InterSystems IRIS डेटा प्लेटफ़ॉर्म के साथ AI रोबोटाइज़ेशन

लेखक: सर्गेई लुक्यानिकोव, इंटरसिस्टम में सेल्स इंजीनियर

शब्दावली को ठीक करना

एक रोबोट के विशाल या मानवीय होने की संभावना नहीं है, या यहां तक ​​कि सामग्री ( विकिपीडिया के साथ असहमति में, हालांकि बाद वाला एक पैरा में प्रारंभिक परिभाषा को नरम करता है और एक रोबोट के आभासी रूप को मानता है)। एक रोबोट एक स्वचालित है, एक एल्गोरिथम दृष्टिकोण से, ठोस कार्यों के स्वायत्त (एल्गोरिथम) निष्पादन के लिए एक स्वचालित है। रात में स्ट्रीट लाइट को चालू करने वाला लाइट डिटेक्टर एक रोबोट है। ई-मेल को "बाहरी" और "आंतरिक" में अलग करने वाला एक ईमेल सॉफ़्टवेयर भी एक रोबोट है।

आर्टिफिशियल इंटेलिजेंस (एक लागू और संकीर्ण अर्थ में, विकिपीडिया इसे अलग तरीके से फिर से व्याख्या करता है) डेटा से निर्भरता निकालने के लिए एल्गोरिदम है। यह अपने आप किसी भी कार्य को निष्पादित नहीं करेगा, इसके लिए किसी को ठोस विश्लेषणात्मक प्रक्रियाओं (इनपुट डेटा, प्लस मॉडल, प्लस आउटपुट डेटा, प्लस प्रोसेस कंट्रोल) के रूप में इसे लागू करने की आवश्यकता होगी। विश्लेषणात्मक प्रक्रिया "कृत्रिम बुद्धि वाहक" के रूप में मानव या रोबोट द्वारा लॉन्च की जा सकती है। इसे दोनों में से किसी एक के द्वारा भी रोका जा सकता है। और उनमें से किसी द्वारा प्रबंधित भी।

पर्यावरण के साथ सहभागिता

आर्टिफिशियल इंटेलिजेंस को ऐसे डेटा की जरूरत होती है जो विश्लेषण के लिए उपयुक्त हो। जब एक विश्लेषक एक विश्लेषणात्मक प्रक्रिया विकसित करना शुरू करता है, तो मॉडल के लिए डेटा खुद विश्लेषक द्वारा तैयार किया जाता है। आमतौर पर, वह एक डेटासेट बनाता है जिसमें पर्याप्त मात्रा और विशेषताएं होती हैं जिनका उपयोग मॉडल प्रशिक्षण और परीक्षण के लिए किया जाता है। एक बार प्राप्त परिणाम की सटीकता (और कम लगातार मामलों में, "स्थानीय स्थिरता" समय में) संतोषजनक हो जाती है, एक विशिष्ट विश्लेषक अपने काम पर विचार करता है। क्या वह सही है? हकीकत में, काम केवल आधा किया जाता है। यह विश्लेषणात्मक प्रक्रिया के "निर्बाध और कुशल चलने" को सुरक्षित रखता है - और यही वह जगह है जहां हमारे विश्लेषक कठिनाइयों का अनुभव कर सकते हैं।

