आर्टिफिशियल इंटेलिजेंस रोबोटिक्स इंटरसिस्टम IRIS

सर्गेई लुक्यानिकोव, परामर्श इंजीनियर, इंटरसिस्टम द्वारा पोस्ट किया गया

शब्दावली पर सहमति

एक रोबोट को या तो बड़ा, मानवीय, या मूल रूप से सामग्री ( विकिपीडिया के शिखर तक, जो कि, हालांकि, पैराग्राफ के एक जोड़े के बाद शुरुआती शब्द को नरम बनाता है और रोबोट को सारहीन होने की अनुमति नहीं देता है)। एक रोबोट एल्गोरिदम में एक ऑटोमेटन है, कुछ समस्याओं का स्वायत्त (एल्गोरिदम) समाधान के लिए एक ऑटोमेटन है। शाम को रोशनी को चालू करने वाला लाइट डिटेक्टर एक रोबोट है। "बाहरी" और "आंतरिक" मेल क्लाइंट को ईमेल पार्स करना - भी।

आर्टिफिशियल इंटेलिजेंस (संकीर्ण रूप से लागू अर्थों में, विकिपीडिया इसे फिर से साझा नहीं करता है) डेटा से निर्भरता निकालने के लिए एल्गोरिदम हैं। यह अपने आप से किसी भी समस्या का समाधान नहीं करेगा, इसके लिए पहले इसे विशिष्ट विश्लेषणात्मक प्रक्रियाओं (इनपुट डेटा, मॉडल, आउटपुट डेटा, प्रक्रिया नियंत्रण) के रूप में लागू किया जाना चाहिए। "कृत्रिम बुद्धि के वाहक" के रूप में कार्य करने वाली विश्लेषणात्मक प्रक्रिया को एक व्यक्ति द्वारा शुरू किया जा सकता है, एक रोबोट द्वारा शुरू किया जा सकता है। और एक या दूसरे को भी रोक दिया। और प्रबंधन भी।

पर्यावरण के साथ सहभागिता

आर्टिफिशियल इंटेलिजेंस को विश्लेषण के लिए उपयुक्त रूप में, डेटा, डेटा की आवश्यकता होती है। जब विश्लेषक विश्लेषणात्मक प्रक्रिया को विकसित करना शुरू करता है, तो डेटा मॉडल के लिए खुद विश्लेषक द्वारा तैयार किया जाता है। एक नियम के रूप में, वॉल्यूम और स्कोप ("डेटासेट") में पर्याप्त डेटा सेट किया जाता है, जिस पर मॉडल को प्रशिक्षित और परीक्षण किया जाता है। एक परिणाम प्राप्त करने के बाद जो सटीकता में संतोषजनक है (और, अधिक दुर्लभ मामलों में, "स्थानीय रूप से स्थिर" समय में), एक विशिष्ट विश्लेषक अपने काम पर विचार करता है। लेकिन वास्तव में? वास्तव में, यह केवल आधी लड़ाई है। अब विश्लेषणात्मक प्रक्रिया के "निर्बाध और कुशल संचालन" को सुनिश्चित करना आवश्यक है - और विश्लेषक को इसके साथ कठिनाइयां हो सकती हैं।

