リアルタイムのAI / MLコンピューティング呼び出し
InterSystems社のデータサイエンスの実践の経験からの例から始めましょう。
- 「ロードされた」購入者のポータルは、オンライン推奨システムに接続されています。小売ネットワークの規模でプロモーションアクションの再構築があります(たとえば、プロモーションアクションの「フラット」ラインの代わりに、「セグメント戦術」マトリックスが使用されるようになります)。レコメンデーションエンジンはどうなりますか?推奨メカニズムへのデータの送信と更新はどうなりますか(入力データの量は25,000倍に増加しました)?推奨事項の開発はどうなりますか(推奨ルールの数と「品揃え」が1000倍に増えるため、推奨ルールのフィルタリングしきい値を1000分の1に減らす必要があります)。
- 機器ユニットに欠陥が発生する可能性を監視するためのシステムがあります。プロセス制御システムが監視システムに接続され、技術プロセスの何千ものパラメータを毎秒送信しました。 「手動サンプル」で作業していた監視システムはどうなりますか(確率の1秒ごとの監視を提供できますか)。プロセス制御システムに最近追加されたセンサーの読み取り値とともに、数百列の新しいブロックが入力データに表示された場合はどうなりますか(新しいセンサーからのデータを分析に含めるために監視システムを停止する必要がありますか?)
- 互いの作業の結果を使用して、AI / MLメカニズム(推奨、監視、予測)の複合体が作成されました。この複合施設の運用を入力データの変更に適応させるには、毎月何時間必要ですか?管理上の決定を行う際の複合体のサポートによる一般的な「スローダウン」(新しい入力データの発生頻度に関する新しいサポート情報の発生頻度)とは何ですか?
これらおよび他の多くの例を要約すると、リアルタイムでの機械学習および人工知能メカニズムの使用への移行で発生する課題の定式化に到達しました。
- 当社におけるAI / ML開発の(状況の変化への)迅速な作成と適応に満足していますか?
- 私たちが使用するAI / MLソリューションは、リアルタイムのビジネス管理をどの程度サポートしていますか?
- 私たちが使用するAI / MLソリューションは、データの変更やビジネス管理の実践に独立して(開発者なしで)適応できますか?
私たちの記事は、AI / MLメカニズムの展開、AI / MLソリューションのアセンブリ(統合)、および集中的なデータストリームでのAI / MLソリューションのトレーニング(テスト)のユニバーサルサポートに関するInterSystemsIRISプラットフォームの機能の詳細な概要です。この記事では、市場調査、AI / MLソリューションの実際的な例、およびリアルタイムAI / MLプラットフォームと呼ばれるものの概念的な側面に目を向けます。
調査からわかったこと:リアルタイムアプリケーション
Lightbendによる約800人のITプロフェッショナルに対する2019年の調査 の結果は、次のように語っています。
図1リアルタイムデータの主要な消費者
この調査レポートの重要な抜粋を翻訳で引用するには:
「…データフロー統合ツールの人気の傾向と同時に、コンテナでのコンピューティングのサポートは、効果的なソリューションのより速く、より合理的で動的な提案に対する市場の需要に相乗的に対応します。データストリームを使用すると、従来のパケットデータよりも高速に情報を転送できます。これに加えて、AI / MLベースの推奨事項などの計算手法を迅速に適用し、顧客満足度を高めることで競争上の優位性を生み出す機能が追加されています。俊敏性への競争は、DevOpsパラダイムのすべての役割にも影響を及ぼし、アプリケーションの開発と展開をより効率的にします。 ... 84人のIT専門家が、組織でのデータストリームの使用に関する情報を提供しました。回答者は主に西側諸国(ヨーロッパで41%、北米で37%)に居住しており、中小企業と大企業にほぼ均等に分布していました。 ..。
...人工知能は誇大広告ではありません。生産的なAI / MLアプリケーションですでにデータフロー処理を使用している人の58%は、AI / MLでの使用が来年に最大の増加を示すことを確認しています(他のアプリケーションと比較して)。
- 調査対象者の大多数は、データストリームのAI / ML使用が来年に最大の利益をもたらすと考えています。
- AI / MLでのアプリケーションは、比較的新しいタイプのシナリオだけでなく、リアルタイムデータがますます使用される従来のシナリオでも成長します。
- AI / MLに加えて、IoTデータパイプラインのユーザー間の熱意のレベルは印象的です-すでにIoTデータを統合している人の48%は、このデータのスクリプティングが近い将来大幅に増加すると主張しています。... "
