InterSystems IRIS - universal real vaqtda AI/ML platformasi

Muallif: Sergey Lukyanchikov, InterSystems konsalting muhandisi

Haqiqiy vaqtda AI/ML hisoblash qo'ng'iroqlari

InterSystems kompaniyasida Data Science amaliyoti tajribasidan misollar bilan boshlaylik:

• Yuklangan xaridor portali onlayn tavsiyalar tizimiga ulangan. Chakana savdo tarmog'i bo'ylab aktsiyalarning qayta tuzilishi amalga oshiriladi (masalan, endilikda aksiyalarning “tekis” qatori o'rniga “segment-taktika” matritsasi qo'llaniladi). Tavsiya motorlari bilan nima sodir bo'ladi? Tavsiya mexanizmiga ma'lumotlarni taqdim etish va yangilash bilan nima sodir bo'ladi (kiritish ma'lumotlari hajmi 25000 XNUMX marta oshdi)? Tavsiyalarni ishlab chiqish bilan nima sodir bo'ladi (tavsiya qoidalarining filtrlash chegarasini ularning soni va "diapazoni" ning ming baravar ko'payishi tufayli ming barobarga kamaytirish zarurati)?
• Uskunaning tarkibiy qismlarida nuqsonlar paydo bo'lish ehtimolini nazorat qilish tizimi mavjud. Monitoring tizimiga har soniyada minglab texnologik jarayon parametrlarini uzatuvchi avtomatlashtirilgan jarayonni boshqarish tizimi ulandi. Ilgari "qo'lda namunalar" ustida ishlagan monitoring tizimi bilan nima sodir bo'ladi (u ikkinchi soniya ehtimollik monitoringini ta'minlashga qodirmi)? Agar jarayonni boshqarish tizimiga yaqinda qo'shilgan sensorlarning o'qishlari bilan kirish ma'lumotlarida bir necha yuz ustunli yangi blok paydo bo'lsa nima bo'ladi (nazorat tizimini tahlilga yangi sensorlar ma'lumotlarini kiritish uchun qancha vaqt to'xtatish kerakmi va qancha vaqt kerak bo'ladi? )?
• Bir-birining ish natijalaridan foydalanadigan AI/ML mexanizmlari to'plami (tavsiya, monitoring, prognozlash) yaratilgan. Ushbu kompleksning ishlashini kirish ma'lumotlaridagi o'zgarishlarga moslashtirish uchun har oy qancha odam-soat talab qilinadi? Boshqaruv qarorlarini qabul qilish kompleksi tomonidan qo'llab-quvvatlanganda umumiy "sekinlashuv" nima (yangi ma'lumotlarning paydo bo'lish chastotasiga nisbatan unda yangi yordamchi ma'lumotlarning paydo bo'lish chastotasi)?

Ushbu va boshqa ko'plab misollarni umumlashtirib, biz real vaqtda mashinani o'rganish va sun'iy intellekt mexanizmlaridan foydalanishga o'tishda yuzaga keladigan muammolarni shakllantirishga keldik:

• Kompaniyamizdagi AI/ML ishlanmalarini yaratish va moslashish tezligidan (o'zgaruvchan vaziyatga) bizni qoniqtiramizmi?
• Biz foydalanadigan AI/ML yechimlari real vaqtda biznes boshqaruvini qanchalik qo'llab-quvvatlaydi?
• Biz foydalanadigan AI/ML yechimlari maʼlumotlar va biznes boshqaruvi amaliyotidagi oʻzgarishlarga mustaqil ravishda (ishlab chiquvchilarsiz) moslasha oladimi?

Bizning maqolamiz InterSystems IRIS platformasining AI/ML mexanizmlarini qo‘llashni universal qo‘llab-quvvatlash, AI/ML yechimlarini yig‘ish (integratsiya qilish) va AI/ML yechimlarini intensiv o‘qitish (sinovdan o‘tkazish) nuqtai nazaridan to‘liq ko‘rib chiqishdir. ma'lumotlar oqimlari. Ushbu maqolada biz bozor tadqiqotlari, AI/ML yechimlarining amaliy tadqiqotlari va real vaqtda AI/ML platformasi deb ataydigan konseptual jihatlarni ko‘rib chiqamiz.

So'rovlardan bilganimiz: real vaqtda ilovalar

Natijalar so'rovLightbend tomonidan 800-yilda 2019 ga yaqin IT-mutaxassislari o'rtasida o'tkazilgan, o'zlari uchun gapiring:

1-rasm Haqiqiy vaqtda ma'lumotlarning etakchi iste'molchilari

Keling, tarjimamizda ushbu so'rov natijalari bo'yicha hisobotning muhim qismlarini keltiramiz:

“... Ma’lumotlar oqimini integratsiyalash va shu bilan birga, konteynerlarda hisoblashni qo‘llab-quvvatlash vositalarining ommabopligi tendensiyalari bozorning samaraliroq yechimlarning yanada sezgir, oqilona, ​​dinamik taklifiga bo‘lgan talabiga sinergik javob beradi. Oqimli ma'lumotlar an'anaviy paketli ma'lumotlarga qaraganda tezroq ma'lumotlarni uzatadi. Bunga, masalan, AI/ML-ga asoslangan tavsiyalar kabi hisoblash usullarini tezkorlik bilan qo'llash, mijozlar ehtiyojini qondirish orqali raqobatdosh ustunliklarni yaratish qobiliyati qo'shiladi. Chaqqonlik uchun poyga DevOps paradigmasidagi barcha rollarga ham ta'sir qiladi - ilovalarni ishlab chiqish va joylashtirishni yanada samarali qiladi. … Sakkiz yuz to‘rtta IT-mutaxassislari o‘z tashkilotlarida ma’lumotlar oqimidan foydalanish haqida ma’lumot berishdi. Respondentlar asosan G'arbiy mamlakatlarda joylashgan (41% Evropada va 37% Shimoliy Amerikada) va kichik, o'rta va yirik kompaniyalar o'rtasida deyarli teng taqsimlangan. ...

... Sun'iy intellekt shov-shuv emas. AI/ML dasturlarida maʼlumotlar oqimini qayta ishlashdan allaqachon foydalanayotganlarning XNUMX foizi AI/ML dan foydalanish keyingi yilda (boshqa ilovalarga nisbatan) eng katta oʻsishni koʻrishini tasdiqlaydi.

