InterSystems IRIS là một nền tảng AI/ML thời gian thực phổ quát

Tác giả: Sergey Lukyanchikov, kỹ sư tư vấn tại InterSystems

Cuộc gọi điện toán AI/ML thời gian thực

Hãy bắt đầu với các ví dụ từ trải nghiệm thực hành Khoa học dữ liệu tại InterSystems:

• Cổng thông tin người mua đã tải được kết nối với hệ thống đề xuất trực tuyến. Sẽ có sự tái cấu trúc các chương trình khuyến mãi trên toàn mạng lưới bán lẻ (ví dụ: thay vì dòng khuyến mãi “phẳng”, ma trận “chiến thuật phân khúc” sẽ được sử dụng). Điều gì xảy ra với công cụ đề xuất? Điều gì xảy ra với việc gửi và cập nhật dữ liệu lên công cụ đề xuất (khối lượng dữ liệu đầu vào đã tăng 25000 lần)? Điều gì sẽ xảy ra với việc phát triển các đề xuất (nhu cầu giảm ngưỡng lọc của các quy tắc đề xuất xuống một nghìn lần do số lượng và “phạm vi” của chúng tăng lên một nghìn lần)?
• Có một hệ thống giám sát khả năng xảy ra lỗi trong các bộ phận của thiết bị. Một hệ thống điều khiển quy trình tự động được kết nối với hệ thống giám sát, truyền tải hàng nghìn thông số quy trình công nghệ mỗi giây. Điều gì sẽ xảy ra với hệ thống giám sát trước đây hoạt động trên “mẫu thủ công” (nó có khả năng cung cấp khả năng giám sát xác suất từng giây không)? Điều gì sẽ xảy ra nếu một khối mới gồm vài trăm cột xuất hiện trong dữ liệu đầu vào với số đọc từ các cảm biến được thêm gần đây vào hệ thống điều khiển quá trình (liệu có cần thiết và phải dừng hệ thống giám sát trong bao lâu để đưa dữ liệu từ các cảm biến mới vào phân tích) )?
• Một bộ cơ chế AI/ML (đề xuất, giám sát, dự báo) đã được tạo ra để sử dụng kết quả công việc của nhau. Cần bao nhiêu giờ công mỗi tháng để điều chỉnh hoạt động của tổ hợp này với những thay đổi trong dữ liệu đầu vào? “Sự chậm lại” chung là gì khi được hỗ trợ bởi tổ hợp ra quyết định quản lý (tần suất xuất hiện thông tin hỗ trợ mới trong đó so với tần suất xuất hiện của dữ liệu đầu vào mới)?

Tóm tắt những ví dụ này và nhiều ví dụ khác, chúng tôi đã đi đến việc hình thành những thách thức nảy sinh khi chuyển sang sử dụng cơ chế học máy và trí tuệ nhân tạo trong thời gian thực:

• Chúng ta có hài lòng với tốc độ sáng tạo và thích ứng (với tình hình đang thay đổi) của quá trình phát triển AI/ML trong công ty mình không?
• Các giải pháp AI/ML mà chúng tôi sử dụng hỗ trợ quản lý kinh doanh theo thời gian thực ở mức độ nào?
• Các giải pháp AI/ML mà chúng tôi sử dụng có thể thích ứng một cách độc lập (không cần nhà phát triển) với những thay đổi trong thực tiễn quản lý dữ liệu và kinh doanh không?

Bài viết của chúng tôi là tổng quan kỹ lưỡng về các khả năng của nền tảng InterSystems IRIS về mặt hỗ trợ chung cho việc triển khai các cơ chế AI/ML, lắp ráp (tích hợp) các giải pháp AI/ML và đào tạo (thử nghiệm) các giải pháp AI/ML về chuyên sâu. các luồng dữ liệu. Chúng ta sẽ xem xét nghiên cứu thị trường, nghiên cứu điển hình về các giải pháp AI/ML và các khía cạnh khái niệm của cái mà chúng ta gọi là nền tảng AI/ML thời gian thực trong bài viết này.

Những gì chúng tôi biết từ khảo sát: ứng dụng thời gian thực

Những phát hiện khảo sátđược thực hiện với gần 800 chuyên gia CNTT vào năm 2019 bởi Lightbend, đã tự nói lên điều đó:

Hình 1 Người sử dụng dữ liệu thời gian thực hàng đầu

Chúng tôi xin trích dẫn những đoạn quan trọng của báo cáo về kết quả của cuộc khảo sát này trong bản dịch của chúng tôi:

“... Xu hướng về mức độ phổ biến của các công cụ tích hợp luồng dữ liệu, đồng thời, hỗ trợ điện toán trong các thùng chứa mang lại phản ứng tổng hợp cho yêu cầu của thị trường về đề xuất giải pháp hiệu quả, hợp lý, năng động hơn. Truyền dữ liệu truyền tải thông tin nhanh hơn dữ liệu gói truyền thống. Thêm vào đó là khả năng áp dụng nhanh chóng các phương pháp tính toán, chẳng hạn như các đề xuất dựa trên AI/ML, tạo ra lợi thế cạnh tranh thông qua việc tăng sự hài lòng của khách hàng. Cuộc đua về sự linh hoạt cũng tác động đến tất cả các vai trò trong mô hình DevOps - giúp việc phát triển và triển khai ứng dụng hiệu quả hơn. … Tám trăm lẻ bốn chuyên gia CNTT đã cung cấp thông tin về việc sử dụng các luồng dữ liệu trong tổ chức của họ. Những người trả lời chủ yếu sống ở các nước phương Tây (41% ở Châu Âu và 37% ở Bắc Mỹ) và gần như được phân bố đồng đều giữa các công ty nhỏ, vừa và lớn. ...

... Trí tuệ nhân tạo không phải là sự cường điệu. XNUMX% những người đã sử dụng tính năng xử lý luồng dữ liệu trong các ứng dụng AI/ML năng suất xác nhận rằng việc sử dụng AI/ML của họ sẽ có mức tăng trưởng lớn nhất trong năm tới (so với các ứng dụng khác).

• Theo phần lớn những người được hỏi, việc sử dụng luồng dữ liệu trong các kịch bản AI/ML sẽ có mức tăng trưởng lớn nhất trong năm tới.
• Các ứng dụng trong AI/ML sẽ phát triển không chỉ do các loại kịch bản tương đối mới mà còn do các kịch bản truyền thống trong đó dữ liệu thời gian thực ngày càng được sử dụng nhiều hơn.
• Ngoài AI/ML, mức độ nhiệt tình của người dùng đường dẫn dữ liệu IoT rất ấn tượng - 48% những người đã tích hợp dữ liệu IoT nói rằng việc triển khai kịch bản trên dữ liệu này sẽ tăng đáng kể trong tương lai gần. ..."

