Veröffentlicht am
von

Trotz der Tatsache, dass es über 50 Jahre alt ist, wissen die meisten Menschen nicht, worum es in diesem Studienbereich geht.

Bist du eine von ihnen?

Bei so vielen komplizierten Namen wie maschinellem Lernen , neuronalen Schaltkreisen, tiefem Lernen, prädiktiver Analyse usw. ist es völlig verständlich, dass Menschen verwirrt sind.

Aber genau das ist der Grund, warum Sie hier sind: Künstliche Intelligenz (KI) ein für alle Mal zu verstehen und wie Sie sie verwenden können, um Ihr Geschäft auszubauen.

Wann und wie es begann

Der Begriff KI wurde geboren, als eine Gruppe von Wissenschaftlern eine Studie durchführte , um Maschinen dazu zu bringen, die menschliche Sprache zu verstehen und zu verwenden und dann selbstständig weiterzumachen.

Die Studie wurde 1955 durchgeführt, aber der Begriff wurde erst ein Jahr später nach dem Erfolg der Studie offiziell erfunden.

Danach wurde es überall akzeptiert, weil es ein großes Potenzial hatte und zu einem Gebiet der Informatik wurde.

Künstliche Intelligenz definieren (KI)

Es wurde „künstliche Intelligenz“ genannt, weil eine Maschine tatsächlich als „intelligent“ angesehen werden kann, wenn sie etwas zeigt, das der menschlichen Intelligenz ähnelt.

Der Prozess beinhaltet eigentlich nichts anderes als das Programmieren von Computern auf eine neue Art und Weise, bei der riesige Datenmengen zum Trainieren verwendet werden, damit sie bestimmte Aufgaben ausführen können, die Menschen normalerweise ausführen.

Was an dieser Methode sehr interessant ist, ist, wie nützlich sie geworden ist. Es kann Aufgaben ausführen, die andere Software und Technologien nicht oder nicht ausführen können.

Welche verschiedenen Arten von KI gibt es?

Die KI hat in den letzten Jahrzehnten große Fortschritte gemacht, so dass das Feld ziemlich schnell in Unterfelder unterteilt wurde.

Obwohl nicht alle diese Bereiche ordnungsgemäß kategorisiert wurden, sind wir der Meinung, dass dies die Haupttypen sind:

Rein reaktiv

Dies ist die grundlegendste Form der KI. Diese Technologie kann eine Situation beobachten und entsprechend dem handeln, was sie sieht. Es ist nicht in der Lage zu konzipieren, und es hat kein Gedächtnis. Es konzentriert sich nur auf das Erledigen von Aufgaben.

Beispiele: IBMs Deep Blue (die Maschine, die den Schachmeister besiegt hat), Googles AlphaGo (die Maschine, die den Go-Meister besiegt hat).

Begrenzter Speicher

Dies ist die nächste Stufe von Purely Reactive. Diese KI kann Informationen sammeln, um ein Bild der Welt in ihrem Computergeist zu erstellen. Es verfügt über genügend Speicher, um kleine Aufgaben zu lernen, und kann zur Entscheidungsfindung verwendet werden.

Beispiele: automatisierte Fahrzeuge, Chatbots und digitale persönliche Assistenten.

Theorie des Geistes

Diese Art von KI verwendet komplexere Technologien. Es wird noch entwickelt und zielt darauf ab, Maschinen in die Lage zu versetzen, mit Menschen zu interagieren und sie emotional zu verstehen.

Es gibt noch keine wirklichen Beispiele, aber viele Roboter in Filmen zeigen, wie diese Art von KI funktionieren könnte – wie C-3PO und R2-D2 in Star Wars.

Selbstbewusst

Als König der Technologie bringt dies die Dinge auf die nächste Ebene. Diese Maschinen werden in der Lage sein, sozial zu interagieren, Persönlichkeiten zu entwickeln, Gefühle zu haben und Meinungen zu bilden.

Wie KI heute verwendet wird

Moderne KI wird in vielen verschiedenen Bereichen für verschiedene Zwecke eingesetzt, einschließlich Argumentation, Wissen, Planung, Lernen, Kommunikation, Wahrnehmung, Verschiebung und Manipulation von Objekten.

Obwohl es viele Projekte in verschiedenen Bereichen gegeben hat, haben einige von der Öffentlichkeit viel mehr Aufmerksamkeit erhalten. Hier sind einige der bekanntesten Beispiele:

Tiefes Blau:

1997 entwickelte IBM einen Computer, der den Schachweltmeister Gary Kasparov besiegen sollte. Diese Maschine beeindruckte die Welt, weil sie bewies, dass Maschinen Menschen bei bestimmten Aufgaben schlagen konnten.

OBEN:

2007 wurde dieses System entwickelt, um gegen Ping-Pong-Spieler anzutreten. Es verwendete automatische Lernsysteme, um sein Können weiter zu verbessern.

Das Vocaloid:

Zu Beginn des Jahrtausends wurde der erste KI-Robotersänger gebaut. Dieses System kann jedes Lied singen. Sie müssen nur die Melodie und die Texte eingeben.

Spracherkennung:

Diese Technologie begann mit Smartphones und ist eine der beliebtesten und am weitesten verbreiteten Technologien.

Veröffentlicht am
von

Höhepunkte des Tutorials

Künstliche Intelligenz (KI) ist heute zweifellos das heißeste Schlagwort und das aus allen guten Gründen. In den letzten zehn Jahren gab es mehrere Techniken und Praktiken, die bisher nur Teil der Science-Fiction waren – die sich mit dem Einsetzen der KI langsam in die Realität verwandelten. Und KI wurde wirklich zu einem Produktionsfaktor mit dem Potenzial, neue Wachstumsquellen einzuführen und die Arbeitsweise in verschiedenen Branchen zu ändern. Unser Tutorial für künstliche Intelligenz hilft Ihnen zu verstehen, was genau KI ist, welche Bedürfnisse sie hat und welche Anwendungen sie in verschiedenen Sektoren und Branchen und mehr hat. Das Hadoop-Tutorial behandelt auch verschiedene Fähigkeiten und Themen und erklärt die besten Möglichkeiten zur Implementierung von KI und ihren Anwendungsfällen. Beobachten Sie also die künstliche Intelligenz, um sich auf eine erfolgreiche Karriere in der KI vorzubereiten.

Warum künstliche Intelligenz lernen?

Künstliche Intelligenz hat mehrere Einblicke in die Zukunft gezeigt. Hier sind die Hauptvorteile des Lernens von KI:

  • KI hilft bei der Steuerung und Verarbeitung einer großen Datenmenge und liefert Erkenntnisse für zukünftige Entscheidungen.
  • KI kommt der Gesellschaft in nahezu allen Aspekten zugute, sei es im Gesundheitswesen, in der Bildung, im Transportwesen, bei der Entscheidungsfindung, bei der Cybersicherheit, in intelligenteren Häusern und an intelligenteren Arbeitsplätzen.
  • AI hilft dabei, die Benutzererfahrung für die Verwendung von Geräten und Anwendungen zu verbessern.
  • KI ist eine lukrative Berufswahl mit unbegrenztem Potenzial für die Zukunft.
  • Insgesamt wird AI optimierte Lösungen für Einzelpersonen und Unternehmen anbieten, die ihnen bei jeder Entscheidung helfen.

Anfänger müssen diese Tutorials zur künstlichen Intelligenz verwenden, um zu verstehen, wie wichtig diese Technologie ist und wie sie zum allgemeinen Fortschritt der Gesellschaft beitragen.