कृत्रिम बुद्धि और मशीन लर्निंग के तंत्र को विकसित करने के लिए उपयोग किए जाने वाले उपकरण, सरलतम मामलों को छोड़कर, बाहरी वातावरण के साथ उत्पादक बातचीत के लिए उपयुक्त नहीं हैं। यानी यह संभव है, उदाहरण के लिए, पायथन को उत्पादन प्रक्रिया में सेंसर से डेटा को पढ़ने और बदलने के लिए (कम से कम थोड़े समय के लिए)। लेकिन स्थिति के आधार पर कई उत्पादन और प्रबंधन प्रक्रियाओं के बीच स्विच करना, संबंधित कंप्यूटिंग शक्ति को स्केल करना, सभी प्रकार के "अपवादों" को संभालना (डेटा स्रोतों में से किसी एक की अक्षमता, बुनियादी ढांचे की विफलता, उपयोगकर्ता इंटरैक्शन की समस्याएं, आदि) - यह पायथन के लिए अभिप्रेत नहीं है। । इसके लिए एक डेटा प्रबंधन और एकीकरण मंच की आवश्यकता होती है। और अधिक भरी हुई, हमारी विश्लेषणात्मक प्रक्रिया जितनी अधिक विविध होगी, उतनी ही एकीकरण और "उप-घटक" समाधान घटकों के लिए आवश्यकताओं की पट्टी होगी। एआई तंत्र की ओर इशारा करते हुए विश्लेषक, अपने परिचित मॉडलिंग परिवेश (और "उसके लिए विकसित", जैसे "लैपटॉप") की स्क्रिप्टिंग भाषा के माध्यम से विश्लेषणात्मक प्रक्रिया को लागू करने की कोशिश कर रहे हैं, पूर्ण-उत्पादक उत्पादक उपयोग के लिए अपनी विश्लेषणात्मक प्रक्रिया प्रदान करने में असमर्थता का सामना कर रहे हैं।

अनुकूलनशीलता और अनुकूलनशीलता

पर्यावरण की भिन्नता अलग-अलग तरीकों से प्रकट होती है। कुछ मामलों में, कृत्रिम बुद्धि द्वारा नियंत्रित घटना का सार और प्रकृति बदल जाएगी (व्यवसाय के नए क्षेत्रों में एक उद्यम में प्रवेश करना, राष्ट्रीय और अंतर्राष्ट्रीय नियामकों की आवश्यकताएं, उद्यम उत्पादों की उपभोक्ता वरीयताओं का विकास, आदि)। दूसरों में, पर्यावरण से आने वाले डेटा की प्रकृति (नए सेंसर के साथ नए उपकरण, अधिक कुशल डेटा ट्रांसमिशन चैनल, "अंकन" डेटा आदि के लिए नई तकनीकों की उपलब्धता)।

क्या पर्यावरण की संरचना को बदलते समय विश्लेषणात्मक प्रक्रिया "स्वयं का पुनर्निर्माण" कर सकती है? प्रश्न को सरल बनाने के लिए: पर्यावरण की संरचना को बदलते समय विश्लेषणात्मक प्रक्रिया का पुनर्निर्माण करना कितना आसान है? हमारी टिप्पणियों से, उत्तर सरल और दुखद है: अधिकांश कार्यान्वयन में (हमारा नहीं!) हमारे लिए जाना जाता है, हमें कम से कम विश्लेषणात्मक प्रक्रिया को फिर से लिखना होगा - और अक्सर इसमें निहित एआई। इसे फिर से लिखने के लिए "प्रवेश से बाहर निकलने" का शाब्दिक अर्थ नहीं हो सकता है, लेकिन आपको नई वास्तविकताओं को संसाधित करने के लिए प्रोग्रामिंग में कुछ जोड़ना होगा, "मॉडल-अप्लाई करने की प्रक्रिया" के आंतरिक तर्क को स्वयं बदलना होगा, आदि। और इसका परिणाम निषेधात्मक रूप से महंगा व्यवसाय हो सकता है - विशेषकर यदि पर्यावरण गतिशील रूप से बदलता है।

एजेंसी: स्वायत्तता की सीमा?