कृत्रिम बुद्धिमत्ता और मशीन लर्निंग मैकेनिज्म को विकसित करने के लिए इस्तेमाल किए जाने वाले उपकरण, कुछ सबसे सरल मामलों को छोड़कर, बाहरी वातावरण के साथ कुशल बातचीत के लिए उपयुक्त नहीं हैं। उदाहरण के लिए, हम उत्पादन प्रक्रिया से सेंसर डेटा को पढ़ने और बदलने के लिए पायथन का उपयोग कर सकते हैं। लेकिन पायथन स्थिति की समग्र निगरानी और कई उत्पादन प्रक्रियाओं के बीच नियंत्रण स्विच करने के लिए सही उपकरण नहीं होगा, इसी तरह के कम्प्यूटेशन संसाधनों को ऊपर और नीचे स्केल करना, सभी प्रकार के "अपवादों" का विश्लेषण और उपचार करना (उदाहरण के लिए, डेटा स्रोत की गैर-उपलब्धता) बुनियादी ढांचे की विफलता, उपयोगकर्ता बातचीत के मुद्दे, आदि)। ऐसा करने के लिए हमें एक डेटा प्रबंधन और एकीकरण मंच की आवश्यकता होगी। और जितना अधिक लोड किया जाएगा, उतना ही अधिक परिवर्तनशील हमारी विश्लेषणात्मक प्रक्रिया होगी, उच्चतर प्लेटफॉर्म के एकीकरण और "डीबीएमएस" घटकों से हमारी अपेक्षाओं की पट्टी निर्धारित करेगा। एक विश्लेषक जो मॉडल बनाने के लिए भाषाओं और पारंपरिक विकास के वातावरण की स्क्रिप्टिंग पर प्रतिबंध लगा रहा है ("नोटबुक" जैसी उपयोगिताओं सहित) अपनी विश्लेषणात्मक प्रक्रिया को एक कुशल उत्पादक कार्यान्वयन को सुरक्षित करने के लिए निकटता का सामना कर रहा है।

अनुकूलनशीलता और अनुकूलनशीलता

पर्यावरण परिवर्तनशीलता अलग-अलग तरीकों से प्रकट होती है। कुछ मामलों में, कृत्रिम बुद्धिमत्ता द्वारा प्रबंधित चीजों के सार और प्रकृति को बदल देगा (जैसे, एक उद्यम द्वारा नए व्यावसायिक क्षेत्रों में प्रवेश, राष्ट्रीय और अंतर्राष्ट्रीय नियामकों द्वारा लगाई गई आवश्यकताएं, उद्यम के लिए प्रासंगिक ग्राहक वरीयताओं का विकास, आदि)। अन्य मामलों में - बाहरी वातावरण से आने वाले डेटा के सूचना हस्ताक्षर अलग हो जाएंगे (जैसे, नए सेंसर के साथ नए उपकरण, अधिक प्रदर्शन करने वाले डेटा ट्रांसमिशन चैनल, नए डेटा की उपलब्धता "लेबलिंग" प्रौद्योगिकियां, आदि)।

क्या बाहरी पर्यावरण संरचना में परिवर्तन के रूप में एक विश्लेषणात्मक प्रक्रिया "खुद को सुदृढ़" कर सकती है? आइए हम इस प्रश्न को सरल बनाएं: बाहरी पर्यावरण संरचना में परिवर्तन होने पर विश्लेषणात्मक प्रक्रिया को समायोजित करना कितना आसान है? हमारे अनुभव के आधार पर, इसका उत्तर सरल और दुखद है: अधिकांश ज्ञात कार्यान्वयनों में (हमारे द्वारा नहीं!) यह कम से कम विश्लेषणात्मक प्रक्रिया को फिर से लिखना होगा, और संभवतः इसमें जो एआई शामिल है उसे फिर से लिखना होगा। ठीक है, एंड-टू-एंड रीराइटिंग अंतिम निर्णय नहीं हो सकता है, लेकिन कुछ ऐसा जोड़ने के लिए प्रोग्राम करना जो नई वास्तविकता को दर्शाता है या "मॉडलिंग भाग" को बदलना वास्तव में आवश्यक हो सकता है। और इसका मतलब एक निषेधात्मक उपरि हो सकता है - खासकर अगर पर्यावरण परिवर्तन अक्सर होते हैं।

एजेंसी: स्वायत्तता की सीमा?