 

Anwendungen der künstlichen Intelligenz

Künstliche Intelligenz dringt allmählich in unsere Häuser, Büros, Arbeitsbereiche, Spielplätze, Transportmittel ein und sagt sogar Wetterphänomene voraus. Fast alle globalen Organisationen nutzen heute den Nutzen der KI-Technologie für bestimmte Interessen. KI-basierte automatisierte Maschinen werden jetzt über mehrere Branchen hinweg für komplexe Aufgaben verwendet, die mehr Präzision erfordern.

Hier sind einige der wichtigsten kommerziellen Anwendungen von KI in realen Anwendungen:

  • Im  Finanzsektor werden  Al-Algorithmen verwendet, um betrügerische und nicht betrügerische Aktivitäten zu trennen, indem das Benutzerverhalten für Ausgaben, Anmeldungen oder verdächtige Transaktionen verfolgt wird. Bei der Analyse der Aktienmärkte werden auch verschiedene Aspekte der Automatisierung verwendet, um zukünftige Trends aufzuzeigen und die Finanzen in Schach zu halten.
  • Im  Kundensupport werden  AI-Bots jetzt verwendet, um Kundenanfragen zu bearbeiten und häufig gestellte Fragen zu beantworten. Diese Bots sorgen dafür, dass Kunden mit sofortigen Antworten zufrieden sind, und eskalieren gleichzeitig die Anfragen, die mehr Aufmerksamkeit für die menschliche Interaktion erfordern.
  • In  Cyber ​​Security können kombinierte Al- und ML-Technologien jetzt die Anomalien vorhersagen und zu schützende Bedrohungen erkennen, indem sie aus früheren Bedrohungen lernen und das System sogar über zukünftige Warnungen informieren. Die meisten Unternehmen verstehen den Wert ihrer Daten und aktualisieren ihre Cybersicherheitsmaßnahmen immer mit der neuesten Technologie, um Datenverletzungen zu vermeiden.
  • In  Virtual Assistants ändert AI das Gesicht mithilfe von Spracherkennungssoftware wie Alexa, Siri, Google Voice und Cortana, um Befehle direkt von Benutzern entgegenzunehmen. Diese virtuellen Assistenten sind hochentwickelt, um aus dem Benutzerverhalten zu lernen und mehr Personalisierung für die Zukunft zu bieten.
  • Insbesondere in der  Automatisierung unterstreichen Google Driverless Cars und Teslas Autopilot die Verwendung von AI in der heutigen Zeit. Der CEO von Tesla Motors, Elon Musk, sagte sogar, dass automatisierte Fahrzeuge das Ziel der Benutzer anhand ihres früheren Verhaltens mithilfe von KI vorhersagen werden.
  • Im  Fertigungssektor werden  verschiedene Aspekte der Montage bereits von Roboterhänden beim Bau komplexer Systeme wie Elektronikwaren und Automobilen ausgeführt.
  • Die Robotik  ist ein Bereich, der vollständig aus dem Einsatz von KI hervorgegangen ist. Industrien auf der ganzen Welt forschen kontinuierlich daran, die Aktivitäten dieser automatisierten Maschinen zu verbessern. Diese Roboter können problemlos normale Aufgaben wie das Zubereiten und Bringen von Kaffee, das Erstellen komplexer Berichte, elektronische Steuergeräte usw. ausführen.

Im Jahr 2014 erwarb Google DeepMind Technologies, das eine neuronale Turingmaschine baute, mit der das menschliche Gehirn für sehr kurze Erinnerungen nachgeahmt werden kann. Anfang 2020 entwickelten Deepmind und Google ein KI-System zur Erkennung von Brustkrebs-Symptomen, die eine bemerkenswert bessere Leistung vorhersagten und zeigten als ein Team menschlicher Radiologen. Das IBM AI-System Watson ist jetzt systematisch in den medizinischen Bereich integriert, um Behandlungen vorzuschlagen und Schlussfolgerungen zu ziehen. In diesem Tutorial zur künstlichen Intelligenz werden auch einige Anwendungsfälle behandelt.

Mit regelmäßiger Forschung und Entwicklung wurden mehrere Projektionen für die Zukunft der künstlichen Intelligenz vorgeschlagen. Automatisierte Fahrzeuge, die Erweiterung des Menschen durch Roboter, intelligentere Städte, intelligentere Häuser und vieles mehr halten die Dinge für den Menschen interessant, um den Einsatz von KI weiter zu vertiefen. Dieses Tutorial für künstliche Intelligenz hilft Ihnen dabei, Schritt für Schritt zu lernen, wie Sie diese Technologie beherrschen und in Echtzeit anwenden können.

Wer sollte KI lernen?

Sie benötigen keinen speziellen Abschluss oder Masterstudiengang, um eine Karriere in der künstlichen Intelligenz zu beginnen. Das Interesse an der Entwicklung neuer Dinge und die analytische Fähigkeit zur Lösung komplexer Probleme können Fachleuten auf dem Gebiet der KI den Weg erleichtern.

Führungskräfte und Führungskräfte von heute müssen den Wert der KI verstehen, um einen Vorteil für ihre Organisation zu erzielen. Teamleiter, Projektmanager und Programmierexperten können ihre Fähigkeiten verbessern, um die KI für ihre Ergebnisse zu nutzen.

Dieses Tutorial für künstliche Intelligenz ist ideal für Spezialisten auf einem ähnlichen Gebiet der KI mit Positionen als Analytikmanager, Informationsarchitekten und andere Analytiker.

Neue Absolventen können diesen KI-Kurs auch nahtlos nutzen, um ihre Grundlagen für eine anspruchsvolle Karriere in der KI zu schaffen.

Zu den verschiedenen Profilen im Bereich der künstlichen Intelligenz gehören KI-Entwickler, KI-Architekt, Ingenieur für maschinelles Lernen, Datenwissenschaftler und Entwickler für Geschäftsintelligenz. Obwohl sich die Rolle und die Verantwortlichkeiten aus Sicht der Organisation unterscheiden können, besteht der Zweck von KI-Fachleuten darin, ein automatisiertes System aufzubauen, um richtige Entscheidungen zu treffen.

Voraussetzungen

Obwohl es keine Voraussetzungen für den Start Ihres Tutorials für künstliche Intelligenz gibt, können Sie die Lernkurve für KI besser verstehen, wenn Sie dennoch mit diskreter Mathematik, Programmier- und Datenbanksprachen, Algorithmen für maschinelles Lernen und Datenanalyse vertraut sind.

Anfänger, die sich für das Erlernen der künstlichen Intelligenz interessieren, können sich auch für einen Kurs bewerben, um frühzeitig Unterstützung zu erhalten und eine starke Karriere in diesem Bereich aufzubauen.

Insgesamt können Personen, die gerne Probleme lösen und in komplexen Situationen erfolgreich sind, künstliche Intelligenz erlernen und mit ihrer Kreativität Systeme für die Zukunft entwickeln.

Veröffentlicht am
von

Künstliche Intelligenz ist heute und aus gutem Grund ein Schlagwort in der Branche. KI oder künstliche Intelligenz haben im technologischen Bereich bereits so große Fortschritte gemacht, und laut einem Gartner-Bericht wird künstliche Intelligenz bis 2020 2,3 Millionen Arbeitsplätze schaffen und die 1,8 Millionen ersetzen, die sie beseitigen wird. Beginnen wir also mit diesem Tutorial für künstliche Intelligenz in der folgenden Reihenfolge:

  • Was ist künstliche Intelligenz?
  • Bedeutung der künstlichen Intelligenz
  • Anwendungen für künstliche Intelligenz
  • Bereiche der künstlichen Intelligenz
  • Unterschiedliche Jobprofile in AI
  • Unternehmen stellen ein

 

Was ist künstliche Intelligenz?