जैसा कि पाठक शायद पहले ही देख चुके हैं, हम कृत्रिम बुद्धिमत्ता पर ध्यान देने की पेशकश की वास्तविकता की जटिलता में वृद्धि की ओर बढ़ रहे हैं। और हम "वाद्य भाग" के लिए संभावित परिणामों को चिह्नित करते हैं। इस उम्मीद में कि अंत में हम उन सभी चुनौतियों का जवाब पा सकते हैं जो उत्पन्न होती हैं।

हम इस तरह की स्वायत्तता की डिग्री के साथ विश्लेषणात्मक प्रक्रिया प्रदान करने की आवश्यकता के करीब आए, जिस पर यह न केवल पर्यावरण की परिवर्तनशीलता के साथ, बल्कि अपने राज्य की अनिश्चितता से भी निपटने में सक्षम होगा। यह पर्यावरण की क्वांटम प्रकृति के बारे में नहीं है (हालांकि हम निम्नलिखित प्रकाशनों में से एक में इस बारे में बात करेंगे), हम केवल उस समय विश्लेषणात्मक प्रक्रिया द्वारा अपेक्षित राज्य प्राप्त करने की संभावना के बारे में बात कर रहे हैं जब यह अपेक्षित है और "वॉल्यूम"। उदाहरण के लिए: प्रक्रिया "सोचा" कि यह मॉडल के अगले प्रशिक्षण के साथ प्रबंधन करेगा जब तक कि मॉडल के आवेदन के लिए नया डेटा नहीं आया, लेकिन "प्रबंधन" नहीं किया (उद्देश्य कारणों के लिए, सामान्य से अधिक रिकॉर्ड प्रशिक्षण सेट में प्रवेश किया और मॉडल प्रशिक्षण में देरी हुई)। या फिर: मार्कअप समूह ने प्रक्रिया में एक नया प्रेस जोड़ा, वेक्टराइज़ेशन मॉडल को पहले से ही नई पाठ्य सामग्री पर प्रशिक्षित किया गया है, और तंत्रिका नेटवर्क अभी भी पुराने वेक्टरकरण पर काम कर रहा है और "स्क्रैप" के लिए बेहद दिलचस्प नई जानकारी भेजता है। ऐसी परिस्थितियों से निपटने के लिए, जैसा कि हमारे अभ्यास से पता चलता है, आप पहले से ही एकीकृत विश्लेषणात्मक प्रक्रिया को कई स्वतंत्र रूप से काम करने वाले घटकों में विभाजित कर सकते हैं और प्रत्येक प्राप्त एजेंट प्रक्रिया के लिए पर्यावरण का अपना "बफर प्रोजेक्शन" बना सकते हैं। इस क्रिया (अलविदा, विकिपीडिया) को विश्लेषणात्मक प्रक्रिया का एजेंटीकरण कहा जाएगा। और एजेंसी द्वारा विश्लेषणात्मक प्रक्रिया के लिए संचारित गुणवत्ता (एक नियम के रूप में, एक बार में कई प्रक्रियाओं से युक्त पूरी प्रणाली के लिए) को एजेंसी कहा जाता है।

हमने रोबोट के लिए कार्य निर्धारित किया है

आइए ऐसी समस्या के साथ आने की कोशिश करें, जिसके समाधान के लिए उपरोक्त सभी गुणों वाले रोबोट एआई की आवश्यकता होगी। हमें इस विचार से बहुत पीछे जाना होगा, क्योंकि कई दिलचस्प मामले और उनके समाधान इंटरनेट पर प्रकाशित हुए हैं - हम इनमें से एक "केस-सॉल्यूशन" (समस्या के बयान के लिए और कृत्रिम बुद्धिमत्ता के संदर्भ में समाधान के लिए) दोनों में से एक का उपयोग करेंगे। हमारा चुना हुआ कार्य सोशल नेटवर्क ट्विटर ("ट्वीट") पर बयानों के वर्गीकरण में "नकारात्मक" और "सकारात्मक" उनके भावनात्मक रंग के संदर्भ में कम हो जाएगा। मॉडलों को प्रशिक्षित करने के लिए, हमारे पास "चिह्नित आउट" ट्वीट्स (जो कि पहले से परिभाषित भावनात्मक रंग के साथ है) के बड़े पर्याप्त नमूने होंगे, और हमें ट्वीट को "अचिह्नित" (यानी एक अपरिभाषित भावनात्मक रंग के साथ) वर्गीकृत करने की आवश्यकता होगी:


