创新中心 Mendix 与 Altair RapidMiner 携手合作

想要为您的 Mendix 应用程序？在这篇文章中，我们将向您展示如何在 Altair AI Cloud 中创建和部署自定义模型，然后将其连接到您的 Mendix 应用程序，以便最终用户能够以直观的方式与其交互。这种端到端的工作流程融合了两大领域的优势：一方面是先进的数据科学，另一方面是快速便捷的应用程序开发。

将数据科学与应用程序开发结合在一起

通常，软件开发人员和数据科学家在不同的领域工作。开发人员使用的工具包括 Mendix 用少量代码快速构建应用程序。与此同时，数据科学家使用 Altair AI Cloud 等平台来训练强大的机器学习模型。这两个群体都做出了令人惊叹的成就，但他们并不总是合作。

这种情况正在迅速改变。随着人工智能在各行各业日益重要，连接数据科学和应用开发比以往任何时候都更加重要。好消息是？现在更容易了，尤其是自从 Siemens (Mendix母公司 Altair 将 Altair RapidMiner 纳入麾下。现在，您可以比以往更快地构建、部署和集成 AI 模型。

让我们看一个真实的例子：预测设备故障

为了向您展示集成的工作原理，我们将使用一个虚构的数据集来演示一个基本示例。目标是在机器实际发生故障之前预测其可能发生的时间，以便能够在计划停机期间进行维护，而不是在生产过程中进行。

为什么这很重要？因为机器意外故障会带来高昂的成本和巨大的压力。能够及早预测故障意味着公司可以节省成本并避免延误。

通过将我们的预测模型与 Mendix 应用程序，我们可以将这些见解直接传递给需要它们的人。

了解 Altair RapidMiner

如果你还没用过 Altair RapidMiner，那么这里有个好消息：它是一个可以轻松构建机器学习模型，甚至创建 GenAI 代理的平台。比如 MendixAltair RapidMiner 支持无代码/低代码开发（通过其拖放式 Workflow Studio）， 和 像 VS Code 或 Jupyter Notebook 这样的全代码环境。因此，无论您是 Python 专业人士还是新手，Altair RapidMiner 都能让数据专家和领域专家之间的协作更加轻松。

为了指导我们的集成，下图展示了我们将在本文中使用的机器学习集成框架。它描绘了数据在系统之间的流动方式——从构建模型到向最终用户提供洞察——并为我们接下来深入探讨的技术细节奠定了基础。在本篇博文中，我们稍微缩小了讨论范围，重点突出了 Altair RapidMiner 中的特定功能。

我们选择用 Python 构建模型，以展示该平台的灵活性。话虽如此，我们也可以 RapidMiner 的自动机器学习 Workflow Studio 中的功能可以更快地创建更高级的模型。借助 Auto ML 或 Auto AI，我们可以用最少的代码处理从特征分析、模型比较到超参数调整和集成建模的所有工作，并且不会牺牲预测过程的透明度。

步骤 1：建立模型

我们从一个合成数据集入手，其中包含来自工业设备的历史传感器读数，包括温度、振动、压力和运行参数。我们使用托管在 Altair AI Cloud 上的 Jupyter Notebook 清理数据，处理缺失值，并确保所有内容的格式一致。之后，我们创建了新功能，帮助发现故障的早期预警信号。

接下来，我们测试了几种不同的算法，最终确定 随机森林 作为我们的首选算法，因为它在传感器数据处理方面表现出色，并且能够处理设备状态与故障事件之间的复杂关系。在我们的案例中，该模型取得了优异的结果，获得了近乎完美的 ROC AUC 得分，这在一定程度上要归功于干净的合成数据集。这清楚地展示了该模型区分正常运行和潜在故障的能力。

小建议：如果您不想编写代码，Altair RapidMiner 的 Workflow Studio 包含内置工具来分析、规范化和构建 ML 模型。

步骤 2：准备部署模型

模型训练完成后，我们需要将其投入使用。为此，我们将模型保存为文件，然后使用一个简短的 Python 脚本将其上传到 RapidMiner 数据目录，以便在部署工作流程中使用。
它看起来是这样的：

import rmpy

import os

# Assume LOCAL_MODEL_PATH is defined and the file exists, e.g.:

# LOCAL_MODEL_PATH = "predictive_maintenance_model.joblib"

rmpy.data.upload(LOCAL_MODEL_PATH)

# Optional: Verify upload

rmpy.data.show_list()

步骤 3：部署为 REST API

现在我们已经在 Jupyter（笔记本）上完成了操作，是时候回到现实并将我们的模型投入生产了。

为此，我们迁移到了 Workflow Studio，如下方视频所示。在这里，创建部署工作流非常简单。只需将三个操作员放入工作流中，我们就可以进入下一阶段：

• 输入运算符 – 输入数据（例如我们的 Mendix 数据）
• 执行 Python 运算符 – 回调我们之前保存在数据目录中的模型
• 输出运算符 为了结果

接下来，我们进入部署部分。为了使模型易于访问，我们选择了如下所示的 REST API 部署类型，并将其连接到包含模型的工作流，瞧——是时候部署了！

现在我们有了一个实时 API Mendix 可以对话——基本上是数据科学世界和应用程序世界之间的桥梁。

你知道吗？Atlair AI Cloud 负责处理所有复杂的后台基础设施工作，让您专注于预测带来的价值。

步骤 4：将 API 连接到您的 Mendix 应用

有了 REST API 和 API Key，就可以连接到 Mendix 简单。

在你里面 Mendix 模块，添加一个 使用 REST 服务 ——如上面的视频所示。从这个阶段开始， Mendix 它能够根据 API 的请求和响应结构自动生成实体，从而减少手动映射工作。此外，它还允许您通过直接在 Mendix 界面如下图所示。

对于我们的预测性维护用例，我们需要将模型的二进制输出转换为可操作的信息。这种转换发生在微流程中，我们将以下内容进行转换：

• 预测值“1”改为“警告：设备可能在48小时内发生故障！”
• 预测值“0”变为“设备运行正常”。

在这里，您可以随心所欲地设置页面样式。构建仪表板、显示警报、突出显示机器健康状况——一切由您决定。就这样，一切就完成了。最终用户现在可以在应用内查看预测，甚至添加自己的输入。

准备好尝试了吗？

正如您所见，将 Altair RapidMiner ML 模型连接到您的 Mendix 应用程序不必太复杂。事实上，它还挺有意思的。那么，你会用这种人工智能集成来构建什么呢？