このかなり興味深い調査から、データストリームの消費のリーダーとしての機械学習と人工知能のシナリオの認識はすでに「途上にある」ことは明らかです。しかし、それほど重要な観察は、DevOpsの光学系を介したリアルタイムAI / MLの認識です。ここで、「完全にアクセス可能なデータセットを備えた使い捨てAI / ML」の依然として支配的な文化の変革について話し始めることができます。
リアルタイムAI / MLプラットフォームのコンセプト
典型的なリアルタイムAI / MLアプリケーションの1つは、製造におけるプロセス制御です。彼女の例を使用し、以前の考察を考慮して、リアルタイムAI / MLプラットフォームの概念を定式化します。
プロセス制御での人工知能と機械学習の使用には、いくつかの機能があります。
- : ( , )
- , , , , (, )
- , « » , ,
これらの機能により、プロセスからの強力な「広帯域入力」の受信と基本的なリアルタイム処理に加えて、AI / MLモデルの作業結果の適用、トレーニング、品質管理を(並行して)実行する必要があります。これもリアルタイムです。関連性のあるスライディングウィンドウでモデルが「見る」「フレーム」は絶えず変化しています。これに伴い、過去に「フレーム」の1つでトレーニングされたAI / MLモデルの作業結果の品質も変化します。 AI / MLモデルの作業結果の品質が低下した場合(たとえば、分類エラー「alarm-normal」の値が定義した境界を超えた場合)、モデルの追加トレーニングをより関連性の高い「フレーム」で自動的に開始する必要があります。また、モデルの追加トレーニングを開始するタイミングの選択を考慮に入れる必要があります。トレーニング自体の期間、モデルの現在のバージョンの品質の低下のダイナミクス(モデルがトレーニングされている間、および「新しくトレーニングされた」バージョンが形成されるまで、モデルの現在のバージョンが引き続き適用されるため)。
InterSystems IRISには、リアルタイムのプロセス制御のためのAI / MLソリューションを可能にする主要なプラットフォーム機能があります。これらの機能は、次の3つの主要なグループに分けることができます。
- InterSystemsIRISプラットフォームでリアルタイムに動作する生産的なソリューションへの新規または適合した既存のAI / MLメカニズムの継続的な展開/配信(CD)
- 技術プロセスの着信データフロー、AI / MLメカニズムのアプリケーション/トレーニング/品質管理のためのデータキュー、および数学モデリング環境とのデータ/コード/制御アクションの交換の単一の生産的なソリューションへの継続的な統合(CI)。リアルタイムプラットフォームInterSystemsIRIS
- (-) (Continuous Training, CT) AI/ML-, , (« »), InterSystems IRIS
機械学習と人工知能に関連するプラットフォーム機能をそのようなグループに正確に分類することは偶然ではありません。この分類の概念的基礎を提供するGoogleの方法論的出版物を、私たちの翻訳で引用しましょう。
「…今日人気のあるDevOpsの概念は、大規模な情報システムの開発と運用をカバーしています。この概念を実装する利点は、開発サイクルの短縮、開発展開の加速、および柔軟なリリース計画です。これらのメリットを享受するために、DevOpsには少なくとも2つのプラクティスが含まれます。
- 継続的統合(CI)
- 連続配信(CD)
これらのプラクティスは、生産的なAI / MLソリューションの信頼性が高く効率的な構築を保証するために、AI / MLプラットフォームにも適用されます。
AI / MLプラットフォームは、次の点で他の情報システムとは異なります。
- チームの能力:AI / MLソリューションを作成する場合、チームには通常、データ分析、モデル開発、および検証を行うデータサイエンティストまたはデータサイエンス「アカデミック」が含まれます。これらのチームメンバーは、生産的なコードのプロの開発者である場合とそうでない場合があります。
- : AI/ML- . , , , , . « / », , .
- : AI/ML- , . , .
- : AI/ML- , . AI/ML- , . , - , .
- 生産性:AI / MLエンジンは、プログラミングが非効率的であるだけでなく、入力データの性質が絶えず変化するためにパフォーマンスが低下する可能性があります。つまり、AI / MLエンジンのパフォーマンスは、従来の設計のパフォーマンスよりもさまざまな理由で低下する可能性があります。これにより、AI / MLエンジンのパフォーマンスを(オンラインで)監視し、パフォーマンスインジケーターが期待を満たさない場合は、通知を送信したり、結果を破棄したりする必要があります。
AI / MLプラットフォームは、バージョン制御、ユニットテスト、統合テスト、継続的な開発展開との継続的なコード統合が必要であるという点で、他の情報システムと似ています。ただし、AI / MLの場合、いくつかの重要な違いがあります。
- CI (Continuous Integration, ) – AI/ML-.