चित्र 1 भावनात्मक रंग द्वारा ग्रंथों के वर्गीकरण के लिए समस्या का विवरण (अंग्रेजी भावना विश्लेषण)

चिह्नित स्मारकों पर सीखने में सक्षम गणितीय मॉडल बनाने के लिए दृष्टिकोण और बाद में अनिश्चित भावनात्मक रंग के साथ ग्रंथों को वर्गीकृत करना, एस स्मेटनिन द्वारा इंटरनेट पर प्रकाशित एक काफी प्रसिद्ध उदाहरण में तैयार किया गया है।

इस श्रेणी के कार्यों के लिए डेटा यू रुबतसोवा द्वारा एकत्र, संसाधित और प्रकाशित किए गए हैं।

और इस पर हम "रोबोट को इकट्ठा करना" शुरू कर सकते हैं - लेकिन हम शास्त्रीय विवरण को एक शर्त के साथ थोड़ा जटिल करेंगे: चिह्नित-अप डेटा और अनऑल्टेड डेटा दोनों ही मानक-आकार की फ़ाइलों के रूप में विश्लेषणात्मक प्रक्रिया को प्रदान किए जाते हैं क्योंकि प्रक्रिया पहले से ही प्रदान की गई फ़ाइलों का "उपभोग" करती है। इस प्रकार, हमारे रोबोट को प्रशिक्षण डेटा के न्यूनतम संस्करणों पर काम करना शुरू करना होगा, लगातार प्रशिक्षण डेटा की बढ़ती मात्रा पर मॉडल प्रशिक्षण को दोहराते हुए वर्गीकरण सटीकता में वृद्धि होगी।

हम कार्यशाला इंटरसिस्टम में जाते हैं

आइए हम अपने द्वारा तैयार किए गए कार्य के उदाहरण से दर्शाते हैं कि इंटरसिस्टम आईआरआईएस प्लेटफ़ॉर्म और एमएल टूलकिट नामक एक्सटेंशन के सेट का उपयोग करके कृत्रिम बुद्धिमत्ता को कैसे रोबोट किया जाए। उसी समय, यह सुनिश्चित करना कि हम जो विश्लेषणात्मक प्रक्रियाएं बनाते हैं, वे पर्यावरण के साथ उत्पादकता के साथ बातचीत करने में सक्षम हैं, अनुकूलनीय, अनुकूली और एजेंट ("तीन ए") हैं।

एजेंसी से शुरू करते हैं। प्लेटफ़ॉर्म में चार व्यावसायिक प्रक्रियाएँ रखें:


चित्रा 2 पायथन के साथ बातचीत के लिए एक घटक के साथ एक व्यापार प्रक्रिया एजेंट प्रणाली का विन्यास

• जनरेटर ("जनरेटर") - जैसा कि फ़ाइलों को अन्य प्रक्रियाओं द्वारा खपत किया जाता है, यह इनपुट डेटा के साथ नई फाइलें बनाता है ("सकारात्मक" और "नकारात्मक" के रूप में चिह्नित - ट्वीट, और एक अपरिभाषित भावनात्मक रंग के साथ ट्वीट)
• BUFFER ("बफर") - जैसा कि रिकॉर्ड अन्य प्रक्रियाओं द्वारा खपत किया जाता है, जनरेटर द्वारा बनाई गई फ़ाइलों से नए रिकॉर्ड पढ़ता है, और रिकॉर्ड पढ़ने के बाद इन फ़ाइलों को हटा देता है
• ANALYZER ("विश्लेषक") - अनिश्चित ट्वीट्स के बफर से प्रविष्टियों का उपभोग करते हुए, इन प्रविष्टियों के लिए एक प्रशिक्षित सजातीय तंत्रिका नेटवर्क लागू होता है और परिणामी प्रविष्टियों को मॉनिटर बफर में गणना की गई "सकारात्मकता की संभावना" के साथ डालता है; सकारात्मक और नकारात्मक ट्वीट्स के बफ़र्स से प्रविष्टियों का उपभोग करना, तंत्रिका नेटवर्क प्रशिक्षण करता है
• MONITOR ("मॉनिटर") - अपने स्वयं के बफर से विश्लेषक द्वारा संसाधित रिकॉर्ड का उपभोग करके, यह अंतिम प्रशिक्षण के दौरान तंत्रिका नेटवर्क द्वारा ट्वीट वर्गीकरण त्रुटि मैट्रिक्स के मूल्यों की निगरानी करता है और विश्लेषक को तंत्रिका नेटवर्क के नए प्रशिक्षण की आवश्यकता के बारे में संकेत भेजता है।