पाठक ने पहले ही देखा होगा कि हम कृत्रिम बुद्धिमत्ता के लिए प्रस्तावित अधिक से अधिक जटिल वास्तविकता की दिशा में आगे बढ़ते हैं। संभव "साधन-साइड परिणाम" का ध्यान रखते हुए। अंत में उभरती चुनौतियों का जवाब देने में सक्षम होने की हमारी आशा में।

हम अब एक विश्लेषणात्मक प्रक्रिया को स्वायत्तता के स्तर से लैस करने की आवश्यकता पर पहुंच रहे हैं, ताकि यह न केवल पर्यावरण की परिवर्तनशीलता के साथ सामना कर सके, बल्कि इसके राज्य की अनिश्चितता के साथ भी सामना कर सके। पर्यावरण की एक क्वांटम प्रकृति का कोई संदर्भ यहां नहीं दिया गया है (हम अपने आगे के प्रकाशनों में से एक में इस पर चर्चा करेंगे), हम केवल एक विश्लेषणात्मक प्रक्रिया के लिए अपेक्षित "वॉल्यूम" में अपेक्षित समय पर अपेक्षित स्थिति का सामना करने की संभावना पर विचार करते हैं। उदाहरण के लिए: प्रक्रिया "विचार" कि यह मॉडल को लागू करने के लिए नए डेटा के आगमन से पहले चलाए जाने वाले एक मॉडल प्रशिक्षण को पूरा करने का प्रबंधन करेगा, लेकिन इसे पूरा करने के लिए "विफल" हुआ (उदाहरण के लिए, कई उद्देश्य कारणों से, प्रशिक्षण नमूना अधिक समाहित था आमतौर पर रिकॉर्ड)। एक अन्य उदाहरण: लेबलिंग टीम ने प्रक्रिया में नए प्रेस के एक बैच को जोड़ा है, एक वेक्टरकरण मॉडल को उस नई सामग्री का उपयोग करके प्रशिक्षित किया गया है, जबकि तंत्रिका नेटवर्क अभी भी पिछले वेक्टराइजेशन का उपयोग कर रहा है और "शोर" को कुछ अत्यंत प्रासंगिक जानकारी के रूप में मान रहा है। हमारे अनुभव से पता चलता है कि ऐसी स्थितियों पर काबू पाने के लिए विभाजन की आवश्यकता होती है जो पहले कई स्वायत्त घटकों में एक विश्लेषणात्मक प्रक्रिया हुआ करती थी और जिसके परिणामस्वरूप प्रत्येक एजेंट पर्यावरण के "बफर प्रोजेक्शन" की प्रक्रिया करता था। इस क्रिया (अलविदा, विकिपीडिया) को एक विश्लेषणात्मक प्रक्रिया का एजेंट कहते हैं। और हमें एजिंग के कारण एक विश्लेषणात्मक प्रक्रिया (या विश्लेषणात्मक प्रक्रियाओं की एक प्रणाली के लिए) द्वारा अधिग्रहीत गुणवत्ता को एजेंसी कहते हैं।

रोबोट के लिए एक कार्य

इस बिंदु पर, हम एक ऐसे कार्य के साथ आने की कोशिश करेंगे जिसमें ऊपर वर्णित सभी गुणों के साथ एक रोबोट एआई की आवश्यकता होगी। विचारों को प्राप्त करने के लिए एक लंबी यात्रा के रूप में नहीं लिया जाएगा, खासकर इंटरनेट में प्रकाशित उन मामलों के लिए कुछ बहुत ही दिलचस्प मामलों और समाधानों की संपत्ति के कारण - हम बस ऐसे मामलों / समाधानों में से एक का उपयोग करेंगे (दोनों को प्राप्त करने के लिए) कार्य और समाधान सूत्रीकरण)। हमने जो परिदृश्य चुना है, वह उनकी भावनाओं के आधार पर ट्विटर सोशल नेटवर्क में पोस्टिंग ("ट्वीट") के वर्गीकरण के बारे में है। मॉडलों को प्रशिक्षित करने के लिए, हमारे पास "लेबल" ट्वीट के बड़े नमूने हैं (अर्थात निर्दिष्ट निर्दिष्ट भाव के साथ), जबकि वर्गीकरण "अनलिस्टेड" ट्वीट (यानी निर्दिष्ट भावना के बिना) पर किया जाएगा:


