کہ مشین لرننگ اور مصنوعی ذہانت کے منظرناموں کا ڈیٹا اسٹریمز کے استعمال میں رہنما کے طور پر پہلے سے ہی "راستے پر" ہے۔ لیکن DevOps آپٹکس کے ذریعے ریئل ٹائم AI/ML کا ادراک بھی اتنا ہی اہم مشاہدہ بن جاتا ہے: یہاں ہم پہلے سے ہی "ایک وقتی AI/ML مکمل طور پر قابل رسائی ڈیٹا سیٹ" کے اب بھی غالب کلچر کی تبدیلی کے بارے میں بات کرنا شروع کر سکتے ہیں۔

ریئل ٹائم AI/ML پلیٹ فارم کا تصور

ریئل ٹائم AI/ML کے لیے ایک عام ایپلی کیشن مینوفیکچرنگ پروسیس کنٹرول میں ہے۔ اس کی مثال پر اور پچھلے مظاہر کو مدنظر رکھتے ہوئے، ہم ریئل ٹائم AI/ML پلیٹ فارم کا تصور تیار کریں گے۔
پروسیس کنٹرول میں مصنوعی ذہانت اور مشین لرننگ کے استعمال میں کئی خصوصیات ہیں:

• تکنیکی عمل کی حالت پر ڈیٹا شدت سے موصول ہوتا ہے: اعلی تعدد کے ساتھ اور پیرامیٹرز کی ایک وسیع رینج کے ساتھ (پروسیس کنٹرول سسٹم سے فی سیکنڈ میں منتقل ہونے والی دسیوں ہزار پیرامیٹر ویلیوز تک)
• نقائص کا پتہ لگانے سے متعلق ڈیٹا، ان کی نشوونما کے اعداد و شمار کا ذکر نہ کرنا، اس کے برعکس، نایاب اور بے قاعدہ ہیں، جس کی خصوصیت نقائص کی ناکافی ٹائپنگ اور وقت پر ان کی لوکلائزیشن (اکثر کاغذ پر ریکارڈ کے ذریعے ظاہر کی جاتی ہے)
• عملی نقطہ نظر سے، ماڈلز کی تربیت اور اطلاق کے لیے صرف ابتدائی اعداد و شمار کی "متعلق ونڈو" دستیاب ہے، جو ایک مناسب سلائیڈنگ وقفہ کے لیے تکنیکی عمل کی حرکیات کی عکاسی کرتی ہے، جس کا اختتام عمل کے پیرامیٹرز کی آخری پڑھی ہوئی اقدار کے ساتھ ہوتا ہے۔

یہ خصوصیات ہمیں اس عمل سے شدید "براڈ بینڈ ان پٹ" کو حاصل کرنے اور بنیادی ریئل ٹائم پروسیسنگ کے علاوہ، AI/ML ماڈلز کے کام کے نتائج کے اطلاق، تربیت اور کوالٹی کنٹرول کو (متوازی طور پر) انجام دینے پر مجبور کرتی ہیں۔ حقیقی وقت میں بھی. مطابقت کی سلائیڈنگ ونڈو میں ہمارے ماڈلز کو جو "فریم" نظر آتا ہے وہ مسلسل تبدیل ہوتا رہتا ہے – اور اس کے ساتھ ماضی میں کسی ایک "فریم" پر تربیت یافتہ AI/ML ماڈلز کے کام کے نتائج کا معیار بھی بدلتا رہتا ہے۔ . اگر AI / ML ماڈلز کے کام کے نتائج کا معیار خراب ہو جاتا ہے (مثال کے طور پر: "الارم-نارم" درجہ بندی کی غلطی کی قدر ہماری وضاحت کردہ حدود سے باہر ہو گئی ہے)، ماڈلز کی دوبارہ تربیت خود بخود شروع کر دی جائے گی۔ متعلقہ "فریم" - اور ماڈلز کی دوبارہ تربیت شروع کرنے کے لمحے کے انتخاب میں اس بات کو مدنظر رکھنا چاہیے کہ تربیت کا دورانیہ خود کس طرح ہے، نیز ماڈلز کے موجودہ ورژن کے معیار میں بگاڑ کی حرکیات (موجودہ ورژن کے بعد سے جب تک کہ ماڈلز کو تربیت دی جا رہی ہو، اور جب تک کہ ان کے "نئے تربیت یافتہ" ورژن تیار نہ ہو جائیں، ان کا اطلاق جاری رہتا ہے۔

InterSystems IRIS کے پاس پراسیس کنٹرول کے لیے ریئل ٹائم AI/ML سلوشنز کو فعال کرنے کے لیے پلیٹ فارم کی کلیدی صلاحیتیں ہیں۔ ان امکانات کو تین اہم گروہوں میں تقسیم کیا جا سکتا ہے:

• نئے یا موافق موجودہ AI/ML میکانزم کی مسلسل تعیناتی (مسلسل تعیناتی / ڈیلیوری، CD) ایک نتیجہ خیز حل میں جو InterSystems IRIS پلیٹ فارم پر حقیقی وقت میں کام کرتی ہے۔
• آنے والے عمل کے اعداد و شمار کے بہاؤ کے ایک واحد نتیجہ خیز حل میں مسلسل انضمام (CI)، AI/ML میکانزم کے اطلاق/تربیت/کوالٹی کنٹرول کے لیے ڈیٹا کی قطاریں اور ریاضی کے ماڈلنگ ماحول کے ساتھ ڈیٹا/کوڈ/کنٹرول ایکسچینج، جو حقیقی وقت میں ترتیب دیے جاتے ہیں۔ انٹر سسٹمز IRIS پلیٹ فارم
• انٹر سسٹمز IRIS پلیٹ فارم کے ذریعے منتقل کردہ ڈیٹا، کوڈ اور کنٹرول ایکشنز ("فیصلے کیے گئے") کا استعمال کرتے ہوئے ریاضیاتی ماڈلنگ کے ماحول میں AI/ML میکانزم کی مسلسل (خود سے) سیکھنے (مسلسل تربیت، CT)

بالکل ایسے گروپوں میں مشین لرننگ اور مصنوعی ذہانت کے سلسلے میں پلیٹ فارم کی صلاحیتوں کی درجہ بندی حادثاتی نہیں ہے۔ آئیے طریقہ کار کا حوالہ دیتے ہیں۔ اشاعت گوگل، جو اس درجہ بندی کے لیے ایک تصوراتی بنیاد فراہم کرتا ہے، ہمارے ترجمہ میں:

ڈی او اوپس کا تصور، جو ان دنوں مقبول ہے، بڑے پیمانے پر انفارمیشن سسٹمز کی ترقی اور آپریشن کا احاطہ کرتا ہے۔ اس تصور کو لاگو کرنے کے فوائد ترقیاتی سائیکلوں کی مدت میں کمی، ترقی کی تعیناتی میں تیزی، ریلیز کی منصوبہ بندی کی لچک ہے۔ ان فوائد کو حاصل کرنے کے لیے، DevOps میں کم از کم دو طریقوں کا نفاذ شامل ہے:

• مسلسل انضمام (CI)
• مسلسل ترسیل (CD)

یہ طرز عمل AI/ML پلیٹ فارمز پر بھی لاگو ہوتے ہیں تاکہ پیداواری AI/ML حل کی مضبوط اور پرفارمنس تعمیر کو یقینی بنایا جا سکے۔

