实时AI / ML计算呼叫
让我们从InterSystems公司数据科学实践的经验示例开始：
- “已加载”的买方门户已连接到在线推荐系统。零售网络规模上的促销活动进行了重组（例如，现在将使用“细分市场策略”矩阵代替促销活动的“固定”线）。推荐引擎会怎样？向推荐机制提交和更新数据时会发生什么（输入数据量增加了25,000倍）？推荐的发展会发生什么（由于推荐规则的数量和“分类”增加了千倍，因此需要将推荐规则的过滤阈值降低一千倍）？
- 存在一种用于监视设备节点中出现缺陷的可能性的系统。一个过程控制系统连接到监视系统，每秒传输数千个工艺过程参数。过去用于“手动样本”的监视系统会发生什么（它是否能够提供每秒的概率监视）？如果新的几百列的块出现在输入数据中，并且最近将传感器的读数添加到过程控制系统中（是否有必要并且将监视系统停止多长时间以将来自新传感器的数据包括在分析中）？
- 利用彼此工作的结果，创建了复杂的AI / ML机制（推荐，监视，预测）。每月需要多少工时才能使此综合系统的操作适应输入数据的变化？在综合体的支持下做出管理决策时，一般的“减速”是什么（其中新支持信息的出现频率与新输入数据的出现频率有关）？
总结这些以及许多其他示例，我们得出了在向实时使用机器学习和人工智能机制的过渡中出现的挑战的表述：
- 我们是否对我们公司AI / ML开发的创建和适应（适应不断变化的情况）的迅速性感到满意？
- 我们使用的AI / ML解决方案在何种程度上支持实时业务管理？
- 我们使用的AI / ML解决方案是否能够独立（无开发人员）适应数据和业务管理实践的变化？
我们的文章详细概述了InterSystems IRIS平台的功能，这些功能包括对部署AI / ML机制，在密集数据流上组装（集成）AI / ML解决方案和培训（测试）AI / ML解决方案的普遍支持。在本文中，我们将转向市场研究，AI / ML解决方案的实际示例以及所谓的实时AI / ML平台的概念方面。
我们从调查中了解到：实时应用
Lightbend在2019年对约800名IT专业人员进行的调查 结果不言而喻：
图1实时数据的主要消费者
要在我们的翻译中引用此调查报告的重要摘要：
“……数据流集成工具的流行趋势以及与此同时，对容器中计算的支持，对市场需求产生了协同的响应，以更快，更合理，动态地提出有效的解决方案。数据流比传统的分组数据传输信息更快。除此之外，还具有快速应用计算技术（例如基于AI / ML的建议）的能力，可通过提高客户满意度来创造竞争优势。敏捷性竞赛也影响了DevOps范例中的所有角色-使应用程序开发和部署更加高效。 ... 840位IT专业人员提供了有关组织中数据流使用情况的信息。受访者主要位于西方国家（欧洲为41％，北美为37％），并且在中，小型和大型公司中几乎均等地分布。 ...