KI ist eine Technik, mit der Maschinen menschliches Verhalten nachahmen können. Künstliche Intelligenz ist die Theorie und Entwicklung von Computersystemen, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern, wie visuelle Wahrnehmung, Spracherkennung, Entscheidungsfindung und Übersetzung zwischen Sprachen.

Wenn Sie mich fragen, ist KI die Simulation menschlicher Intelligenz, die von von uns programmierten Maschinen durchgeführt wird. Die Maschinen müssen lernen, wie man argumentiert und sich nach Bedarf selbst korrigiert.

Künstliche Intelligenz Dies wird erreicht, indem untersucht wird, wie das menschliche Gehirn denkt, lernt, entscheidet und arbeitet, während versucht wird, ein Problem zu lösen, und anschließend die Ergebnisse dieser Studie als Grundlage für die Entwicklung intelligenter Software und Systeme verwendet werden. Lassen Sie uns dieses Tutorial für künstliche Intelligenz fortsetzen und verstehen, wie wichtig es ist.

 

Bedeutung der künstlichen Intelligenz

Künstliche Intelligenz (KI) hat es Maschinen ermöglicht, aus Erfahrungen zu lernen und zu wachsen, um menschenähnliche Aufgaben auszuführen. Viele auffällige Beispiele für künstliche Intelligenz, von denen Sie hören, wie selbstfahrende Autos , Schachspielcomputer, hängen stark von Deep Learning und der Verarbeitung natürlicher Sprachen ab . Mithilfe dieser Technologien können Computer geschult werden, um bestimmte Aufgaben zu erfüllen, indem große Datenmengen verarbeitet und Muster in den Daten erkannt werden.

Es gibt viele Bereiche, die zur künstlichen Intelligenz beitragen, nämlich:

  • Mathematik
  • Soziologie
  • Philosophie
  • Computerwissenschaften
  • Psychologie
  • NeuroScience
  • BiologieWenn wir uns die Bedeutung der künstlichen Intelligenz ansehen:
    • AI automatisiert das wiederholte Lernen und Erkennen durch Daten. Künstliche Intelligenz führt häufige, hochvolumige, computergestützte Aufgaben zuverlässig und ohne Ermüdung aus

     

    • AI erweitert vorhandene Produkte um Intelligenz . In den meisten Fällen wird AI nicht als Einzelanwendung verkauft. Produkte, die Sie bereits verwenden, werden durch KI-Funktionen verbessert, ähnlich wie Google Assistant als Funktion für eine neue Generation von Mobiltelefonen hinzugefügt wurde.

     

    • AI passt sich durch progressive Lernalgorithmen an, damit die Daten programmiert werden können. Der Algorithmus wird zum Klassifikator oder Prädiktor. So wie der Algorithmus sich selbst beibringen kann, wie man ein Spiel spielt, kann er sich selbst beibringen, welches Produkt als nächstes online zu empfehlen ist.

     

    • AI analysiert mehr und tiefere Daten mithilfe neuronaler Netze mit vielen verborgenen Schichten. Sie benötigen viele Daten, um Deep-Learning-Modelle zu trainieren, da diese direkt aus den Daten lernen. Je mehr Daten Sie ihnen zuführen können, desto genauer werden sie.

     

    • KI erreicht eine unglaubliche Genauigkeit durch tiefe neuronale Netze, was bisher unmöglich war. KI-Techniken aus Deep Learning, Bildklassifizierung und Objekterkennung können jetzt verwendet werden, um Krebs auf MRTs mit der gleichen Genauigkeit wie hochqualifizierte Radiologen zu finden.

    Lassen Sie uns nun dieses Tutorial zur künstlichen Intelligenz fortsetzen und die verschiedenen Anwendungen der künstlichen Intelligenz in der Branche verstehen.

     

    Anwendungen der künstlichen Intelligenz

    Es gibt verschiedene Anwendungen der künstlichen Intelligenz in der Industrie. Hier sind einige der wichtigsten, die in unseren täglichen Aufgaben vorhanden sind.

    • Spracherkennung
    • Maschinenübersetzung
    • Gesichtserkennung und automatische Kennzeichnung
    • Virtuelle persönliche Assistenten
      • ChatbotsSelbstfahrendes Auto

       

      Bereiche der künstlichen Intelligenz

      Künstliche Intelligenz deckt heutzutage viele Bereiche ab. Lassen Sie uns dieses Tutorial zur künstlichen Intelligenz fortsetzen und die Hauptbereiche mit umfangreichen Forschungsarbeiten diskutieren, nämlich:

      • Neuronale Netze:Neuronale Netze sind eine Klasse von Modellen in der allgemeinen Literatur zum maschinellen Lernen. Neuronale Netze sind eine Reihe spezifischer Algorithmen, die das maschinelle Lernen und die künstliche Intelligenz revolutioniert haben. 
        • Robotik:Die Robotik ist ein Zweig der KI, der sich aus verschiedenen Zweigen und der Anwendung von Robotern zusammensetzt. KI-Roboter sind künstliche Wirkstoffe, die in einer realen Umgebung wirken. Der Roboter für künstliche Intelligenz zielt darauf ab, die Objekte zu manipulieren, indem er sie wahrnimmt, auswählt, bewegt und zerstört. 
          • Expertensysteme:In der künstlichen Intelligenz ist ein Expertensystem ein Computersystem, das die Entscheidungsfähigkeit eines menschlichen Experten nachahmt. Es ist ein Computerprogramm, das Technologien der künstlichen Intelligenz (KI) verwendet, um das Urteilsvermögen und Verhalten eines Menschen oder einer Organisation zu simulieren, die über Expertenwissen und Erfahrung auf einem bestimmten Gebiet verfügen. 
            • Fuzzy-Logik-Systeme:

            Fuzzy-Logik ist ein Ansatz zur Berechnung, der auf „Wahrheitsgraden“ und nicht auf der üblichen „wahren oder falschen“ (1 oder 0) Booleschen Logik basiert, auf der der moderne Computer basiert. Fuzzy-Logik-Systeme können ungenaue, verzerrte und verrauschte Eingabeinformationen aufnehmen.

Veröffentlicht am
von

Dieses KI-Tutorial für Anfänger dient zum Erlernen der Grundlagen der künstlichen Intelligenz. In diesem Tutorial für künstliche Intelligenz für Anfänger lernen Sie verschiedene Grundlagen der künstlichen Intelligenz kennen, z. B. KI, Geschichte der KI, Arten der KI, Anwendungen der KI und weitere Konzepte zur KI.

Was ist KI?

KI (Künstliche Intelligenz) ist die Fähigkeit einer Maschine, kognitive Funktionen wie Menschen auszuführen, wie z. B. Wahrnehmen, Lernen, Denken und Lösen von Problemen. Der Maßstab für KI ist die menschliche Ebene in Bezug auf Argumentation, Sprache und Vision.

Einführung in AI Levels

  1. Schmale KI : Eine künstliche Intelligenz wird als schmal bezeichnet, wenn die Maschine eine bestimmte Aufgabe besser ausführen kann als ein Mensch. Die aktuelle Forschung der KI ist jetzt hier
  2. Allgemeine KI : Eine künstliche Intelligenz erreicht den allgemeinen Zustand, wenn sie jede intellektuelle Aufgabe mit der gleichen Genauigkeit ausführen kann wie ein Mensch
  3. Starke KI : Eine KI ist stark, wenn sie Menschen bei vielen Aufgaben schlagen kann

Heutzutage wird KI in fast allen Branchen eingesetzt, was allen Unternehmen, die KI in großem Maßstab integrieren, einen technologischen Vorsprung verschafft. Laut McKinsey hat AI das Potenzial, im Einzelhandel einen Wert von 600 Milliarden Dollar zu schaffen und im Bankgeschäft im Vergleich zu anderen Analysetechniken einen um 50 Prozent höheren Mehrwert zu erzielen. In den Bereichen Transport und Logistik liegt der potenzielle Umsatzsprung um 89 Prozent höher.