Từ cuộc khảo sát khá thú vị này, có thể thấy rõ rằng nhận thức về các kịch bản học máy và trí tuệ nhân tạo với tư cách là những người dẫn đầu trong việc tiêu thụ luồng dữ liệu đã “đang được triển khai”. Nhưng một quan sát quan trọng không kém là nhận thức về AI/ML thời gian thực qua lăng kính DevOps: ở đây chúng ta có thể bắt đầu nói về sự chuyển đổi nền văn hóa vẫn còn thống trị về “AI/ML dùng một lần với bộ dữ liệu có thể truy cập đầy đủ”.

Khái niệm nền tảng AI/ML thời gian thực

Một lĩnh vực ứng dụng điển hình cho AI/ML thời gian thực là kiểm soát quy trình trong sản xuất. Sử dụng ví dụ của cô ấy và tính đến những suy nghĩ trước đó, chúng tôi sẽ hình thành khái niệm về nền tảng AI/ML thời gian thực.
Việc sử dụng trí tuệ nhân tạo và học máy trong điều khiển quá trình có một số tính năng:

• Dữ liệu về trạng thái của quy trình công nghệ được tiếp nhận chuyên sâu: với tần suất cao và cho nhiều tham số (lên tới hàng chục nghìn giá trị tham số được truyền mỗi giây từ hệ thống điều khiển quy trình)
• Ngược lại, dữ liệu về việc xác định các khuyết tật, chưa kể đến dữ liệu về sự phát triển của chúng, rất khan hiếm và không đều, được đặc trưng bởi việc xác định không đầy đủ các khuyết tật và bản địa hóa kịp thời của chúng (thường được thể hiện bằng hồ sơ giấy)
• Từ quan điểm thực tế, chỉ có một “cửa sổ liên quan” của dữ liệu nguồn để đào tạo và áp dụng các mô hình, phản ánh động lực của quy trình công nghệ trong một khoảng trượt hợp lý kết thúc bằng giá trị đọc cuối cùng của các tham số quy trình

Những tính năng này buộc chúng tôi, ngoài việc tiếp nhận và xử lý cơ bản trong thời gian thực “tín hiệu đầu vào băng thông rộng” chuyên sâu từ quy trình công nghệ, phải thực hiện (song song) việc ứng dụng, đào tạo và kiểm soát chất lượng kết quả của AI / Mô hình ML - cũng trong thời gian thực. “Khung” mà các mô hình của chúng tôi “nhìn thấy” trong cửa sổ trượt mức độ liên quan liên tục thay đổi – và cùng với đó, chất lượng kết quả làm việc của các mô hình AI/ML được đào tạo trên một trong các “khung” trước đây cũng thay đổi . Nếu chất lượng kết quả làm việc của các mô hình AI/ML xấu đi (ví dụ: giá trị của lỗi phân loại “chuẩn mực báo động” đã vượt quá giới hạn mà chúng tôi đã xác định), việc đào tạo bổ sung cho các mô hình sẽ được tự động triển khai vào một “khung” hiện tại hơn - và việc lựa chọn thời điểm để triển khai đào tạo bổ sung cho các mô hình phải tính đến thời lượng đào tạo và động lực làm suy giảm chất lượng công việc của phiên bản hiện tại của các mô hình (vì các phiên bản hiện tại của mô hình tiếp tục được sử dụng trong khi các mô hình được đào tạo và cho đến khi các phiên bản “mới được đào tạo” của chúng được hình thành).

InterSystems IRIS có các khả năng nền tảng quan trọng để kích hoạt các giải pháp AI/ML nhằm kiểm soát quy trình theo thời gian thực. Những khả năng này có thể được chia thành ba nhóm chính:

• Triển khai liên tục (Triển khai/Phân phối liên tục, CD) các cơ chế AI/ML hiện có mới hoặc được điều chỉnh thành một giải pháp hiệu quả hoạt động trong thời gian thực trên nền tảng IRIS của InterSystems
• Tích hợp liên tục (CI) vào một giải pháp hiệu quả duy nhất gồm các luồng dữ liệu quy trình công nghệ đến, hàng đợi dữ liệu để kiểm soát ứng dụng/đào tạo/chất lượng của cơ chế AI/ML và trao đổi dữ liệu/mã/hành động điều khiển với môi trường mô hình toán học, được sắp xếp theo thời gian thực nền tảng InterSystems IRIS
• Đào tạo liên tục (tự) (Đào tạo liên tục, CT) về cơ chế AI/ML, được thực hiện trong môi trường mô hình hóa toán học bằng cách sử dụng dữ liệu, mã và các hành động kiểm soát (“các quyết định được đưa ra”) được truyền bởi nền tảng IRIS của InterSystems

Việc phân loại các khả năng nền tảng liên quan đến học máy và trí tuệ nhân tạo thành các nhóm này không phải là ngẫu nhiên. Hãy trích dẫn phương pháp sự xuất bản Google, nơi cung cấp cơ sở khái niệm cho việc phân loại này, trong bản dịch của chúng tôi:

“... Khái niệm DevOps, phổ biến ngày nay, bao gồm việc phát triển và vận hành các hệ thống thông tin quy mô lớn. Ưu điểm của việc triển khai khái niệm này là giảm thời lượng của chu kỳ phát triển, triển khai phát triển nhanh hơn và linh hoạt trong lập kế hoạch phát hành. Để đạt được những lợi ích này, DevOps liên quan đến việc triển khai ít nhất hai phương pháp:

• Tích hợp liên tục (CI)
• Giao hàng liên tục (CD)

Những phương pháp thực hành này cũng áp dụng cho nền tảng AI/ML để đảm bảo lắp ráp các giải pháp AI/ML hiệu quả và đáng tin cậy.