• Respondentlarning ko'pchiligiga ko'ra, AI/ML stsenariylarida ma'lumotlar oqimlaridan foydalanish kelgusi yilda eng katta o'sishni ko'radi.
• AI/ML-dagi ilovalar nafaqat nisbatan yangi stsenariylar, balki real vaqt rejimidagi ma'lumotlar tobora ko'proq foydalaniladigan an'anaviy stsenariylar tufayli ham o'sib boradi.
• AI/MLdan tashqari, IoT maʼlumotlar quvurlaridan foydalanuvchilarning ishtiyoqi darajasi taʼsirchan – IoT maʼlumotlarini allaqachon integratsiyalashganlarning 48 foizi ushbu maʼlumotlar boʻyicha stsenariyni amalga oshirish yaqin kelajakda sezilarli oʻsishini taʼkidlamoqda. ..."

Ushbu qiziqarli so'rovdan ma'lum bo'lishicha, mashinani o'rganish va sun'iy intellekt stsenariylarini ma'lumotlar oqimlarini iste'mol qilishda etakchi sifatida qabul qilish allaqachon "yo'lda". Ammo DevOps ob'ektivi orqali real vaqt rejimida AI/MLni idrok etish ham bir xil darajada muhim kuzatuvdir: bu erda biz hali ham hukmron bo'lgan "to'liq foydalanish mumkin bo'lgan ma'lumotlar to'plamiga ega bir martalik AI/ML" madaniyatining o'zgarishi haqida gapirishni boshlashimiz mumkin.

Haqiqiy vaqtda AI/ML platformasi kontseptsiyasi

Haqiqiy vaqtda AI/ML uchun odatiy dastur sohalaridan biri ishlab chiqarishda jarayonni boshqarishdir. Uning misolidan foydalanib va ​​oldingi fikrlarni hisobga olgan holda, biz real vaqtda AI/ML platformasi kontseptsiyasini shakllantiramiz.
Jarayonni boshqarishda sun'iy intellekt va mashinani o'rganishdan foydalanish bir qator xususiyatlarga ega:

• Texnologik jarayonning holati to'g'risidagi ma'lumotlar intensiv ravishda olinadi: yuqori chastotali va keng parametrlar uchun (jarayonni boshqarish tizimidan soniyada o'n minglab parametr qiymatlari uzatiladi)
• Kamchiliklarni aniqlash to'g'risidagi ma'lumotlar, ularning rivojlanishi to'g'risidagi ma'lumotlar haqida gapirmasa ham, aksincha, kam va tartibsiz bo'lib, nuqsonlarning etarli darajada tipiklashtirilmaganligi va ularni o'z vaqtida mahalliylashtirish bilan tavsiflanadi (ko'pincha qog'oz yozuvlari bilan ifodalanadi).
• Amaliy nuqtai nazardan, modellarni o'qitish va qo'llash uchun faqat manba ma'lumotlarining "muvofiqlik oynasi" mavjud bo'lib, texnologik jarayonning dinamikasini jarayon parametrlarining oxirgi o'qish qiymatlari bilan tugaydigan oqilona siljish oralig'ida aks ettiradi.

Ushbu xususiyatlar bizni texnologik jarayondan intensiv "keng polosali kirish signalini" real vaqt rejimida qabul qilish va asosiy qayta ishlashdan tashqari (parallel ravishda) AI natijalarini qo'llash, o'qitish va sifat nazoratini amalga oshirishga majbur qiladi. ML modellari - real vaqtda ham. Bizning modellarimiz tegishli oynada "ko'radigan" "ramka" doimiy ravishda o'zgarib turadi - va shu bilan birga o'tmishda "ramkalar" dan birida o'qitilgan AI/ML modellari ishining sifati ham o'zgaradi. . Agar AI/ML modellarining ish natijalari sifati yomonlashsa (masalan: “signal-norma” tasniflash xatosining qiymati biz belgilagan chegaralardan oshib ketgan bo‘lsa), modellarni qo‘shimcha o‘qitish avtomatik ravishda ishga tushirilishi kerak. zamonaviyroq "ramka" - va modellarni qo'shimcha o'qitishni boshlash vaqtini tanlashda o'qitishning o'zi qanday davom etishi va modellarning joriy versiyasining ish sifatining yomonlashuvi dinamikasi hisobga olinishi kerak (chunki modellarning joriy versiyalari modellar tayyorlanayotganda va ularning "yangi o'qitilgan" versiyalari shakllanmaguncha foydalanishda davom etadi).

InterSystems IRIS real vaqtda jarayonni boshqarish uchun AI/ML yechimlarini yoqish uchun asosiy platforma imkoniyatlariga ega. Ushbu qobiliyatlarni uchta asosiy guruhga bo'lish mumkin:

• InterSystems IRIS platformasida real vaqtda ishlaydigan samarali yechimga yangi yoki moslashtirilgan mavjud AI/ML mexanizmlarini uzluksiz joylashtirish (Continuous Deployment/Delivery, CD)
• Kiruvchi texnologik jarayon ma'lumotlar oqimlarining yagona samarali yechimiga uzluksiz integratsiya (CI) real vaqt rejimida tashkil etilgan, AI/ML mexanizmlarini qo'llash/o'qitish/sifat nazorati va ma'lumotlar/kod/nazorat harakatlarini matematik modellashtirish muhitlari bilan almashish uchun ma'lumotlar navbatlari. InterSystems IRIS platformasi
• InterSystems IRIS platformasi tomonidan uzatiladigan ma'lumotlar, kodlar va boshqaruv harakatlari ("qabul qilingan qarorlar") yordamida matematik modellashtirish muhitida bajariladigan AI/ML mexanizmlarini uzluksiz (o'z-o'zini) o'rgatish (Continuous Training, CT)

Mashinani o'rganish va sun'iy intellektga nisbatan platforma imkoniyatlarini aynan shu guruhlarga ajratish tasodifiy emas. Keling, metodologiyani keltiraylik nashr Ushbu tasnif uchun kontseptual asosni taqdim etadigan Google bizning tarjimamizda:

“... Hozirgi kunda mashhur bo‘lgan DevOps kontseptsiyasi keng ko‘lamli axborot tizimlarini ishlab chiqish va ulardan foydalanishni qamrab oladi. Ushbu kontseptsiyani amalga oshirishning afzalliklari rivojlanish davrlarining davomiyligini qisqartirish, ishlanmalarni tezroq joylashtirish va relizlarni rejalashtirishda moslashuvchanlikdir. Ushbu imtiyozlarga erishish uchun DevOps kamida ikkita amaliyotni amalga oshirishni o'z ichiga oladi:

• Uzluksiz integratsiya (CI)
• Uzluksiz yetkazib berish (CD)

Ushbu amaliyotlar samarali AI/ML yechimlarining ishonchli va samarali yig‘ilishini ta’minlash uchun AI/ML platformalariga ham tegishli.