Wenn ein Unternehmen KI für sein Marketingteam verwendet, kann es konkret alltägliche und sich wiederholende Aufgaben automatisieren, sodass sich der Vertriebsmitarbeiter auf Aufgaben wie Beziehungsaufbau, Lead-Pflege usw. konzentrieren kann. Ein Firmenname Gong bietet einen Konversations-Intelligence-Service. Jedes Mal, wenn ein Vertriebsmitarbeiter einen Anruf tätigt, transkribiert und analysiert das Gerät den Chat. Der VP kann AI-Analysen und Empfehlungen verwenden, um eine Gewinnstrategie zu formulieren.

Kurz gesagt, AI bietet eine Spitzentechnologie für den Umgang mit komplexen Daten, die von einem Menschen nicht verarbeitet werden können. AI automatisiert redundante Jobs, sodass sich ein Mitarbeiter auf die Aufgaben mit hohem Mehrwert konzentrieren kann. Wenn KI in großem Maßstab implementiert wird, führt dies zu Kostensenkung und Umsatzsteigerung.

Eine kurze Geschichte der künstlichen Intelligenz

Künstliche Intelligenz ist heute ein Schlagwort, obwohl dieser Begriff nicht neu ist. 1956 beschloss eine Gruppe von Avantgarde-Experten mit unterschiedlichem Hintergrund, ein Sommerforschungsprojekt über KI zu organisieren. Vier kluge Köpfe leiteten das Projekt; John McCarthy (Dartmouth College), Marvin Minsky (Harvard University), Nathaniel Rochester (IBM) und Claude Shannon (Bell Telephone Laboratories).

Der Hauptzweck des Forschungsprojekts bestand darin, „jeden Aspekt des Lernens oder jedes andere Merkmal der Intelligenz anzugehen, das im Prinzip so genau beschrieben werden kann, dass eine Maschine hergestellt werden kann, um es zu simulieren“.

Der Vorschlag der Gipfel enthalten

  1. Automatische Computer
  2. Wie kann ein Computer so programmiert werden, dass er eine Sprache verwendet?
  3. Neuronennetze
  4. Selbstverbesserung

Es entstand die Idee, dass intelligente Computer geschaffen werden können. Eine neue Ära begann voller Hoffnung – künstliche Intelligenz.

Art der künstlichen Intelligenz

Künstliche Intelligenz kann in drei Teilbereiche unterteilt werden:

  • Künstliche Intelligenz
  • Maschinelles Lernen
  • Tiefes Lernen

    Maschinelles Lernen

    Maschinelles Lernen ist die Kunst der s tudy von Algorithmen , die lernen aus Beispielen und Erfahrungen .

    Maschinelles Lernen basiert auf der Idee basiert , dass es existieren einige Muster in den Daten , die wurden identifiziert und verwendet für zukünftige Prognosen .

    Der Unterschied zu Hardcodierungsregeln besteht darin, dass die Maschine selbst lernt, solche Regeln zu finden.

    Tiefes Lernen

    Deep Learning ist ein Teilbereich des maschinellen Lernens. Tiefes Lernen bedeutet nicht, dass die Maschine tieferes Wissen lernt. Dies bedeutet, dass die Maschine verschiedene Ebenen verwendet, um aus den Daten zu lernen. Die Tiefe des Modells wird durch die Anzahl der Ebenen im Modell dargestellt. Das Google LeNet-Modell für die Bilderkennung zählt beispielsweise 22 Ebenen.

    Beim tiefen Lernen erfolgt die Lernphase über ein neuronales Netzwerk. Ein neuronales Netzwerk ist eine Architektur, bei der die Schichten übereinander gestapelt sind.

    KI vs. maschinelles Lernen

    Die meisten unserer Smartphones, täglichen Geräte oder sogar das Internet verwenden künstliche Intelligenz. Sehr oft werden KI und maschinelles Lernen von großen Unternehmen, die ihre neuesten Innovationen vorstellen möchten, synonym verwendet. Maschinelles Lernen und KI unterscheiden sich jedoch in einigen Punkten .

    KI – Künstliche Intelligenz – ist die Wissenschaft des Trainings von Maschinen zur Ausführung menschlicher Aufgaben. Der Begriff wurde in den 1950er Jahren erfunden, als Wissenschaftler begannen zu untersuchen, wie Computer Probleme selbst lösen können.

     

Veröffentlicht am
von

Dieses Tutorial zur künstlichen Intelligenz bietet grundlegende und Zwischeninformationen zu Konzepten der künstlichen Intelligenz. Es wurde entwickelt, um Studenten und Berufstätigen zu helfen, die Anfänger sind. In diesem Tutorial liegt unser Fokus auf künstlicher Intelligenz. Wenn Sie mehr über maschinelles Lernen erfahren möchten, finden Sie in diesem Tutorial ein vollständiges Anfänger-Tutorial zum maschinellen Lernen . Im Verlauf dieses Tutorials zur künstlichen Intelligenz werden verschiedene Konzepte wie die Bedeutung der künstlichen Intelligenz, die Ebenen der KI, warum KI wichtig ist, verschiedene Anwendungen, die Zukunft der künstlichen Intelligenz und vieles mehr untersucht.

Um auf dem Gebiet der KI zu arbeiten, muss man normalerweise viel Erfahrung haben. Daher werden wir auch die verschiedenen Berufsprofile diskutieren, die mit künstlicher Intelligenz verbunden sind, und Ihnen schließlich helfen, relevante Erfahrungen zu sammeln. Sie müssen nicht über einen bestimmten Hintergrund verfügen, bevor Sie sich dem Bereich KI anschließen können, da es möglich ist, die erforderlichen Fähigkeiten zu erlernen und zu erlangen. Während die Begriffe Data Science, Artificial Intelligence (AI) und Machine Learning in denselben Bereich fallen und miteinander verbunden sind, haben sie ihre spezifischen Anwendungen und Bedeutungen. Einfach ausgedrückt, zielt künstliche Intelligenz darauf ab, Maschinen in die Lage zu versetzen, Argumentation auszuführen, indem sie menschliche Intelligenz replizieren. Da das Hauptziel von KI-Prozessen darin besteht, Maschinen aus Erfahrung zu lehren, ist es entscheidend, die richtigen Informationen einzugeben und sich selbst zu korrigieren.

Was ist künstliche Intelligenz?

Die Antwort auf diese Frage hängt davon ab, wen Sie fragen. Ein Laie mit einem flüchtigen Verständnis von Technologie würde es mit Robotern verbinden. Wenn Sie einen KI-Forscher nach künstlicher Intelligenz fragen, würde er sagen, dass es sich um eine Reihe von Algorithmen handelt, mit denen Ergebnisse erzielt werden können, ohne dass Sie ausdrücklich dazu angewiesen werden müssen. Beide Antworten sind richtig. Zusammenfassend ist künstliche Intelligenz:

  • Eine intelligente Einheit, die von Menschen geschaffen wurde.
  • Kann Aufgaben intelligent ausführen, ohne explizit angewiesen zu werden.
  • Fähig, rational und menschlich zu denken und zu handeln.