AI/ML پلیٹ فارم دیگر معلوماتی نظاموں سے درج ذیل پہلوؤں میں مختلف ہیں:

• ٹیم کی قابلیت: AI/ML حل بناتے وقت، ٹیم میں عام طور پر ڈیٹا سائنسدان یا ڈیٹا سائنسدان شامل ہوتے ہیں جو ڈیٹا کا تجزیہ، ماڈل ڈیولپمنٹ، اور توثیق کرتے ہیں۔ یہ ٹیم کے اراکین پیداواری کوڈ کے پیشہ ور ڈویلپر نہیں ہوسکتے ہیں۔
• ترقی: AI/ML میکانزم فطرت میں تجرباتی ہیں۔ اس مسئلے کو انتہائی موثر طریقے سے حل کرنے کے لیے، ان پٹ متغیرات، الگورتھم، ماڈلنگ کے طریقوں اور ماڈل پیرامیٹرز کے مختلف امتزاج کے ذریعے ترتیب دینے کی ضرورت ہے۔ اس طرح کی تلاش کی پیچیدگی "کس چیز نے کام کیا / کام نہیں کیا" کا سراغ لگانا، اقساط کی تولیدی صلاحیت کو یقینی بنانا، اور بار بار چلنے والے نفاذ کے لیے پیش رفت کو عام کرنا۔
• ٹیسٹنگ: AI/ML میکانزم کی جانچ کے لیے دیگر پیش رفتوں کے مقابلے ٹیسٹوں کی ایک بڑی رینج کی ضرورت ہوتی ہے۔ عام یونٹ اور انضمام کے ٹیسٹ کے علاوہ، ڈیٹا کی درستگی اور ماڈل کو تربیت اور کنٹرول کے نمونوں پر لاگو کرنے کے نتائج کے معیار کی جانچ کی جاتی ہے۔
• تعیناتی: AI/ML حل کی تعیناتی صرف پیش گوئی کرنے والی خدمات تک محدود نہیں ہے جو ایک بار تربیت یافتہ ماڈل کا اطلاق کرتی ہیں۔ AI/ML سلوشنز ملٹی سٹیج پائپ لائنوں کے ارد گرد بنائے گئے ہیں جو خودکار ٹریننگ اور ماڈلز کا اطلاق کرتی ہیں۔ اس طرح کی پائپ لائنوں کی تعیناتی میں غیر معمولی اقدامات کو خودکار کرنا شامل ہے جو روایتی طور پر ڈیٹا سائنسدانوں کے ذریعہ دستی طور پر انجام دیا جاتا ہے تاکہ ماڈلز کی تربیت اور جانچ کی جا سکے۔
• پیداواری: AI/ML انجنوں میں نہ صرف غیر موثر پروگرامنگ کی وجہ سے کارکردگی کی کمی ہو سکتی ہے، بلکہ ان پٹ ڈیٹا کی بدلتی ہوئی نوعیت کی وجہ سے بھی۔ دوسرے لفظوں میں، AI/ML میکانزم کی کارکردگی روایتی پیشرفتوں کی کارکردگی کے مقابلے میں وسیع تر وجوہات کی وجہ سے گر سکتی ہے۔ اس کے نتیجے میں ہمارے AI/ML انجنوں کی کارکردگی کی نگرانی (آن لائن) کرنے کی ضرورت ہوتی ہے، اور اگر کارکردگی توقعات کے مطابق نہیں ہوتی ہے تو الرٹس بھیجنے یا نتائج کو مسترد کرنے کی ضرورت ہوتی ہے۔

AI/ML پلیٹ فارم دوسرے انفارمیشن سسٹمز کی طرح ہیں جس میں دونوں کو ورژن کنٹرول، یونٹ ٹیسٹنگ، انٹیگریشن ٹیسٹنگ، مسلسل ترقی کی تعیناتی کے ساتھ مسلسل کوڈ انضمام کی ضرورت ہوتی ہے۔ تاہم، AI/ML کے معاملے میں، چند اہم اختلافات ہیں:

• CI (مسلسل انٹیگریشن) اب صرف تعینات اجزاء کے کوڈ کی جانچ اور توثیق تک محدود نہیں ہے – اس میں ڈیٹا اور AI/ML ماڈلز کی جانچ اور تصدیق بھی شامل ہے۔
• سی ڈی (مسلسل ڈیلیوری/تعیناتی، مسلسل تعیناتی) صرف پیکجز یا خدمات کو لکھنے اور جاری کرنے تک محدود نہیں ہے، بلکہ AI/ML حل کی تحریر، سیکھنے اور لاگو کرنے کے لیے ایک پلیٹ فارم کا مطلب ہے۔
• CT (مسلسل تربیت، مسلسل سیکھنے) - ایک نیا عنصر [تقریبا. مضمون کے مصنف کی طرف سے: DevOps کے روایتی تصور کے سلسلے میں ایک نیا عنصر، جس میں CT عام طور پر Continuous Testing ہوتا ہے]، جو AI/ML پلیٹ فارمز میں موروثی ہے، جو AI/ML ماڈلز کو سیکھنے اور لاگو کرنے کے طریقہ کار کو خود مختار طریقے سے منظم کرنے کے لیے ذمہ دار ہے۔ ... "

ہم یہ کہہ سکتے ہیں کہ ریئل ٹائم ڈیٹا پر کام کرنے والی مشین لرننگ اور مصنوعی ذہانت کے لیے ٹولز اور قابلیت کے وسیع سیٹ کی ضرورت ہوتی ہے (کوڈ ڈیولپمنٹ سے لے کر ریاضیاتی ماڈلنگ کے ماحول کی آرکیسٹریشن تک)، تمام فنکشنل اور موضوعی شعبوں کے درمیان قریبی انضمام، انسانی اور زیادہ موثر تنظیم۔ مشین کے وسائل.

حقیقی وقت کا منظر نامہ: فیڈ پمپ میں نقائص کی نشوونما کو پہچاننا

عمل کے کنٹرول کے شعبے کو بطور مثال استعمال کرتے ہوئے، ایک مخصوص کام پر غور کریں (پہلے ہی شروع میں ہم نے اس کا تذکرہ کیا ہے): عمل کے پیرامیٹرز کے بہاؤ کی بنیاد پر پمپوں میں نقائص کی نشوونما کی اصل وقتی نگرانی فراہم کرنے کی ضرورت ہے۔ اور پتہ چلنے والے نقائص پر دیکھ بھال کرنے والے اہلکاروں کی رپورٹیں۔

شکل 2 نقائص کی نشوونما کی نگرانی کے کام کی تشکیل

عملی طور پر اس طرح سے طے شدہ کاموں کی اکثریت کی خاصیت یہ ہے کہ ڈیٹا کی وصولی (APCS) کی باقاعدگی اور کارکردگی کو مختلف قسم کے نقائص کے واقعاتی اور بے قاعدہ واقعات (اور رجسٹریشن) کے پس منظر میں سمجھا جانا چاہئے۔ دوسرے لفظوں میں: پراسیس کنٹرول سسٹم سے ڈیٹا ایک بار دوسری بار درست-درست آتا ہے، اور نقائص کو ایک انمٹ پنسل سے ریکارڈ کیا جاتا ہے جس میں ورکشاپ میں عام نوٹ بک میں تاریخ درج ہوتی ہے (مثال کے طور پر: "12.01 - کور میں لیک تیسری بیئرنگ کا سائیڈ")۔