चित्र 1 सेंटिमेंट-आधारित पाठ वर्गीकरण (भावना विश्लेषण) कार्य सूत्रीकरण

लेबल वाले पाठों से सीखने में सक्षम गणितीय मॉडल बनाने और गैर-कानूनी ग्रंथों को अज्ञात भावना के साथ वर्गीकृत करने के लिए एक दृष्टिकोण, वेब पर प्रकाशित एक महान उदाहरण में प्रस्तुत किया गया है।

हमारे परिदृश्य का डेटा कृपया वेब से उपलब्ध कराया गया है।

हाथों में उपरोक्त सभी के साथ, हम "रोबोट को इकट्ठा करना" शुरू कर सकते हैं - हालांकि, हम एक शर्त जोड़कर शास्त्रीय कार्य को जटिल करना पसंद करते हैं: लेबल वाले और गैर-लेबल किए गए दोनों डेटा को विश्लेषणात्मक प्रक्रिया में मानक-आकार की फ़ाइलों को प्रक्रिया के रूप में खिलाया जाता है। "खपत" पहले से ही खिलाया फ़ाइलों। इसलिए, हमारे रोबोट को प्रशिक्षण डेटा के न्यूनतम संस्करणों पर परिचालन शुरू करना होगा और धीरे-धीरे बढ़ते डेटा संस्करणों पर मॉडल प्रशिक्षण को दोहराकर वर्गीकरण सटीकता में सुधार करना होगा।

InterSystems कार्यशाला के लिए

हम एक उदाहरण के रूप में तैयार किए गए परिदृश्य को प्रदर्शित करेंगे, जो कि इंटरसिस्टम आईआरआईएस और एमएल टूलकिट, एक्सटेंशन का एक सेट, कृत्रिम बुद्धि को रोबोट कर सकता है। और हमारे द्वारा बनाई गई विश्लेषणात्मक प्रक्रियाओं के लिए बाहरी वातावरण के साथ एक कुशल बातचीत प्राप्त करते हैं, जबकि उन्हें अनुकूलनीय, अनुकूली और एजेंट ("तीन ए") रखते हैं।

हमें एजेंसी के साथ शुरू करते हैं। हम मंच में चार व्यावसायिक प्रक्रियाओं को तैनात करते हैं:


चित्रा 2 पायथन के साथ बातचीत के लिए एक घटक के साथ व्यापार प्रक्रियाओं के एक एजेंट-आधारित प्रणाली का विन्यास

• जनरेटर - जैसा कि पहले से तैयार की गई फाइलें अन्य प्रक्रियाओं द्वारा भस्म हो जाती हैं, इनपुट डेटा (लेबल - सकारात्मक और नकारात्मक ट्वीट - साथ ही अनलेबल ट्वीट्स) के साथ नई फाइलें उत्पन्न करता है
• BUFFER - जैसा कि पहले से ही रिकॉर्ड किए गए बफ़र को अन्य प्रक्रियाओं द्वारा खाया जाता है, जेनरेटर द्वारा बनाई गई फ़ाइलों से नए रिकॉर्ड पढ़ता है और उनसे रिकॉर्ड पढ़ने के बाद फ़ाइलों को हटा देता है
• ANALYZER - अनलिस्टेड बफ़र से रिकॉर्ड्स का उपभोग करता है और उन पर प्रशिक्षित RNN (आवर्तक तंत्रिका नेटवर्क) पर लागू होता है, मॉनिटरिंग बफ़र में उनके साथ जोड़े गए "सकारात्मक होने की संभावना" संबंधित "संभावना" के साथ "लागू" रिकॉर्ड को स्थानांतरित करता है; लेबल (पॉजिटिव और नेगेटिव) बफ़र्स के रिकॉर्ड्स का उपभोग करता है और उनके आधार पर तंत्रिका नेटवर्क को प्रशिक्षित करता है
• MONITOR - ANALYZER द्वारा संसाधित और उसके बफर में स्थानांतरित किए गए रिकॉर्डों का उपभोग करता है, अंतिम प्रशिक्षण के बाद तंत्रिका नेटवर्क द्वारा प्रदर्शित वर्गीकरण त्रुटि मैट्रिक्स का मूल्यांकन करता है, और ANALYZER द्वारा नए प्रशिक्षण को ट्रिगर करता है।