AI/ML platformalari boshqa axborot tizimlaridan quyidagi jihatlari bilan farq qiladi:

• Jamoa kompetentsiyalari: AI/ML yechimini yaratishda jamoaga odatda maʼlumotlar tahlili, modellarni ishlab chiqish va sinovdan oʻtkazish bilan shugʻullanuvchi maʼlumotlar tadqiqoti sohasidagi maʼlumotlar olimlari yoki “akademik” ekspertlar kiradi. Ushbu jamoa a'zolari professional samarali kod ishlab chiquvchilari bo'lmasligi mumkin.
• Rivojlanish: AI/ML dvigatellari tabiatan eksperimentaldir. Muammoni eng samarali tarzda hal qilish uchun kirish o'zgaruvchilari, algoritmlari, modellashtirish usullari va model parametrlarining turli kombinatsiyalaridan o'tish kerak. Bunday qidiruvning murakkabligi "nima ishlagan / ishlamagan" ni kuzatishda, epizodlarning takrorlanishini ta'minlashda, takroriy amalga oshirish uchun ishlanmalarni umumlashtirishdadir.
• Sinov: AI/ML dvigatellarini sinab ko'rish boshqa ishlanmalarga qaraganda kengroq sinovlarni talab qiladi. Standart birlik va integratsiya testlariga qo'shimcha ravishda, ma'lumotlarning haqiqiyligi va modelni o'qitish va nazorat qilish namunalariga qo'llash natijalarining sifati sinovdan o'tkaziladi.
• Joylashtirish: AI/ML yechimlarini qo‘llash bir marta o‘qitilgan modeldan foydalanadigan bashoratli xizmatlar bilan cheklanmaydi. AI/ML yechimlari avtomatlashtirilgan modelni o'rgatish va qo'llashni amalga oshiradigan ko'p bosqichli quvurlar atrofida qurilgan. Bunday quvurlarni o'rnatish, modellarni o'rgatish va sinovdan o'tkazish imkoniyatiga ega bo'lish uchun an'anaviy ravishda ma'lumotlar olimlari tomonidan qo'lda bajariladigan ahamiyatsiz harakatlarni avtomatlashtirishni o'z ichiga oladi.
• Hosildorlik: AI/ML dvigatellari nafaqat samarasiz dasturlash, balki kiritilgan ma'lumotlarning doimiy o'zgaruvchan tabiati tufayli ham unumdorlikka ega bo'lmasligi mumkin. Boshqacha qilib aytganda, AI/ML mexanizmlarining ishlashi an'anaviy ishlanmalarning ishlashiga qaraganda kengroq sabablarga ko'ra yomonlashishi mumkin. Bu bizning AI/ML dvigatellarimizning ishlashini kuzatish (onlayn) zaruratiga olib keladi, shuningdek, agar ishlash ko'rsatkichlari kutilgan natijalarga mos kelmasa, ogohlantirishlar yuborish yoki natijalarni rad etish.

AI/ML platformalari boshqa axborot tizimlariga oʻxshaydi, chunki ikkalasi ham versiya boshqaruvi, birlik testi, integratsiya testi va uzluksiz ishlab chiqishni joylashtirish bilan uzluksiz kod integratsiyasini talab qiladi. Biroq, AI/ML holatida bir nechta muhim farqlar mavjud:

• CI (Continuous Integration) endi o'rnatilgan komponentlar kodini sinovdan o'tkazish va tasdiqlash bilan cheklanmaydi - u ma'lumotlar va AI/ML modellarini sinovdan o'tkazish va tasdiqlashni ham o'z ichiga oladi.
• CD (Continuous Delivery/Deployment, continuous deployment) paketlar yoki xizmatlarni yozish va chiqarish bilan cheklanib qolmaydi, balki AI/ML yechimlarini yaratish, o'qitish va qo'llash uchun platformani nazarda tutadi.
• KT (Continuous Training, uzluksiz trening) yangi element [taxminan. maqola muallifi: an'anaviy DevOps kontseptsiyasiga nisbatan yangi element, unda KT, qoida tariqasida, Uzluksiz sinovdir], AI/ML platformalariga xos bo'lib, AIni o'qitish va qo'llash mexanizmlarini avtonom boshqarish uchun javobgardir. /ML modellari. ..."

Aytishimiz mumkinki, mashinani o'rganish va real vaqt rejimida ma'lumotlar ustida ishlaydigan sun'iy intellekt kengroq vositalar va malakalarni talab qiladi (kodni ishlab chiqishdan matematik modellashtirish muhitini tartibga solishgacha), barcha funktsional va mavzular o'rtasida yaqinroq integratsiyani, inson va sun'iy intellektni yanada samarali tashkil etish. mashina resurslari.

Haqiqiy vaqtda stsenariy: besleme nasoslaridagi nuqsonlarning rivojlanishini tan olish

Jarayonni boshqarish maydonidan misol sifatida foydalanishni davom ettirib, ma'lum bir muammoni ko'rib chiqing (biz boshida aytib o'tgan edik): biz jarayon parametrlari qiymatlari oqimiga asoslangan nasoslardagi nuqsonlarning rivojlanishini real vaqt rejimida kuzatishimiz kerak. va aniqlangan nuqsonlar haqida ta'mirlash xodimlarining hisobotlari.

2-rasm Kamchiliklarning rivojlanishini kuzatish uchun muammoni shakllantirish

Amalda shu tarzda qo'yiladigan ko'pgina vazifalarning o'ziga xos xususiyati shundaki, ma'lumotlarni olishning muntazamligi va samaradorligi (APCS) har xil turdagi nuqsonlarning epizodik va tartibsiz paydo bo'lishi (va ro'yxatga olish) fonida ko'rib chiqilishi kerak. Boshqacha qilib aytadigan bo'lsak: jarayonni boshqarish tizimidan ma'lumotlar soniyada bir marta, to'g'ri va aniq keladi va nuqsonlar to'g'risidagi yozuvlar ustaxonadagi umumiy daftarda sanani ko'rsatgan holda kimyoviy qalam bilan yoziladi (masalan: "12.01 - qopqoqqa sizib chiqish" 3-rulman tomondan").

Shunday qilib, biz muammoni shakllantirishni quyidagi muhim cheklov bilan to'ldirishimiz mumkin: bizda ma'lum bir turdagi nuqsonning faqat bitta "yorlig'i" mavjud (ya'ni, ma'lum bir turdagi nuqsonning misoli jarayonni boshqarish ma'lumotlari bilan ifodalanadi. tizim ma'lum bir sanada - va bizda ushbu turdagi nuqsonlarning boshqa misollari yo'q). Ushbu cheklov bizni darhol klassik mashinani o'rganish (nazorat ostidagi o'rganish) doirasidan tashqariga olib chiqadi, buning uchun juda ko'p "teglar" bo'lishi kerak.