हम व्यापार प्रक्रियाओं के हमारे एजेंट सिस्टम का योजनाबद्ध रूप से प्रतिनिधित्व कर सकते हैं:


चित्र 3 एजेंट डेटा प्रवाह

हमारे सिस्टम के भीतर सभी प्रक्रियाएं एक दूसरे से स्वतंत्र रूप से संचालित होती हैं, लेकिन एक दूसरे के संकेतों को ध्यान में रखते हुए। उदाहरण के लिए, प्रक्रिया-जनरेटर द्वारा रिकॉर्ड के साथ अगली फ़ाइल के गठन की शुरुआत का संकेत बफर द्वारा रिकॉर्ड के साथ पिछली फ़ाइल को हटाने का है।

अब अनुकूलनशीलता के बारे में। हमारे उदाहरण में विश्लेषणात्मक प्रक्रिया का अनुकूलन एआई के "एनकैप्सुलेशन" के माध्यम से तत्व के वाहक प्रक्रिया के तर्क से स्वतंत्र एक तत्व के रूप में महसूस किया जाता है, इसके मुख्य कार्यों के अलगाव के साथ - प्रशिक्षण और मॉडल के आवेदन:


चित्र 4 एआई के मुख्य कार्यों की विश्लेषणात्मक प्रक्रिया-विश्लेषक में अलगाव - गणितीय मॉडल का प्रशिक्षण और स्कोरिंग

क्योंकि ऊपर प्रस्तुत विश्लेषक प्रक्रिया का टुकड़ा "अंतहीन चक्र" का हिस्सा है (जो तब शुरू होता है जब विश्लेषक प्रक्रिया शुरू होती है और पूरे एजेंट सिस्टम बंद होने तक चलती है), और एआई फ़ंक्शन समानांतर में निष्पादित होते हैं, प्रक्रिया में एआई को स्थिति के अनुकूल करने की क्षमता होती है: आवश्यक होने पर ट्रेन मॉडल , और उसके निपटान में मॉडल के संस्करण का उपयोग करने के लिए गैर-रोक। प्रशिक्षण मॉडल की आवश्यकता एक अनुकूली मॉनिटर प्रक्रिया द्वारा निर्धारित होती है जो विश्लेषक प्रक्रिया से स्वतंत्र रूप से काम करती है और विश्लेषक द्वारा प्रशिक्षित मॉडल की सटीकता का आकलन करने के लिए अपने स्वयं के मानदंड का उपयोग करती है:


चित्रा 5 प्रक्रिया की निगरानी और मॉडल की सटीकता का मूल्यांकन करने के लिए उपयुक्त मानदंडों के आवेदन द्वारा मॉडल प्रकार की पहचान

हम अनुकूलनशीलता की ओर मुड़ते हैं। InterSystems IRIS में विश्लेषणात्मक प्रक्रिया एक व्यावसायिक प्रक्रिया है जिसमें चरणों के अनुक्रम के रूप में एक ग्राफिकल या XML प्रतिनिधित्व है। कदम, बदले में, कदम, चक्र, स्थिति परीक्षण और अन्य प्रक्रिया नियंत्रण के अनुक्रम हो सकते हैं। अन्य प्रक्रियाओं या बाहरी वातावरण के निष्पादन के लिए कदम निष्पादन या सूचना के हस्तांतरण के लिए प्रोग्राम कोड चला सकते हैं (जो प्रोग्राम कोड भी हो सकता है)।