...人工智能不是炒作。已经在生产型AI / ML应用程序中使用数据流处理的人中有58％的人确认，明年在AI / ML中的使用量将增长最快（与其他应用程序相比）。
- 大多数接受调查的人认为，AI / ML数据流的使用将在明年获得最大收益。
- 在AI / ML中的应用不仅会通过相对新型的场景而增长，而且还会通过使用实时数据的传统场景不断增长。
- 除了AI / ML之外，IoT数据管道用户的热情水平也令人印象深刻-在已经集成IoT数据的用户中，有48％的人声称在不久的将来基于此数据的脚本将大大增加。...“
从这个相当有趣的调查中，很明显，机器学习和人工智能场景作为数据流消费的领导者的感知已经“在路上”。但是，同样重要的观察是通过DevOps的光学对实时AI / ML的感知：在这里，我们已经可以开始讨论仍然占主导地位的文化“使用完全可访问的数据集的一次性AI / ML”的转变了。
实时AI / ML平台概念
制造中的过程控制是典型的实时AI / ML应用程序之一。使用她的示例并考虑到先前的思考，我们将制定一个实时AI / ML平台的概念。
在过程控制中使用人工智能和机器学习具有许多功能：
- : ( , )
- , , , , (, )
- , « » , ,
这些功能迫使我们除了从流程中接收和进行大量的“宽带输入”的基本实时处理之外，还实时执行（并行）AI / ML模型的工作结果的应用，培训和质量控制。在相关性的滑动窗口中，我们的模型“看到”的“框架”一直在变化-过去在“框架”之一上训练的AI / ML模型的工作结果的质量也在变化。如果AI / ML模型的工作结果质量下降（例如，分类错误“警报-正常”的值已经超出了我们定义的范围），则应在更相关的“框架”上自动开始额外的模型训练-并且应考虑选择何时开始额外的模型训练，因为培训本身的持续时间，以及模型当前版本质量下降的动态（因为模型的当前版本在训练模型时继续应用，直到形成“新训练”版本）。
InterSystems IRIS具有关键平台功能，可启用AI / ML解决方案进行实时过程控制。这些功能可以分为三个主要组：
- 在InterSystems IRIS平台上实时将新的或适应的现有AI / ML机制连续部署/交付（CD）到实时运行的高效解决方案中
- 将持续集成（CI）集成到单个生产解决方案中，该解决方案包括工艺流程的传入数据流，用于AI / ML机制的应用/培训/质量控制的数据队列，以及与数学建模环境交换的数据/代码/控制动作，这些流程在实时平台InterSystems IRIS
- (-) (Continuous Training, CT) AI/ML-, , (« »), InterSystems IRIS
将与机器学习和人工智能相关的平台功能准确地分类到这些组中并不是偶然的。让我们在翻译中引用Google的方法学出版物，该出版物为这种分类提供了概念基础：
“…DevOps概念在当今很流行，涵盖了大规模信息系统的开发和运行。实施此概念的优点是缩短开发周期，加快开发部署和灵活的发布计划。为了获得这些好处，DevOps至少涉及两种实践：
- 持续集成（CI）
- 连续交付（CD）
这些做法也适用于AI / ML平台，以确保可靠且高效地构建高效的AI / ML解决方案。
AI / ML平台在以下方面与其他信息系统不同：
- 团队能力：创建AI / ML解决方案时，团队通常包括进行数据分析，模型开发和验证的数据科学家或数据科学“学术界”。这些团队成员可能不是生产代码的专业开发人员。
- : AI/ML- . , , , , . « / », , .
- : AI/ML- , . , .
- : AI/ML- , . AI/ML- , . , - , .
- 高效：AI / ML引擎可能不仅由于效率低下的编程，而且由于输入数据的性质不断变化而缺乏性能。换句话说，与传统设计相比，由于各种原因，AI / ML引擎的性能可能会下降。这导致需要监视（在线）我们的AI / ML引擎的性能，以及在性能指标未达到预期的情况下发送通知或丢弃结果。
AI / ML平台与其他信息系统相似，两者都需要使用版本控制，单元测试，集成测试和持续开发部署进行持续的代码集成。但是，对于AI / ML，有一些重要的区别：
- CI (Continuous Integration, ) – AI/ML-.
- CD (Continuous Delivery/Deployment, ) , , AI/ML-.