اس طرح، مندرجہ ذیل اہم حد کے ساتھ مسئلہ کی تشکیل کو پورا کرنا ممکن ہے: ہمارے پاس کسی خاص قسم کے عیب کا صرف ایک "لیبل" ہے (یعنی، کسی خاص قسم کے عیب کی مثال کے اعداد و شمار سے ظاہر ہوتا ہے۔ ایک مخصوص تاریخ کے لیے پراسیس کنٹرول سسٹم - اور ہمارے پاس اس خاص قسم کی خرابی کی مزید مثالیں نہیں ہیں)۔ یہ پابندی ہمیں فوری طور پر کلاسیکل مشین لرننگ (سپروائزڈ لرننگ) کے دائرہ سے باہر لے جاتی ہے، جس کے لیے بہت سارے "لیبلز" ہونے چاہئیں۔

شکل 3 نقائص کی نشوونما کی نگرانی کے کام کی تطہیر

کیا ہم کسی طرح اپنے اختیار میں موجود واحد "لیبل" کو "ضرب" کرسکتے ہیں؟ ہاں ہم کر سکتے ہیں. پمپ کی موجودہ حالت رجسٹرڈ نقائص کے ساتھ مماثلت کی ڈگری کی طرف سے خصوصیات ہے. یہاں تک کہ مقداری طریقوں کے استعمال کے بغیر، بصری ادراک کی سطح پر، پراسیس کنٹرول سسٹم سے آنے والی ڈیٹا ویلیوز کی حرکیات کا مشاہدہ کرتے ہوئے، آپ پہلے ہی بہت کچھ سیکھ سکتے ہیں:

تصویر 4 دی گئی قسم کے عیب کے "نشان" کے پس منظر کے خلاف پمپ کی حالت کی حرکیات

لیکن بصری ادراک (کم از کم ابھی کے لیے) ہمارے تیزی سے بدلتے ہوئے منظر نامے میں "ٹیگز" کا سب سے موزوں جنریٹر نہیں ہے۔ ہم شماریاتی ٹیسٹ کا استعمال کرتے ہوئے رپورٹ شدہ نقائص سے پمپ کی موجودہ حالت کی مماثلت کا جائزہ لیں گے۔

شکل 5 کسی عیب کے "لیبل" کے پس منظر کے خلاف آنے والے ڈیٹا پر شماریاتی ٹیسٹ کا اطلاق

شماریاتی ٹیسٹ اس امکان کا تعین کرتا ہے کہ پروسیس کنٹرول سسٹم سے موصول ہونے والے "فلو پیکٹ" میں تکنیکی عمل کے پیرامیٹرز کی قدروں کے ساتھ ریکارڈ کسی خاص قسم کی خرابی کے "لیبل" ریکارڈز سے ملتے جلتے ہیں۔ شماریاتی ٹیسٹ (شماریاتی مماثلت انڈیکس) کو لاگو کرنے کے نتیجے میں شمار کی جانے والی امکانی قدر 0 یا 1 کی قدر میں تبدیل ہو جاتی ہے، مماثلت پیکج میں ہر مخصوص ریکارڈ میں مشین لرننگ کے لیے "لیبل" بن جاتی ہے۔ یعنی، ایک شماریاتی ٹیسٹ کے ساتھ پمپ اسٹیٹ ریکارڈ کے نئے موصول ہونے والے پیکیج پر کارروائی کرنے کے بعد، ہمارے پاس یہ موقع ہے کہ (a) AI/ML ماڈل کی تربیت کے لیے اس پیکیج کو تربیتی نمونے میں شامل کریں اور (b) کے معیار کی نگرانی کریں۔ ماڈل کا موجودہ ورژن جب اسے اس پیکیج پر لاگو کیا جاتا ہے۔

تصویر 6 عیب کے "لیبل" کے پس منظر کے خلاف آنے والے ڈیٹا پر مشین لرننگ ماڈل کا اطلاق

ہمارے پچھلے میں سے ایک میں ویبینرز ہم دکھاتے اور بتاتے ہیں کہ کس طرح InterSystems IRIS پلیٹ فارم آپ کو کسی بھی AI/ML میکانزم کو لاگو کرنے کی اجازت دیتا ہے جس میں کاروباری عمل کو مسلسل عمل میں لایا جا سکتا ہے جو نقلی نتائج کی وشوسنییتا کو کنٹرول کرتا ہے اور ماڈل پیرامیٹرز کو اپناتا ہے۔ پمپوں کے ساتھ اپنے منظر نامے کے پروٹو ٹائپ کو لاگو کرتے وقت، ہم ویبینار کے دوران پیش کردہ تمام InterSystems IRIS فعالیت کا استعمال کرتے ہیں - تجزیہ کار کے عمل میں ہمارے حل کے حصے کے طور پر لاگو کرنا، کلاسیکی زیر نگرانی سیکھنے کی بجائے، بلکہ کمک سیکھنے، جو خود بخود تربیت کے لیے نمونے کو کنٹرول کرتی ہے۔ ماڈلز ٹریننگ کے نمونے میں ریکارڈ رکھے جاتے ہیں جس پر شماریاتی ٹیسٹ اور ماڈل کے موجودہ ورژن دونوں کو لاگو کرنے کے بعد ایک "پتہ لگانے کا اتفاق" ہوتا ہے - یعنی دونوں شماریاتی ٹیسٹ (مماثلت انڈیکس کو 0 یا 1 میں تبدیل کرنے کے بعد)، اور ماڈل نے ایسے ریکارڈز پر نتیجہ پیدا کیا 1. ماڈل کی نئی تربیت کے ساتھ، اس کی توثیق کے دوران (نئے تربیت یافتہ ماڈل کو اس کے اپنے تربیتی نمونے پر لاگو کیا جاتا ہے، اس پر شماریاتی ٹیسٹ کی ابتدائی درخواست کے ساتھ)، وہ ریکارڈ جو " شماریاتی ٹیسٹ کے ذریعہ پروسیسنگ کے بعد نتیجہ 1 کو نہ رکھیں (تربیت میں مستقل موجودگی کی وجہ سے نقائص کے اصل "لیبل" سے ریکارڈ کا نمونہ) تربیتی نمونے سے ہٹا دیا جاتا ہے، اور ماڈل کا نیا ورژن سیکھتا ہے۔ خرابی کے "لیبل" کے علاوہ ندی کے "ہیلڈ" ریکارڈز سے۔

شکل 7 انٹر سسٹمز IRIS میں AI/ML حسابات کی روبوٹائزیشن

اگر InterSystems IRIS میں مقامی کمپیوٹنگ کے ذریعے حاصل کی جانے والی کھوج کے معیار پر کسی قسم کی "دوسری رائے" کی ضرورت ہو، تو کلاؤڈ سروسز کا استعمال کرتے ہوئے کنٹرول ڈیٹاسیٹ پر ٹریننگ اپلائی کرنے والے ماڈلز کو انجام دینے کے لیے ایک ایڈوائزر پروسیس بنایا جاتا ہے (مثال کے طور پر Microsoft Azure) , Amazon Web Services , Google Cloud Platform، وغیرہ):

مائیکروسافٹ Azure کی طرف سے تصویر 8 دوسری رائے InterSystems IRIS کے ذریعے ترتیب دی گئی ہے۔