- CD (Continuous Delivery/Deployment, ) , , AI/ML-.
- CT (Continuous Training, ) – [. : DevOps, CT , , Continuous Testing], AI/ML-, AI/ML-. …»
リアルタイムデータを処理する機械学習と人工知能には、幅広いツールと能力(コード開発から数学的モデリング環境のオーケストレーションまで)、すべての機能領域と主題領域のより緊密な統合、人間のより効率的な組織化が必要であると言えます。マシンリソース。
リアルタイムシナリオ:フィードポンプの欠陥の発生の認識
例として技術プロセス制御の領域を引き続き使用し、特定の問題を検討します(最初にすでに述べました):技術プロセスパラメータの値のフローと検出された欠陥に関する修理担当者のレポートに基づいて、ポンプの欠陥の発生をリアルタイムで監視する必要があります。
図2欠陥の発生を監視するタスクの定式化
実際にこのように設定されたほとんどのタスクの特徴は、さまざまなタイプの欠陥の一時的および不規則な発生(および登録)を背景として、データ受信(APCS)の規則性と効率を考慮する必要があることです。言い換えると、プロセス制御システムからのデータは1秒に1回、正確かつ正確に送信され、ショップの一般的なノートブックに日付が記載されたケミカルペンシルで欠陥が記録されます(例:「12.01-3番目のベアリング側からカバーに流れ込む」)。
したがって、問題ステートメントは、次の重要な制限で補足できます。特定のタイプの欠陥の「ラベル」が1つしかない(つまり、特定のタイプの欠陥の例は、特定の日付の制御システムからのデータによって表されます。このタイプの欠陥の例はこれ以上ありません)。この制限により、多くの「タグ」が必要な従来の機械学習(監視学習)の範囲をすぐに超えてしまいます。
図3欠陥の発生を監視するタスクの明確化
どういうわけか、私たちが自由に使える唯一の「ラベル」を「増やす」ことができますか?はい、できます。ポンプの現在の状態は、登録された欠陥との類似度によって特徴付けられます。定量的方法を使用しなくても、視覚的知覚のレベルで、プロセス制御システムからのデータ値のダイナミクスを観察すると、すでに多くのことを学ぶことができます:
図4特定のタイプの欠陥の「マーク」の背景に対するポンプ状態のダイナミクス
しかし視覚的知覚(少なくとも今のところ)-ペースの速いシナリオでは、最も適切な「タグ」ジェネレーターではありません。統計テストを使用して、報告された欠陥に対するポンプの現在の状態の類似性を評価します。
図5欠陥「ラベル」の背景に対する受信データへの統計テストの適用
統計テストは、プロセス制御システムから受信した「ストリームパケット」の技術プロセスパラメータの値を持つレコードが、特定のタイプの欠陥の「ラベル」のレコードと類似している確率を決定します。統計テストを適用した結果として計算された確率値(統計類似性指数)は、0または1の値に変換され、調査対象のパッケージ内の特定の各レコードの機械学習の「ラベル」になります。つまり、新しく受け取ったポンプ状態レコードのパッケージを統計テストで処理した後、(a)このパッケージをAI / MLモデルをトレーニングするためのトレーニングセットに追加し、(b)モデルが適用されたときにモデルの現在のバージョンの品質を監視する機会がありますこのパッケージに。
図6
以前のウェビナーの1つで、欠陥「タグ」を背景に受信データに機械学習モデルを適用するInterSystems IRISプラットフォームを使用して、モデリング結果の信頼性を制御し、モデルパラメータを適応させるビジネスプロセスを継続的に実行する形で、AI / MLメカニズムを実装する方法を示して説明します。ポンプを使用してシナリオのプロトタイプを実装する場合、ウェビナーで提示されたすべてのInterSystems IRIS機能を使用します。これは、従来の監視付き学習ではなく、トレーニングモデルのサンプルを自動的に管理する強化学習のソリューションの一部として、アナライザープロセスに実装します。トレーニングサンプルには、統計テストとモデルの現在のバージョンの両方を適用した後、つまり統計テスト(類似性インデックスを0または1に変換した後)の後に「検出のコンセンサス」が生じるレコードが含まれています。モデルの新しいトレーニング中、検証中(新しくトレーニングされたモデルが独自のトレーニングサンプルに適用され、統計テストが事前に適用されます)、統計テスト結果1の処理後に「保持されなかった」レコードが生成されます(欠陥の最初の「ラベル」からのレコードのトレーニングセットに常に存在するため、トレーニングセットから削除され、モデルの新しいバージョンは、欠陥の「ラベル」とストリームからの「保持された」レコードから学習します。統計テストによって処理された後の結果1「保持されない」(欠陥の最初の「マーク」からのレコードのトレーニングセットに常に存在するため)はトレーニングセットから削除され、モデルの新しいバージョンは欠陥の「マーク」とからの「保持された」レコードから学習します。フロー。統計テストによって処理された後の結果1「保持されない」(欠陥の最初の「マーク」からのレコードのトレーニングセットに常に存在するため)はトレーニングセットから削除され、モデルの新しいバージョンは欠陥の「マーク」とからの「保持された」レコードから学習します。フロー。