- CT (Continuous Training, ) – [. : DevOps, CT , , Continuous Testing], AI/ML-, AI/ML-. …»
我们可以说，处理实时数据的机器学习和人工智能需要更广泛的工具和能力（从代码开发到数学建模环境的编排），所有功能和主题领域之间的紧密集成，更有效的人员和组织机器资源。
实时场景：识别进料泵中缺陷的发展
继续以技术过程控制领域为例，我们将考虑一个具体问题（我们在开始时就已经提到过）：需要根据技术过程参数的值流以及维修人员关于检测到的缺陷的报告来提供对泵中缺陷发展的实时监控。
图2制定监视缺陷发展的任务
实际上，以这种方式设置的大多数任务的一个特点是，应在各种类型的缺陷的偶发和不规则发生（和记录）的背景下考虑数据接收（APCS）的规律性和效率。换句话说：来自过程控制系统的数据是每秒一次，正确且准确的，并且在车间的普通笔记本中用化学笔记录了带有日期的缺陷记录（例如：“ 12.01-从第三轴承侧流入盖中”）。
因此，问题陈述可以附加以下重要约束：我们只有一个特定类型缺陷的“标签”（即，特定类型缺陷的一个示例由控制系统在特定日期的数据表示，而我们没有更多此类缺陷的示例）。这种局限性立即使我们超出了经典机器学习（监督学习）的框架，为此，应该有很多“标签”。
图3澄清了监视缺陷发展的任务
我们可以以某种方式“乘以”我们拥有的唯一“标签”吗？我们可以。泵的当前状态以与已记录缺陷的相似程度为特征。即使不使用定量方法，在视觉感知的水平上，观察来自过程控制系统的数据值的动态变化，您也已经学到了很多：
图4泵状态在给定类型缺陷的``标记''背景下的动态变化
但视觉感知（至少到目前为止）-在我们快节奏的场景中不是最合适的“标记”生成器。我们将使用统计测试评估泵当前状态与报告的缺陷的相似性。
图5在缺陷“标签”的背景下对输入数据进行统计检验
统计测试确定从过程控制系统接收到的，具有``流数据包''中的工艺过程参数值的记录与某种类型的缺陷的``标签''记录相似的可能性。作为应用统计测试的结果而计算出的概率值（统计相似性指数）被转换为0或1的值，成为被调查包中每个特定记录中机器学习的“标签”。也就是说，在使用统计测试处理新收到的泵状态记录包之后，我们有机会（a）将此包添加到用于训练AI / ML模型的训练集中，并且（b）在应用该模型的当前版本时控制其质量到这个包。
图6
在先前的网络研讨会之一中，在缺陷“标签”的背景下将机器学习模型应用于传入数据我们将展示并解释InterSystems IRIS平台如何以连续执行业务流程的形式来实现任何AI / ML机制，这些业务流程可控制建模结果的可靠性并调整模型参数。当使用泵来实现我们的方案的原型时，我们使用网络研讨会期间介绍的所有InterSystems IRIS功能-在分析器过程中实施作为我们解决方案的一部分，而不是经典的监督学习，而是强化学习，该学习自动管理用于训练模型的样本。训练样本包含在同时应用统计检验和模型的当前版本（即统计检验（将相似性指数转换为0或1之后）之后，都会出现“检测共识”的记录，然后模型在这些记录上产生结果1。通过对模型进行新的训练，在验证过程中（将新训练的模型应用于自己的训练样本，并对其进行初步统计测试），在处理统计测试结果1后记录“没有成立”（由于来自缺陷的初始“标签”的记录集中在训练集中，因此从训练集中将其删除，并且新版本的模型从缺陷的“标签”中学习，并从流中获取“保留”记录。经过统计检验处理后的结果1“未保留”（由于缺陷的初始“标记”在训练记录集中一直存在），从训练集中删除了该模型，新版本的模型从缺陷的“标记”中学习，并从流。经过统计检验处理后的结果1“未保留”（由于缺陷的初始“标记”在训练记录集中一直存在），从训练集中删除了该模型，新版本的模型从缺陷的“标记”中学习，并从流。
图7 InterSystems IRIS中的AI / ML计算机器人
如果在InterSystems IRIS中对本地计算过程中获得的检测质量需要某种“第二种意见”，则将创建一个顾问程序来对控制数据集进行模型训练和应用。使用云服务（例如Microsoft Azure，Amazon Web Services，Google Cloud Platform等）：
图8由InterSystems IRIS精心策划的Microsoft Azure的“第二意见”
InterSystems IRIS中我们脚本的原型是基于分析过程的基于代理的系统制成的，该过程与设备对象（泵），数学建模环境（Python，R和Julia）进行交互，并提供有关实时数据流的所有AI / ML机制的自学习...