3-rasm Kamchiliklarning rivojlanishini nazorat qilish vazifasini aniqlashtirish

Bizning ixtiyorimizdagi yagona "teg" ni qandaydir tarzda "ko'paytirish" mumkinmi? Ha biz qila olamiz. Nasosning joriy holati ro'yxatga olingan nuqsonlarga o'xshashlik darajasi bilan tavsiflanadi. Miqdoriy usullardan foydalanmasdan ham, vizual idrok etish darajasida, jarayonni boshqarish tizimidan keladigan ma'lumotlar qiymatlari dinamikasini kuzatish orqali siz allaqachon ko'p narsalarni o'rganishingiz mumkin:

4-rasm. Berilgan turdagi nuqsonning "belgisi" fonida nasos holatining dinamikasi

Ammo vizual idrok (hech bo'lmaganda hozir) bizning tez o'zgaruvchan stsenariyimizda "teglar" ning eng mos generatori emas. Biz statistik test yordamida joriy nasos holatining xabar qilingan nuqsonlarga o'xshashligini baholaymiz.

5-rasm Nosozlik "yorlig'i" fonida kiruvchi ma'lumotlarga statistik testni qo'llash

Statistik test jarayonni boshqarish tizimidan olingan "oqim paketi" dagi texnologik jarayon parametrlari qiymatlari bo'lgan yozuvlar ma'lum bir turdagi nuqsonning "yorlig'i" yozuvlariga o'xshash bo'lish ehtimolini aniqlaydi. Statistik testni qo'llash natijasida hisoblangan ehtimollik qiymati (statistik o'xshashlik indeksi) 0 yoki 1 qiymatiga aylantiriladi va o'xshashlik tekshirilayotgan paketdagi har bir maxsus yozuvda mashina o'rganish uchun "yorliq" ga aylanadi. Ya'ni, yangi olingan nasos holati yozuvlarini statistik test bilan qayta ishlagandan so'ng, biz (a) ushbu paketni AI/ML modelini o'qitish bo'yicha o'quv majmuasiga qo'shish va (b) sifat nazoratini amalga oshirish imkoniyatiga egamiz. ushbu paketdan foydalanganda modelning joriy versiyasi.

6-rasm Nosozlik "yorlig'i" fonida kiruvchi ma'lumotlarga mashinani o'rganish modelini qo'llash

Avvalgilarimizdan birida vebinarlar Biz InterSystems IRIS platformasi har qanday AI/ML mexanizmini modellashtirish natijalarining ishonchliligini nazorat qiluvchi va model parametrlarini moslashtiruvchi doimiy bajariladigan biznes-jarayonlar shaklida qanday amalga oshirishga imkon berishini ko‘rsatamiz va tushuntiramiz. Nasoslar bilan stsenariymizning prototipini amalga oshirishda biz vebinar davomida taqdim etilgan barcha InterSystems IRIS funksiyalaridan foydalanamiz - bu bizning yechimimizning bir qismi sifatida analizator jarayonida klassik nazorat ostida o'rganish emas, balki o'qitish modellari uchun tanlovni avtomatik ravishda boshqaradigan mustahkamlovchi o'rganish. . O'quv namunasi statistik testni ham, modelning joriy versiyasini ham qo'llaganidan so'ng "aniqlash konsensusi" paydo bo'ladigan yozuvlarni o'z ichiga oladi - ya'ni statistik test (o'xshashlik indeksini 0 yoki 1 ga o'zgartirgandan keyin) va natijani bergan model bunday yozuvlar bo'yicha 1. Modelni yangi o'qitish vaqtida, uni tasdiqlash paytida (yangi o'qitilgan model o'zining o'quv namunasiga qo'llaniladi, unga statistik test oldindan qo'llaniladi), qayta ishlashdan keyin 1-natijani "saqlanmagan" yozuvlar statistik test orqali (mashg'ulotda nuqsonning asl "yorlig'i" dan yozuvlar namunasi doimiy mavjudligi sababli) o'quv to'plamidan chiqariladi va modelning yangi versiyasi "yorliq" dan o'rganiladi. nuqson va oqimdan "saqlangan" yozuvlar.

7-rasm InterSystems IRIS da AI/ML hisoblarini robotlashtirish

Agar InterSystems IRIS-da mahalliy hisob-kitoblar paytida olingan aniqlash sifati bo'yicha "ikkinchi fikr" turiga ehtiyoj bo'lsa, bulut xizmatlaridan foydalangan holda boshqaruv ma'lumotlar to'plamida modellarni o'qitish va qo'llash uchun maslahatchi jarayoni yaratiladi (masalan, Microsoft Azure, Amazon Web Services, Google Cloud Platform va boshqalar):

8-rasm InterSystems IRIS tomonidan tashkil etilgan Microsoft Azure-dan ikkinchi fikr

InterSystems IRIS-dagi stsenariyimizning prototipi asbob-uskunalar ob'ekti (nasos), matematik modellashtirish muhitlari (Python, R va Julia) bilan o'zaro aloqada bo'lgan va barcha ishtirok etgan AI / o'z-o'zini o'rganishni ta'minlaydigan agentga asoslangan analitik jarayonlar tizimi sifatida yaratilgan. ML mexanizmlari - real vaqtda ma'lumotlar oqimlarida.

9-rasm InterSystems IRISda real vaqt rejimida AI/ML yechimining asosiy funksionalligi

Bizning prototipimizning amaliy natijasi:

• Model tomonidan tan olingan namunadagi nuqson (12 yanvar):

• Namunaga kiritilmagan model tomonidan tan olingan rivojlanayotgan nuqson (11 sentyabr, nuqsonning o'zi ta'mirlash guruhi tomonidan faqat ikki kundan keyin, 13 sentyabrda aniqlangan):

Xuddi shu nuqsonning bir nechta epizodlarini o'z ichiga olgan haqiqiy ma'lumotlarning simulyatsiyasi shuni ko'rsatdiki, InterSystems IRIS platformasida amalga oshirilgan bizning yechimimiz ta'mirlash guruhi tomonidan bir necha kun oldin ushbu turdagi nuqsonlarning rivojlanishini aniqlashga imkon beradi.

InterSystems IRIS - universal real vaqtda AI/ML hisoblash platformasi

InterSystems IRIS platformasi real vaqt rejimida ma'lumotlar yechimlarini ishlab chiqish, joylashtirish va ishlatishni soddalashtiradi. InterSystems IRIS bir vaqtning o'zida tranzaksiya va analitik ma'lumotlarni qayta ishlashga qodir; bir nechta modellar (jumladan, relyatsion, ierarxik, ob'ekt va hujjat) bo'yicha sinxronlashtirilgan ma'lumotlar ko'rinishini qo'llab-quvvatlash; keng ko'lamli ma'lumotlar manbalari va individual ilovalarni birlashtirish uchun platforma sifatida harakat qilish; tuzilgan va tuzilmagan ma'lumotlar bo'yicha ilg'or real vaqt tahlilini taqdim etish. InterSystems IRIS, shuningdek, tashqi tahliliy vositalardan foydalanish mexanizmlarini taqdim etadi va bulutda va mahalliy serverlarda xostingning moslashuvchan kombinatsiyasini ta'minlaydi.