Im Zentrum der künstlichen Intelligenz steht ein Zweig der Informatik, der darauf abzielt, menschliche Intelligenz in Maschinen zu erzeugen oder zu replizieren. Aber was macht eine Maschine intelligent? Viele KI-Systeme werden mithilfe von Algorithmen für maschinelles Lernen und tiefes Lernen betrieben . Die KI entwickelt sich ständig weiter. Was in der Vergangenheit als Teil der KI angesehen wurde, kann jetzt nur noch als Computerfunktion betrachtet werden. Beispielsweise wurde ein Taschenrechner in der Vergangenheit möglicherweise als Teil der KI angesehen. Nun wird es als einfache Funktion betrachtet. Ebenso gibt es verschiedene Ebenen der KI, lassen Sie uns diese verstehen.

Warum ist künstliche Intelligenz wichtig?

Das Ziel der künstlichen Intelligenz ist es, die menschlichen Fähigkeiten zu unterstützen und uns zu helfen, fortgeschrittene Entscheidungen mit weitreichenden Konsequenzen zu treffen. Aus technischer Sicht ist dies das Hauptziel der KI. Wenn wir die Bedeutung der KI aus einer philosophischeren Perspektive betrachten, können wir sagen, dass sie das Potenzial hat, Menschen dabei zu helfen, ein sinnvolleres Leben ohne harte Arbeit zu führen. KI kann auch dazu beitragen, das komplexe Netz miteinander verbundener Personen, Unternehmen, Staaten und Nationen so zu verwalten, dass es für die gesamte Menschheit von Vorteil ist.

Gegenwärtig wird künstliche Intelligenz von all den verschiedenen Werkzeugen und Techniken geteilt, die wir in den letzten tausend Jahren erfunden haben – um die menschlichen Anstrengungen zu vereinfachen und uns zu helfen, bessere Entscheidungen zu treffen. Künstliche Intelligenz ist eine solche Kreation, die uns helfen wird, bahnbrechende Werkzeuge und Dienste weiter zu erfinden, die unsere Lebensführung exponentiell verändern würden, indem sie hoffentlich Streit, Ungleichheit und menschliches Leid beseitigen.

Wir sind noch weit von solchen Ergebnissen entfernt. Aber es kann in der Zukunft kommen. Künstliche Intelligenz wird derzeit hauptsächlich von Unternehmen eingesetzt, um ihre Prozesseffizienz zu verbessern, ressourcenintensive Aufgaben zu automatisieren und Geschäftsvorhersagen auf der Grundlage von Daten zu erstellen, die uns zur Verfügung stehen. Wie Sie sehen, ist KI für uns in mehrfacher Hinsicht von Bedeutung. Es schafft neue Möglichkeiten in der Welt, hilft uns, unsere Produktivität zu verbessern und vieles mehr.

Geschichte der künstlichen Intelligenz

Das Konzept der intelligenten Wesen gibt es schon seit langer Zeit und hat nun seinen Weg in viele Bereiche wie KI in Bildung, Automobil, Bank- und Finanzwesen, KI-Gesundheitswesen usw. gefunden. Die alten Griechen hatten Mythen über Roboter als chinesische und ägyptische Ingenieure gebaute Automaten. Die Anfänge der modernen KI gehen jedoch auf die Zeit zurück, in der klassische Philosophen versuchten, menschliches Denken als symbolisches System zu beschreiben. Zwischen den 1940er und 50er Jahren diskutierten eine Handvoll Wissenschaftler aus verschiedenen Bereichen die Möglichkeit, ein künstliches Gehirn zu schaffen. Dies führte auf einer Konferenz am Dartmouth College in Hannover, New Hampshire, zum Aufstieg des Gebiets der KI-Forschung, das 1956 als akademische Disziplin gegründet wurde. Das Wort wurde von John McCarthy geprägt, der heute als Vater der künstlichen Intelligenz gilt.

Trotz einer über viele Jahrzehnte gut finanzierten globalen Anstrengung war es für Wissenschaftler äußerst schwierig, Intelligenz in Maschinen zu erzeugen. Zwischen Mitte der 1970er und 1990er Jahre hatten Wissenschaftler mit einem akuten Mangel an Finanzmitteln für die KI-Forschung zu kämpfen. Diese Jahre wurden als „AI Winters“ bekannt. Bis Ende 1990 waren amerikanische Unternehmen jedoch wieder an KI interessiert. Darüber hinaus hatte auch die japanische Regierung Pläne zur Entwicklung eines Computers der fünften Generation zur Weiterentwicklung der KI. Schließlich besiegte IBMs Deep Blue 1997 den ersten Computer, der einen Schachweltmeister, Garry Kasparov, besiegte.

Als die KI und ihre Technologie weiter voranschritten – hauptsächlich aufgrund von Verbesserungen bei der Computerhardware – begannen auch Unternehmen und Regierungen, ihre Methoden erfolgreich in anderen engen Bereichen einzusetzen. In den letzten 15 Jahren ist es Amazon, Google, Baidu und vielen anderen gelungen, die KI-Technologie zu einem enormen kommerziellen Vorteil zu nutzen. KI ist heute in viele der von uns verwendeten Onlinedienste eingebettet. Infolgedessen hat die Technologie es geschafft, nicht nur in jedem Sektor eine Rolle zu spielen, sondern auch einen großen Teil des Aktienmarktes zu steuern.

Heutzutage ist künstliche Intelligenz in Unterbereiche unterteilt, nämlich künstliche allgemeine Intelligenz, künstliche schmale Intelligenz und künstliche Superintelligenz, die wir in diesem Artikel ausführlich erörtern werden. Wir werden auch den Unterschied zwischen AI und AGI diskutieren.

Veröffentlicht am
von

Was ist SQL Server-Leistungsoptimierung?

Die SQL Server-Leistungsoptimierung umfasst eine Reihe von Prozessen und Prozeduren, mit denen relationale Datenbankabfragen optimiert werden sollen, damit sie so effizient wie möglich ausgeführt werden können. Die SQL-Optimierung umfasst mehrere Elemente, darunter das Ermitteln von Verlangsamungen bei Abfragen und deren Optimierung für maximale Effizienz. Zahlreiche relationale Datenbanken – einschließlich MySQL und SQL Server – werden von der SQL-Optimierung profitieren.

Datenbankadministratoren können versuchen, Serverleistungsprobleme auf Systemebene zu beheben, indem sie normalerweise zusätzlichen Speicher und Prozessoren einbeziehen. Diese Maßnahmen sind jedoch teuer und können das Problem langsamer Abfragen möglicherweise nicht wirksam lösen. Mithilfe der SQL-Leistungsoptimierung können Sie schlecht geschriebene SQL-Abfragen und Instanzen ineffektiver Indizierung finden. Danach müssen Sie möglicherweise nicht mehr in die Verbesserung der Hardware oder der technischen Spezifikationen investieren.

Die Optimierung der SQL-Leistung kann schwierig sein, insbesondere wenn sie manuell durchgeführt wird. Selbst kleine Anpassungen können weitreichende Auswirkungen auf die Leistung von SQL Server und der Datenbank haben. Aus diesem Grund benötigen Sie effektive SQL Server-Tools zur Leistungsoptimierung.

Warum ist die Optimierung der SQL Server-Leistung wichtig?

Die meisten Unternehmen betrachten Speicher und Informationszugriff als Hauptfunktionen. Interne und externe Benutzer erwarten, dass Websites und Anwendungen schnell und effektiv funktionieren. Dies bedeutet, dass Server und Datenbanken so effizient wie möglich funktionieren müssen.