प्रक्रियाओं के बारे में हमारे एजेंट आधारित प्रणाली को निम्नानुसार चित्रित किया जा सकता है:


चित्र 3 एजेंट-आधारित प्रणाली में डेटा प्रवाह

हमारी प्रणाली की सभी प्रक्रियाएं एक दूसरे से स्वतंत्र रूप से काम कर रही हैं लेकिन एक दूसरे के संकेतों को सुन रही हैं। उदाहरण के लिए, जेनरेटर प्रक्रिया के लिए एक संकेत रिकॉर्ड के साथ एक नई फ़ाइल बनाने के लिए शुरू होता है, BUFFER प्रक्रिया द्वारा पिछली फ़ाइल को हटा दिया जाता है।

अब हम अनुकूलन को देखते हैं। हमारे उदाहरण में विश्लेषणात्मक प्रक्रिया की अनुकूलता एआई के "एनकैप्सुलेशन" के माध्यम से एक घटक के रूप में कार्यान्वित की जाती है जो वाहक प्रक्रिया के तर्क से स्वतंत्र है और जिसके मुख्य कार्य - प्रशिक्षण और भविष्यवाणी - एक से दूसरे को अलग किए जाते हैं:


चित्रा 4 एक विश्लेषणात्मक प्रक्रिया में एआई के मुख्य कार्यों का अलगाव - गणितीय मॉडल का उपयोग करके प्रशिक्षण और भविष्यवाणी

चूंकि ANALYZER प्रक्रिया के ऊपर उद्धृत अंश "अंतहीन लूप" का एक हिस्सा है (जो कि प्रक्रिया स्टार्टअप पर चालू है और जब तक पूरे एजेंट-आधारित सिस्टम बंद नहीं होता है) कार्य कर रहा है, और चूंकि AI फ़ंक्शन समवर्ती रूप से निष्पादित होते हैं, प्रक्रिया स्थिति के लिए AI के उपयोग को अपनाने में सक्षम है: यदि आवश्यक हो तो प्रशिक्षण मॉडल, प्रशिक्षण मॉडल के उपलब्ध संस्करण के आधार पर भविष्यवाणी करना, अन्यथा। मॉडल को प्रशिक्षित करने की आवश्यकता अनुकूली प्रक्रिया प्रक्रिया द्वारा संकेतित है जो ANALYZER प्रक्रिया से स्वतंत्र रूप से कार्य करता है और ANALYZER द्वारा प्रशिक्षित मॉडल की सटीकता का अनुमान लगाने के लिए अपने मानदंड लागू करता है:


चित्र 5 मानिटर प्रक्रिया द्वारा मॉडल प्रकार और संबंधित सटीकता मेट्रिक्स के अनुप्रयोग की मान्यता

हम अनुकूलनशीलता के साथ जारी रखते हैं। InterSystems IRIS में एक विश्लेषणात्मक प्रक्रिया एक व्यावसायिक प्रक्रिया है जिसमें चरणों के अनुक्रम के रूप में एक ग्राफिकल या XML प्रतिनिधित्व है। उनकी बारी के चरण अन्य चरणों, छोरों, स्थिति जांच और अन्य प्रक्रिया नियंत्रणों के अनुक्रम हो सकते हैं। अन्य प्रक्रियाओं और बाहरी प्रणालियों द्वारा उपचार के लिए कदम कोड को निष्पादित कर सकते हैं या सूचना प्रसारित कर सकते हैं (साथ ही साथ कोड भी हो सकते हैं)।