图9 InterSystems IRIS中实时AI / ML解决方案的主要功能
我们的原型的实际结果是：
- 模型识别的缺陷模式（1月12日）：
- 模型未识别出的正在开发中的缺陷未包含在样本中（9月11日，修复团队仅在两天后-9月13日确定了缺陷本身）：
对包含相同缺陷的多个情节的真实数据进行的仿真表明，我们的解决方案在InterSystems IRIS平台上实施，可让我们在维修团队发现此类缺陷的几天之前就检测出此类缺陷的发展。
InterSystems IRIS-通用实时AI / ML计算平台
InterSystems IRIS平台简化了实时数据解决方案的开发，部署和操作。 InterSystems IRIS能够同时执行事务和分析数据处理；根据几种模型（包括关系，层次结构，对象和文档）维护同步的数据视图；充当集成各种数据源和单个应用程序的平台；实时提供有关结构化和非结构化数据的高级分析。 InterSystems IRIS还提供了使用外部分析工具的机制，使您可以灵活地将云中的托管与本地服务器结合在一起。
基于InterSystems IRIS平台构建的应用程序已部署到各个行业，从战略和运营的角度帮助企业创造巨大的经济价值，提高决策意识并弥合事件，分析与行动之间的鸿沟。
图10实时AI / ML上下文中的InterSystems IRIS体系结构
与上图一样，下图将新的“坐标系”（CD / CI / CT）与平台工作元素之间的信息流结合在一起。成像从CD宏观机制开始，然后从CI和CT宏观机制开始。
图11 InterSystems IRIS平台的AI / ML元素之间的信息流图
InterSystems IRIS中CD机制的实质是：平台用户（AI / ML解决方案的开发人员）使用AI / ML机制的专用编辑器来适应现有和/或创建新的AI / ML开发，程序代码为：Jupyter（全名：Jupyter Notebook；为简便起见，有时也称在此编辑器中创建的文档）。在Jupyter中，开发人员可以编写，调试并确保特定的AI / ML开发（包括使用图形）在将其部署（“部署”）到InterSystems IRIS之前可以工作（包括使用图形）。显然，以这种方式创建的新开发将仅接受基本调试（特别是因为Jupyter不适用于实时数据流）-这是日常工作，毕竟，Jupyter开发的主要结果是证实了单独的AI / ML机制的基本性能（“在数据样本上显示预期结果”）。同样，在Jupyter中进行调试之前已经在平台中放置的机制（请参阅以下宏机制）可能需要“回滚”到“平台前”视图（从文件读取数据，通过xDBC而不是表处理数据，与全局变量直接交互-多维数据数组InterSystems IRIS-等）。通过xDBC而不是表来处理数据，直接与全局变量交互-InterSystems IRIS的多维数据数组-等等）。通过xDBC而不是表来处理数据，直接与全局变量交互-InterSystems IRIS的多维数据数组等）。
InterSystems IRIS中CD实施的一个重要方面：在平台和Jupyter之间实现了双向集成，这允许以Python，R和Julia（在相应的领先开放语言中都是编程语言）的形式传输平台中的内容（以及将来在平台中进行处理）。数学建模的原始环境）。因此，AI / ML内容开发人员可以在其通常的Jupyter编辑器中工作，并在Python，R，Julia中使用熟悉的库，并在平台外执行基本调试（如有必要），从而“连续地”在平台中部署此内容。 ...