Eine Abfrageverzögerung von einigen Millisekunden scheint nicht viel zu sein, kann sich jedoch schnell summieren, wenn bei jeder Ihrer Datenbankabfragen eine ähnliche Verzögerung auftritt. Kombinieren Sie dies mit riesigen Mengen kontinuierlich generierter Daten, und das Abrufen von Informationen aus einer Datenbank kann zeitaufwändig werden. Wenn geschäftskritische Vorgänge langsam werden, wird dies wahrscheinlich die Funktionalität des gesamten Unternehmens beeinträchtigen.

Für eine erfolgreiche SQL-Optimierung müssen DBAs die SQL Server-Leistung auf dem neuesten Stand halten und sicherstellen, dass datenbankbezogene Prozesse reibungslos ablaufen.

SQL Server-Tools zur Leistungsoptimierung

Mithilfe von SQL Server-Tools zur Leistungsoptimierung können Benutzer die Leistung ihrer Indizes, Abfragen und Datenbanken verbessern. Sie enthalten Empfehlungen zu Indizes, die möglicherweise hinzugefügt, gelöscht oder geändert werden müssen, um Leistungsprobleme zu optimieren. SQL Server-Datentools überwachen die Leistung in Echtzeit und können Optimierungsempfänger enthalten, um Anleitungen zu Serverpartitionen und indizierten Ansichten bereitzustellen. Einige SQL Server-Tools zur Leistungsoptimierung generieren auch Statistiken zu den Schritten bei der Ausführung von Abfragen. Dies hilft bei der Identifizierung und Optimierung von Datenbank- und Serverleistungsproblemen.

SolarWinds Database Performance Analyzer wurde erstellt, um einen Großteil der Vermutungen zu beseitigen, die traditionell mit der SQL Server-Optimierung verbunden sind. Es bietet eine kontinuierliche Überwachung und kombiniert die Analyse der Antwortzeit mit der Analyse historischer Trends und Protokollen, um Leistungsbasislinien festzulegen. Mit DPA können Sie anomales Verhalten schnell erkennen. Dank der maschinellen Lernfunktionen des Tools wird es mit der Zeit intelligenter und intuitiver.

DPA enthält einen integrierten Ratgeber für die Tabellenoptimierung, mit dem Sie versteckte Optimierungsmöglichkeiten für SQL Server nutzen können. Das Tool informiert Sie über Ihre Optimierungsentscheidungen, indem es Abfragen analysiert und plant, Tabellen mit ineffizienten SQL-Abfragen zu identifizieren. Es verfügt über einen integrierten SQL-Leistungsanalysator, der Ihnen detaillierte Einblicke in ineffiziente SQL-Anweisungen bietet, die auf Tabellen zugreifen, wobei die Analyseergebnisse nach der relativen Arbeitslast geordnet sind.

Die DPA-Funktion zur Analyse der Abfrageleistung sammelt Schlüsseldaten zu einer Abfrage und zeigt sie in einer intuitiven und einfach zu interpretierenden Dashboard-Ansicht an. Dieses Dienstprogramm stellt Diagramme zusammen, sodass Sie erkannte Leistungsprobleme schnell und einfach beheben können. DPA bietet auch anpassbare Berichte und Warnungen, die Sie auf dem Laufenden halten und Ihnen Einblick in Blockhierarchien und die Auswirkungen von Blockierungen auf die Leistung bieten.

Veröffentlicht am
von

Lösungen zur Überwachung der Netzwerkleistung überwachen den Betrieb von Unternehmensnetzwerken, um Verfügbarkeit und optimale Leistung sicherzustellen. Diese Lösungen führen Echtzeitanalysen durch, sorgen für minimale Ausfallzeiten und schnelle Korrekturen und sparen auf lange Sicht Kosten und Ressourcen für Unternehmen. Wenn das Netzwerk wächst, kann es schwierig sein, es effektiv zu überwachen, und das Erkennen und Beheben von Netzwerkproblemen kann länger dauern als erwartet. Hier einige Möglichkeiten, wie IT-Experten ihre Netzwerke optimieren können, um längere Ausfallzeiten und Produktionsrückgänge zu vermeiden.

Haben Sie eine Netzwerkwarnstruktur

Schnelle Alarmerkennung und Anwendungskorrektur sind wesentliche Bestandteile von Netzwerküberwachungslösungen. In das System sollte eine effiziente Alarmstruktur integriert sein. Die Struktur sendet direkte Warnungen an relevantes Personal, das sich mit jedem einzelnen Problem befassen kann. Anstatt Softwareentwickler über jedes denkbare Problem zu informieren, wird jedes Problem je nach Schweregrad und Typ an eine bestimmte Person gesendet. Diese Art von Funktion strukturiert das Unternehmen und ermöglicht es den Ingenieuren, die Verantwortung für jeden Teil des Netzwerks zu übernehmen.

Netzwerksichtbarkeit beibehalten

Das schlimmste Hindernis für eine effiziente Netzwerkleistung ist ein Mangel an Netzwerküberwachung. Die Netzwerksichtbarkeit ist für die Gewährleistung des autorisierten Datenverkehrs von entscheidender Bedeutung und kann zur effektiven Verwaltung und Sicherung von Verkehrsdaten beitragen. Es kann auch helfen, Probleme mit dem Netzwerk, dem Server, dem Routing und der Bandbreite zu bemerken. Mit dieser Funktion können Benutzer blinde Flecken vermeiden, die durch erhöhten Datenverkehr entstehen, nicht autorisierten WAN-Verkehr erkennen und die Anwendungsleistung überwachen.

Verwenden Sie visuelle Anzeigen

Neben der Sichtbarkeit des Netzwerks kann die Verwendung visueller Anzeigen wie Dashboards dazu beitragen, die Netzwerkleistung für IT-Systeme zu optimieren. Standard-Dashboards zeigen Routenanalyse, Netzwerkverkehr und Tomographie an. Mit dieser Funktion können Benutzer die internen Merkmale des Netzwerks anhand von Informationen anzeigen, die aus Endpunktdaten abgeleitet wurden. Durch die visuelle Überwachung können interne Teams und Anbieter eine kollaborative Umgebung aufrechterhalten, wenn mehrere Ebenen von Netzwerkdaten analysiert werden.

Verwenden Sie Route Analytics

Mithilfe der Routenanalyse können Benutzer die Routing-Protokolle und -Strukturen von IP-Netzwerken analysieren. Diese Funktion kann Unternehmensnetzwerke optimieren, indem Routingfehler und Protokollanomalien erkannt werden, die sich auf die Zustellung von Paketen vom Endbenutzer zum Endbenutzer auswirken können. Die Routenanalyse bietet auch Einblick in vergangene und aktuelle Routing-Informationen und hilft so, zukünftige Fehler bei der Netzwerkleistung und der Paketzustellung zu vermeiden.

Kapazitätsplanung überwachen

Mithilfe der Kapazitätsplanung können Unternehmensnetzwerke ihren Netzwerkverkehr optimieren, indem ermittelt wird, wie viel Bandbreite das Netzwerk benötigt, um ordnungsgemäß zu funktionieren. Diese Funktion liefert Benutzerdaten, die angeben, wo in bestimmten Bereichen eine Verlangsamung des Datenverkehrs auftreten kann, was zu potenziellen Daten- und Paketverlusten führen kann. Die Verwendung von zu wenig Bandbreite kann zu einer unzureichenden Netzwerkleistung führen, und die Verwendung von zu viel Bandbreite kann zu einem Verlust von Ressourcen und Kosten führen. Die Kapazitätsplanung hilft Unternehmen auch bei der Verwaltung der Datennutzung und der Ressourcen, sodass Netzwerke effizient arbeiten können.