यदि एक विश्लेषणात्मक प्रक्रिया को बदलने की आवश्यकता है, तो हमें ग्राफिकल एडिटर या आईडीई में ऐसा करने की संभावना है। आलेखीय संपादक में विश्लेषणात्मक प्रक्रिया को बदलने से प्रोग्राम के बिना प्रक्रिया तर्क को अपनाने की अनुमति मिलती है:


चित्रा 6 एनालाइजर प्रक्रिया नियंत्रण को जोड़ने के लिए मेनू के साथ चित्रमय संपादक में प्रक्रिया

अंत में, यह पर्यावरण के साथ बातचीत है। हमारे मामले में, पर्यावरण का सबसे महत्वपूर्ण तत्व गणितीय उपकरण पायथन है। पायथन और आर के साथ बातचीत के लिए, संबंधित कार्यात्मक एक्सटेंशन विकसित किए गए थे - पायथन गेटवे और आर गेटवे । एक ठोस टूलसेट के साथ एक सहज बातचीत को सक्षम करना उनकी प्रमुख कार्यक्षमता है। हम पहले से ही हमारे एजेंट आधारित प्रणाली के विन्यास में अजगर के साथ बातचीत के लिए घटक देख सकते हैं। हमने यह प्रदर्शित किया है कि पायथन भाषा का उपयोग करके एआई को लागू करने वाली व्यावसायिक प्रक्रियाएं, पायथन के साथ बातचीत कर सकती हैं।

उदाहरण के लिए, ANALYZER प्रक्रिया, पायथन भाषा का उपयोग करके इंटरसिस्टम IRIS में लागू मॉडल प्रशिक्षण और भविष्यवाणी कार्यों को करती है, जैसे कि यह नीचे दिखाया गया है:


चित्र 7 मॉडल प्रशिक्षण समारोह पायथन का उपयोग करके इंटरसिस्टम IRIS में ANALYZER प्रक्रिया में लागू किया गया

इस प्रक्रिया में प्रत्येक चरण पायथन के साथ एक विशिष्ट बातचीत के लिए जिम्मेदार है: इंटरसिस्टम आईआरआईएस संदर्भ से इनपुट डेटा का हस्तांतरण पायथन संदर्भ के लिए, पायथन के निष्पादन के लिए कोड का हस्तांतरण, पायथन संदर्भ से इंटरसिस्टम्स आईआरआईएस संदर्भ के लिए आउटपुट डेटा की वापसी ।

हमारे उदाहरण में सबसे अधिक उपयोग की जाने वाली बातचीत पायथन में निष्पादन के लिए कोड का हस्तांतरण है:


8 चित्र इंटरसिस्टम्स IRAL में ANALYZER प्रक्रिया में तैनात पायथन कोड पायथन के निष्पादन के लिए भेजा गया है

कुछ इंटरैक्शन में पायथन संदर्भ से इंटरसिस्टम्स आईआरआईएस संदर्भ में आउटपुट डेटा की वापसी है:


चित्र 9 प्रक्रिया चरणों में से एक में पायथन द्वारा वापस किए गए आउटपुट के पूर्वावलोकन के साथ ANALYZER प्रक्रिया सत्र का दृश्य ट्रेस

रोबोट को लॉन्च करना

इस लेख में यहीं रोबोट लॉन्च किया गया है? क्यों नहीं, यहां हमारे वेबिनार से रिकॉर्डिंग है जिसमें (रोबोटाइजेशन के लिए प्रासंगिक अन्य दिलचस्प एआई कहानियों के अलावा!) हमारे लेख में चर्चा की गई मिसाल को डेमो किया गया था। वेबिनार का समय हमेशा सीमित रहा, दुर्भाग्य से, और हम अभी भी अपने काम को चित्रण के रूप में दिखाना चाहते हैं, हालांकि संक्षेप में संभव है - और इसलिए हम उत्पादित आउटपुट के अधिक पूर्ण अवलोकन से नीचे साझा कर रहे हैं (प्रारंभिक प्रशिक्षण सहित 7 प्रशिक्षण रन, सिर्फ इसके बजाय। वेबिनार में 3):


