वास्तविक वेळेत कृत्रिम बुद्धिमत्तेसाठी पेमेंट डेटा प्रोसेसिंग खूप मंद आहे: अपाचे एअरफ्लो 3.0 ओपन ओपन ओपन सोडवते

कृत्रिम बुद्धिमत्तेच्या योग्य ठिकाणी विविध स्त्रोतांकडून डेटा हस्तांतरित करणे एक कठीण काम आहे. येथेच अपाचे एअरफ्लो सारख्या डेटा योगायोग तंत्र फिट होते.

आज, अपाचे फ्लो समुदाय आवृत्ती 3.0 च्या देखाव्यासह वर्षातील त्याचे सर्वात मोठे अद्यतन बनले आहे. नवीन आवृत्ती चार वर्षातील पहिली मुख्य आवृत्ती अद्यतन आहे. 2024 मध्ये अद्यतने 2.9 आणि 2.10 यासह 2.x मालिकेत हवा प्रवाह स्थिरपणे सक्रिय होता, ज्याने दोन्ही कृत्रिम बुद्धिमत्तेवर जोरदार लक्ष केंद्रित केले.

अलिकडच्या वर्षांत, डेटा अभियंत्यांनी अपाचे एअर फ्लोला मानक वास्तविकता म्हणून स्वीकारले आहे. अपाचे एअरफ्लोने ओपन वर्कफ्लोमध्ये 3000 हून अधिक योगदानकर्ते आणि फॉर्च्युन 500 कंपन्यांद्वारे विस्तृत -मान्यता असलेल्या अग्रगण्य समन्वय प्लॅटफॉर्म म्हणून स्वत: ला स्थापित केले आहे. अ‍ॅस्ट्रोस अ‍ॅस्ट्रो, गूगल क्लाउड कंपोजर आणि अ‍ॅमेझॉन लार्कफ्लोज अपाचे एअरफ्लो (एमडब्ल्यूएए) आणि मायक्रोसॉफ्ट अझर डेटा फॅक्टरीसाठी इतर गोष्टींबरोबरच हवेचा प्रवाह व्यवस्थापित करणार्‍या मूलभूत प्रणालीवर अवलंबून असलेल्या एकाधिक व्यावसायिक सेवा देखील आहेत.

संस्था वेगवेगळ्या प्रणाली, ढग आणि कृत्रिम बुद्धिमत्तेच्या कामाच्या ओझ्याद्वारे डेटा कार्याच्या प्रगतीचे समन्वय साधण्यासाठी संघर्ष करीत असताना संस्थांना वाढत्या गरजा आहेत. अपाचे एअरफ्लो 3.0 आर्किटेक्चरल रीडिझाईनसह गंभीर संस्थेच्या गरजा पूर्ण करते जे संस्था डेटा अनुप्रयोग कसे प्रकाशित करतात आणि प्रकाशित करतात हे सुधारू शकतात.

“माझ्यासाठी, एअरफ्लो 3 ही एक नवीन सुरुवात आहे, ही क्षमता बर्‍याच मोठ्या गटांसाठी आधार आहे,” विक्रम कोका, अपाचे एअरफ्लो पीएमसी (प्रोजेक्ट मॅनेजमेंट कमिटी) आणि खगोलशास्त्रातील महान रणनीती अधिका officials ्यांनी एका विशेष मुलाखतीत व्हेंचरबेटसाठी सांगितले. “कंपन्यांनी आम्हाला सांगितले की त्यांना पुढील पातळीवर काम करण्याच्या गंभीर अवलंबनाची आवश्यकता आहे यावर आधारित हे जवळजवळ संपूर्ण आकार बदलणे आहे.”

फाउंडेशनच्या डेटाच्या जटिलतेमुळे डेटा योगायोगाच्या गरजा बदलल्या आहेत

कंपन्या डेटा -आधारित निर्णयांवर वाढत्या प्रमाणात अवलंबून असल्याने डेटाच्या डेटाची जटिलता फुटते. संस्था आता एकाधिक क्लाऊड वातावरण, विविध डेटाबेस आणि वाढत्या विकसित कामाच्या ओझ्या पर्यंत वाढविणार्‍या जटिल पाइपलाइन चालवित आहेत.

एअरफ्लो 3.0 या प्रगत संस्थांच्या गरजा भागविण्यासाठी खास डिझाइन केलेले दिसते. मागील आवृत्त्यांप्रमाणे, ही आवृत्ती एकसंध स्टोन पॅकपासून विभक्त केली गेली आहे, कारण ती एक वितरित ग्राहक मॉडेल देते जे लवचिकता आणि सुरक्षितता प्रदान करते. ही नवीन आर्किटेक्चर संस्थांना परवानगी देते:

1. एकाधिक मेघ वातावरणाद्वारे कार्ये अंमलात आणणे.
2. ग्रॅन्युलर सुरक्षा नियंत्रणे लागू करणे.
3. विविध प्रोग्रामिंग भाषांना समर्थन देणे.
4. वास्तविक मल्टी -मिसिल प्रकाशन ऑपरेशन्स सक्षम करणे.