InterSystems IRIS platformasida yaratilgan ilovalar turli sohalarda qo‘llaniladi, bu kompaniyalarga strategik va operatsion nuqtai nazardan muhim iqtisodiy foyda olishda yordam beradi, ongli qaror qabul qilishni oshiradi va voqea, tahlil va harakatlar o‘rtasidagi tafovutlarni bartaraf etadi.

10-rasm Real vaqt rejimida AI/ML kontekstida InterSystems IRIS arxitekturasi

Oldingi diagramma kabi, quyidagi diagramma yangi "koordinatalar tizimi" ni (CD/CI/CT) platformaning ishchi elementlari orasidagi axborot oqimi diagrammasi bilan birlashtiradi. Vizualizatsiya makromexanizm CD dan boshlanadi va CI va CT makromexanizmlari bilan davom etadi.

11-rasm InterSystems IRIS platformasining AI/ML elementlari orasidagi axborot oqimlarining diagrammasi

InterSystems IRIS da CD mexanizmining mohiyati: platforma foydalanuvchilari (AI/ML yechimlarini ishlab chiquvchilar) AI/ML mexanizmlari uchun maxsus kod muharriri yordamida mavjud AI/ML ishlanmalarini moslashtiradilar va/yoki yangi AI/ML ishlanmalarini yaratadilar: Jupyter (to‘liq nomi: Jupyter Notebook; qisqalik uchun ushbu muharrirda yaratilgan hujjatlar ham ba'zan deyiladi). Jupyter-da ishlab chiquvchi InterSystems IRIS-ga joylashtirilgunga qadar ("joylashtirilgan") ma'lum bir AI/ML ishlanmasining ishlashini yozish, disk raskadrovka qilish va tekshirish imkoniyatiga ega. Shu tarzda yaratilgan yangi ishlanma faqat asosiy disk raskadrovkani olishi aniq (chunki, Jupyter real vaqtda ma'lumotlar oqimlari bilan ishlamaydi) - bu narsalar tartibida, chunki Yupiterdagi rivojlanishning asosiy natijasi Bu alohida AI / ML mexanizmining fundamental ishlashini tasdiqlashdir ("ma'lumotlar namunasi bo'yicha kutilgan natijani ko'rsatadi"). Xuddi shunday, Jupyter-da disk raskadrovka qilishdan oldin platformada allaqachon joylashtirilgan mexanizm (quyidagi makro-mexanizmlarga qarang) "pre-platforma" shakliga "qayta tiklashni" talab qilishi mumkin (fayllardan ma'lumotlarni o'qish, jadvallar o'rniga xDBC orqali ma'lumotlar bilan ishlash, globallar - InterSystems IRIS ko'p o'lchovli ma'lumotlar massivlari bilan to'g'ridan-to'g'ri o'zaro ta'sir qilish - va boshqalar).

InterSystems IRIS-da CDni amalga oshirishning muhim jihati: platforma va Yupyter o'rtasida ikki tomonlama integratsiya amalga oshirildi, bu Python, R va Julia-dagi tarkibni platformaga o'tkazish (va keyinchalik platformada qayta ishlash) imkonini beradi (uchalasi ham dasturlashdir). Tegishli etakchi ochiq manba tillaridagi tillar). manba matematik modellashtirish muhitlari). Shunday qilib, AI/ML kontentini ishlab chiquvchilari o'zlarining tanish Jupyter muharririda, Python, R, Julia-da mavjud bo'lgan tanish kutubxonalar bilan ishlash va asosiy disk raskadrovkani amalga oshirish (kerak bo'lsa) platformada ushbu kontentni "uzluksiz joylashtirishni" amalga oshirish imkoniyatiga ega. platformadan tashqarida.

InterSystems IRIS da CI makro mexanizmiga o'tamiz. Diagrammada "real vaqtda robotizator" ning so'l jarayoni ko'rsatilgan (ma'lumotlar tuzilmalari, biznes jarayonlari va ular tomonidan matematik tillarda va ObjectScript - InterSystems IRISning ona tili bo'lgan dasturlashda tuzilgan kod qismlari majmuasi). Ushbu so'l jarayonning vazifasi AI/ML mexanizmlarining ishlashi uchun zarur bo'lgan ma'lumotlar navbatlarini saqlash (real vaqt rejimida platformaga uzatiladigan ma'lumotlar oqimi asosida), qo'llash ketma-ketligi va AIning "assortimenti" to'g'risida qaror qabul qilishdir. ML mexanizmlari (ular ham "matematik algoritmlar", "modellar" va boshqalar - amalga oshirishning o'ziga xos xususiyatlariga va terminologik afzalliklarga qarab turlicha nomlanishi mumkin), AI ish natijalarini tahlil qilish uchun ma'lumotlar tuzilmalarini yangilab turing. ML mexanizmlari (kublar, jadvallar, ko'p o'lchovli ma'lumotlar massivlari va boshqalar) va boshqalar - hisobotlar, asboblar paneli va boshqalar uchun).

InterSystems IRIS-da CI joriy etishning muhim jihati: platforma va matematik modellashtirish muhitlari o'rtasida ikki tomonlama integratsiya amalga oshirildi, bu sizga platformada joylashtirilgan kontentni Python, R va Julia-da o'zlarining tegishli muhitlarida bajarish va bajarish natijalarini olish imkonini beradi. Ushbu integratsiya ham "terminal rejimida" (ya'ni, AI/ML kontenti atrof-muhitga qo'ng'iroqlarni amalga oshiradigan ObjectScript kodi sifatida tuzilgan) va "biznes jarayoni rejimida" (ya'ni, AI/ML kontenti biznes jarayoni sifatida shakllantirilgan) amalga oshiriladi. grafik muharriridan foydalanish yoki ba'zan Jupyter-dan foydalanish yoki IDE-dan foydalanish - IRIS Studio, Eclipse, Visual Studio Code). Jupyter-da tahrirlash uchun biznes-jarayonlarning mavjudligi CI darajasidagi IRIS va CD darajasidagi Jupyter o'rtasidagi bog'liqlik orqali namoyon bo'ladi. Matematik modellashtirish muhitlari bilan integratsiya haqida batafsilroq ma'lumot quyida keltirilgan. Ushbu bosqichda, bizning fikrimizcha, platformada AI/ML ishlanmalarining ("doimiy joylashtirishdan" kelib chiqadigan) real vaqt rejimida AI/ML yechimlariga "uzluksiz integratsiyalashuvini" amalga oshirish uchun barcha zarur vositalar mavjudligini ta'minlash uchun barcha asoslar mavjud.