図7InterSystemsIRISでのAI / MLコンピューティングのロボット化InterSystemsIRIS
でのローカル計算中に得られる検出の品質について、ある種の「第2の意見」が必要な場合は、アドバイザープロセスを作成して、制御データセットでモデルのトレーニングと適用を実行します。クラウドサービス(Microsoft Azure、Amazon Web Services、Google Cloud Platformなど)の使用:
図8 InterSystemsIRISによって調整されたMicrosoftAzureからの2番目の意見
InterSystems IRISのスクリプトのプロトタイプは、機器オブジェクト(ポンプ)、数学モデリング環境(Python、R、およびJulia)と相互作用し、関連するすべてのAI / MLメカニズムの自己学習をリアルタイムデータストリームで提供する、エージェントベースの分析プロセスシステムの形式で作成されます。 ..。
図9InterSystemsIRISのリアルタイムAI / MLソリューションの主な機能
プロトタイプの実際の結果:
- モデルによって認識された欠陥パターン(1月12日):
- サンプルに含まれていなかったモデルによって認識された開発中の欠陥(9月11日に、欠陥自体は2日後の9月13日に修理チームによって確認されました):
同じ欠陥のいくつかのエピソードを含む実際のデータのシミュレーションは、InterSystems IRISプラットフォームに実装されたソリューションにより、修理チームによって発見される数日前にこのタイプの欠陥の発生を検出できることを示しています。
InterSystems IRISは、用途の広いリアルタイムAI / MLコンピューティングプラットフォームです。
InterSystems IRISプラットフォームは、リアルタイムデータソリューションの開発、展開、および運用を簡素化します。 InterSystems IRISは、トランザクションデータ処理と分析データ処理を同時に実行できます。いくつかのモデル(リレーショナル、階層、オブジェクト、ドキュメントを含む)に従って同期されたデータビューを維持します。幅広いデータソースと個々のアプリケーションを統合するためのプラットフォームとして機能します。構造化データと非構造化データの高度な分析をリアルタイムで提供します。 InterSystems IRISは、外部分析ツールを使用するためのメカニズムも提供し、クラウドとオンプレミスサーバーのホスティングを柔軟に組み合わせることができます。
InterSystems IRISプラットフォーム上に構築されたアプリケーションは、さまざまな業界に展開されており、企業が戦略的および運用上の観点から大きな経済的価値を生み出し、意思決定の意識を高め、イベント、分析、およびアクション間のギャップを埋めるのに役立ちます。
図10リアルタイムAI / MLコンテキストでのInterSystemsIRISアーキテクチャ
前の図と同様に、次の図は、新しい「座標系」(CD / CI / CT)とプラットフォーム作業項目間の情報の流れを組み合わせたものです。イメージングはCDマクロメカニズムから始まり、CIおよびCTマクロメカニズムに続きます。
図11InterSystemsIRISプラットフォームのAI / ML要素間の情報フローの図
InterSystems IRISのCDメカニズムの本質:プラットフォームユーザー(AI / MLソリューションの開発者)は、AI / MLメカニズムの専用エディターを使用して既存のAI / ML開発を適応させたり、新しいAI / ML開発を作成したりします。プログラムコード:Jupyter(フルネーム:Jupyter Notebook;また、簡潔にするために、このエディターで作成されたドキュメントは時々呼ばれます)。 Jupyterでは、開発者は、特定のAI / ML開発がInterSystems IRISにデプロイ(「デプロイ」)される前に、書き込み、デバッグ、および動作(グラフィックの使用を含む)を確認することができます。この方法で作成された新しい開発は、基本的なデバッグのみを受け取ることは明らかです(特に、Jupyterはリアルタイムのデータストリームを処理しないため)-これはその日の順序です、結局のところ、Jupyterでの開発の主な結果は、個別のAI / MLメカニズムの基本的なパフォーマンスの確認です(「データサンプルで期待される結果を示します」)。同様に、Jupyterでデバッグする前にプラットフォームにすでに配置されているメカニズム(次のマクロメカニズムを参照)では、「プラットフォーム前」ビューへの「ロールバック」が必要になる場合があります(ファイルからのデータの読み取り、テーブルではなくxDBCを介したデータの操作、グローバルとの直接対話-多次元データ配列InterSystems IRIS-など)。テーブルの代わりにxDBCを介してデータを操作する、グローバルと直接対話する(InterSystems IRISの多次元データ配列など)。テーブルの代わりにxDBCを介してデータを操作する、グローバルと直接対話する(InterSystems IRISの多次元データ配列など)。
