Comment la Mendix et Altair RapidMiner fonctionnent ensemble

Vous souhaitez ajouter une véritable puissance d'apprentissage automatique (ML) à votre Mendix Applications ? Dans cet article, nous vous montrerons comment procéder en créant et en déployant un modèle personnalisé dans Altair AI Cloud avant de le connecter à votre Mendix L'application permet aux utilisateurs finaux d'interagir de manière intuitive. Ce workflow de bout en bout allie le meilleur des deux mondes : la science des données avancée d'un côté, et le développement d'applications simple et rapide de l'autre.

Réunir la science des données et le développement d'applications

Habituellement, les développeurs de logiciels et les data scientists travaillent dans des domaines différents. Les développeurs utilisent des outils tels que Mendix Pour créer rapidement des applications avec du low-code. Les data scientists, quant à eux, utilisent des plateformes comme Altair AI Cloud pour entraîner de puissants modèles de machine learning. Ces deux groupes réalisent des prouesses, mais leur collaboration n'est pas toujours au rendez-vous.

Les choses évoluent rapidement. L'IA devenant un enjeu majeur dans tous les secteurs, il est plus important que jamais de connecter la science des données et le développement d'applications. La bonne nouvelle ? C'est désormais plus facile, d'autant plus que Siemens (Mendix(la société mère de) a intégré Altair RapidMiner à sa gamme. Vous pouvez désormais créer, déployer et intégrer des modèles d'IA plus rapidement que jamais.

Prenons un exemple concret : la prévision des pannes d'équipement.

Pour vous montrer le fonctionnement de l'intégration, nous allons examiner un exemple simple utilisant un jeu de données fictif. L'objectif ? Prédire le moment où une machine risque de tomber en panne avant qu'elle ne survienne réellement, afin que la maintenance puisse avoir lieu pendant les temps d'arrêt planifiés, et non en pleine production.

Pourquoi est-ce important ? Parce que les pannes inattendues des machines sont coûteuses et stressantes. Être capable de prédire les pannes à l'avance permet aux entreprises de réaliser des économies et d'éviter les retards.

En reliant notre modèle de prédiction à un Mendix Grâce à notre application, nous pouvons fournir ces informations directement aux personnes qui en ont besoin.

Découvrez Altair RapidMiner

Si vous n'avez pas encore utilisé Altair RapidMiner, voici ce qu'il faut savoir : c'est une plateforme qui vous permet de créer facilement des modèles d'apprentissage automatique ou même des agents GenAI. Mendix, Altair RapidMiner prend en charge le développement sans code/à faible code (via leur Workflow Studio par glisser-déposer), et Environnements de code complet comme VS Code ou Jupyter Notebook. Que vous soyez un expert Python ou un débutant, Altair RapidMiner facilite la collaboration entre experts en données et experts métier.

Pour guider notre intégration, le schéma ci-dessous présente le framework d'intégration ML que nous utiliserons tout au long de cet article. Il décrit la circulation des données entre les systèmes, de la création du modèle à la fourniture d'informations aux utilisateurs finaux, et prépare le terrain pour les détails techniques que nous aborderons plus en détail. Pour cet article, nous avons ciblé les fonctionnalités spécifiques d'Altair RapidMiner.

Nous avons choisi de construire notre modèle en Python pour démontrer la flexibilité de la plateforme. Cela dit, nous aurions pu utiliser Apprentissage automatique de RapidMiner Fonctionnalités du Workflow Studio pour créer des modèles plus avancés encore plus rapidement. Avec Auto ML ou Auto AI, nous aurions pu tout gérer, de l'analyse des caractéristiques et de la comparaison des modèles au réglage des hyperparamètres et à la modélisation d'ensemble, le tout avec un minimum de codage et sans compromettre la transparence du fonctionnement des prédictions.

Étape 1 : Construire le modèle

Nous avons commencé avec un jeu de données synthétiques contenant l'historique des relevés de capteurs d'équipements industriels, notamment la température, les vibrations, la pression et les paramètres opérationnels. À l'aide de Jupyter Notebook hébergé sur Altair AI Cloud, nous avons nettoyé les données, traité les valeurs manquantes et veillé à ce que tout soit au même format. Nous avons ensuite créé de nouvelles fonctionnalités permettant de détecter les signes avant-coureurs de défaillance.