Va asosiy makro mexanizmi: CT. Busiz, AI/ML platformasi bo'lmaydi (garchi "real vaqt" CD/CI orqali amalga oshiriladi). KTning mohiyati platformaning mashinani o'rganish "artifaktlari" va sun'iy intellekt bilan to'g'ridan-to'g'ri matematik modellashtirish muhitining ishchi seanslarida ishlashidir: modellar, tarqatish jadvallari, matritsa vektorlari, neyron tarmoqlar qatlamlari va boshqalar. Ushbu "ish" ko'p hollarda muhitda aytib o'tilgan artefaktlarni yaratishdan iborat (modellar uchun, masalan, "yaratish" modelning spetsifikatsiyasini o'rnatish va uning parametrlari qiymatlarini keyinchalik tanlashdan iborat - modelni "o'qitish" deb ataladigan narsa), ularni qo'llash (modellar uchun: maqsadli o'zgaruvchilarning "model" qiymatlari yordamida hisoblash - prognozlar, toifaga a'zolik, voqea ehtimoli va boshqalar) va allaqachon takomillashtirish. yaratilgan va qo'llaniladigan artefaktlar (masalan, qo'llash natijalari asosida model kiritish o'zgaruvchilari to'plamini qayta aniqlash - prognozlashning aniqligini oshirish uchun, variant sifatida). KT rolini tushunishda asosiy nuqta uning CD va CI voqeliklaridan "abstraktsiyasi" hisoblanadi: KT barcha artefaktlarni amalga oshiradi, aniq muhitlar tomonidan taqdim etilgan imkoniyatlar doirasida AI/ML yechimining hisoblash va matematik xususiyatlariga e'tibor qaratadi. "Kirish ma'lumotlarini taqdim etish" va "chiqishlarni etkazib berish" uchun javobgarlik CD va CI mas'uliyati bo'ladi.

InterSystems IRIS-da KTni amalga oshirishning muhim jihati: yuqorida aytib o'tilgan matematik modellashtirish muhitlari bilan integratsiyadan foydalangan holda, platforma matematik muhitda o'z nazorati ostida ishlaydigan ish sessiyalaridan o'sha artefaktlarni ajratib olish va (eng muhimi) aylantirish qobiliyatiga ega. ularni platforma ma'lumotlari ob'ektlariga aylantiradi. Masalan, ishlaydigan Python seansida yaratilgan tarqatish jadvali (Python sessiyasini to'xtatmasdan), masalan, global (ko'p o'lchovli InterSystems IRIS ma'lumotlar massivi) ko'rinishida platformaga o'tkazilishi va ishlatilishi mumkin. boshqa AI/ML- mexanizmida hisob-kitoblar uchun (boshqa muhit tilida - masalan, R-da amalga oshiriladi) - yoki virtual jadval. Yana bir misol: modelning "normal rejimi" bilan parallel ravishda (Python ishchi seansida) uning kirish ma'lumotlarida "auto-ML" amalga oshiriladi: optimal kirish o'zgaruvchilari va parametr qiymatlarini avtomatik tanlash. Va "muntazam" trening bilan bir qatorda, real vaqt rejimida samarali model o'z spetsifikatsiyasini "optimallashtirish bo'yicha taklif" oladi - bunda kirish o'zgaruvchilari to'plami o'zgaradi, parametr qiymatlari o'zgaradi (endi o'qitish natijasida emas). Python-da, lekin H2O stek kabi o'zining "muqobil" versiyasi bilan mashq qilish natijasida) umumiy AI/ML yechimiga kirish ma'lumotlari va modellashtirilayotgan hodisalar tabiatidagi kutilmagan o'zgarishlarni avtonom tarzda engishga imkon beradi. .

InterSystems IRIS platformasining AI/ML funksionalligi bilan real hayotdagi prototip misolida batafsilroq tanishib chiqamiz.

Quyidagi diagrammada slaydning chap tomonida Python va R-da skriptlarni bajarishni amalga oshiradigan biznes-jarayonning bir qismi joylashgan. Markaziy qismida mos ravishda ushbu skriptlarning ba'zilari bajarilishining vizual jurnallari mavjud, Python va R-da. Ularning orqasida bir va boshqa tildagi kontent namunalari mavjud bo'lib, ular bajarish uchun tegishli muhitlarga o'tkaziladi. Oxirida o'ng tomonda skriptni bajarish natijalariga asoslangan vizualizatsiya mavjud. Yuqoridagi vizualizatsiya IRIS Analytics-da qilingan (ma'lumotlar Python'dan InterSystems IRIS ma'lumotlar platformasiga olingan va platforma yordamida asboblar panelida ko'rsatilgan), pastki qismida to'g'ridan-to'g'ri R ish sessiyasida qilingan va u erdan grafik fayllarga chiqarilgan. . Muhim jihat: prototipdagi taqdim etilgan fragment modelni qo'llash jarayonida kuzatilgan tasniflash sifati monitoringi jarayonining buyrug'iga binoan real vaqt rejimida uskuna simulyatori jarayonidan olingan ma'lumotlar bo'yicha modelni (uskunalar holatini tasniflash) o'rgatish uchun javobgardir. O'zaro ta'sir qiluvchi jarayonlar to'plami ("agentlar") shaklida AI/ML yechimini amalga oshirish yanada muhokama qilinadi.