एक मनोरंजक एअरफ्लो 3.0 भाषेसाठी समर्थन. मागील आवृत्त्या प्रामुख्याने बेथॉनच्या आसपास केंद्रित असताना, नवीन आवृत्ती एकाधिक प्रोग्रामिंग भाषांना समर्थन देते.

एअरफ्लो 3.0 पायथनला समर्थन देण्यासाठी आणि जावा, टाइपस्क्रिप्ट आणि रस्टच्या नियोजित समर्थनासह जाण्यासाठी सेट केले आहे. या दृष्टिकोनाचा अर्थ असा आहे की डेटा अभियंता त्यांच्या आवडत्या प्रोग्रामिंग भाषेत कार्ये लिहू शकतात, ज्यामुळे कार्यप्रवाह विकसित आणि समाकलित करण्यात घर्षण कमी होते.

कार्यक्रमाची क्षमता हस्तांतरित केली जाते

एअरफ्लो हे पारंपारिकपणे नियोजित पेमेंट्सवर प्रक्रिया करण्यात वेगळे केले जाते, परंतु संस्थांना वास्तविक वेळेत डेटा प्रोसेसिंग संभाव्यतेची वाढती आवश्यकता असते. एअर फ्लो 3.0 आता त्या गरजेचे समर्थन करते.

“एअर फ्लो 3 मधील मुख्य बदल म्हणजे आपण इव्हेंटवर अवलंबून असलेले वेळापत्रक म्हणतो,” कोका यांनी स्पष्ट केले.

दर तासाला डेटावर प्रक्रिया करण्याचे कार्य करण्याऐवजी, विशिष्ट डेटा फाइल डाउनलोड करताना किंवा विशिष्ट संदेश दिसेल तेव्हा हवेचा प्रवाह आता स्वयंचलितपणे कार्य सुरू करतो. यात Amazon मेझॉन एस 3 क्लाऊड स्टोरेजमध्ये लोड केलेला डेटा किंवा अपाचे काफ्कामध्ये वाहणारा डेटा संदेश समाविष्ट असू शकतो.

इव्हेंटवर अवलंबून असलेल्या वेळापत्रकांची शक्यता ईटीएल टूल्स (एक्सट्रॅक्शन, रूपांतरण आणि लोडिंग) आणि अपाचे फ्लिंक किंवा स्ट्रक्चर्ड अपाचे स्पार्क सारख्या वाहत्या फ्रेमवर्कशी संबंधित आहे, ज्यामुळे संस्थांना अनुसूचित आणि अनुसूचित वर्कफ्लो दोन्हीसाठी एकल समन्वय थर वापरण्याची परवानगी मिळते.

हवाई प्रवाह संस्थेच्या पाया आणि कृत्रिम बुद्धिमत्ता कंपाऊंडच्या अनुमानांच्या अंमलबजावणीस गती देईल

इव्हेंट -आधारित डेटा योगायोग वायु प्रवाह जलद तर्कांच्या अंमलबजावणीस समर्थन देण्यास मदत करेल.

उदाहरणार्थ, कोका यांनी वापरण्याच्या बाबतीत तपशीलवार वर्णन केले जेथे व्यावसायिक सेवांचे वास्तविक वेळ कारण कायदेशीर वेळ ट्रॅकिंग सारख्या वापरल्या जातात. या परिस्थितीत, कॅलेंडर्स, ईमेल संदेश आणि दस्तऐवज यासारख्या स्त्रोतांमधून कच्चा डेटा गोळा करण्यात मदत करण्यासाठी हवेचा प्रवाह वापरला जाऊ शकतो. मोठ्या भाषेचे मॉडेल (एलएलएम) अनौपचारिक माहिती संघटित डेटामध्ये रूपांतरित करण्यासाठी वापरले जाऊ शकते. त्यानंतर आणखी एक प्री -ट्रेन केलेले मॉडेल स्ट्रक्चर्ड टाइम ट्रॅकिंग डेटाचे विश्लेषण करण्यासाठी वापरले जाऊ शकते, काम दणका देण्याच्या अधीन आहे की नाही हे ठरवा, नंतर योग्य बिले आणि किंमती सेट करा.

कोका यांनी या दृष्टिकोनाचा उल्लेख एआय कंपाऊंड सिस्टम म्हणून केला – एक कार्यप्रवाह जो कार्यक्षमता आणि बुद्धिमत्तेसह एक जटिल कार्य पूर्ण करण्यासाठी विविध कर्जमाफी आंतरराष्ट्रीय मॉडेल्स एकत्र करतो. एअरफ्लो 3.0 रचना, जी इव्हेंटवर अवलंबून असते, विविध संस्थांच्या वापराच्या प्रकरणांद्वारे या प्रकारच्या वास्तविक आणि एकाधिक अनुमान प्रक्रियेस संभाव्य चरण बनवते.