InterSystems IRISでのCD実装の重要な側面:プラットフォームとJupyterの間に双方向の統合が実装され、Python、R、Juliaのコンテンツをプラットフォームに転送(および将来的にはプラットフォームで処理)できるようになります(3つすべてが対応する主要なオープンのプログラミング言語です-数学的モデリングのソース環境)。したがって、AI / MLコンテンツ開発者は、このコンテンツをプラットフォームに「継続的に展開」し、通常のJupyterエディターで作業し、Python、R、Juliaで利用できる使い慣れたライブラリを使用して、プラットフォーム外で基本的なデバッグ(必要な場合)を実行できます。 ..。
InterSystemsIRISのCIマクロエンジンに移ります。この図は、「リアルタイムロボット」のマクロプロセスを示しています(データ構造、ビジネスプロセス、およびそれらによってMathred言語とObjectScript(InterSystems IRIS開発のネイティブ言語)で編成されたコードフラグメントの複合体)。このマクロプロセスのタスクは、AI / MLメカニズムの操作に必要なデータキューを維持し(プラットフォームにリアルタイムで送信されるデータストリームに基づいて)、アプリケーションのシーケンスとAI / MLメカニズムの「範囲」(これらは「数学アルゴリズム」でもあります)について決定することです。モデル」など-実装の詳細や用語の好みに応じて異なる方法で呼び出すことができます)、AI / MLメカニズムの結果を分析するための最新のデータ構造(キューブ、テーブル、多次元データアレイなど)を維持します。-レポート、ダッシュボードなど)。
InterSystems IRISでのCI実装の重要な側面:プラットフォームと数学モデリング環境の間に双方向の統合が実装されます。これにより、Python、R、Juliaのプラットフォームに配置されたコンテンツをそれぞれの環境で実行し、実行結果を返すことができます。この統合は、「ターミナルモード」(つまり、AI / MLコンテンツが数学メディアを呼び出すObjectScriptコードとして作成される)と「ビジネスプロセスモード」(つまり、AI / MLコンテンツが作成される)の両方で実装されます。グラフィカルエディタを使用する、または場合によってはJupyterを使用する、またはIDEを使用するビジネスプロセスとして(IRIS Studio、Eclipse、Visual Studio Code)。 Jupyterでのビジネスプロセスの編集可能な可用性は、CIレベルのIRISとCDレベルのJupyterの間のリンクに反映されます。数学的モデリング環境との統合のより詳細な概要を以下に示します。この段階で、私たちの意見では、AI / ML開発(「継続的な展開」から生じる)のAI / MLソリューションへの「継続的な統合」をリアルタイムで実装するために必要なすべてのツールのプラットフォーム内の存在を修正する理由はすべてあります。
そして主なマクロメカニズム:CT。これがないと、AI / MLプラットフォームは機能しません(ただし、「リアルタイム」はCD / CIを介して実装されます)。 CTの本質は、モデル、分布表、マトリックスベクトル、ニューラルネットワークのレイヤーなど、数学モデリング環境の作業セッションで直接、機械学習と人工知能の「アーティファクト」を備えたプラットフォームの作業です。この「作業」は、ほとんどの場合、環境内で言及されたアーティファクトの作成で構成されます(たとえば、モデルの場合、「作成」は、モデルの仕様を指定し、その後、そのパラメーターの値を選択することで構成されます-モデルのいわゆる「トレーニング」)、それらのアプリケーション(モデル:ターゲット変数の「モデル」値を使用した計算-予測、カテゴリに属する、イベントの確率など)およびすでに作成および適用されたアーティファクトの改善(たとえば、オプションとして、予測の精度を高めるために、アプリケーションの結果に基づいてモデルの入力変数のセットを再定義します)。 CTの役割を理解する上で重要な点は、CDとCIの現実からの「抽象化」です。CTは、特定の環境によって提供される機能内でAI / MLソリューションの計算および数学の詳細に焦点を当て、すべてのアーティファクトを実装します。 CDとCIは、「入力の提供」と「結果の提供」を担当します。特定の環境によって提供される機能の範囲内で、AI / MLソリューションの計算および数学の詳細に焦点を当てます。 CDとCIは、「入力の提供」と「結果の提供」を担当します。特定の環境によって提供される機能の範囲内で、AI / MLソリューションの計算および数学の詳細に焦点を当てます。 CDとCIは、「入力の提供」と「結果の提供」を担当します。