Ensuite, nous avons testé quelques algorithmes différents et avons atterri sur Forêt aléatoire Notre algorithme de prédilection est performant avec les données des capteurs et capable de gérer les relations complexes entre l'état des équipements et les défaillances. Dans notre cas, le modèle a fourni d'excellents résultats, atteignant un score ROC AUC quasi parfait, notamment grâce à un jeu de données synthétique et propre. Il a clairement démontré la capacité du modèle à distinguer le fonctionnement normal des défaillances potentielles.

Conseil rapide:Si vous préférez ne pas coder, Workflow Studio d'Altair RapidMiner inclut des outils intégrés pour analyser, normaliser et créer un modèle ML.

Étape 2 : préparer le modèle pour le déploiement

Une fois notre modèle entraîné, il fallait le rendre utilisable. Pour ce faire, nous l'avons enregistré sous forme de fichier, puis utilisé un court script Python pour le télécharger dans le catalogue de données RapidMiner afin de l'utiliser dans notre workflow de déploiement.
Voici à quoi cela ressemblait :

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()

Étape 3 : Déployer en tant qu’API REST

Maintenant que nous avions fini de jouer avec Jupyter (les notebooks), il était temps de redescendre sur terre et de mettre notre modèle en production.

Pour ce faire, nous avons utilisé Workflow Studio, comme illustré dans la vidéo ci-dessous. Créer un workflow de déploiement est ici d'une simplicité déconcertante. Il suffit d'insérer trois opérateurs dans le workflow et nous sommes prêts à passer à l'étape suivante :

• Opérateur d'entrée – pour alimenter des données (telles que notre Mendix Les données)
• Exécuter l'opérateur Python – pour rappeler le modèle que nous avons précédemment enregistré dans le catalogue de données
• Opérateur de sortie pour les résultats

Ensuite, nous sommes passés à la section Déploiement. Pour rendre le modèle accessible, nous avons choisi le type de déploiement API REST, comme indiqué ci-dessous, l'avons connecté au workflow contenant notre modèle, et voilà ! Il était temps de déployer !

Nous avions désormais une API en direct qui Mendix pourrait parler à – en gros, un pont entre le monde de la science des données et le monde des applications.

Le saviez-vous ? Atlair AI Cloud gère l'ensemble des tâches complexes de l'infrastructure en coulisses, vous permettant ainsi de vous concentrer sur la valeur ajoutée des prédictions.

Étape 4 : connectez l’API à votre Mendix appli

Avec l'API REST et la clé API en main, connectez-vous à Mendix est facile.

À l'intérieur de votre Mendix module, ajouter un Consommer le service REST – comme le montre la vidéo ci-dessus. À partir de ce stade, Mendix La magie opère en générant automatiquement les entités selon la structure de requêtes et de réponses de l'API, réduisant ainsi le travail de mappage manuel. De plus, elle vous permet de tester immédiatement votre intégration en fournissant des exemples de valeurs de paramètres directement dans l'API. Mendix interface comme indiqué ci-dessous.

Pour notre cas d'utilisation de maintenance prédictive, nous devions traduire les sorties binaires du modèle en informations exploitables. Cette transformation s'effectue dans un microflux, où nous convertissons :

• Valeur de prédiction « 1 » dans « AVERTISSEMENT : Défaillance de l'équipement probable dans les 48 heures ! »
• Valeur de prédiction « 0 » dans « Équipement fonctionnant normalement ».

Vous pouvez ensuite personnaliser votre page comme vous le souhaitez. Créez un tableau de bord, affichez des alertes, mettez en évidence l'état de santé de votre machine… et c'est tout. Le tour est joué ! Les utilisateurs peuvent désormais consulter les prédictions ou même ajouter leurs propres données directement dans l'application.

Prêt à l'essayer ?

Comme vous pouvez le voir, connecter les modèles Altair RapidMiner ML à votre Mendix Créer des applications n'a pas besoin d'être compliqué. En fait, c'est même plutôt amusant. Alors, que créeriez-vous avec ce type d'intégration d'IA ?