InterSystems IRIS میں ہمارے منظر نامے کا پروٹو ٹائپ ایک ایجنٹ پر مبنی تجزیاتی عمل کے نظام کی شکل میں بنایا گیا ہے جو آلات آبجیکٹ (پمپ)، ریاضیاتی ماڈلنگ ماحول (Python, R اور جولیا) کے ساتھ تعامل کرتا ہے، اور سب کو خود سیکھنے کی سہولت فراہم کرتا ہے۔ شامل AI / ML میکانزم - ریئل ٹائم ڈیٹا کے بہاؤ پر۔

تصویر 9 انٹر سسٹم IRIS میں ریئل ٹائم AI/ML حل کی اہم فعالیت

ہمارے پروٹو ٹائپ کا عملی نتیجہ:

• ماڈل کے ذریعے پہچانا گیا خرابی کا نمونہ (12 جنوری):

• ماڈل کے ذریعے پہچانا جانے والا ایک ترقی پذیر نقص، جسے نمونے میں شامل نہیں کیا گیا تھا (11 ستمبر، اس خرابی کا خود مرمت ٹیم نے صرف دو دن بعد پتہ لگایا تھا - 13 ستمبر):

ایک ہی خرابی کی کئی اقساط پر مشتمل حقیقی ڈیٹا پر نقلی طریقہ سے یہ ظاہر ہوا کہ ہمارا حل، جو InterSystems IRIS پلیٹ فارم پر لاگو کیا گیا ہے، ہمیں اس قسم کے نقائص کی نشوونما کا پتہ لگانے کی اجازت دیتا ہے اس سے پہلے کہ وہ مرمت کی ٹیم کی طرف سے پتہ لگائے جائیں۔

InterSystems IRIS - یونیورسل ریئل ٹائم AI/ML کمپیوٹنگ پلیٹ فارم

InterSystems IRIS پلیٹ فارم ریئل ٹائم ڈیٹا سلوشنز کی ترقی، تعیناتی اور آپریشن کو آسان بناتا ہے۔ InterSystems IRIS بیک وقت لین دین اور تجزیاتی ڈیٹا پروسیسنگ کرنے کے قابل ہے۔ متعدد ماڈلز (بشمول متعلقہ، درجہ بندی، آبجیکٹ اور دستاویز) کے مطابق ڈیٹا کے مطابقت پذیر خیالات کو برقرار رکھیں؛ ڈیٹا کے ذرائع اور انفرادی ایپلی کیشنز کی ایک وسیع رینج کے لیے انضمام کے پلیٹ فارم کے طور پر کام کرنا؛ سٹرکچرڈ اور غیر ساختہ ڈیٹا پر جدید ریئل ٹائم تجزیات فراہم کریں۔ InterSystems IRIS بیرونی تجزیاتی ٹولز کے استعمال کے لیے میکانزم بھی فراہم کرتا ہے، کلاؤڈ اور مقامی سرورز پر ہوسٹنگ کو یکجا کرنے کی لچک دیتا ہے۔

InterSystems IRIS پلیٹ فارم پر تیار کردہ ایپلی کیشنز کو تمام صنعتوں میں تعینات کیا گیا ہے، جس سے کمپنیوں کو ایک اسٹریٹجک اور آپریشنل نقطہ نظر سے اہم اقتصادی قدر حاصل کرنے میں مدد ملتی ہے، فیصلہ سازی میں اضافہ ہوتا ہے اور ایونٹ، تجزیہ اور عمل کے درمیان فرق کو ختم کیا جاتا ہے۔

تصویر 10 ریئل ٹائم AI/ML کے تناظر میں InterSystems IRIS فن تعمیر

پچھلے خاکے کی طرح، نیچے دیا گیا خاکہ نئے "کوآرڈینیٹ سسٹم" (CD/CI/CT) کو پلیٹ فارم کے کام کی اشیاء کے درمیان معلومات کے بہاؤ کے ساتھ جوڑتا ہے۔ تصور CD میکرو میکانزم سے شروع ہوتا ہے اور CI اور CT میکرو میکانزم کے ساتھ جاری رہتا ہے۔

تصویر 11 انٹر سسٹمز IRIS پلیٹ فارم کے AI/ML عناصر کے درمیان معلومات کے بہاؤ کی اسکیم

InterSystems IRIS میں CD میکانزم کا نچوڑ: پلیٹ فارم کے صارفین (AI/ML سلوشن ڈویلپرز) ایک خصوصی AI/ML میکانزم کوڈ ایڈیٹر کا استعمال کرتے ہوئے موجودہ کو اپناتے ہیں اور/یا نئی AI/ML ترقیات تخلیق کرتے ہیں: Jupyter (پورا نام: Jupyter Notebook؛ بھی، اختصار کے لیے، اس ایڈیٹر میں بنائی گئی دستاویزات کو کبھی کبھی کہا جاتا ہے)۔ Jupyter میں، ایک ڈویلپر کو InterSystems IRIS میں ایک مخصوص AI/ML ڈویلپمنٹ کی میزبانی ("تعینات") سے پہلے اس کی کارکردگی (بشمول گرافکس کا استعمال) لکھنے، ڈیبگ کرنے اور تصدیق کرنے کا موقع ہوتا ہے۔ یہ واضح ہے کہ اس طرح سے بننے والی نئی ڈیولپمنٹ کو صرف بنیادی ڈیبگنگ ملے گی (کیونکہ، خاص طور پر، Jupyter ریئل ٹائم ڈیٹا اسٹریمز کے ساتھ کام نہیں کرتا ہے) - یہ چیزوں کی ترتیب میں ہے، کیونکہ Jupyter میں ترقی کا بنیادی نتیجہ یہ ایک علیحدہ AI/ML-mechanism کی بنیادی آپریٹیبلٹی کی تصدیق ہے ("ڈیٹا کے نمونے پر متوقع نتیجہ دکھاتا ہے")۔ اسی طرح، Jupyter میں ڈیبگ کرنے سے پہلے پلیٹ فارم میں پہلے سے موجود میکانزم (مندرجہ ذیل میکرو میکانزم دیکھیں) کے لیے "پری پلیٹ فارم" فارم میں "رول بیک" کی ضرورت ہو سکتی ہے (فائلوں سے ڈیٹا پڑھنا، ٹیبل کے بجائے xDBC کے ذریعے ڈیٹا کے ساتھ کام کرنا، عالمیوں کے ساتھ براہ راست تعامل - کثیر جہتی ڈیٹا ارے انٹر سسٹمز IRIS - وغیرہ)۔

InterSystems IRIS میں CD کے نفاذ کا ایک اہم پہلو یہ ہے کہ پلیٹ فارم اور Jupyter کے درمیان دو طرفہ انضمام کو لاگو کیا جاتا ہے، جو آپ کو Python، R اور جولیا میں موجود مواد کو پلیٹ فارم پر منتقل کرنے کی اجازت دیتا ہے (اور، مزید، پلیٹ فارم میں عمل)۔ ریاضیاتی ماڈلنگ کے متعلقہ معروف اوپن سورس سورس ماحول میں پروگرامنگ زبانیں)۔ اس طرح، AI/ML مواد کے ڈویلپرز اس مواد کو پلیٹ فارم پر "مسلسل تعینات" کرنے کی صلاحیت رکھتے ہیں، اپنے مانوس Jupyter ایڈیٹر میں کام کرتے ہوئے، Python، R، Julia میں موجود مانوس لائبریریوں کے ساتھ، اور پلیٹ فارم سے بنیادی ڈیبگنگ (اگر ضروری ہو) انجام دیتے ہیں۔ .