InterSystems IRISでのCT実装の重要な側面:前述の数学モデリング環境との統合を使用して、プラットフォームには、数学環境で制御下で実行されているワークセッションからアーティファクトを抽出し、(最も重要なこととして)それらをプラットフォームデータオブジェクトに変換する機能があります。たとえば、Python作業セッションで作成されたばかりの分散テーブルは、(Pythonでセッションを停止せずに)たとえばグローバル(多次元データ配列InterSystems IRIS)の形式でプラットフォームに転送し、別のAI / MLでの計算に使用できます。メカニズム(Rなどの別の環境の言語ですでに実装されている)または仮想テーブル。別の例:(Python作業セッションでの)モデルの「通常モード」と並行して、「auto-ML」がその入力データに対して実行されます。最適な入力変数とパラメーター値の自動選択。また、「フルタイム」トレーニングに加えて、生産モデルはその仕様の「最適化の提案」も受け取ります。この場合、入力変数のセットが変更され、パラメーターの値が変更されます(Pythonでのトレーニングの結果ではなく、「代替」のトレーニングの結果として) 」それ自体のバージョン(たとえば、H2Oスタック内)。これにより、一般的なAI / MLソリューションは、入力データの性質とシミュレートされた現象の予期しない変化に自律的に対処できます。また、H2Oスタックなどでそれ自体の「代替」バージョンをトレーニングした結果、一般的なAI / MLソリューションが、入力データの性質とシミュレートされた現象の予期しない変化に自律的に対処できるようになります。また、H2Oスタックなどでそれ自体の「代替」バージョンをトレーニングした結果、一般的なAI / MLソリューションが、入力データの性質とシミュレートされた現象の予期しない変化に自律的に対処できるようになります。
実際のプロトタイプの例を使用して、InterSystemsIRISのプラットフォームAI / ML機能について詳しく見ていきましょう。
下の図のスライドの左側には、PythonとRでスクリプトの実行を実装するビジネスプロセスの一部があります。中央部分には、PythonとRでそれぞれこれらのスクリプトの実行の視覚的なログがあります。それらの直後に1つのコンテンツの例があります。そして、実行のために適切な環境に転送された別の言語。右側の最後-スクリプト実行の結果に基づく視覚化。上部の視覚化はIRISAnalyticsで作成され(データはPythonからInterSystems IRISデータプラットフォームに取得され、プラットフォームのツールを使用してダッシュボードに表示されます)、下部では、R作業セッションで直接作成され、そこからグラフィックファイルに出力されます。重要な側面:プロトタイプで提示されたフラグメントは、機器シミュレータプロセスからリアルタイムで受信したデータでモデル(機器の状態の分類)をトレーニングする責任があります。モデルの適用中に観察された、分類の品質のプロセスモニターからのコマンド。一連の相互作用するプロセス(「エージェント」)の形式でのAI / MLソリューションの実装について以下で説明します。
図12InterSystems IRIS
プラットフォームプロセスでのPython、R、およびJuliaとの相互作用(これらは「ビジネスプロセス」、「分析プロセス」、「パイプライン」などでもあります。コンテキストによって異なります)、まず、グラフィカルエディタで編集できます。プラットフォーム自体のビジネスプロセス、およびそのブロック図と対応するAI / MLメカニズム(プログラムコード)の両方が作成されるような方法。 「AI / MLメカニズムが得られる」と言うとき、最初はハイブリッド性(1つのプロセス内)を意味します:数学モデリング言語のコンテンツはSQLのコンテンツに隣接しています(IntegratedMLの拡張機能を含む))、InterSystems ObjectScriptで、他のサポートされている言語で。さらに、プラットフォームプロセスは、階層的にネストされたフラグメントの形式で「レンダリング」するための非常に十分な機会を提供します(下の図の例に見られるように)。これにより、グラフィック形式から「脱落」することなく(「非グラフィック」に)、非常に複雑なコンテンツでも効果的に整理できます。 »メソッド/クラス/プロシージャなど)。つまり、必要に応じて(そして、ほとんどのプロジェクトで予測されていますが)、絶対にすべてのAI / MLソリューションをグラフィカルな自己推奨形式で実装できます。より高い「ネスティングレベル」を示す下の図の中央部分では、モデルのトレーニング(PythonとRを使用)の実際の作業に加えて、トレーニングされたモデルのいわゆるROC曲線の分析が追加されていることがわかります。視覚的に(そして計算的にも)トレーニングの質を評価できるようにします-そしてこの分析はJulia言語で実装されます(それぞれJuliaフレームワークで実行されます)。