चित्रा 10 रोबोट भविष्यवाणी पर 0.8 से ऊपर एक स्थिर एयूसी तक पहुंच रहा है

ये परिणाम हमारी सहज अपेक्षाओं के अनुरूप हैं: जैसा कि प्रशिक्षण डेटासेट "लेबल" सकारात्मक और नकारात्मक ट्वीट से भरा होता है, हमारे वर्गीकरण मॉडल की सटीकता में सुधार होता है (यह भविष्यवाणी पर दिखाए गए एयूसी मूल्यों के क्रमिक वृद्धि से साबित होता है)।

हम लेख के अंत में क्या निष्कर्ष निकाल सकते हैं:

• इंटरसिस्टम आईआरआईएस कृत्रिम बुद्धिमत्ता से जुड़ी प्रक्रियाओं के रोबोटीकरण के लिए एक शक्तिशाली मंच है

• आर्टिफिशियल इंटेलिजेंस को बाहरी वातावरण (जैसे, पायथन या आर दोनों में उनके मॉड्यूल युक्त रेडी-टू-यूज़ एल्गोरिदम के साथ) और इंटरसिस्टम आईआरआईएस प्लेटफॉर्म (देशी फ़ंक्शन लाइब्रेरीज़ का उपयोग करके या पायथन और आर भाषाओं में एल्गोरिदम लिखकर) में लागू किया जा सकता है। इंटरसिस्टम आईआरआईएस बाहरी एआई टूलसेट के साथ बातचीत को सुरक्षित करता है जो अपनी क्षमताओं को अपनी मूल कार्यक्षमता के साथ संयोजित करने की अनुमति देता है

• InterSystems IRIS "तीन A" को लागू करके AI को रोबोट करता है: अनुकूलनीय, अनुकूली और एजेंट व्यावसायिक प्रक्रियाएं (या फिर, विश्लेषणात्मक प्रक्रियाएं)

• इंटरसिस्टम आईआरआईएस बाहरी एआई (पायथन, आर) को विशेष अंतःक्रियाओं की किट के माध्यम से संचालित करता है: डेटा का स्थानांतरण / वापसी, निष्पादन के लिए कोड का स्थानांतरण, आदि। एक विश्लेषणात्मक प्रक्रिया कई गणितीय टूलसेट के साथ बातचीत कर सकती है

• InterSystems IRIS एकल प्लेटफ़ॉर्म इनपुट और आउटपुट मॉडलिंग डेटा पर समेकित करता है, गणना के इतिहास और संस्करण को बनाए रखता है

• InterSystems IRIS के लिए धन्यवाद, कृत्रिम बुद्धिमत्ता का उपयोग विशेष विश्लेषणात्मक तंत्र के रूप में किया जा सकता है, या OLTP और एकीकरण समाधानों में बनाया जा सकता है।

उन लोगों के लिए जिन्होंने इस लेख को पढ़ा है और मशीन लर्निंग और आर्टिफिशियल इंटेलिजेंस मैकेनिज्म को विकसित करने और तैनात करने के लिए एक प्लेटफॉर्म के रूप में इंटरसिस्टम आईआरआईएस की क्षमताओं से रुचि रखते हैं, हम आपकी कंपनी के लिए प्रासंगिक संभावित परिदृश्यों की एक और चर्चा का प्रस्ताव रखते हैं, और एक सहयोगी परिभाषा। अगले चरणों का। हमारी AI / ML विशेषज्ञ टीम का संपर्क ई-मेल MLToolkit@intersystems.com है ।