12-rasm InterSystems IRIS da Python, R va Julia bilan o'zaro aloqasi

Platforma jarayonlari (ular ham kontekstga qarab “biznes-jarayonlar”, “tahlil jarayonlari”, “quvurlar” va boshqalar), birinchi navbatda platformaning oʻzida grafik biznes jarayonlari muharririda tahrir qilinadi va shunday uning blok diagrammasi va mos keladigan AI/ML mexanizmi (dastur kodi) bir vaqtning o'zida yaratilgan. “AI/ML mexanizmi olindi” deganda, dastlab gibridlikni nazarda tutamiz (bitta jarayonda): matematik modellashtirish muhitlari tillaridagi tarkib SQL tarkibiga (shu jumladan, kengaytmalar) ulashgan. IntegratedML), InterSystems ObjectScript-da, boshqa qo'llab-quvvatlanadigan tillar bilan. Bundan tashqari, platforma jarayoni ierarxik joylashtirilgan fragmentlar ko'rinishida "ko'rsatish" uchun juda keng imkoniyatlarni taqdim etadi (quyidagi diagrammadagi misolda ko'rish mumkin), bu sizga hatto juda murakkab tarkibni hech qachon "yiqilib tushmasdan" samarali tashkil qilish imkonini beradi. grafik formatning ("grafik bo'lmagan" formatlarga) » usullar/sinflar/protseduralar va boshqalar). Ya'ni, agar kerak bo'lsa (va bu ko'pchilik loyihalarda nazarda tutilgan), mutlaqo to'liq AI/ML yechimi grafik o'z-o'zini hujjatlashtirish formatida amalga oshirilishi mumkin. E'tibor bering, quyida keltirilgan diagrammaning markaziy qismida yuqoriroq "uya qurish darajasi" ni ko'rsatadigan modelni o'rgatish bo'yicha (Python va R-dan foydalangan holda) haqiqiy ish bilan bir qatorda, deb ataladigan narsaning tahlili aniq ko'rinadi. O'qitilgan modelning ROC egri chizig'i qo'shiladi, bu o'qitish sifatini vizual (va hisoblash orqali ham) baholashga imkon beradi - va bu tahlil Yuliya tilida amalga oshiriladi (mos ravishda Julia matematik muhitida bajariladi).

13-rasm InterSystems IRIS da AI/ML yechimlari tarkibi uchun vizual muhit

Yuqorida aytib o'tilganidek, platformada allaqachon amalga oshirilgan AI/ML mexanizmlarini dastlabki ishlab chiqish va (ba'zi hollarda) moslashtirish Jupyter muharririda platformadan tashqarida amalga oshirilishi mumkin. Quyidagi diagrammada biz mavjud platforma jarayonini moslashtirish misolini ko'ramiz (yuqoridagi diagrammada bo'lgani kabi) - modelni o'rgatish uchun mas'ul bo'lgan fragment Yupiterda shunday ko'rinadi. Python tarkibi to'g'ridan-to'g'ri Jupyter-da tahrirlash, disk raskadrovka va grafiklarni chiqarish uchun mavjud. O'zgartirishlar (agar kerak bo'lsa) platforma jarayoniga, shu jumladan uning samarali versiyasiga lahzali sinxronizatsiya bilan amalga oshirilishi mumkin. Yangi tarkib platformaga xuddi shunday tarzda o'tkazilishi mumkin (yangi platforma jarayoni avtomatik ravishda yaratiladi).

14-rasm InterSystems IRIS platformasida AI/ML dvigatelini tahrirlash uchun Jupyter Notebook-dan foydalanish

Platforma jarayonini moslashtirish nafaqat grafik yoki noutbuk formatida, balki "jami" IDE (Integrated Development Environment) formatida ham amalga oshirilishi mumkin. Bu IDElar IRIS Studio (mahalliy IRIS studio), Visual Studio Code (VSCode uchun InterSystems IRIS kengaytmasi) va Eclipse (Atelier plagini). Ba'zi hollarda, ishlab chiqish guruhi bir vaqtning o'zida uchta IDE dan foydalanishi mumkin. Quyidagi diagrammada IRIS studio, Visual Studio Code va Eclipse-da bir xil jarayonni tahrirlash misoli ko'rsatilgan. Mutlaqo barcha tarkibni tahrirlash mumkin: Python/R/Julia/SQL, ObjectScript va biznes jarayoni.

15-rasm InterSystems IRIS biznes jarayonining turli IDElarda rivojlanishi

InterSystems IRIS biznes-jarayonlarini Business Process Language (BPL) da tavsiflash va amalga oshirish vositalari alohida e'tiborga loyiqdir. BPL biznes jarayonlarida "tayyor integratsiya komponentlari" (faoliyatlari) dan foydalanishga imkon beradi - bu aslida InterSystems IRISda "uzluksiz integratsiya" amalga oshirilgan deb aytish uchun barcha asoslarni beradi. Tayyor biznes-jarayon komponentlari (faoliyatlar va ular orasidagi bog'lanishlar) AI/ML yechimini yig'ish uchun kuchli tezlatgich hisoblanadi. Va nafaqat yig'ilishlar: turli xil AI/ML ishlanmalari va mexanizmlari bo'yicha ular o'rtasidagi faoliyat va aloqalar tufayli real vaqt rejimida vaziyatga qarab qaror qabul qilishga qodir "avtonom boshqaruv qatlami" paydo bo'ladi.

16-rasm InterSystems IRIS platformasida uzluksiz integratsiya (CI) uchun tayyor biznes-jarayon komponentlari

Agent tizimlari kontseptsiyasi (shuningdek, "ko'p agentli tizimlar" deb ham ataladi) robotlashtirishda kuchli mavqega ega va InterSystems IRIS platformasi uni "mahsulot jarayoni" konstruktsiyasi orqali organik ravishda qo'llab-quvvatlaydi. Har bir jarayonni umumiy yechim uchun zarur bo'lgan funksionallik bilan "to'ldirish" uchun cheksiz imkoniyatlarga qo'shimcha ravishda, platforma jarayonlari tizimini "agentlik" mulki bilan ta'minlash sizga o'ta beqaror simulyatsiya qilingan hodisalar (ijtimoiy xatti-harakatlar) uchun samarali echimlarni yaratishga imkon beradi. biotizimlar, qisman kuzatiladigan texnologik jarayonlar va boshqalar).

16-rasm InterSystems IRIS da agentga asoslangan biznes-jarayon tizimi sifatida AI/ML yechimining ishlashi

Biz InterSystems IRIS-ni ko'rib chiqishimizni real vaqt rejimidagi muammolarning butun sinflarini hal qilish uchun platformadan amaliy foydalanish haqidagi hikoya bilan davom ettiramiz (InterSystems IRIS-dagi AI/ML platformasining ba'zi eng yaxshi amaliyotlari bilan juda batafsil tanishuvni bittadan topish mumkin. oldingimizdan vebinarlar).

Oldingi diagrammada issiq, quyida agent tizimining batafsilroq diagrammasi keltirilgan. Diagrammada bir xil prototip ko'rsatilgan, barcha to'rtta agent jarayoni ko'rinadi, ular orasidagi aloqalar sxematik chizilgan: GENERATOR - uskuna sensorlari tomonidan ma'lumotlarni yaratishni qayta ishlaydi, BUFFER - ma'lumotlar navbatlarini boshqaradi, ANALYZER - mashinani o'rganishni o'zi bajaradi, MONITOR - nazorat qiladi mashinani o'rganish sifati va modelni qayta tayyorlash zarurligi haqida signal beradi.