Veröffentlicht am
von

Bei der Cloud-Überwachung wird analysiert, wie gut Cloud-Dienste funktionieren. Die Tools und Methoden können variieren, aber jedes Unternehmen sollte über einen Überprüfungsprozess verfügen, um festzustellen, wie gut die Cloud die geschäftlichen, technischen und rechtlichen Anforderungen des Unternehmens ergänzt.

Welche Cloud-Dienste sollten überwacht werden?

Während Verbraucher Dienste wie Dropbox und Google Mail verwenden, um Informationen in der Cloud zu speichern, mieten Unternehmen normalerweise Speicherplatz, um ihre Anwendungen zu hosten und ihre Daten zu speichern. Die Überwachung von Cloud-Diensten muss zwei Gesichtspunkte berücksichtigen. Die erste ist die Integrität, Sicherheit, Zugänglichkeit und Redundanz der Daten im Rechenzentrum oder auf den Servern des Cloud-Anbieters. Die zweite ist die Möglichkeit, auf die Cloud zuzugreifen und die Informationen zu erhalten, die das Unternehmen benötigt.

Cloud-Überwachungstools liefern der IT-Abteilung Daten darüber, wie gut Sicherheit, Leistung und Kundenverhalten funktionieren. Tests und Überwachung werden normalerweise in regelmäßigen Abständen durchgeführt. Regelmäßige Tests können einem Unternehmen helfen, Verstöße, Kommunikationsfehler und die Geschwindigkeit der Verbindung zu erkennen. Geschwindigkeitsmetriken sind ein wichtiger Bestandteil der Kundenzufriedenheit.

Was sind die Vorteile von Cloud Computing?

Einige der Vorteile von Cloud Computing sind:

  •       In der Regel verfügt die Entität, die die Cloud hostet, über die Hardware und Software, die zur Überwachung der Cloud-Verbindung erforderlich ist. Dies erleichtert die Einrichtung und Ausführung der Überwachungsinfrastruktur.
  •       Cloud-Überwachungstools sind skalierbar und können daher für kleine, mittlere und große Unternehmen verwendet werden.
  •       Die Kosten für das Tool werden normalerweise von einem Abonnement übernommen, sodass keine großen Vorabkosten anfallen.
  •       Die Cloud-Überwachungstools sind von den Arbeitsstationen und dem Server getrennt und schützen die Überwachung vor Unterbrechungen der Dienste.

Was sollte überwacht werden / Best Practices?

Unternehmensmetriken sollten Folgendes umfassen:

  •       Festlegen, welche Ereignisse überwacht werden sollen.
  •       Analysieren, wie viel IT-Aktivität des Unternehmens in der Cloud vorhanden ist. Dies kann dem Unternehmen helfen, zu bestimmen, ob und wann es vergrößert oder verkleinert werden soll.
  •       Im Allgemeinen sollten Cloud-Metriken mit allen internen Leistungsmetriken kompatibel sein.
  •       Die Reaktionszeit des Benutzers, die Häufigkeit der Nutzung und die verwendeten Anwendungen oder Dienste können dazu beitragen, die Kundenzufriedenheit zu bestimmen.
  •       Strategien für die Reaktion auf metrische Flammpunkte sollten vorhanden sein. Wenn beispielsweise die Nutzung ein bestimmtes Niveau überschreitet, sollte eine Skalierung durch Hinzufügen weiterer Server oder einer neueren Servertechnologie in Betracht gezogen werden.
  •       Im Allgemeinen sollten Überwachungsdaten (Cloud-Überwachung und interne Überwachung) an einem anderen Ort als die IT-Anwendungen gespeichert werden.

Die IT-Abteilungen des Unternehmens sollten ihre Cloud testen, um festzustellen, was in Spitzenzeiten passiert oder ob ein Datenverstoß vorliegt.

Erfahren Sie mehr über Cloud-Überwachungsmetriken und warum sie erforderlich sind

Denken Sie nicht, dass Sie fertig sind, nur weil Sie es geschafft haben, auf eine Cloud-Computing-Plattform zu migrieren. Sobald die Cloud betriebsbereit ist, sollten die IT-Abteilungen ständig überprüfen, wie gut ihre Cloud funktioniert, damit die Buchhaltungsabteilung, Mitarbeiter, Partner, Kunden und Kunden zufrieden sind.

Sind Sie bereit zu sehen, wie Vault-Netzwerke Ihnen helfen können? 

Wenn Sie mehr über die Implementierung der Cloud-Überwachungstechnologie erfahren möchten, lassen Sie sich von einem unserer freundlichen Experten kontaktieren, um das Gespräch zu beginnen. Unser Team wird gemeinsam mit Ihnen Ihre Optionen untersuchen, um festzustellen, wie Managed Services das Wachstum und die Ziele Ihres Unternehmens unterstützen können.

Veröffentlicht am
von

Überblick

SQL Server ist eine großartige Plattform, um Ihre Datenbankanwendung schnell zum Laufen zu bringen. Über die grafische Oberfläche von SQL Server Management Studio können Sie in kürzester Zeit Tabellen erstellen, Daten einfügen, gespeicherte Prozeduren entwickeln usw. Anfänglich läuft Ihre Anwendung in Ihren Produktions-, Test- und Entwicklungsumgebungen hervorragend, aber wenn die Verwendung der Anwendung zunimmt und die Größe Ihrer Datenbank zunimmt, werden Sie möglicherweise Leistungseinbußen oder noch schlimmer Beschwerden von Benutzern bemerken.

Hier kommt die Leistungsüberwachung und -optimierung ins Spiel. Normalerweise treten die ersten Anzeichen von Leistungsproblemen aufgrund von Beschwerden der Benutzer auf. Ein Bildschirm, der früher sofort geladen wurde, dauert jetzt einige Sekunden. Oder ein Bericht, dessen Ausführung früher einige Minuten dauerte, dauert jetzt eine Stunde. Wie bereits erwähnt, entstehen diese Probleme normalerweise durch Beschwerden von Benutzern. Mit wenigen Schritten und Techniken können Sie diese Probleme überwachen und entsprechend anpassen, sodass Ihre Datenbankanwendungen immer mit maximaler Leistung ausgeführt werden.

In diesem Tutorial werden wir einige der häufigsten Probleme mit der Leistung behandeln, wie zum Beispiel:

  • Deadlocks
  • Blockierung
  • fehlende und nicht verwendete Indizes
  • E / A-Engpässe
  • schlechte Abfragepläne
  • Statistiken
  • Warte Statistiken
  • Zersplitterung

Wir werden uns die grundlegenden Techniken ansehen, die allen Datenbankadministratoren und Entwicklern bekannt sein sollten, um sicherzustellen, dass ihre Datenbankanwendungen eine Spitzenleistung erbringen.

 

Um die Leistung Ihrer SQL Server-Umgebung zu überwachen und zu verbessern, müssen Sie wissen, welche Tools verfügbar sind und wie diese Tools verwendet werden.

In diesem Abschnitt werden die folgenden Tools vorgestellt, um Ihnen eine Einführung zu geben, wie sie verwendet werden und wie Sie sie zum Sammeln leistungsbezogener Daten verwenden können.