Nền tảng AI/ML khác với các hệ thống thông tin khác ở các khía cạnh sau:

• Năng lực của nhóm: Khi tạo giải pháp AI/ML, nhóm thường bao gồm các nhà khoa học dữ liệu hoặc chuyên gia “học thuật” trong lĩnh vực nghiên cứu dữ liệu, những người tiến hành phân tích dữ liệu, phát triển và thử nghiệm các mô hình. Những thành viên trong nhóm này có thể không phải là nhà phát triển mã hiệu quả chuyên nghiệp.
• Phát triển: Công cụ AI/ML mang tính chất thử nghiệm. Để giải quyết một vấn đề một cách hiệu quả nhất, cần phải trải qua nhiều sự kết hợp khác nhau của các biến đầu vào, thuật toán, phương pháp mô hình hóa và các tham số mô hình. Sự phức tạp của việc tìm kiếm như vậy nằm ở việc truy tìm “điều gì hiệu quả/không hiệu quả”, đảm bảo khả năng tái tạo các tập, khái quát hóa các bước phát triển cho việc triển khai lặp lại.
• Thử nghiệm: Việc thử nghiệm các công cụ AI/ML yêu cầu phạm vi thử nghiệm rộng hơn hầu hết các hoạt động phát triển khác. Ngoài các bài kiểm tra đơn vị và tích hợp tiêu chuẩn, tính hợp lệ của dữ liệu và chất lượng của kết quả áp dụng mô hình cho các mẫu huấn luyện và kiểm soát cũng được kiểm tra.
• Triển khai: Việc triển khai các giải pháp AI/ML không chỉ giới hạn ở các dịch vụ dự đoán sử dụng mô hình đã được đào tạo một lần. Các giải pháp AI/ML được xây dựng xung quanh các quy trình nhiều giai đoạn thực hiện ứng dụng và đào tạo mô hình tự động. Việc triển khai các quy trình như vậy bao gồm việc tự động hóa các hành động không hề đơn giản được các nhà khoa học dữ liệu thực hiện thủ công theo cách truyền thống để có thể đào tạo và thử nghiệm các mô hình.
• Năng suất: Công cụ AI/ML có thể thiếu năng suất không chỉ do lập trình kém hiệu quả mà còn do tính chất thay đổi liên tục của dữ liệu đầu vào. Nói cách khác, hiệu suất của các cơ chế AI/ML có thể suy giảm do nhiều lý do hơn so với hiệu suất của các cơ chế phát triển thông thường. Điều này dẫn đến nhu cầu giám sát (trực tuyến) hiệu suất của các công cụ AI/ML của chúng tôi, cũng như gửi cảnh báo hoặc từ chối kết quả nếu các chỉ số hiệu suất không đáp ứng mong đợi.

Nền tảng AI/ML tương tự như các hệ thống thông tin khác ở chỗ cả hai đều yêu cầu tích hợp mã liên tục với kiểm soát phiên bản, thử nghiệm đơn vị, thử nghiệm tích hợp và triển khai phát triển liên tục. Tuy nhiên, trong trường hợp AI/ML, có một số khác biệt quan trọng:

• CI (Tích hợp liên tục) không còn giới hạn ở việc kiểm tra và xác thực mã của các thành phần được triển khai - nó còn bao gồm kiểm tra và xác thực dữ liệu cũng như các mô hình AI/ML.
• CD (Phân phối/Triển khai liên tục, triển khai liên tục) không chỉ giới hạn ở việc viết và phát hành các gói hoặc dịch vụ mà còn bao hàm một nền tảng để sáng tác, đào tạo và ứng dụng các giải pháp AI/ML.
• CT (Đào tạo liên tục, đào tạo liên tục) là một yếu tố mới [khoảng. tác giả bài viết: một yếu tố mới liên quan đến khái niệm truyền thống về DevOps, trong đó CT, theo quy định, Kiểm tra liên tục], vốn có trong nền tảng AI/ML, chịu trách nhiệm quản lý tự động các cơ chế đào tạo và ứng dụng AI /Mô hình ML. ..."

Chúng ta có thể nói rằng học máy và trí tuệ nhân tạo làm việc trên dữ liệu thời gian thực đòi hỏi một bộ công cụ và năng lực rộng hơn (từ phát triển mã đến điều phối môi trường mô hình toán học), tích hợp chặt chẽ hơn giữa tất cả các lĩnh vực chức năng và chủ đề, tổ chức con người và con người hiệu quả hơn. tài nguyên máy.

Kịch bản thời gian thực: nhận biết sự phát triển của các khuyết tật trong máy bơm cấp liệu

Tiếp tục sử dụng khu vực kiểm soát quy trình làm ví dụ, hãy xem xét một vấn đề cụ thể (chúng tôi đã đề cập ngay từ đầu): chúng tôi cần cung cấp khả năng giám sát thời gian thực về sự phát triển của các khuyết tật trong máy bơm dựa trên dòng giá trị tham số quy trình ​​và báo cáo từ nhân viên sửa chữa về các lỗi đã xác định.

Hình 2 Xây dựng bài toán để theo dõi sự phát triển của khuyết tật

Một đặc điểm của hầu hết các nhiệm vụ được đặt ra theo cách này trong thực tế là tính thường xuyên và hiệu quả của việc nhận dữ liệu (APCS) phải được xem xét trong bối cảnh xảy ra (và đăng ký) các loại khiếm khuyết theo từng giai đoạn và bất thường. Nói cách khác: dữ liệu từ hệ thống kiểm soát quy trình đến mỗi giây một lần, chính xác và chính xác, đồng thời ghi chú về các khuyết tật được ghi bằng bút chì hóa học ghi ngày vào sổ ghi chép chung trong xưởng (ví dụ: “12.01 – rò rỉ vào bìa từ phía của ổ trục thứ 3”).

Do đó, chúng ta có thể bổ sung cho việc xây dựng bài toán bằng hạn chế quan trọng sau: chúng ta chỉ có một “nhãn” của một loại lỗi cụ thể (nghĩa là một ví dụ về lỗi của một loại cụ thể được biểu thị bằng dữ liệu từ bộ điều khiển quá trình). hệ thống vào một ngày cụ thể - và chúng tôi không có thêm ví dụ nào về lỗi thuộc loại cụ thể này). Hạn chế này ngay lập tức đưa chúng ta vượt ra ngoài phạm vi của học máy cổ điển (học có giám sát), vốn cần có rất nhiều “thẻ”.