进入InterSystems IRIS中的CI宏机制。该图显示了一个``实时机器人''的宏过程（由Mathred语言和ObjectScript（InterSystems IRIS开发的本地语言）精心组织的数据结构，业务流程和代码片段的复杂过程）。这个宏过程的任务是：维护AI / ML机制操作所需的数据队列（基于实时传输到平台的数据流），对AI / ML机制的应用顺序和“范围”（它们也是“数学算法”，“ ”等模型-可以根据实现细节和术语偏好而不同地调用），保持最新的数据结构以分析AI / ML机制的结果（多维数据集，表，多维数据数组等）。-用于报告，仪表板等）。
InterSystems IRIS中CI实施的一个重要方面：在平台和数学建模环境之间实现了双向集成，该集成允许在各自的环境中以Python，R和Julia执行放置在平台上的内容，并返回执行结果。这种集成既可以在“终端模式”（即，将AI / ML内容表示为对数学环境进行调用的ObjectScript代码的形式）中实现，又可以在“业务流程模式”（即将AI / ML内容形式化的形式）中实现作为业务流程，使用图形编辑器，有时使用Jupyter，或者使用IDE-IRIS Studio，Eclipse，Visual Studio Code）。 Jupyter中业务流程的可编辑可用性由CI级别的IRIS和CD级别的Jupyter之间的链接反映出来。下面给出了与数学建模环境集成的更详细概述。我们认为，现阶段有充分的理由将平台上存在的所有必要工具固定为实时实现AI / ML开发的“持续集成”（来自“持续部署”）到AI / ML解决方案中。
而主要的宏观机制：CT。没有它，AI / ML平台将无法工作（尽管将通过CD / CI实现``实时''）。 CT的本质是直接在数学建模环境的工作会话中使用机器学习和人工智能的“工件”进行平台工作：模型，分布表，矩阵向量，神经网络层等。在大多数情况下，这种``工作''包括在环境中创建上述工件（例如，在模型的情况下，``创建''包括指定模型的规格以及随后对其参数值的选择-所谓的模型``训练''），其应用（针对模型：借助目标变量的``模型''值进行的计算-预测，属于类别，事件的概率等。）和已经创建和应用的工件的改进（例如，根据应用的结果重新定义模型的输入变量集，以提高预测的准确性）。理解CT的作用的关键点是它相对于CD和CI的实际情况“抽象”：CT将实现所有工件，并专注于AI / ML解决方案在特定环境提供的能力范围内的计算和数学特性。 CD和CI将负责“提供输入”和“交付结果”。在特定环境提供的能力范围内，专注于AI / ML解决方案的计算和数学特性。 CD和CI将负责“提供输入”和“交付结果”。在特定环境提供的能力范围内，专注于AI / ML解决方案的计算和数学特性。 CD和CI将负责“提供输入”和“交付结果”。
InterSystems IRIS中CT实施的一个重要方面：使用已经提到的与数学建模环境的集成，该平台能够从在数学环境中其控制下运行的工作会话中提取非常工件，并将其转变为平台数据对象。例如，刚在Python工作会话中创建的分发表可以（例如，在Python中不停止会话）以全局（多维数据数组InterSystems IRIS）的形式传输到平台，并用于其他AI / ML-中的计算机制（已经用另一种环境的语言（例如R）实现）或虚拟表。另一个示例：与模型的“正常模式”并行（在Python工作会话中），对它的输入数据执行“ auto-ML”：自动选择最佳输入变量和参数值。并且随着“全职”训练，实时生产模型还收到其规范的“优化建议”-输入变量集发生变化，参数值发生变化（不再是使用Python进行训练的结果，而是训练了“替代方法”的结果） “它本身的版本，例如在H2O堆栈中），使通用的AI / ML解决方案能够自动应对输入数据和模拟现象的性质中无法预料的变化。并在例如H2O堆栈中训练了它本身的“替代”版本，从而使通用的AI / ML解决方案能够自动应对输入数据和模拟现象的不可预见的变化。并在例如H2O堆栈中训练了它本身的“替代”版本，从而使通用的AI / ML解决方案能够自动应对输入数据和模拟现象的不可预见的变化。
让我们通过一个真实原型的示例来更详细地了解InterSystems IRIS的平台AI / ML功能。
