Produkte und Mehrsprachigkeit verwalten

Vorschau

Je nach Einsatz wird es früher oder später notwendig sein mehrere Produkte diagnostizieren zu können. So können beispielsweise unterschiedliche KI engines für bestimmte Produkte notwendig sein, oder beispielsweise bei der Blutanalyse zwischen Männern und Frauen unterschieden werden müssen. Eventuell ist es auch Ziel Diagnosen nicht nur in Deutsch zu erstellen, sondern auch in einer Vielzahl von anderen Sprachen. Auch hierfür ist ANNA bestens geeignet und kann entsprechend eingerichtet werden.

Grundsätzlich ist es sinnvoll für derartige Einsatzzwecke unterschiedliche engines zu erstellen. Dazu wird eine Kopie des Ordners e1 erzeugt und dieser im Anschluss in die cron-job.sh Datei eingetragen. Die Datei hat folgenden Aufbau:

cd /home/koluma/e1
bash worker.sh

In der ersten Zeile wird das Sprungziel für die engine eingetragen, in unserem Fall ist es das Verzeichnis /home/koluma/e1. In der zweiten Zeile wird dann der Diagnoseprozess gestartet mit bash worker.sh. Sollte die Kopie des Ordners e1 dann den Namen e2 tragen wird die Datei wie folgt modifiziert:

cd /home/koluma/e1
bash worker.sh
cd /home/koluma/e2
bash worker.sh

Sollten weitere engines folgen wird gleich verfahren. Der Vorteil ist, dass jede engine vollständig einzeln konfiguriert werden kann. Sollte beispielsweise die Diagnose in Englisch statt in Deutsch erfolgen, wird der gesamte Ordner kopiert und die Satzkataloge im Anschluss unter /e2/config/ für Kategorien und Spezifikationen übersetzt. Bei einer Anpassung der Spezifikation muss bei dem gleichen Verfahren nur die Datei specification.ini verändert werden.

Da eine Diagnose von Messdaten in der Regel nur wenige Millisekunden beträgt, können nahezu beliebig viele engines gleichzeitig eingerichtet werden. Das Training eines Modells hingegen dauert unter Umständen erheblich länger und ist sehr rechenintensiv. Es empfiehlt sich also für die Modellerstellung eine Kopie des Servers zu erstellen und nicht die selbe Hardware dafür zu reservieren, das erspart Konflikte bei Ressourcen zwischen Training von Modellen und der Diagnose von Daten.

Zurück zu: Machine Learning Diagnostik > 020 Konfiguration des Berichtswesens