विशेष रूप से, यदि विश्लेषणात्मक प्रक्रिया को बदलना आवश्यक है, तो हमारे पास आलेखीय संपादक और IDE दोनों में ऐसा करने का अवसर है। एक ग्राफिक संपादक में विश्लेषणात्मक प्रक्रिया को बदलने से आप प्रोग्रामिंग के बिना प्रक्रिया के तर्क को अनुकूलित कर सकते हैं:


चित्रा 6 प्रक्रिया विश्लेषक नियंत्रण जोड़ने के लिए एक खुले मेनू के साथ एक चित्रमय संपादक में

और अंत में, पर्यावरण के साथ बातचीत। पर्यावरण का सबसे महत्वपूर्ण घटक, हमारे मामले में, पायथन गणितीय मॉडलिंग वातावरण होगा। पायथन और आर वातावरण के साथ बातचीत सुनिश्चित करने के लिए, संबंधित कार्यात्मक एक्सटेंशन बनाए गए थे: पायथन गेटवे और आर गेटवे । दोनों तंत्रों का एक महत्वपूर्ण कार्य सुविधाजनक एकीकरण घटकों का उपयोग करके उचित वातावरण के साथ बातचीत करने की क्षमता है। हमने पहले ही अपने एजेंट सिस्टम के विन्यास में अजगर के साथ बातचीत करने के लिए घटक को देखा है। इस तरह, पायथन में लागू होने वाली AI में व्यावसायिक प्रक्रियाएं पायथन के साथ बातचीत करती हैं।
उदाहरण के लिए, विश्लेषक प्रक्रिया में प्रशिक्षण और मॉडल लागू करने के लिए कार्य शामिल हैं, जिनमें से एक इंटरसिस्टम्स आईआरआईएस प्लेटफॉर्म में पायथन का कार्यान्वयन इस तरह दिखता है:


चित्रा 7 विश्लेषक प्रक्रिया में मॉडल के प्रशिक्षण के लिए इंटरसिस्टम आईआरआईएस प्लेटफॉर्म के पायथन में कार्यान्वयन

इस प्रक्रिया के प्रत्येक चरण पायथन के साथ एक निश्चित बातचीत को संसाधित करने के लिए ज़िम्मेदार है: इंटरसिस्टम्स आईआरआईएस प्रक्रिया के संदर्भ से इनपुट को पायथन संदर्भ में स्थानांतरित करना, पायथन में निष्पादित करने के लिए कोड पास करना, पायथन संदर्भ से आउटपुट को इंटरसिस्टम्स आईआरआईएस प्रक्रिया के संदर्भ में वापस करना।

हमारे उदाहरण में बातचीत का सबसे अधिक इस्तेमाल किया जाने वाला प्रकार पायथन में निष्पादित करने के लिए कोड पास कर रहा है:


चित्रा 8 एक InterSystems IRIS पार्सर प्रक्रिया में होस्ट किया गया पायथन कोड निष्पादन के लिए पायथन को भेजा जाता है

कुछ इंटरैक्शन में, डेटा को पायथन संदर्भ से इंटरसिस्टम आईआरआईएस प्रक्रिया संदर्भ में लौटा दिया जाता है:


चित्र 9 प्रक्रिया चरणों में से एक में पायथन द्वारा दी गई जानकारी को देखने के साथ विश्लेषक प्रक्रिया सत्र का दृश्य ट्रेस