Hình 3 Làm rõ nhiệm vụ theo dõi sự phát triển của khuyết tật

Bằng cách nào đó chúng ta có thể “nhân lên” “thẻ” duy nhất theo ý mình không? Vâng, chúng tôi có thể. Tình trạng hiện tại của máy bơm được đặc trưng bởi mức độ tương tự với các lỗi đã đăng ký. Ngay cả khi không sử dụng các phương pháp định lượng, ở cấp độ nhận thức trực quan, bằng cách quan sát động thái của các giá trị dữ liệu đến từ hệ thống kiểm soát quy trình, bạn có thể học được rất nhiều điều:

Hình 4 Động lực học của tình trạng máy bơm trên nền “dấu hiệu” của một loại lỗi nhất định

Nhưng nhận thức trực quan (ít nhất là ở thời điểm hiện tại) không phải là công cụ tạo “thẻ” phù hợp nhất trong bối cảnh đang thay đổi nhanh chóng của chúng ta. Chúng tôi sẽ đánh giá mức độ tương tự của tình trạng máy bơm hiện tại với các lỗi được báo cáo bằng cách sử dụng thử nghiệm thống kê.

Hình 5 Áp dụng kiểm tra thống kê cho dữ liệu đến dựa trên nền tảng của “nhãn” lỗi

Kiểm tra thống kê xác định xác suất rằng các bản ghi có giá trị của các tham số quy trình công nghệ trong “gói dòng” nhận được từ hệ thống điều khiển quy trình giống với các bản ghi “thẻ” của một loại lỗi nhất định. Giá trị xác suất (chỉ số tương tự thống kê) được tính toán do áp dụng kiểm tra thống kê được chuyển đổi thành giá trị 0 hoặc 1, trở thành “nhãn” cho máy học trong từng bản ghi cụ thể trong gói đang được kiểm tra độ tương tự. Nghĩa là, sau khi xử lý gói bản ghi trạng thái bơm mới nhận được bằng kiểm tra thống kê, chúng tôi có cơ hội (a) thêm gói này vào tập huấn luyện để đào tạo mô hình AI/ML và (b) thực hiện kiểm soát chất lượng của phiên bản hiện tại của mô hình khi sử dụng gói này.

Hình 6 Áp dụng mô hình học máy cho dữ liệu đến dựa trên nền tảng của “nhãn” lỗi

Ở một trong những bài trước của chúng tôi hội thảo Chúng tôi trình bày và giải thích cách nền tảng InterSystems IRIS cho phép bạn triển khai bất kỳ cơ chế AI/ML nào dưới dạng thực thi liên tục các quy trình kinh doanh nhằm giám sát độ tin cậy của kết quả mô hình hóa và điều chỉnh các tham số mô hình. Khi triển khai nguyên mẫu kịch bản của chúng tôi bằng máy bơm, chúng tôi sử dụng tất cả chức năng IRIS của InterSystems được trình bày trong hội thảo trên web - triển khai trong quy trình phân tích như một phần giải pháp của chúng tôi, không phải học có giám sát cổ điển mà là học tăng cường, tự động quản lý việc lựa chọn cho các mô hình đào tạo . Mẫu đào tạo chứa các bản ghi mà trên đó phát sinh “sự đồng thuận phát hiện” sau khi áp dụng cả kiểm tra thống kê và phiên bản hiện tại của mô hình - tức là cả kiểm tra thống kê (sau khi chuyển đổi chỉ số tương tự thành 0 hoặc 1) và mô hình tạo ra kết quả trên các bản ghi đó 1. Trong quá trình đào tạo mô hình mới, trong quá trình xác nhận mô hình (mô hình mới được đào tạo được áp dụng cho mẫu đào tạo của chính nó, với việc áp dụng sơ bộ một bài kiểm tra thống kê cho nó), các bản ghi "không giữ lại" kết quả 1 sau khi xử lý bằng kiểm tra thống kê (do sự hiện diện liên tục trong quá trình huấn luyện một mẫu bản ghi từ “nhãn” ban đầu của lỗi), được xóa khỏi tập huấn luyện và một phiên bản mới của mô hình sẽ học từ “nhãn” của lỗi. lỗi cộng với các bản ghi "được giữ lại" từ luồng.

Hình 7 Robot hóa các tính toán AI/ML trong InterSystems IRIS

Nếu cần có một loại “ý kiến ​​thứ hai” về chất lượng phát hiện thu được trong quá trình tính toán cục bộ trong InterSystems IRIS, thì một quy trình cố vấn sẽ được tạo để thực hiện đào tạo và ứng dụng các mô hình trên tập dữ liệu kiểm soát bằng dịch vụ đám mây (ví dụ: Microsoft Azure, Amazon Web Services , Google Cloud Platform, v.v.):

Hình 8 Ý kiến ​​thứ hai từ Microsoft Azure do InterSystems IRIS phối hợp

Nguyên mẫu kịch bản của chúng tôi trong InterSystems IRIS được thiết kế như một hệ thống quy trình phân tích dựa trên tác nhân tương tác với một đối tượng thiết bị (máy bơm), môi trường mô hình toán học (Python, R và Julia) và đảm bảo khả năng tự học của tất cả AI/ Cơ chế ML - trên luồng dữ liệu thời gian thực.

Hình 9 Chức năng chính của giải pháp AI/ML thời gian thực trong InterSystems IRIS

Kết quả thực tế của nguyên mẫu của chúng tôi:

• Mẫu lỗi được người mẫu ghi nhận (ngày 12/XNUMX):

• Một lỗi đang phát triển được mô hình nhận ra nhưng không có trong mẫu (ngày 11 tháng 13, lỗi này đã được đội sửa chữa xác định chỉ hai ngày sau đó, vào ngày XNUMX tháng XNUMX):

Mô phỏng trên dữ liệu thực có chứa một số đợt lỗi giống nhau cho thấy rằng giải pháp của chúng tôi, được triển khai trên nền tảng InterSystems IRIS, cho phép chúng tôi xác định sự phát triển của loại lỗi này vài ngày trước khi nhóm sửa chữa phát hiện ra chúng.

InterSystems IRIS - nền tảng điện toán AI/ML thời gian thực phổ quát

Nền tảng IRIS của InterSystems đơn giản hóa việc phát triển, triển khai và vận hành các giải pháp dữ liệu thời gian thực. InterSystems IRIS có khả năng thực hiện đồng thời xử lý dữ liệu giao dịch và phân tích; hỗ trợ xem dữ liệu đồng bộ theo nhiều mô hình (bao gồm quan hệ, phân cấp, đối tượng và tài liệu); hoạt động như một nền tảng để tích hợp nhiều nguồn dữ liệu và ứng dụng riêng lẻ; cung cấp phân tích thời gian thực nâng cao về dữ liệu có cấu trúc và không cấu trúc. InterSystems IRIS cũng cung cấp cơ chế sử dụng các công cụ phân tích bên ngoài và cho phép kết hợp linh hoạt việc lưu trữ trên đám mây và trên các máy chủ cục bộ.