  • Dynamische Verwaltungsansichten (DMVs) und Systemkatalogansichten
  • Profiler- und serverseitige Traces
  • Windows-Leistungsmonitor
  • Integrierte Leistungsberichte in SSMS
  • Abfragepläne
  • Berater für Datenbankoptimierung

Profiler- und serverseitige Traces

SQL Server bietet ein großartiges Tool, mit dem Sie sehen können, welche Anweisungen auf Ihrem SQL Server ausgeführt werden, und Metriken wie Dauer, Anzahl der Lesevorgänge, Anzahl der Schreibvorgänge, den Computer, auf dem die Abfrage ausgeführt wurde, usw. erfassen können bekannt als Profiler.

Profiler ist ein GUI-basiertes Tool, das einen SQL Server-Trace ausführt, um die oben aufgeführten Metriken sowie zusätzliche Daten zu erfassen. Diese Daten können dann verwendet werden, um festzustellen, wo Ihre SQL Server-Leistungsprobleme mit Ihrem TSQL-Code zusammenhängen. Das Ausführen eines Trace ohne Verwendung von Profiler wird als serverseitiger Trace bezeichnet. Sie können den Trace mit TSQL-Befehlen erstellen und starten, anstatt die GUI verwenden zu müssen.

Erläuterung

Die meisten Benutzer verwenden Profiler, um einen Trace auszuführen, da die GUI ziemlich einfach ist, um einen Trace einzurichten und auszuführen. Sobald Sie die Vorteile der Verwendung eines serverseitigen Trace verstanden haben, werden Sie diese häufiger verwenden, es sei denn, Sie beheben ein Problem, das genau zu diesem Zeitpunkt auftritt.

Veröffentlicht am
von

Während der Performance Clinic-Episode bat ich Stefano, uns mehr über diese sich verändernde Welt zu erzählen und wie wir Automatisierung, KI und maschinelles Lernen nutzen können, um moderne Software-Stacks trotz der zunehmenden Komplexität zu optimieren. Zu Beginn seiner Präsentation zeigte Stefano, wie viel Kosten- und Leistungsoptimierung möglich ist, wenn Sie wissen, wie Sie Ihre Anwendungslaufzeiten, Datenbanken oder Cloud-Umgebungen richtig konfigurieren:

Lassen Sie mich Ihnen einen Überblick über das, was gezeigt wurde, geben und Fragen beantworten, die wir während des Webinars aufgrund eines technischen Defekts auf der Webinar-Plattform nicht beantworten konnten!

Autonome Leistungsoptimierung mit Akamas & Dynatrace

Wenn Sie einen praktischeren Ansatz wünschen, empfehlen wir Ihnen, sich die Aufnahme anzuschauen, während Stefano eine Live-Demo der Integration von Akamas in Dynatrace erstellt hat, in der gezeigt wird, wie der Platzbedarf einer Java-Anwendung durch automatisierte JVM-Optimierung minimiert werden kann.

Kurz gesagt, Akamas verwendet einen AI-gesteuerten Optimierungsansatz, indem mehrere Experimente nacheinander ausgeführt werden, um ein vom Benutzer festgelegtes Ziel zu optimieren, z. B. den Ressourcenverbrauch zu minimieren oder den Transaktionsdurchsatz zu maximieren. Nach jedem Versuchslauf ändert Akamas die Anwendungs-, Laufzeit-, Datenbank- oder Cloud-Konfiguration basierend auf den Überwachungsdaten, die während des vorherigen Versuchslaufs erfasst wurden. Um diesen neuartigen Ansatz zu beweisen, werfen Sie einen Blick auf einige der Optimierungsergebnisse, die Akamas bereits erzielt hat:

Die Integration mit Dynatrace hat zwei Seiten: Erstens werden Metriken aus Dynatrace abgerufen, während Akamas ein Experiment ausführt. Diese Daten fließen dann in die KI und die Machine Learning Engine, um zu entscheiden, welche Konfigurationen als Nächstes geändert werden sollen:

Webinar-Fragen konnten wir nicht beantworten

Während wir das Webinar ohne Probleme überstanden haben, sind wir während der Fragen und Antworten auf ein technisches Problem gestoßen, weshalb wir nicht alle Fragen live beantworten konnten. Ich habe mich mit Stefano zusammengesetzt, um die eingehenden Fragen offline zu beantworten, und jetzt den Rest des Blogs verwendet, um Ihnen diese Antworten zu bringen:

Frage 1: Welche Art von Technologien unterstützt Akamas?

Akamas ist eine flexible Optimierungsplattform und optimiert dank seiner Optimization Pack-Bibliothek viele marktführende Technologien. Zu den unterstützten Technologien gehören Cloud-Dienste, Big Data, Datenbanken, Betriebssysteme, Container und Anwendungslaufzeiten wie die JVM. Benutzerdefinierte Anwendungseinstellungen können dank des flexiblen AI-gesteuerten Optimierers von Akamas und der leistungsstarken Automatisierungsfunktionen ebenfalls problemlos optimiert werden. Eine vollständige Liste der derzeit veröffentlichten Akamas Optimization Packs finden Sie auf unserer Website .

F2: Können Sie bestimmte Bedingungen angeben, z. B. sollte eine bestimmte Einstellung innerhalb eines vordefinierten Bereichs liegen oder ähnlich, welcher GC in unserer JVM verwendet werden soll?

Ja! Akamas Optimization Packs enthalten bereits den Wertebereich, den Parameter annehmen können, damit Sie nicht alle kennen müssen. Beispielsweise enthält der Parameter jvm_gcType bereits die Liste der in OpenJDK 11 zulässigen GC-Typen. Sie können den Bereich auch überschreiben: Sie können beispielsweise sagen, dass jvm_gcType G1 oder Parallel sein kann und Ihr jvm_maxHeapSize von 1 GB auf 2 reicht GB.

F3: Ist Akamas ein SaaS-Angebot oder ein On-Premise-Angebot?

Akamas ist ein lokales Produkt und benötigt lediglich eine virtuelle Maschine, um loszulegen.

F4: Haben Sie eine Möglichkeit, neue Technologie-Stacks über einen Plugin-Mechanismus in Akamas zu integrieren?

Ja! Akamas wird mit einer Bibliothek von Optimierungspaketen geliefert, die alle Kenntnisse enthalten, die zur Optimierung bestimmter IT-Stapel wie Java , Linux oder Docker erforderlich sind (siehe Antwort Nr. 1). Akamas ist eine offene Optimierungsplattform: Optimierungspakete für neue Technologien können vom Endbenutzer sehr einfach erstellt werden. Es müssen lediglich einige YAML-Dateien geschrieben werden, in denen Sie die zu optimierenden Technologieparameter und deren Bereiche beschreiben. Akamas AI wird sie sofort berücksichtigen!

F5: Welche Metrik ziehen Sie für jedes Experiment? Ist dies ein Durchschnitt über den Zeitrahmen des Experiments? oder ziehst du verschiedene Perzentile?

Akamas lässt sich in viele gängige Überwachungstools wie Prometheus oder Dynatrace sowie in Tools zur Lastinjektion wie Neoload oder Loadrunner integrieren , um Leistungsdaten zu erfassen. Akamas sammelt alle von Ihnen konfigurierten Metriken, z. B. den Durchschnitt oder die Perzentile der Antwortzeiten einer Webanwendung, die CPU-Auslastung eines Containers und vieles mehr.

Mit Akamas können Sie auch die Analyse der Experimentmetriken auf leistungsstarke Weise automatisieren. Beispielsweise kann unsere Smart Windowing-Funktion das Zeitfenster während des Experiments (z. B. Leistungstest) automatisch identifizieren, wenn die Anwendung einen stabilen Durchsatz erreicht, ohne die Einschränkungen der Antwortzeit zu verletzen. Die Versuchsbewertung wird im identifizierten Zeitfenster berechnet, damit Sie wirklich zuverlässige Optimierungen erzielen können.