17-rasm InterSystems IRIS da agentga asoslangan biznes-jarayon tizimi ko'rinishidagi AI/ML yechimining tarkibi

Quyidagi diagrammada boshqa robot prototipining bir muncha vaqt avtonom ishlashi (matnlarning hissiy rangini tan olish) tasvirlangan. Yuqori qismida namunaviy tayyorgarlik sifat ko‘rsatkichi evolyutsiyasi (sifat o‘sib bormoqda), quyi qismida modelni qo‘llash sifat ko‘rsatkichi dinamikasi va takroriy o‘qitish faktlari (qizil chiziqlar) keltirilgan. Ko'rib turganingizdek, yechim o'zini samarali va avtonom tarzda o'rgandi va ma'lum bir sifat darajasida ishlaydi (sifat balli qiymatlari 80% dan pastga tushmaydi).

18-rasm InterSystems IRIS platformasida uzluksiz (o'z-o'zini) o'qitish (KT)

Biz avvalroq "auto-ML" ni ham eslatib o'tdik, ammo quyidagi diagrammada boshqa prototip misolida ushbu funksiyadan foydalanish batafsil ko'rsatilgan. Biznes-jarayon fragmentining grafik diagrammasi H2O stekidagi modellashtirishni qo'zg'atuvchi faoliyatni ko'rsatadi, ushbu modellashtirish natijalarini ko'rsatadi (natijadagi modelning "texnogen" modellarga nisbatan aniq ustunligi, qiyosiy diagrammaga ko'ra. ROC egri chiziqlari, shuningdek, asl ma'lumotlar to'plamida mavjud bo'lgan "eng ta'sirli o'zgaruvchilar" ning avtomatlashtirilgan identifikatsiyasi). Bu erda muhim nuqta - bu "auto-ML" orqali erishiladigan vaqt va ekspert resurslarini tejash: bizning platforma jarayoni yarim daqiqada nima qiladi (optimal modelni topish va o'rgatish) mutaxassisga bir haftadan bir oygacha vaqt ketishi mumkin.

19-rasm InterSystems IRIS platformasida “auto-ML” ning AI/ML yechimiga integratsiyasi

Quyidagi diagrammada fikr biroz yo'qolgan, ammo bu real vaqt rejimida hal qilinayotgan muammolar sinflari haqidagi hikoyani tugatishning yaxshi usuli: biz sizga eslatib o'tamizki, InterSystems IRIS platformasining barcha imkoniyatlari bilan uning nazorati ostidagi o'quv modellari majburiy emas. Platforma platforma nazorati ostida bo'lmagan asbobda o'qitilgan modelning PMML spetsifikatsiyasini tashqaridan qabul qilishi va ushbu modelni import qilingan paytdan boshlab real vaqt rejimida qo'llashi mumkin. PMML spetsifikatsiyalari. Shuni hisobga olish kerakki, eng keng tarqalgan artefaktlarning aksariyati bunga imkon bersa ham, barcha AI/ML artefaktlarini PMML spetsifikatsiyasiga qisqartirish mumkin emas. Shunday qilib, InterSystems IRIS platformasi "ochiq tsikl" bo'lib, foydalanuvchilar uchun "platforma qulligi" degani emas.

20-rasm InterSystems IRIS platformasida “auto-ML” ning AI/ML yechimiga integratsiyasi

Sun'iy intellektni avtomatlashtirish va real vaqtda mashinani o'rganishda katta ahamiyatga ega bo'lgan InterSystems IRIS platformasining qo'shimcha afzalliklarini sanab o'tamiz (aniqlik uchun, jarayonni boshqarish uchun):

• Har qanday ma'lumot manbalari va iste'molchilar bilan integratsiya vositalari (jarayonlarni boshqarish tizimi / SCADA, uskunalar, MRO, ERP va boshqalar) ishlab chiqilgan.
• Ichki ko'p modelli DBMS texnologik jarayon ma'lumotlarining istalgan hajmini yuqori samarali tranzaksiya va analitik qayta ishlash (Gybrid Transaction/Analytical Processing, HTAP) uchun
• Python, R, Julia asosida real vaqtda yechimlar uchun AI/ML dvigatellarini uzluksiz joylashtirish uchun ishlab chiqish vositalari
• Haqiqiy vaqtda AI/ML yechim dvigatellarini uzluksiz integratsiya qilish va (o'z-o'zini) o'rganish uchun moslashuvchan biznes jarayonlari
• Jarayon ma'lumotlarini va AI/ML yechimining natijalarini vizualizatsiya qilish uchun o'rnatilgan Business Intelligence vositalari
• API boshqaruvi AI/ML yechimining natijalarini jarayonlarni boshqarish tizimlari/SCADA, axborot va tahliliy tizimlarga etkazish, ogohlantirishlarni yuborish va h.k.

InterSystems IRIS platformasidagi AI/ML yechimlari mavjud IT infratuzilmasiga osongina mos tushadi. InterSystems IRIS platformasi nosozliklarga chidamli va ofatlarga chidamli konfiguratsiyalarni va virtual muhitlarda, jismoniy serverlarda, shaxsiy va ommaviy bulutlarda hamda Docker konteynerlarida moslashuvchan joylashtirishni qo‘llab-quvvatlash orqali AI/ML yechimlarining yuqori ishonchliligini ta’minlaydi.

Shunday qilib, InterSystems IRIS universal real vaqtda AI/ML hisoblash platformasidir. Bizning platformamizning universalligi amalda amalga oshirilgan hisob-kitoblarning murakkabligi bo'yicha de-fakto cheklovlarning yo'qligi, InterSystems IRIS-ning turli sohalardagi stsenariylarni (real vaqt rejimida) qayta ishlashni birlashtirish qobiliyati va yuqori darajadagi moslashuvchanligi bilan tasdiqlanadi. har qanday platforma funktsiyalari va mexanizmlari foydalanuvchilarning o'ziga xos ehtiyojlariga mos keladi.

21-rasm InterSystems IRIS - universal real vaqtda AI/ML hisoblash platformasi

Bu erda keltirilgan materialga qiziqqan o'quvchilarimiz bilan yanada mazmunli muloqot qilish uchun biz uni o'qish bilan cheklanib qolmaslikni va "jonli" muloqotni davom ettirishni tavsiya qilamiz. Biz kompaniyangizning o'ziga xos xususiyatlariga nisbatan real vaqt rejimida AI/ML stsenariylarini shakllantirish, InterSystems IRIS platformasida qo'shma prototiplashni amalga oshirish, sun'iy intellekt va mashinani o'rganishni joriy etish bo'yicha yo'l xaritasini ishlab chiqish va amaliyotga tatbiq etishda yordam berishdan mamnun bo'lamiz. ishlab chiqarish va boshqaruv jarayonlariga. AI/ML boʻyicha ekspert guruhimiz bilan bogʻlanish uchun elektron pochta manzili – [elektron pochta bilan himoyalangan].

Manba: www.habr.com