Các ứng dụng được xây dựng trên nền tảng InterSystems IRIS được triển khai trên nhiều ngành khác nhau, giúp các công ty nhận ra lợi ích kinh tế đáng kể từ góc độ chiến lược và hoạt động, tăng khả năng ra quyết định sáng suốt và thu hẹp khoảng cách giữa sự kiện, phân tích và hành động.

Hình 10 Kiến trúc IRIS của InterSystems trong bối cảnh AI/ML thời gian thực

Giống như sơ đồ trước, sơ đồ bên dưới kết hợp “hệ tọa độ” (CD/CI/CT) mới với sơ đồ luồng thông tin giữa các thành phần làm việc của nền tảng. Việc trực quan hóa bắt đầu với CD cơ chế vĩ mô và tiếp tục với cơ chế vĩ mô CI và CT.

Hình 11 Sơ đồ luồng thông tin giữa các phần tử AI/ML của nền tảng InterSystems IRIS

Bản chất của cơ chế CD trong InterSystems IRIS: người dùng nền tảng (nhà phát triển giải pháp AI/ML) điều chỉnh hiện có và/hoặc tạo các phát triển AI/ML mới bằng cách sử dụng trình chỉnh sửa mã chuyên dụng cho cơ chế AI/ML: Jupyter (tên đầy đủ: Jupyter Notebook; để cho ngắn gọn, các tài liệu được tạo ra trong trình soạn thảo này đôi khi cũng được gọi là). Trong Jupyter, nhà phát triển có cơ hội viết, gỡ lỗi và xác minh hiệu suất (bao gồm cả việc sử dụng đồ họa) của một quá trình phát triển AI/ML cụ thể trước khi nó được đặt (“triển khai”) trong InterSystems IRIS. Rõ ràng là một sự phát triển mới được tạo theo cách này sẽ chỉ nhận được sự sửa lỗi cơ bản (cụ thể là vì Jupyter không hoạt động với các luồng dữ liệu thời gian thực) - điều này theo thứ tự, bởi vì kết quả chính của sự phát triển trong Jupyter là sự xác nhận về khả năng hoạt động cơ bản của cơ chế AI / ML riêng biệt (“hiển thị kết quả mong đợi trên một mẫu dữ liệu”). Tương tự, một cơ chế đã được đặt trong nền tảng (xem các cơ chế macro sau) trước khi gỡ lỗi trong Jupyter có thể yêu cầu "khôi phục" về dạng "tiền nền tảng" (đọc dữ liệu từ tệp, làm việc với dữ liệu thông qua xDBC thay vì bảng, tương tác trực tiếp với toàn cầu - mảng dữ liệu đa chiều InterSystems IRIS – v.v.).

Một khía cạnh quan trọng của việc triển khai CD trong InterSystems IRIS: tích hợp hai chiều đã được triển khai giữa nền tảng và Jupyter, cho phép nội dung trong Python, R và Julia được chuyển sang nền tảng (và sau đó được xử lý trong nền tảng) (cả ba đều là lập trình ngôn ngữ trong các ngôn ngữ nguồn mở hàng đầu tương ứng). Do đó, các nhà phát triển nội dung AI/ML có cơ hội thực hiện “triển khai liên tục” nội dung này trên nền tảng, làm việc trong trình soạn thảo Jupyter quen thuộc của họ, với các thư viện quen thuộc có sẵn trong Python, R, Julia và thực hiện gỡ lỗi cơ bản (nếu cần) bên ngoài nền tảng.

Hãy chuyển sang cơ chế macro CI trong InterSystems IRIS. Sơ đồ hiển thị quy trình vĩ mô của “trình robot hóa thời gian thực” (một tổ hợp cấu trúc dữ liệu, quy trình kinh doanh và các đoạn mã được chúng phối hợp bằng các ngôn ngữ toán học và ObjectScript - ngôn ngữ phát triển gốc của InterSystems IRIS). Nhiệm vụ của quy trình vĩ mô này là duy trì các hàng đợi dữ liệu cần thiết cho hoạt động của cơ chế AI/ML (dựa trên các luồng dữ liệu được truyền đến nền tảng trong thời gian thực), đưa ra quyết định về trình tự ứng dụng và “các loại” AI/ Các cơ chế ML (chúng còn là “thuật toán toán học”, “mô hình”, v.v. – có thể được gọi khác nhau tùy thuộc vào đặc thù của việc triển khai và ưu tiên thuật ngữ), luôn cập nhật cấu trúc dữ liệu để phân tích kết quả công việc của AI/ Cơ chế ML (hình khối, bảng, mảng dữ liệu đa chiều, v.v.), v.v. – dành cho báo cáo, bảng điều khiển, v.v.).

Một khía cạnh quan trọng của việc triển khai CI trong InterSystems IRIS: tích hợp hai chiều đã được triển khai giữa nền tảng và môi trường mô hình toán học, cho phép bạn thực thi nội dung được lưu trữ trong nền tảng bằng Python, R và Julia trong môi trường tương ứng của chúng và nhận lại kết quả thực thi. Việc tích hợp này được triển khai cả ở “chế độ đầu cuối” (tức là nội dung AI/ML được xây dựng dưới dạng mã ObjectScript thực hiện lệnh gọi đến môi trường) và ở “chế độ quy trình kinh doanh” (tức là nội dung AI/ML được xây dựng dưới dạng quy trình kinh doanh bằng trình soạn thảo đồ họa hoặc đôi khi sử dụng Jupyter hoặc sử dụng IDE - IRIS Studio, Eclipse, Visual Studio Code). Tính khả dụng của các quy trình nghiệp vụ để chỉnh sửa trong Jupyter được phản ánh thông qua kết nối giữa IRIS ở cấp độ CI và Jupyter ở cấp độ CD. Tổng quan chi tiết hơn về việc tích hợp với môi trường mô hình toán học được cung cấp dưới đây. Theo quan điểm của chúng tôi, ở giai đoạn này, có mọi lý do để đảm bảo rằng nền tảng này có tất cả các công cụ cần thiết để triển khai “tích hợp liên tục” các phát triển AI/ML (đến từ “triển khai liên tục”) vào các giải pháp AI/ML thời gian thực.