آئیے InterSystems IRIS میں CI کے میکرو میکانزم کی طرف چلتے ہیں۔ خاکہ "ریئل ٹائم روبوٹ" کے میکرو عمل کو دکھاتا ہے (ڈیٹا ڈھانچے، کاروباری عمل اور کوڈ کے ٹکڑوں کا ایک کمپلیکس جو ان کے ذریعہ میٹ کی زبانوں اور آبجیکٹ اسکرپٹ زبان میں ترتیب دیا گیا ہے - انٹر سسٹمز کی مقامی ترقی کی زبان IRIS)۔ اس میکرو عمل کا کام AI/ML میکانزم کے آپریشن کے لیے ضروری ڈیٹا کی قطاروں کو برقرار رکھنا ہے (حقیقی وقت میں پلیٹ فارم پر منتقل ہونے والے ڈیٹا کے بہاؤ کی بنیاد پر)، درخواست کی ترتیب اور AI/ کی "رینج" کے بارے میں فیصلے کرنا ہے۔ ML میکانزم (وہ "ریاضی الگورتھم"، "ماڈل" وغیرہ بھی ہیں - نفاذ کی تفصیلات اور اصطلاحی ترجیحات کے لحاظ سے مختلف کہا جا سکتا ہے)، AI/ML میکانزم کے کام کے نتائج کا تجزیہ کرنے کے لیے ڈیٹا ڈھانچے کو تازہ ترین رکھیں۔ (کیوبز، ٹیبلز، کثیر جہتی ڈیٹا اری، وغیرہ) وغیرہ۔ رپورٹس، ڈیش بورڈز وغیرہ کے لیے)۔

InterSystems IRIS میں CI کے نفاذ کا ایک اہم پہلو یہ ہے کہ پلیٹ فارم اور ریاضیاتی ماڈلنگ کے ماحول کے درمیان دو طرفہ انضمام کو لاگو کیا جاتا ہے، جو Python، R اور جولیا میں پلیٹ فارم میں میزبانی کے مواد کو ان کے متعلقہ ماحول میں عمل درآمد کے نتائج کی واپسی کے ساتھ انجام دینے کی اجازت دیتا ہے۔ . یہ انضمام دونوں "ٹرمینل موڈ" میں لاگو کیا جاتا ہے (یعنی AI/ML مواد کو آبجیکٹ اسکرپٹ کوڈ کے طور پر میٹ پر کال کرنے کے لیے تیار کیا جاتا ہے) اور "بزنس پروسیس موڈ" (یعنی AI/ML مواد کو گرافک ایڈیٹر کا استعمال کرتے ہوئے کاروباری عمل کے طور پر تیار کیا جاتا ہے، یا کبھی کبھی Jupyter کا استعمال کرتے ہوئے، یا IDE کا استعمال کرتے ہوئے - IRIS Studio، Eclipse، Visual Studio Code)۔ Jupyter میں کاروباری عمل کی قابل تدوین CI سطح پر IRIS اور CD کی سطح پر Jupyter کے درمیان تعلق سے ظاہر ہوتی ہے۔ ریاضیاتی ماڈلنگ کے ماحول کے ساتھ انضمام کا مزید تفصیلی جائزہ ذیل میں دیا گیا ہے۔ اس مرحلے پر، ہماری رائے میں، تمام ضروری ٹولز کی پلیٹ فارم میں موجودگی کو درست کرنے کی ہر وجہ موجود ہے تاکہ AI/ML ترقیات کے "مسلسل انضمام" ("مسلسل تعیناتی" سے آنے والے) کو حقیقی وقت میں AI/ ایم ایل حل۔

اور اہم میکرو میکانزم: CT. اس کے بغیر، کوئی AI/ML پلیٹ فارم نہیں ہوگا (حالانکہ "حقیقی وقت" کو CD/CI کے ذریعے لاگو کیا جائے گا)۔ CT کا جوہر مشین لرننگ اور مصنوعی ذہانت کے "نادرات" کے ساتھ پلیٹ فارم کا کام ہے جو ریاضی کے ماڈلنگ ماحول کے کام کے سیشنوں میں براہ راست: ماڈلز، ڈسٹری بیوشن ٹیبلز، میٹرکس ویکٹرز، نیورل نیٹ ورکس کی پرتیں وغیرہ۔ یہ "کام"، زیادہ تر معاملات میں، ماحول میں متذکرہ نمونے بنانے پر مشتمل ہوتا ہے (ماڈل کے معاملے میں، مثال کے طور پر، "تخلیق" ماڈل کی تفصیلات اور اس کے پیرامیٹرز کی اقدار کے بعد کے انتخاب پر مشتمل ہوتی ہے۔ ماڈل کی نام نہاد "ٹریننگ")، ان کا اطلاق (ماڈلز کے لیے: ہدف متغیرات کی "ماڈل" اقدار کا حساب لگانے کے لیے ان کا استعمال کرنا - پیشین گوئیاں، کسی زمرے سے تعلق، واقعہ کے رونما ہونے کا امکان، وغیرہ) اور بہتری پہلے سے تخلیق شدہ اور لاگو نمونے (مثال کے طور پر، ایپلیکیشن کے نتائج کی بنیاد پر ماڈل ان پٹ متغیرات کے سیٹ کی دوبارہ وضاحت کرنا – پیشین گوئی کی درستگی کو بڑھانے کے لیے، بطور اختیار)۔ CT کے کردار کو سمجھنے میں کلیدی نکتہ CD اور CI کی حقیقتوں سے اس کا "تجزیہ" ہے: CT مخصوص ماحول کے ذریعے فراہم کردہ صلاحیتوں کے اندر AI/ML حل کی کمپیوٹیشنل اور ریاضیاتی خصوصیات پر توجہ مرکوز کرتے ہوئے تمام نمونوں کو نافذ کرے گا۔ . "ان پٹ ڈیٹا فراہم کرنے" اور "نتائج فراہم کرنے" کی ذمہ داری CD اور CI کی ہوگی۔