在下面的图表中，在幻灯片的左侧，有一部分业务流程实现了Python和R中脚本的执行。在中间部分，分别有一些可视化的日志分别在Python和R中执行了某些脚本。它们紧随其后是其中一个内容的示例以及另一种语言可以执行到适当的环境。右边的最后-基于脚本执行结果的可视化。顶部的可视化在IRIS Analytics上进行（数据从Python提取到InterSystems IRIS数据平台并使用平台工具显示在仪表板上），在底部的可视化直接在R工作会话中进行并从那里输出到图形文件。一个重要方面：原型中呈现的片段负责根据从设备模拟器过程实时接收的数据训练模型（设备状态分类），根据过程监控员的命令，在模型应用过程中观察到的分类质量以下将讨论以一组交互过程（“代理”）的形式实现AI / ML解决方案的方法。
图12在InterSystems IRIS
平台流程中（它们也是“业务流程”，“分析流程”，“管道”等-取决于上下文）与Python，R和Julia的交互，首先，可以在图形编辑器中进行编辑平台本身中的业务流程，并以这种方式创建其框图和相应的AI / ML机制（程序代码）。当我们说``获得了一个AI / ML引擎''时，我们最初是指混合性（在一个过程中）：数学建模语言中的内容与SQL中的内容相邻（包括IntegratedML的扩展）），以及其他受支持的语言。此外，平台过程为分层嵌套片段的形式提供了“渲染”的充分机会（如下图示例所示），这使得有效地组织非常复杂的内容成为可能，而不会“掉线”图形格式（变成“非图形”） »方法/类/过程等）。也就是说，如果有必要（并且在大多数项目中已预见到），则绝对可以使用图形化的自我推荐格式来实现所有AI / ML解决方案。请注意，在下图的中心部分显示了更高的“嵌套级别”，您可以看到，除了实际训练模型（使用Python和R）外，还添加了对训练后模型的所谓ROC曲线的分析。允许从视觉上（以及在计算上）评估培训的质量-此分析以Julia语言（分别在Julia框架中执行）进行。
图13 InterSystems IRIS中AI / ML解决方案组成的可视环境
如前所述，已经在平台中实现的AI / ML机制的初始开发和适应（某些情况下）将/可以在Jupyter编辑器的平台外部完成。在下图中，我们看到了一个适应现有平台过程的示例（与上图中相同）-这是负责训练模型的片段在Jupyter中的样子。 Python内容可直接在Jupyter中进行编辑，调试和图形输出。可以立即同步到平台流程（包括其生产版本）中进行更改（如有必要）。同样，可以将新内容传输到平台（自动生成新平台过程）。
图14使用Jupyter Notebook在InterSystems IRIS
平台中编辑AI / ML引擎平台过程的调整不仅可以图形或笔记本格式执行，还可以以“总” IDE（集成开发环境）格式执行。这些IDE是IRIS Studio（本机IRIS Studio），Visual Studio Code（VSCode的InterSystems IRIS扩展）和Eclipse（Atelier插件）。在某些情况下，开发团队可以同时使用所有三个IDE。下图显示了在IRIS Studio，Visual Studio Code和Eclipse中编辑相同过程的示例。绝对可以编辑所有内容：Python / R / Julia / SQL，ObjectScript和业务流程。
图15在各种IDE中InterSystems IRIS业务流程的开发
需要特别提及以业务流程语言（BPL）描述和执行InterSystems IRIS业务流程的方法。 BPL使得在业务流程中使用“现成的集成组件”（活动）成为可能-实际上，这为断言InterSystems IRIS中实现了“持续集成”提供了充分的基础。业务流程中现成的组件（它们之间的活动和连接）是组装AI / ML解决方案的最强大的加速器。不仅是程序集：由于它们之间的活动和联系，“自主管理层”出现在不同的AI / ML开发和机制之上，能够根据情况实时做出决定。
图16在InterSystems IRIS平台上进行持续集成（CI）的业务流程的现成组件
代理系统（也称为“多代理系统”）的概念在机器人化方面具有很强的地位，而InterSystems IRIS平台通过“产品-过程”构造有机地支持它。除了为每个流程提供“通用”解决方案所需功能的无限可能性外，赋予平台流程系统以“代理”性质还可以使您为极端不稳定的建模现象（社会/生物系统的行为，部分可观察的技术流程等）创建有效的解决方案。