Và cơ chế vĩ mô chính: CT. Không có nó, sẽ không có nền tảng AI/ML (mặc dù “thời gian thực” sẽ được triển khai thông qua CD/CI). Bản chất của CT là nền tảng làm việc với các “tạo tác” của máy học và trí tuệ nhân tạo trực tiếp trong các phiên làm việc của môi trường mô hình hóa toán học: mô hình, bảng phân phối, vectơ ma trận, các lớp mạng thần kinh, v.v. Trong hầu hết các trường hợp, “công việc” này bao gồm việc tạo ra các tạo phẩm được đề cập trong môi trường (ví dụ: trong trường hợp mô hình, “việc tạo” bao gồm việc thiết lập đặc tả của mô hình và lựa chọn các giá trị sau đó của các tham số của nó - cái gọi là "đào tạo" mô hình), ứng dụng của chúng (đối với các mô hình: tính toán với sự trợ giúp của chúng về các giá trị "mô hình" của các biến mục tiêu - dự báo, tư cách thành viên danh mục, xác suất của một sự kiện, v.v.) và cải thiện những gì đã có các tạo phẩm được tạo và áp dụng (ví dụ: xác định lại một tập hợp các biến đầu vào của mô hình dựa trên kết quả của ứng dụng - để cải thiện độ chính xác của dự báo, dưới dạng tùy chọn). Điểm mấu chốt để hiểu vai trò của CT là “sự trừu tượng hóa” của nó khỏi thực tế của CD và CI: CT sẽ triển khai tất cả các tạo phẩm, tập trung vào các đặc tính toán học và tính toán của giải pháp AI/ML trong khả năng được cung cấp bởi các môi trường cụ thể. Trách nhiệm “cung cấp đầu vào” và “cung cấp đầu ra” sẽ là trách nhiệm của CD và CI.

Một khía cạnh quan trọng của việc triển khai CT cụ thể trong InterSystems IRIS: bằng cách sử dụng tích hợp với các môi trường mô hình toán học đã được đề cập ở trên, nền tảng có khả năng trích xuất chính những tạo phẩm đó từ các phiên làm việc chạy dưới sự kiểm soát của nó trong môi trường toán học và (quan trọng nhất) chúng thành các đối tượng dữ liệu nền tảng. Ví dụ: một bảng phân phối vừa được tạo trong phiên Python đang hoạt động có thể được chuyển (không dừng phiên Python) sang nền tảng dưới dạng, chẳng hạn như toàn cục (mảng dữ liệu IRIS InterSystems đa chiều) - và được sử dụng để tính toán trong cơ chế AI/ML- khác (được triển khai bằng ngôn ngữ của môi trường khác - ví dụ: trong R) - hoặc bảng ảo. Một ví dụ khác: song song với “chế độ bình thường” của hoạt động của mô hình (trong phiên làm việc Python), “auto-ML” được thực hiện trên dữ liệu đầu vào của nó: tự động chọn các biến đầu vào và giá trị tham số tối ưu. Và cùng với việc đào tạo “thông thường”, một mô hình hiệu quả trong thời gian thực cũng nhận được “đề xuất tối ưu hóa” đặc tả của nó - trong đó tập hợp các biến đầu vào thay đổi, các giá trị tham số thay đổi (không còn là kết quả của quá trình đào tạo). bằng Python, nhưng là kết quả của quá trình đào tạo với phiên bản “thay thế” ” của chính nó, chẳng hạn như ngăn xếp H2O), cho phép giải pháp AI/ML tổng thể tự động đối phó với những thay đổi không mong muốn về bản chất của dữ liệu đầu vào và hiện tượng được mô hình hóa .

Hãy làm quen chi tiết hơn với chức năng AI/ML nền tảng của InterSystems IRIS, sử dụng ví dụ về nguyên mẫu ngoài đời thực.

Trong sơ đồ bên dưới, ở phía bên trái của trang trình bày có một phần của quy trình nghiệp vụ triển khai việc thực thi các tập lệnh bằng Python và R. Ở phần trung tâm có các nhật ký trực quan về việc thực thi một số tập lệnh này, tương ứng, trong Python và R. Ngay sau chúng là các ví dụ về nội dung trên ngôn ngữ này và ngôn ngữ khác, được chuyển để thực thi sang môi trường thích hợp. Ở cuối bên phải là các hình ảnh trực quan dựa trên kết quả thực thi tập lệnh. Các hình ảnh trực quan ở trên cùng được thực hiện trên IRIS Analytics (dữ liệu được lấy từ Python vào nền tảng dữ liệu IRIS của InterSystems và hiển thị trên bảng điều khiển sử dụng nền tảng), ở dưới cùng được thực hiện trực tiếp trong phiên làm việc R và xuất từ ​​đó sang các tệp đồ họa . Một khía cạnh quan trọng: đoạn được trình bày trong nguyên mẫu chịu trách nhiệm huấn luyện mô hình (phân loại trạng thái thiết bị) dựa trên dữ liệu nhận được trong thời gian thực từ quy trình mô phỏng thiết bị, theo lệnh từ quy trình giám sát chất lượng phân loại được quan sát trong quá trình áp dụng mô hình. Việc triển khai giải pháp AI/ML dưới dạng một tập hợp các quy trình tương tác (“tác nhân”) sẽ được thảo luận thêm.

Hình 12 Tương tác với Python, R và Julia trong InterSystems IRIS

Các quy trình nền tảng (chúng còn là “quy trình kinh doanh”, “quy trình phân tích”, “đường dẫn”, v.v. - tùy thuộc vào ngữ cảnh), trước hết, được chỉnh sửa trong trình chỉnh sửa quy trình kinh doanh đồ họa trong chính nền tảng và trong một môi trường như vậy. theo cách mà cả sơ đồ khối và cơ chế AI/ML (mã chương trình) tương ứng đều được tạo đồng thời. Khi chúng tôi nói rằng “đã thu được cơ chế AI/ML”, ban đầu chúng tôi muốn nói đến tính kết hợp (trong một quy trình): nội dung bằng ngôn ngữ của môi trường mô hình hóa toán học liền kề với nội dung trong SQL (bao gồm các phần mở rộng từ Tích hợpML), trong InterSystems ObjectScript, với các ngôn ngữ được hỗ trợ khác. Hơn nữa, quy trình nền tảng cung cấp các cơ hội rất rộng để "hiển thị" dưới dạng các đoạn được lồng theo thứ bậc (như có thể thấy trong ví dụ ở sơ đồ bên dưới), cho phép bạn tổ chức một cách hiệu quả ngay cả những nội dung rất phức tạp mà không bao giờ bị "rớt" của định dạng đồ họa (thành các định dạng “phi đồ họa”). » phương pháp/lớp/thủ tục, v.v.). Nghĩa là, nếu cần thiết (và điều này được dự đoán trước trong hầu hết các dự án), toàn bộ giải pháp AI/ML hoàn toàn có thể được triển khai ở định dạng tự ghi tài liệu bằng đồ họa. Xin lưu ý rằng ở phần trung tâm của sơ đồ bên dưới, thể hiện “mức độ lồng nhau” cao hơn, rõ ràng là ngoài công việc đào tạo mô hình thực tế (sử dụng Python và R), một phân tích về cái gọi là Đường cong ROC của mô hình được đào tạo được thêm vào, cho phép đánh giá trực quan (và cả về mặt tính toán) chất lượng đào tạo - và phân tích này được thực hiện bằng ngôn ngữ Julia (theo đó, được thực hiện trong môi trường toán học Julia).