انٹر سسٹمز IRIS میں CT کے نفاذ کا ایک اہم پہلو: ریاضیاتی ماڈلنگ کے ماحول کے ساتھ انضمام کا استعمال کرتے ہوئے جو پہلے ہی اوپر بیان کیا گیا ہے، پلیٹ فارم ماحول میں اپنے کنٹرول میں چلنے والے ورک سیشنز سے وہی نمونے نکالنے کی صلاحیت رکھتا ہے اور (سب سے اہم بات) انہیں پلیٹ فارم میں تبدیل کرتا ہے۔ ڈیٹا اشیاء. مثال کے طور پر، ایک ڈسٹری بیوشن ٹیبل جو ابھی ابھی ایک ورکنگ Python سیشن میں بنایا گیا ہے (Python میں سیشن کو روکے بغیر) پلیٹ فارم پر منتقل کیا جا سکتا ہے، مثال کے طور پر، ایک عالمی (کثیر جہتی InterSystems IRIS ڈیٹا سرنی) - اور استعمال کیا جاتا ہے۔ دوسرے AI/ML- میکانزم میں حساب کے لیے (پہلے سے ہی کسی دوسرے ماحول کی زبان میں لاگو کیا گیا ہے - مثال کے طور پر، R میں) - یا ایک ورچوئل ٹیبل۔ ایک اور مثال: ماڈل آپریشن کے "نارمل موڈ" کے متوازی طور پر (Python ورکنگ سیشن میں)، "auto-ML" کو اس کے ان پٹ ڈیٹا پر کیا جاتا ہے: بہترین ان پٹ متغیرات اور پیرامیٹر کی قدروں کا خودکار انتخاب۔ اور "باقاعدہ" تربیت کے ساتھ، حقیقی وقت میں پیداواری ماڈل کو اپنی تفصیلات کے لیے ایک "آپٹمائزیشن پروپوزل" بھی ملتا ہے - جس میں ان پٹ متغیرات کا سیٹ تبدیل ہوتا ہے، پیرامیٹر کی قدریں بدل جاتی ہیں (ازگر میں تربیت کے نتیجے میں نہیں ، لیکن تربیت کے نتیجے میں "خود کا متبادل ورژن، جیسا کہ H2O اسٹیک میں)، مجموعی AI/ML حل کو ان پٹ ڈیٹا کی نوعیت میں غیر متوقع تبدیلیوں اور ماڈل کیے جانے والے مظاہر سے خود مختاری سے نمٹنے کی اجازت دیتا ہے۔

آئیے حقیقی زندگی کے پروٹو ٹائپ کی مثال استعمال کرتے ہوئے InterSystems IRIS کے پلیٹ فارم AI/ML فعالیت سے مزید تفصیل سے واقف ہوں۔

نیچے دیے گئے خاکے میں، سلائیڈ کے بائیں جانب، کاروباری عمل کا ایک حصہ ہے جو Python اور R میں اسکرپٹس کی پروسیسنگ کو لاگو کرتا ہے۔ مرکزی حصے میں، ان میں سے کچھ اسکرپٹس پر عمل درآمد کے لیے بصری لاگز موجود ہیں، بالترتیب، Python اور R میں۔ ان کے بالکل پیچھے ایک اور دوسری زبان پر مواد کی مثالیں ہیں، جو مناسب ماحول میں عمل درآمد کے لیے پیش کی گئی ہیں۔ دائیں طرف آخر میں اسکرپٹ پر عمل درآمد کے نتائج پر مبنی تصورات ہیں۔ سب سے اوپر کے تصورات IRIS Analytics پر بنائے جاتے ہیں (ڈیٹا Python سے InterSystems IRIS ڈیٹا پلیٹ فارم پر لیا جاتا ہے اور پلیٹ فارم کا استعمال کرتے ہوئے ڈیش بورڈ پر دکھایا جاتا ہے)، نیچے انہیں R ورکنگ سیشن میں بنایا جاتا ہے اور وہاں سے آؤٹ پٹ ہوتا ہے۔ گرافک فائلیں. ایک اہم پہلو: پروٹوٹائپ میں پیش کردہ ٹکڑا ماڈل (سامان کی حالتوں کی درجہ بندی) کو آلات کے پروسیس سمیلیٹر سے حقیقی وقت میں آنے والے ڈیٹا پر تربیت دینے کے لیے ذمہ دار ہے، درجہ بندی کے معیار کے پروسیس مانیٹر کے حکم پر۔ ماڈل کی درخواست کے دوران مشاہدہ کیا گیا۔ ایک AI/ML حل کے نفاذ پر بات چیت کے عمل ("ایجنٹس") کے ایک سیٹ کے طور پر مزید بحث کی جائے گی۔

تصویر 12 انٹر سسٹم IRIS میں ازگر، R اور جولیا کے ساتھ تعامل

پلیٹ فارم کے عمل (وہ "کاروباری عمل"، "تجزیاتی عمل"، "پائپ لائنز" وغیرہ بھی ہیں - سیاق و سباق پر منحصر ہے)، بنیادی طور پر پلیٹ فارم میں ہی گرافیکل بزنس پروسیس ایڈیٹر میں ترمیم کی جاتی ہے، اور اس طرح کہ دونوں اس کا بلاک ڈایاگرام اور متعلقہ AI/ML میکانزم (پروگرام کوڈ) بیک وقت بنائے جاتے ہیں۔ اس حقیقت کے بارے میں بات کرتے ہوئے کہ "ایک AI / ML میکانزم حاصل کیا جاتا ہے"، ہمارا ابتدائی طور پر مطلب ہائبرڈٹی ہے (اسی عمل کے اندر): ریاضی کے ماڈلنگ ماحول کی زبانوں میں مواد SQL میں موجود مواد سے ملحق ہے (بشمول ایکسٹینشنز انٹیگریٹڈ ایم ایل)، InterSystems ObjectScript میں، دیگر معاون زبانوں کے ساتھ۔ مزید برآں، پلیٹ فارم کا عمل درجہ بندی کے لحاظ سے گھونسلے کے ٹکڑوں کی شکل میں "ڈرائنگ" کے لیے بہت وسیع امکانات فراہم کرتا ہے (جیسا کہ نیچے دیے گئے خاکے میں مثال میں دیکھا جا سکتا ہے)، جو آپ کو انتہائی پیچیدہ مواد کو مؤثر طریقے سے ترتیب دینے کی اجازت دیتا ہے گرافک فارمیٹ کہیں بھی ("غیر گرافک » طریقوں/کلاسز/طریقہ کار وغیرہ میں)۔ یعنی، اگر ضروری ہو (اور زیادہ تر پروجیکٹس میں اس کی توقع کی جاتی ہے)، بالکل تمام AI/ML سلوشنز کو گرافیکل سیلف کمنٹنگ فارمیٹ میں لاگو کیا جا سکتا ہے۔ براہ کرم نوٹ کریں کہ نیچے دیے گئے خاکے کے مرکزی حصے میں، جو ایک اعلیٰ "گھوںسلا کی سطح" کو ظاہر کرتا ہے، آپ دیکھ سکتے ہیں کہ ماڈل کی تربیت کے اصل کام کے علاوہ (Python اور R کا استعمال کرتے ہوئے)، نام نہاد ROC کا تجزیہ تربیت یافتہ ماڈل کا منحنی خطوط شامل کیا گیا ہے، جو بصری طور پر (اور حسابی طور پر بھی) تربیت کے معیار کا جائزہ لینے کی اجازت دیتا ہے - اور یہ تجزیہ جولیا کی زبان میں لاگو کیا جاتا ہے (بالترتیب جولیا کے ماحول میں اس پر عمل کیا جاتا ہے)۔

تصویر 13 انٹر سسٹمز IRIS میں AI/ML سلوشنز کمپوز کرنے کے لیے بصری ماحول

جیسا کہ پہلے ذکر کیا گیا ہے، پلیٹ فارم میں پہلے سے لاگو AI/ML میکانزم کی ابتدائی ترقی اور (کچھ معاملات میں) موافقت پلیٹ فارم سے باہر Jupyter ایڈیٹر میں کی جا سکتی ہے۔ نیچے دیے گئے خاکے میں، ہم موجودہ پلیٹ فارم کے عمل کو اپنانے کی ایک مثال دیکھتے ہیں (جیسا کہ اوپر دیے گئے خاکے میں ہے) - اس طرح وہ ٹکڑا جو ماڈل کی تربیت کے لیے ذمہ دار ہے Jupyter میں نظر آتا ہے۔ Python مواد براہ راست Jupyter میں ترمیم، ڈیبگنگ، گرافکس آؤٹ پٹ کے لیے دستیاب ہے۔ تبدیلیاں (اگر ضروری ہو) پلیٹ فارم کے عمل میں فوری مطابقت پذیری کے ساتھ کی جا سکتی ہیں، بشمول اس کے پروڈکشن ورژن۔ اسی طرح، نئے مواد کو پلیٹ فارم پر منتقل کیا جا سکتا ہے (ایک نیا پلیٹ فارم عمل خود بخود تیار ہوتا ہے)۔