कॉर्पॉन्ड एआय हा एक दृष्टीकोन आहे जो प्रथम 2024 मध्ये बर्कले इंटेलिजेंस रिसर्च सेंटरने परिभाषित केला होता आणि एआयसीपेक्षा थोडा वेगळा आहे. कोका यांनी स्पष्ट केले की एजन्सी एआय कृत्रिम बुद्धिमत्ता निर्णय घेण्यास परवानगी देते, तर एआय बोटीकडे पूर्व -प्रीडिक्टेबल वर्कफ्लो कार्ये आहेत ज्याचा अंदाज व्यावसायिक वापर प्रकरणांसाठी अधिक आणि विश्वासार्ह असू शकतो.

टेक्सास रेंजर्सचा फायदा कसा शोधत आहे, एअर फ्लोसह बॉल खेळा

बर्‍याच एअर फ्लो वापरकर्त्यांपैकी टेक्सास रेंजर्स मेजर लीग बेसबॉल संघ.

बेसबॉलसाठी टेक्सास रेन्नेजर्सचे पूर्ण डेटा अभियंता ऑलिव्हर डेक्स्रा यांनी व्हेंचरबीटला सांगितले की, Ast स्ट्रो अ‍ॅस्ट्रो प्लॅटफॉर्मवर एस्ट्रो प्लॅटफॉर्मवर होस्ट केलेल्या एअर फ्लोचा वापर बेसबॉल डेटा ऑपरेशन्ससाठी “न्यूरोलॉजी सेंटर” म्हणून केला आहे. त्यांनी निदर्शनास आणून दिले की खेळाडूंचा सर्व विकास, करार, विश्लेषण आणि अर्थातच गेम डेटा हवेच्या प्रवाहाद्वारे आयोजित केला जातो.

“आम्ही एअरफ्लो 3 वर श्रेणीसुधारित करण्याचा विचार करीत आहोत आणि इव्हेंटमध्ये, निरीक्षणाची क्षमता आणि डेटा दर यावर अवलंबून असलेल्या घटनेत त्यातील सुधारणा आम्ही शोधत आहोत.” “आम्ही कृत्रिम बुद्धिमत्ता पाइपलाइन/एमएल व्यवस्थापित करण्यासाठी आधीच हवेच्या प्रवाहावर अवलंबून असल्याने अतिरिक्त कार्यक्षमता आणि हवेच्या प्रवाहाची विश्वासार्हता आमच्या संपूर्ण संस्थेमधील या डेटा उत्पादनांमध्ये आत्मविश्वास आणि लवचिकता वाढविण्यात मदत करेल.”

एआय वर अवलंबून राहणे याचा अर्थ काय आहे?

डेटा स्वरूपन धोरणाचे मूल्यांकन करणार्‍या तांत्रिक निर्णय निर्मात्यांसाठी, एअरफ्लो 3.0 टप्प्यात अंमलात आणल्या जाणार्‍या अंमलबजावणीचे फायदे प्रदान करतात.

पहिली पायरी म्हणजे सध्याच्या डेटा वर्कफ्लोचे मूल्यांकन करणे जे नवीन इव्हेंट -आधारित क्षमतांचा फायदा होईल. संस्था डेटा पाइपलाइन परिभाषित करू शकतात ज्या सध्या अनुसूचित कार्ये करतात, परंतु किशोर -आधारित ऑपरेटर अधिक कार्यक्षमतेने व्यवस्थापित करू शकतात. या शिफ्टमध्ये व्यर्थ मतदान काढून टाकताना उपचारांच्या संक्रमणाची वेळ लक्षणीय प्रमाणात कमी होऊ शकते.

पुढे, तंत्रज्ञानाच्या नेत्यांनी त्यांच्या विकासाच्या वातावरणाचे मूल्यांकन करणे आवश्यक आहे की हवेच्या प्रवाहामध्ये नवीन भाषा समर्थन विभागलेल्या सिंक्रोनाइझेशन साधनांना एकत्र करू शकते की नाही हे निर्धारित करण्यासाठी. सध्या वेगवेगळ्या भाषेच्या वातावरणासाठी स्वतंत्र स्वरूपन साधने राखणारी कार्यसंघ तंत्रज्ञानाचा ढीग सुलभ करण्यासाठी हद्दपारीच्या धोरणाचे नियोजन करण्यास प्रारंभ करू शकतात.

कृत्रिम बुद्धिमत्तेची अंमलबजावणी करण्याच्या मार्गावर नेणार्‍या संस्थांसाठी, एअरफ्लो 3.0 मध्ये पायाभूत सुविधांचा एक आवश्यक घटक दर्शविला जातो की कृत्रिम बुद्धिमत्ता स्वीकारण्यात एक मोठे आव्हान आहे: कॉम्प्लेक्स एआयचे कार्यबल स्वरूप, संस्थेवरील बहु -स्टेज. कंपाऊंड कृत्रिम बुद्धिमत्ता प्रणालींचे समन्वय साधण्याची व्यासपीठाची क्षमता संस्थांना योग्य शासन, सुरक्षा आणि विश्वासार्हतेसह संस्थेच्या पातळीवर कृत्रिम बुद्धिमत्ता पसरविण्याच्या संकल्पनेच्या पुराव्यावर मात करण्यास मदत करू शकते.