Hình 13 Môi trường trực quan để cấu thành các giải pháp AI/ML trong InterSystems IRIS

Như đã đề cập trước đó, quá trình phát triển ban đầu và (trong một số trường hợp) điều chỉnh các cơ chế AI/ML đã được triển khai trong nền tảng sẽ/có thể được thực hiện bên ngoài nền tảng trong trình soạn thảo Jupyter. Trong sơ đồ bên dưới, chúng ta thấy một ví dụ về việc điều chỉnh quy trình nền tảng hiện có (giống như trong sơ đồ trên) - đây là cách phân đoạn chịu trách nhiệm đào tạo mô hình trông như thế nào trong Jupyter. Nội dung Python có sẵn để chỉnh sửa, gỡ lỗi và xuất đồ họa trực tiếp trong Jupyter. Các thay đổi (nếu cần) có thể được thực hiện bằng cách đồng bộ hóa ngay lập tức vào quy trình nền tảng, bao gồm cả phiên bản hiệu quả của nó. Nội dung mới có thể được chuyển sang nền tảng theo cách tương tự (một quy trình nền tảng mới được tạo tự động).

Hình 14 Sử dụng Jupyter Notebook để chỉnh sửa công cụ AI/ML trong nền tảng IRIS InterSystems

Việc điều chỉnh quy trình nền tảng có thể được thực hiện không chỉ ở định dạng đồ họa hoặc máy tính xách tay - mà còn ở định dạng IDE (Môi trường phát triển tích hợp) “tổng thể”. Các IDE này là IRIS Studio (studio IRIS gốc), Visual Studio Code (tiện ích mở rộng IRIS của InterSystems cho VSCode) và Eclipse (plugin Atelier). Trong một số trường hợp, nhóm phát triển có thể sử dụng đồng thời cả ba IDE. Sơ đồ bên dưới hiển thị ví dụ về chỉnh sửa cùng một quy trình trong IRIS studio, trong Visual Studio Code và trong Eclipse. Tuyệt đối tất cả nội dung đều có sẵn để chỉnh sửa: Python/R/Julia/SQL, ObjectScript và quy trình kinh doanh.

Hình 15 Phát triển quy trình kinh doanh InterSystems IRIS trong các IDE khác nhau

Các công cụ để mô tả và thực thi các quy trình kinh doanh IRIS của InterSystems bằng Ngôn ngữ quy trình nghiệp vụ (BPL) đáng được đề cập đặc biệt. BPL cho phép sử dụng “các thành phần tích hợp sẵn có” (hoạt động) trong quy trình kinh doanh - trên thực tế, điều này đưa ra mọi lý do để nói rằng “tích hợp liên tục” được triển khai trong InterSystems IRIS. Các thành phần quy trình kinh doanh được tạo sẵn (các hoạt động và kết nối giữa chúng) là một công cụ tăng tốc mạnh mẽ để lắp ráp giải pháp AI/ML. Và không chỉ các tổ hợp: nhờ các hoạt động và kết nối giữa chúng qua các cơ chế và phát triển AI/ML khác nhau, một “lớp quản lý tự trị” sẽ xuất hiện, có khả năng đưa ra quyết định tùy theo tình huống, trong thời gian thực.

Hình 16 Các thành phần quy trình kinh doanh được tạo sẵn để tích hợp liên tục (CI) trên nền tảng InterSystems IRIS

Khái niệm hệ thống tác nhân (còn được gọi là “hệ thống đa tác nhân”) có vị trí vững chắc trong quá trình robot hóa và nền tảng InterSystems IRIS hỗ trợ nó một cách hữu cơ thông qua cấu trúc “quy trình sản phẩm”. Ngoài khả năng không giới hạn để “nhồi nhét” vào mỗi quy trình các chức năng cần thiết cho giải pháp tổng thể, việc cung cấp cho hệ thống các quy trình nền tảng thuộc tính “tác nhân” cho phép bạn tạo ra các giải pháp hiệu quả cho các hiện tượng mô phỏng cực kỳ không ổn định (hành vi xã hội/ hệ thống sinh học, quy trình công nghệ có thể quan sát được một phần, v.v.).

Hình 16 Hoạt động của giải pháp AI/ML dưới dạng hệ thống quy trình kinh doanh dựa trên tác nhân trong InterSystems IRIS

Chúng tôi tiếp tục đánh giá về InterSystems IRIS bằng một câu chuyện về việc sử dụng nền tảng được áp dụng để giải quyết toàn bộ các loại vấn đề thời gian thực (có thể tìm thấy phần giới thiệu khá chi tiết về một số phương pháp hay nhất về nền tảng AI/ML trên InterSystems IRIS trong một trước đây của chúng tôi hội thảo).

Tiếp nối sơ đồ trước, dưới đây là sơ đồ chi tiết hơn về hệ thống đại lý. Sơ đồ hiển thị cùng một nguyên mẫu, tất cả bốn quy trình tác nhân đều hiển thị, mối quan hệ giữa chúng được vẽ sơ đồ: MÁY PHÁT ĐIỆN - xử lý việc tạo dữ liệu bằng cảm biến thiết bị, BỘ ĐỆM - quản lý hàng đợi dữ liệu, PHÂN TÍCH - tự thực hiện máy học, GIÁM SÁT - giám sát chất lượng của máy học và gửi tín hiệu về sự cần thiết phải đào tạo lại mô hình.