تصویر 14 انٹر سسٹمز IRIS پلیٹ فارم میں AI/ML انجن میں ترمیم کرنے کے لیے Jupyter نوٹ بک کا استعمال

پلیٹ فارم کے عمل کی موافقت نہ صرف گرافیکل یا نوٹ بک فارمیٹ میں بلکہ "کل" IDE (انٹیگریٹڈ ڈویلپمنٹ انوائرنمنٹ) فارمیٹ میں بھی کی جا سکتی ہے۔ یہ IDE IRIS اسٹوڈیو (آبائی IRIS اسٹوڈیو)، ویژول اسٹوڈیو کوڈ (VSCode کے لیے انٹر سسٹمز IRIS ایکسٹینشن)، اور Eclipse (Atelier پلگ ان) ہیں۔ کچھ معاملات میں، ترقیاتی ٹیم کے لیے ایک ہی وقت میں تینوں IDEs کا استعمال کرنا ممکن ہے۔ نیچے دیا گیا خاکہ IRIS سٹوڈیو، Visual Studio Code اور Eclipse میں اسی عمل میں ترمیم کرنے کی ایک مثال دکھاتا ہے۔ بالکل تمام مواد ترمیم کے لیے دستیاب ہے: Python/R/Julia/SQL، ObjectScript، اور کاروباری عمل۔

شکل 15 مختلف IDEs میں InterSystems IRIS کاروباری عمل کی ترقی

بزنس پروسیس لینگویج (BPL) میں InterSystems IRIS کاروباری عمل کی تفصیل اور عمل درآمد کے ٹولز خصوصی ذکر کے مستحق ہیں۔ بی پی ایل کاروباری عملوں میں "ریڈی میڈ انٹیگریشن پرزوں" (سرگرمیوں) کا استعمال ممکن بناتا ہے - جو درحقیقت اس بات پر زور دینے کی پوری وجہ فراہم کرتا ہے کہ InterSystems IRIS میں "مسلسل انضمام" نافذ ہے۔ تیار شدہ کاروباری عمل کے اجزاء (سرگرمیاں اور ان کے درمیان روابط) AI/ML حل کو جمع کرنے کے لیے سب سے زیادہ طاقتور ایکسلریٹر ہیں۔ اور نہ صرف اسمبلیاں: ان کے درمیان سرگرمیوں اور روابط کی بدولت، مختلف AI/ML ترقیات اور میکانزم سے زیادہ، ایک "خودمختار انتظامی تہہ" ظاہر ہوتی ہے جو حقیقی وقت میں صورتحال کے مطابق فیصلے کرنے کے قابل ہوتی ہے۔

شکل 16 انٹر سسٹمز IRIS پلیٹ فارم پر مسلسل انضمام (CI) کے لیے تیار کاروباری عمل کے اجزاء

ایجنٹ سسٹمز کا تصور (وہ "ملٹی ایجنٹ سسٹمز" بھی ہیں) روبوٹکس میں ایک مضبوط پوزیشن کا حامل ہے، اور InterSystems IRIS پلیٹ فارم "مصنوعات کے عمل" کی تعمیر کے ذریعے باضابطہ طور پر اس کی حمایت کرتا ہے۔ مجموعی طور پر حل کے لیے ضروری فعالیت کے ساتھ ہر عمل کو "سٹفنگ" کرنے کے لامحدود امکانات کے علاوہ، پلیٹ فارم کے عمل کے نظام کو "ایجنسی" کی خاصیت کے ساتھ عطا کرنا آپ کو انتہائی غیر مستحکم مصنوعی مظاہر (سماجی/بائیو سسٹمز کا برتاؤ) کے لیے موثر حل پیدا کرنے کی اجازت دیتا ہے۔ ، جزوی طور پر قابل مشاہدہ تکنیکی عمل، وغیرہ)۔

تصویر 16 انٹر سسٹمز IRIS میں بزنس پروسیس ایجنٹ سسٹم کے طور پر AI/ML حل کا آپریشن

ہم انٹر سسٹمز IRIS کے اپنے جائزے کو جاری رکھتے ہیں جس میں پلیٹ فارم کے اطلاق کے بارے میں ایک کہانی کے ساتھ حقیقی وقت کے مسائل کی پوری کلاسوں کو حل کیا جاتا ہے (InterSystems IRIS پر پلیٹ فارم AI/ML کے کچھ بہترین طریقوں سے کافی تفصیلی واقفیت ہمارے پچھلے میں سے ایک میں ہوتی ہے۔ ویبینرز).

پچھلے ڈایاگرام کے گرم تعاقب میں، ذیل میں ایجنٹ کے نظام کا مزید تفصیلی خاکہ ہے۔ خاکہ ایک ہی پروٹو ٹائپ کو ظاہر کرتا ہے، تمام چاروں ایجنٹ کے عمل نظر آتے ہیں، ان کے درمیان تعلقات منصوبہ بندی کے ساتھ بنائے گئے ہیں: GENERATOR - آلات کے سینسر کے ذریعے ڈیٹا کی تخلیق کو سنبھالتا ہے، BUFFER - ڈیٹا کی قطاروں کا انتظام کرتا ہے، ANALYZER - خود مشین لرننگ انجام دیتا ہے، MONITOR - کنٹرول کرتا ہے۔ مشین لرننگ کا معیار اور ایک سگنل فیڈ کرتا ہے کہ ماڈل کو دوبارہ تربیت دینے کی ضرورت ہے۔

تصویر 17 انٹر سسٹمز IRIS میں بزنس پروسیس ایجنٹ سسٹم کے طور پر AI/ML حل کی تشکیل

نیچے دیا گیا خاکہ کچھ وقت کے لیے ایک اور روبوٹک پروٹو ٹائپ (جذباتی متن کی شناخت) کے خود مختار کام کو واضح کرتا ہے۔ اوپری حصے میں - ماڈل سیکھنے کے معیار کے اشارے کا ارتقاء (معیار بڑھ رہا ہے)، نچلے حصے میں - ماڈل ایپلی کیشن کے معیار کے اشارے کی حرکیات اور بار بار تربیت کے حقائق (سرخ سلاخیں)۔ جیسا کہ آپ دیکھ سکتے ہیں، حل نے خود کو مؤثر طریقے سے اور خود مختار طریقے سے سیکھا ہے، اور ایک مقررہ معیار کی سطح پر کام کرتا ہے (معیار اشارے کی قدریں 80٪ سے نیچے نہیں آتی ہیں)۔

تصویر 18 انٹر سسٹمز IRIS پلیٹ فارم پر مسلسل (خود) سیکھنا (CT)