図13InterSystemsIRISでAI / MLソリューションを構成するためのビジュアル環境
前述のように、プラットフォームにすでに実装されているAI / MLメカニズムの初期開発と(場合によっては)適応は、Jupyterエディターのプラットフォーム外で実行できます。次の図では、既存のプラットフォームプロセスを適応させる例を示しています(上の図と同じ)。これは、モデルのトレーニングを担当するそのフラグメントがJupyterでどのように見えるかを示しています。 Pythonコンテンツは、Jupyterで直接編集、デバッグ、グラフィック出力に使用できます。変更(必要な場合)は、生産バージョンを含め、プラットフォームプロセスに即座に同期して行うことができます。同様に、新しいコンテンツをプラットフォームに転送できます(新しいプラットフォームプロセスが自動的に生成されます)。
図14JupyterNotebookを使用したInterSystemsIRIS
プラットフォームでのAI / MLエンジンの編集プラットフォームプロセスの適応は、グラフィカル形式またはノートブック形式だけでなく、「トータル」IDE(統合開発環境)形式でも実行できます。これらのIDEは、IRIS Studio(ネイティブIRISスタジオ)、Visual Studio Code(VSCode用のInterSystems IRIS拡張機能)、およびEclipse(Atelierプラグイン)です。場合によっては、開発チームが3つのIDEすべてを同時に使用することが可能です。次の図は、IRISスタジオ、Visual Studioコード、およびEclipseで同じプロセスを編集する例を示しています。 Python / R / Julia / SQL、ObjectScript、およびビジネスプロセスなど、すべてのコンテンツを編集できます。
図15さまざまなIDEでのInterSystemsIRISビジネスプロセスの開発
InterSystems IRISビジネスプロセスをビジネスプロセス言語(BPL)で記述および実行する手段は、特筆に値します。 BPLは、ビジネスプロセスで「既製の統合コンポーネント」(アクティビティ)を使用することを可能にします。これは、実際、「継続的な統合」がInterSystemsIRISに実装されていることを主張する十分な根拠を提供します。ビジネスプロセスの既製のコンポーネント(アクティビティとそれらの間の接続)は、AI / MLソリューションを組み立てるための最も強力なアクセラレータです。そして、アセンブリだけでなく、アクティビティとそれらの間の接続のおかげで、「自律管理レイヤー」が、状況に応じてリアルタイムで決定を下すことができる、異なるAI / ML開発とメカニズムの上に表示されます。
図16InterSystems IRISプラットフォームでの継続的統合(CI)のためのビジネスプロセスの既製コンポーネント
エージェントシステム(別名「マルチエージェントシステム」)の概念は、ロボット化において強力な位置を占めており、InterSystems IRISプラットフォームは、「製品プロセス」構造を通じてそれを有機的にサポートします。一般的なソリューションに必要な機能を各プロセスに「詰め込む」無限の可能性に加えて、プラットフォームプロセスのシステムに「エージェンシー」のプロパティを与えることで、非常に不安定なモデル化された現象(社会/生物システムの動作、部分的に観察可能な技術プロセスなど)の効果的なソリューションを作成できます。
図17InterSystemsIRISのエージェントベースのビジネスプロセスシステムの形式でのAI / MLソリューションの作業
リアルタイムの問題のクラス全体を解決するためのプラットフォームの適用された使用についての話で、InterSystems IRISのレビューを続けます(InterSystemsIRISでのプラットフォームAI / MLのベストプラクティスのいくつかについてのかなり詳細な知識は、以前のウェビナーの1つで発生します)。
前の図に続いて、以下はエージェントシステムのより詳細な図です。この図は同じプロトタイプを示しており、4つのエージェントプロセスすべてが表示され、それらの間の関係が概略的に描かれています。GENERATOR-機器センサーによるデータの作成を実行し、BUFFER-データキューを管理し、ANALYZER-機械学習自体を実行し、MONITOR-機械学習の品質を制御して提供します。モデルを再トレーニングする必要があることを通知します。