हम रोबोट शुरू करते हैं

इस लेख में रोबोट को सही से चलाएं? क्यों नहीं, यहां हमारे वेबिनार की रिकॉर्डिंग है , जिसके दौरान (कई अन्य दिलचस्प और रोबोटाइजेशन एआई कहानियों से संबंधित!) के अलावा उपरोक्त परिदृश्य का काम दिखाया गया है। चूंकि वेबिनार का समय, दुर्भाग्य से, सीमित है - और हम अपने रोबोट स्क्रिप्ट के "उपयोगी काम" को कॉम्पैक्ट और नेत्रहीन रूप से दिखाना चाहते हैं - हमने मॉडल प्रशिक्षण के परिणामों के अधिक पूर्ण अवलोकन के नीचे रखा (वेबिनार में 3 के बजाय 7 लगातार प्रशिक्षण पाठ्यक्रम)



परिणाम सहज अपेक्षाओं के अनुरूप हैं: जैसा कि प्रशिक्षण नमूना "चिह्नित" सकारात्मक और नकारात्मक ट्वीट के साथ भरता है, हमारे वर्गीकरण मॉडल की गुणवत्ता में सुधार होता है (यह "वक्र के नीचे बढ़ते क्षेत्र", वही एयूसी - क्षेत्र वक्र के द्वारा इसका सबूत है)।

लेख के अंत में मैं क्या निष्कर्ष देना चाहूंगा:

• InterSystems IRIS रोबोट प्रक्रियाओं के लिए एक शक्तिशाली AI प्लेटफॉर्म है
• आर्टिफिशियल इंटेलिजेंस को बाहरी वातावरण (उदाहरण के लिए, पायथन और आर दोनों में रेडी-टू-यूज़ एल्गोरिदम युक्त मॉड्यूल के साथ) लागू किया जा सकता है, और इंटरसिस्टम आईआरआईएस प्लेटफॉर्म में (बिल्ट-इन एल्गोरिथ्म लाइब्रेरीज़ का उपयोग करके या पायथन या आर में एल्गोरिदम लिखकर) - InterSystems IRIS बाहरी AI वातावरण के साथ सहभागिता प्रदान करता है, जिससे आप अपनी क्षमताओं को अपनी कार्यक्षमता के साथ जोड़ सकते हैं
• InterSystems "तीन ए" का उपयोग करके आईआरआईएस रोबोट एआई: अनुकूलनीय, अनुकूली और एजेंट व्यावसायिक प्रक्रियाएं (वे भी विश्लेषणात्मक प्रक्रियाएं हैं)
• इंटरसिस्टम आईआरआईएस बाहरी एआई (पायथन, आर) के साथ विशेष बातचीत के सेट के माध्यम से काम करता है: डेटा ट्रांसफर / रिटर्न, निष्पादन के लिए कोड ट्रांसफर, आदि। एक विश्लेषणात्मक प्रक्रिया के ढांचे के भीतर, कई गणितीय मॉडलिंग वातावरण के साथ बातचीत की जा सकती है।
• InterSystems IRIS मॉडल इनपुट और आउटपुट डेटा को एक ही प्लेटफॉर्म, ऐतिहासिक और संस्करण संगणना में समेकित करता है
• इंटरसिस्टम आईआरआईएस के लिए धन्यवाद, कृत्रिम बुद्धिमत्ता को विशेष विश्लेषणात्मक तंत्रों में इस्तेमाल किया जा सकता है और ओएलटीपी या एकीकरण समाधानों में एम्बेडेड किया जा सकता है।

जो लोग आर्टिकल पढ़ते हैं और आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग मैकेनिज्म को विकसित करने या तैनात करने के लिए एक मंच के रूप में इंटरसिस्टम आईआरआईएस की क्षमताओं में रुचि रखते हैं, हम आपके उद्यम के लिए ब्याज के संभावित परिदृश्यों पर चर्चा करने का सुझाव देते हैं। हम आपके उद्यम की जरूरतों का आसानी से विश्लेषण करेंगे और संयुक्त रूप से एक कार्य योजना का निर्धारण करेंगे; हमारी AI / ML विशेषज्ञ टीम के लिए संपर्क ईमेल MLToolkit@intersystems.com है ।