ہم نے پہلے "آٹو-ایم ایل" کا بھی ذکر کیا تھا، لیکن ذیل کا خاکہ مثال کے طور پر ایک اور پروٹو ٹائپ کا استعمال کرتے ہوئے اس فعالیت کے اطلاق کو تفصیل سے دکھاتا ہے۔ کاروباری عمل کے ٹکڑے کا گرافک خاکہ اس سرگرمی کو ظاہر کرتا ہے جو H2O اسٹیک میں تخروپن کا آغاز کرتا ہے، اس نقلی کے نتائج کو ظاہر کرتا ہے (آر او سی منحنی خطوط کے تقابلی چارٹ کے مطابق، "انسانی ساختہ" ماڈلز پر نتیجے میں آنے والے ماڈل کا واضح غلبہ۔ ، نیز اصل ڈیٹاسیٹ میں دستیاب سے "سب سے زیادہ بااثر متغیرات" کی خودکار شناخت)۔ یہاں اہم نکتہ وقت اور ماہر وسائل کی بچت ہے، جو "آٹو-ایم ایل" کے ذریعے حاصل کیا جاتا ہے: ہمارے پلیٹ فارم کا عمل آدھے منٹ میں کیا کرتا ہے (بہترین ماڈل کی تلاش اور تربیت)، ایک ماہر ایک ہفتے سے لے کر ایک ہفتے تک لے سکتا ہے۔ مہینہ

تصویر 19 انٹر سسٹمز IRIS پلیٹ فارم پر مبنی AI/ML حل میں آٹو-ML انضمام

نیچے دیا گیا خاکہ "کلائمکس کو نیچے گرا دیتا ہے"، لیکن یہ حقیقی وقت کے مسائل کے حل ہونے کی کلاسوں کے بارے میں کہانی کو مکمل کرنے کا ایک اچھا طریقہ ہے: ہم آپ کو یاد دلاتے ہیں کہ InterSystems IRIS پلیٹ فارم کی تمام صلاحیتوں کے ساتھ، تربیتی ماڈلز اس کا کنٹرول لازمی نہیں ہے۔ پلیٹ فارم بیرونی طور پر ایک ایسے ٹول میں تربیت یافتہ نام نہاد PMML ماڈل تصریح حاصل کر سکتا ہے جو پلیٹ فارم کے ذریعے کنٹرول نہیں کیا جاتا ہے - اور اس ماڈل کو درآمد ہونے کے وقت سے حقیقی وقت میں لاگو کر سکتا ہے۔ PMML وضاحتیں. اس کے ساتھ ساتھ، اس بات کو بھی مدنظر رکھنا ضروری ہے کہ تمام AI/ML نمونے کو PMML تفصیلات تک کم نہیں کیا جا سکتا، چاہے زیادہ تر عام نمونے اس کی اجازت دیں۔ اس طرح، InterSystems IRIS پلیٹ فارم میں "اوپن لوپ" ہے اور اس کا مطلب صارفین کے لیے "پلیٹ فارم کی غلامی" نہیں ہے۔

تصویر 20 انٹر سسٹمز IRIS پلیٹ فارم پر مبنی AI/ML حل میں آٹو-ML انضمام

ہم InterSystems IRIS کے اضافی پلیٹ فارم فوائد (وضاحت کے لیے، پراسیس کنٹرول کے سلسلے میں) درج کرتے ہیں، جو مصنوعی ذہانت اور ریئل ٹائم مشین لرننگ کے آٹومیشن میں بہت اہمیت رکھتے ہیں:

• کسی بھی ڈیٹا کے ذرائع اور صارفین (PCS/SCADA، سامان، MRO، ERP، وغیرہ) کے ساتھ انضمام کے جدید ٹولز
• بلٹ ان ملٹی ماڈل ڈی بی ایم ایس پروسیسنگ ڈیٹا کے کسی بھی حجم کی اعلی کارکردگی کے لین دین کے تجزیاتی پروسیسنگ (ہائبرڈ ٹرانزیکشن/تجزیاتی پروسیسنگ، HTAP) کے لیے
• پائتھون، آر، جولیا پر مبنی ریئل ٹائم AI/ML فیصلہ انجنوں کی مسلسل تعیناتی کے لیے ترقیاتی ٹولز
• ریئل ٹائم AI/ML حل کے مسلسل انضمام اور (خود) سیکھنے کے طریقہ کار کے لیے انکولی کاروباری عمل
• عمل کے ڈیٹا اور AI/ML حل کے نتائج کو دیکھنے کے لیے ایمبیڈڈ بزنس انٹیلی جنس ٹولز
• API مینجمنٹ کنٹرول سسٹمز / SCADA، معلومات اور تجزیاتی نظام، الرٹس بھیجنے وغیرہ کے لیے AI/ML حل کے نتائج فراہم کرنے کے لیے۔

InterSystems IRIS پلیٹ فارم پر مبنی AI/ML حل موجودہ IT انفراسٹرکچر میں آسانی سے فٹ ہو جاتے ہیں۔ InterSystems IRIS پلیٹ فارم AI/ML حل کی اعلی وشوسنییتا فراہم کرتا ہے جس میں غلطی برداشت کرنے والے اور تباہی کو برداشت کرنے والے کنفیگریشنز اور ورچوئل ماحول میں، فزیکل سرورز پر، پرائیویٹ اور پبلک کلاؤڈز، ڈوکر کنٹینرز میں لچکدار تعیناتی کے لیے مدد ملتی ہے۔

اس طرح، InterSystems IRIS ایک یونیورسل ریئل ٹائم AI/ML کمپیوٹنگ پلیٹ فارم ہے۔ ہمارے پلیٹ فارم کی آفاقیت عملی طور پر لاگو کیلکولیشنز کی پیچیدگی پر ڈی فیکٹو پابندیوں کی عدم موجودگی، انٹر سسٹمز IRIS کی مختلف صنعتوں سے منظرناموں کی پروسیسنگ کو (حقیقی وقت میں) یکجا کرنے کی صلاحیت، اور غیر معمولی موافقت سے ثابت ہوتی ہے۔ صارف کی مخصوص ضروریات کے لیے پلیٹ فارم کے کسی بھی فنکشن اور میکانزم کا۔

تصویر 21 انٹر سسٹمز IRIS - یونیورسل ریئل ٹائم AI/ML کمپیوٹنگ پلیٹ فارم

ہمارے ان قارئین کے ساتھ جو یہاں پیش کیے گئے مواد میں دلچسپی رکھتے ہیں ان کے ساتھ زیادہ اہم بات چیت کے لیے، ہم تجویز کرتے ہیں کہ آپ اسے پڑھنے تک محدود نہ رکھیں اور ڈائیلاگ "لائیو" جاری رکھیں۔ ہم آپ کی کمپنی کی تفصیلات کے سلسلے میں ریئل ٹائم AI/ML منظرناموں کی تشکیل میں مدد فراہم کرنے کے لیے تیار ہیں، InterSystems IRIS پلیٹ فارم پر مشترکہ پروٹو ٹائپنگ کریں، مصنوعی ذہانت اور مشین لرننگ کو متعارف کرانے کے لیے ایک روڈ میپ بنائیں اور عملی جامہ پہنائیں۔ آپ کی پیداوار اور انتظامی عمل۔ ہمارے AI/ML ماہر گروپ کا رابطہ ای میل پتہ ہے۔ [ای میل محفوظ].

ماخذ: www.habr.com