図18InterSystemsIRISのエージェントベースのビジネスプロセスシステムの形式でのAI / MLソリューションの構成
次の図は、しばらくの間、別のロボットプロトタイプ(テキストの感情的な色の認識)の自律機能を示しています。上部(モデルの学習品質指標の進化(品質が向上している))、下部(モデルの品質指標のダイナミクスと繰り返しトレーニングの事実(赤いバー))。ご覧のとおり、ソリューションは効率的かつ自律的に自己学習し、指定された品質レベルで動作します(品質指標値は80%を下回らない)。
図19InterSystems IRISプラットフォームでの継続的(自己)学習(CT)
「auto-ML」についても前述しましたが、下の図は、別のプロトタイプを例として使用して、この機能の使用法を詳細に示しています。ビジネスプロセスのフラグメントのグラフ図は、H2Oスタックでシミュレーションを開始するアクティビティを示し、このシミュレーションの結果を示します(ROC曲線の比較図によると、「人工」モデルに対する結果のモデルの明らかな優位性、およびで利用可能な「最も影響力のある変数」の自動識別元のデータセット)。ここで重要な点は、「自動ML」によって達成される時間と専門家のリソースの節約です。プラットフォームプロセスが30分で行うこと(最適なモデルの検索とトレーニング)には、専門家が1週間から1か月かかる場合があります。
図20「auto-ML」のInterSystemsIRIS
プラットフォーム上のAI / MLソリューションへの統合。 IRIS、その制御下でのモデルのトレーニングはオプションです。プラットフォームは、プラットフォームの制御外のツールでトレーニングされた、いわゆるPMMLモデル仕様の外部から取得でき、PMML仕様がインポートされた瞬間からこのモデルをリアルタイムで適用できます。..。最も一般的なアーティファクトのほとんどで許可されている場合でも、すべてのAI / MLアーティファクトをPMML仕様に縮小できるわけではないことに注意してください。したがって、InterSystems IRISプラットフォームは「オープンループ」であり、ユーザーにとって「プラットフォームの奴隷制」を意味するものではありません。
図21InterSystemsIRISプラットフォームでのPMML仕様に従ったモデルの適用
人工知能とリアルタイム機械学習の自動化で非常に重要なInterSystemsIRISの追加のプラットフォームの利点(明確にするために、プロセス制御に関連して)をリストしましょう。
- データソースおよびコンシューマー(APCS / SCADA、機器、MRO、ERPなど)との高度な統合ツール
- - (Hybrid Transaction/Analytical Processing, HTAP)
- AI/ML- Python, R, Julia
- - (-) AI/ML-
- Business Intelligence AI/ML-
- API AI/ML- /SCADA, - , . .
InterSystemsIRISプラットフォームに基づくAI / MLソリューションは、既存のITインフラストラクチャに簡単に適合します。 InterSystems IRISプラットフォームは、フォールトトレラントおよびディザスタトレラント構成をサポートし、仮想環境、物理サーバー、プライベートおよびパブリッククラウド、およびDockerコンテナーでの柔軟な展開をサポートすることにより、AI / MLソリューションの高い信頼性を提供します。
したがって、InterSystems IRISは、用途の広いリアルタイムAI / MLコンピューティングプラットフォームです。プラットフォームの多様性は、実装された計算の複雑さに事実上の制限がないこと、さまざまな業界のシナリオの処理を(リアルタイムで)組み合わせるInterSystems IRISの機能、特定のユーザーのニーズに対するプラットフォームの機能とメカニズムの並外れた適応性によって実際に確認されています。
図22InterSystemsIRIS-ユニバーサルリアルタイムAI / MLコンピューティングプラットフォーム
ここに示されている資料に関心のある読者とのより実質的な相互作用については、それを読むだけでなく、「ライブ」で対話を続けることをお勧めします。お客様の会社の詳細に関連するリアルタイムAI / MLシナリオの策定をサポートさせていただきます。また、InterSystems IRISプラットフォームで共同プロトタイピングを実行し、人工知能と機械学習を生産および管理プロセスに導入するためのロードマップを作成して実際に実装します。AI / MLエキスパートグループの連絡先メールアドレスはMLToolkit@intersystems.comです。