图17 InterSystems IRIS中以代理为基础的业务流程系统形式的AI / ML解决方案的工作
我们将继续就InterSystems IRIS进行回顾，并讲述一个平台在解决所有类别的实时问题中的应用的故事（我们之前的网络研讨会之一中对InterSystems IRIS的平台AI / ML的一些最佳实践进行了相当详细的了解）。
紧随上图之后，下面是代理系统的更详细图。该图显示了相同的原型，所有四个代理过程都是可见的，它们之间的关系被示意性绘制：GENERATOR-通过设备传感器创建数据，BUFFER-管理数据队列，ANALYZER-自行执行机器学习，MONITOR-控制机器学习的质量并提供表示需要重新训练模型。
图18：InterSystems IRIS中基于代理的业务流程系统形式的AI / ML解决方案的组成下
图说明了一段时间以来另一个机器人原型的自主功能（识别文本的情感色彩）。上部-模型的学习质量指标的演变（质量正在增长），下部-模型的质量指标的动力学和重复训练的事实（红色条）。如您所见，该解决方案是有效且自主的自学方法，并在指定的质量级别上运行（质量指标值不低于80％）。
图19在InterSystems IRIS平台上的连续（自）学习（CT）
我们之前也提到过“ auto-ML”，但是下图以另一个原型为例详细说明了此功能的使用。业务流程片段的图形化图表显示了在H2O堆栈中启动模拟的活动，并显示了该模拟的结果（根据ROC曲线的比较图，结果模型明显优于“人造”模型，并且自动识别了可在其中使用的“最具影响力的变量”原始数据集）。这里重要的一点是节省时间和专家资源，这是由于“自动ML”而实现的：我们的平台流程在半分钟内完成的工作（查找和训练最佳模型）可能需要一个星期到一个月才能花费专家。
图20将“自动ML”集成到基于InterSystems IRIS平台的AI / ML解决方案中
下图稍微“打破了高潮”，但这是完成有关要解决的实时任务类别的一个好方法：我们提醒您，InterSystems平台的所有功能IRIS，受其控制的模型训练是可选的。该平台可以从外部获取所谓的PMML模型规范，并在平台控制范围之外的工具中进行训练-并从导入其PMML规范之时起实时应用该模型。... 重要的是要考虑到，即使大多数最常见的工件都允许，并非所有AI / ML工件都可以简化为PMML规范。因此，InterSystems IRIS平台是“开环”，对于用户而言并不意味着“平台奴隶制”。
图21根据PMML规范的模型在InterSystems IRIS平台中的应用
让我们列出InterSystems IRIS的其他平台优势（为清楚起见，与过程控制有关），这些优势在人工智能和实时机器学习的自动化中非常重要：
- 具有任何数据源和使用者（APCS / SCADA，设备，MRO，ERP等）的高级集成工具
- - (Hybrid Transaction/Analytical Processing, HTAP)
- AI/ML- Python, R, Julia
- - (-) AI/ML-
- Business Intelligence AI/ML-
- API AI/ML- /SCADA, - , . .
基于InterSystems IRIS平台的AI / ML解决方案可以轻松地适应现有的IT基础架构。 InterSystems IRIS平台通过支持容错和容灾配置以及在虚拟环境，物理服务器，私有云和公共云以及Docker容器中的灵活部署，提供了AI / ML解决方案的高可靠性。
因此，InterSystems IRIS是一个多功能的实时AI / ML计算平台。我们的平台的多功能性在实践中得到了证实，因为对所实现的计算的复杂性没有事实上的限制，InterSystems IRIS能够（实时）组合来自多种行业的方案的能力，平台的任何功能和机制对于特定用户需求的出色适应性。
图22 InterSystems IRIS-一个通用的实时AI / ML计算平台
为了与那些对此处介绍的材料感兴趣的读者进行更实质性的互动，我们建议您阅读本书并继续进行“实时”对话。我们准备为与贵公司的具体情况有关的实时AI / ML场景的制定提供支持，我们将在InterSystems IRIS平台上进行联合原型制作，我们将在实践中形成并实施将人工智能和机器学习引入您的生产和管理流程的路线图。我们的AI / ML专家组的联系电子邮件地址为MLToolkit@intersystems.com。