Hình 17 Thành phần của giải pháp AI/ML dưới dạng hệ thống quy trình kinh doanh dựa trên tác nhân trong InterSystems IRIS

Sơ đồ bên dưới minh họa chức năng tự động của một nguyên mẫu robot khác (nhận dạng màu sắc cảm xúc của văn bản) trong một thời gian. Phần trên là sự phát triển của chỉ số chất lượng đào tạo mô hình (chất lượng ngày càng tăng), phần dưới là sự năng động của chỉ số chất lượng ứng dụng mô hình và thực tế của đào tạo lặp lại (sọc đỏ). Như bạn có thể thấy, giải pháp đã tự học một cách hiệu quả và tự chủ, đồng thời hoạt động ở mức chất lượng nhất định (giá trị điểm chất lượng không giảm xuống dưới 80%).

Hình 18 Đào tạo (tự) liên tục (CT) trên nền tảng InterSystems IRIS

Chúng tôi cũng đã đề cập đến “auto-ML” trước đó, nhưng sơ đồ bên dưới hiển thị chi tiết việc sử dụng chức năng này bằng cách sử dụng ví dụ về một nguyên mẫu khác. Sơ đồ đồ họa của một phần của quy trình kinh doanh cho thấy hoạt động kích hoạt mô hình hóa trong ngăn H2O, hiển thị kết quả của mô hình này (sự thống trị rõ ràng của mô hình kết quả so với các mô hình “nhân tạo”, theo sơ đồ so sánh của đường cong ROC, cũng như nhận dạng tự động các “biến có ảnh hưởng nhất” có sẵn trong tập dữ liệu gốc). Một điểm quan trọng ở đây là việc tiết kiệm thời gian và nguồn lực chuyên gia đạt được thông qua “auto-ML”: những gì quy trình nền tảng của chúng tôi thực hiện trong nửa phút (tìm và đào tạo mô hình tối ưu) có thể khiến chuyên gia mất từ ​​một tuần đến một tháng.

Hình 19 Tích hợp “auto-ML” vào giải pháp AI/ML trên nền tảng InterSystems IRIS

Sơ đồ bên dưới hơi sai một chút, nhưng đó là một cách hay để kết thúc câu chuyện về các loại vấn đề thời gian thực đang được giải quyết: chúng tôi nhắc bạn rằng với tất cả khả năng của nền tảng InterSystems IRIS, các mô hình đào tạo dưới sự kiểm soát của nó là không bắt buộc. Nền tảng có thể nhận từ bên ngoài cái gọi là đặc tả PMML của mô hình, được đào tạo trong một công cụ không thuộc quyền kiểm soát của nền tảng - và áp dụng mô hình này trong thời gian thực kể từ thời điểm nó được nhập Thông số kỹ thuật PMML. Điều quan trọng cần lưu ý là không phải tất cả các tạo phẩm AI/ML đều có thể được giảm xuống thành đặc tả PMML, ngay cả khi hầu hết các tạo phẩm phổ biến nhất đều cho phép điều này. Do đó, nền tảng InterSystems IRIS là “vòng mở” và không có nghĩa là “nền tảng nô lệ” đối với người dùng.

Hình 20 Tích hợp “auto-ML” vào giải pháp AI/ML trên nền tảng InterSystems IRIS

Chúng ta hãy liệt kê các ưu điểm nền tảng bổ sung của InterSystems IRIS (để rõ ràng, liên quan đến kiểm soát quy trình), có tầm quan trọng lớn trong việc tự động hóa trí tuệ nhân tạo và học máy theo thời gian thực:

• Phát triển các công cụ tích hợp với mọi nguồn dữ liệu và người tiêu dùng (hệ thống kiểm soát quy trình/SCADA, thiết bị, MRO, ERP, v.v.)
• Được xây dựng trong DBMS đa mô hình để xử lý giao dịch và phân tích hiệu suất cao (Giao dịch kết hợp/Xử lý phân tích, HTAP) của bất kỳ khối lượng dữ liệu quy trình công nghệ nào
• Các công cụ phát triển để triển khai liên tục các công cụ AI/ML cho các giải pháp thời gian thực dựa trên Python, R, Julia
• Các quy trình kinh doanh thích ứng để tích hợp liên tục và (tự) học hỏi các công cụ giải pháp AI/ML thời gian thực
• Các công cụ Business Intelligence tích hợp để trực quan hóa dữ liệu quy trình và kết quả của giải pháp AI/ML
• Quản lý API để cung cấp kết quả của giải pháp AI/ML cho các hệ thống điều khiển quy trình/SCADA, hệ thống thông tin và phân tích, gửi cảnh báo, v.v.

Các giải pháp AI/ML trên nền tảng InterSystems IRIS dễ dàng phù hợp với cơ sở hạ tầng CNTT hiện có. Nền tảng IRIS của InterSystems đảm bảo độ tin cậy cao của các giải pháp AI/ML bằng cách hỗ trợ các cấu hình có khả năng chịu lỗi và chịu được thảm họa cũng như triển khai linh hoạt trong môi trường ảo, trên máy chủ vật lý, trên đám mây riêng và công cộng cũng như vùng chứa Docker.

Do đó, InterSystems IRIS là một nền tảng điện toán AI/ML thời gian thực phổ quát. Tính phổ quát của nền tảng của chúng tôi được xác nhận trong thực tế do không có hạn chế trên thực tế về độ phức tạp của các phép tính được triển khai, khả năng của InterSystems IRIS kết hợp (trong thời gian thực) xử lý các kịch bản từ nhiều ngành khác nhau và khả năng thích ứng đặc biệt của bất kỳ chức năng và cơ chế nền tảng nào theo nhu cầu cụ thể của người dùng.

Hình 21 InterSystems IRIS - nền tảng điện toán AI/ML thời gian thực phổ quát

Để có sự tương tác thực chất hơn với những độc giả quan tâm đến tài liệu được trình bày ở đây, chúng tôi khuyên bạn không nên giới hạn bản thân trong việc đọc nó và tiếp tục cuộc đối thoại “trực tiếp”. Chúng tôi sẽ sẵn lòng cung cấp hỗ trợ trong việc xây dựng các kịch bản AI/ML thời gian thực liên quan đến đặc điểm cụ thể của công ty bạn, thực hiện tạo nguyên mẫu chung trên nền tảng InterSystems IRIS, xây dựng và triển khai trên thực tế lộ trình giới thiệu trí tuệ nhân tạo và học máy vào quá trình sản xuất và quản lý của bạn. Email liên hệ của nhóm chuyên gia AI/ML của chúng tôi – [email được bảo vệ].

Nguồn: www.habr.com