使用 Altair RapidMiner 將機器學習引入您的 Mendix 應用程序

Altair RapidMiner 使機器學習更加容易：無論您喜歡使用 Python 編碼，還是在 Workflow Studio 中進行可視化工作，Altair AI Cloud 都能為團隊提供快速構建和部署 ML 模型的工具。
將機器學習與 Mendix 集成很簡單：通過 Mendix 的低代碼功能和 REST API 支持，您可以輕松地將實時機器學習預測連接到您的應用程序。
預測性維護僅僅是個開始：相同的集成方法可用于客戶洞察、欺詐檢測、供應鏈優化等。
Altair和 Mendix 更好地合作：兩個平臺均處于 Siemens，從數據科學到部署應用程序的道路比以往任何時候都更加順暢和快捷。

Mendix 和 Altair RapidMiner如何協同工作

想為您的 Mendix 應用程序添加真正的機器學習（ML）功能嗎？在這篇文章中，我們將向您展示如何在 Altair AI Cloud 中創建和部署自定義模型，然后將其連接到您的 Mendix 應用程序，以便最終用戶能夠以直觀的方式與其交互。

這種端到端的工作流程融合了兩大領域的優勢：一方面是先進的數據科學，另一方面是快速便捷的應用程序開發。

將數據科學與應用程序開發結合在一起??

通常，軟件開發人員和數據科學家在不同的領域工作。開發人員使用的工具包括 Mendix 用少量代碼快速構建應用程序。與此同時，數據科學家使用 Altair AI Cloud 等平臺來訓練強大的機器學習模型。這兩個群體都做出了令人驚嘆的成就，但他們并不總是合作。

這種情況正在迅速改變。隨著人工智能在各行各業日益重要，連接數據科學和應用開發比以往任何時候都更加重要。好消息是？現在更容易了，尤其是自從 Siemens（Mendix 母公司）將 Altair RapidMiner 納入麾下。現在，您可以比以往更快地構建、部署和集成 AI 模型。

Weixin Image_20250909105827.png

△?https://www.mendix.com/zh-CN/新聞/有哪些不同類型的人工智能模型/

讓我們看一個真實的例子?-?預測設備故障 ?

為了向您展示集成的工作原理，我們將使用一個虛構的數據集來演示一個基本示例。目標是在機器實際發生故障之前預測其可能發生的時間，以便能夠在計劃停機期間進行維護，而不是在生產過程中進行。

為什么這很重要？因為機器意外故障會帶來高昂的成本和巨大的壓力。能夠及早預測故障意味著公司可以節省成本并避免延誤。

640 (4).png

通過將我們的預測模型與 Mendix 應用程序，我們可以將這些見解直接傳遞給需要它們的人。

了解 Altair RapidMiner

如果你還沒用過 Altair RapidMiner，那么這里有個好消息：它是一個可以輕松構建機器學習模型，甚至創建?GenAI?代理的平臺。比如 MendixAltair RapidMiner 支持無代碼/低代碼開發（通過其拖放式 Workflow Studio），和像 VS Code 或?Jupyter Notebook?這樣的全代碼環境。因此，無論您是 Python 專業人士還是新手，Altair RapidMiner 都能讓數據專家和領域專家之間的協作更加輕松。

為了指導我們的集成，下圖展示了我們將在本文中使用的機器學習集成框架。它描繪了數據在系統之間的流動方式——從構建模型到向最終用戶提供洞察——并為我們接下來深入探討的技術細節奠定了基礎。在本篇博文中，我們稍微縮小了討論范圍，重點突出了 Altair RapidMiner 中的特定功能。

640 (5).png

我們選擇用 Python 構建模型，以展示該平臺的靈活性。也就是說，我們本可以在 Workflow Studio 中使用?RapidMiner 的自動機器學習（https://cloud.rapidminer.com/help/docs/auto/machine-learning/）功能，更快地創建更高級的模型。

步驟 1：建立模型 ? ?

我們從一個合成數據集入手，其中包含來自工業設備的歷史傳感器讀數，包括溫度、振動、壓力和運行參數。我們使用托管在 Altair AI Cloud 上的 Jupyter Notebook 清理數據，處理缺失值，并確保所有內容的格式一致。之后，我們創建了新功能，幫助發現故障的早期預警信號。

接下來，我們測試了幾種不同的算法，最終確定隨機森林作為我們的首選算法，因為它在傳感器數據處理方面表現出色，并且能夠處理設備狀態與故障事件之間的復雜關系。在我們的案例中，該模型取得了優異的結果，獲得了近乎完美的 ROC AUC 得分，這在一定程度上要歸功于干凈的合成數據集。這清楚地展示了該模型區分正常運行和潛在故障的能力。

小建議：如果您不想編寫代碼，Altair RapidMiner 的 Workflow Studio 包含內置工具來分析、規范化和構建 ML 模型。

步驟 2：準備部署模型 ?

模型訓練完成后，我們需要將其投入使用。為此，我們將模型保存為文件，然后使用一個簡短的 Python 腳本將其上傳到 RapidMiner 數據目錄，以便在部署工作流程中使用。

它看起來是這樣的：

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（）

步驟 3：?部署為 REST API ?

現在我們已經在 Jupyter（筆記本）上完成了操作，是時候回到現實并將我們的模型投入生產了。

為此，我們遷移到了 Workflow Studio，如下方視頻所示。在這里，創建部署工作流非常簡單。只需將三個操作員放入工作流中，我們就可以進入下一階段：

◎?輸入運算符?– 輸入數據（例如我們的 Mendix 數據）

◎?執行 Python 運算符?– 回調我們之前保存在數據目錄中的模型

◎?結果輸出運算符

接下來，我們進入部署部分。為了使模型易于訪問，我們選擇了如下所示的 REST API 部署類型，并將其連接到包含模型的工作流，瞧——是時候部署了！

現在我們有了一個實時 API Mendix 可以對話——基本上是數據科學世界和應用程序世界之間的橋梁。

你知道嗎？Atlair AI Cloud 負責處理所有復雜的后臺基礎設施工作，讓您專注于預測帶來的價值。

步驟 4：將 API 連接到您的 Mendix 應用

有了 REST API 和 API 密鑰，連接到 Mendix 就很容易了。

在 Mendix 模塊中，添加一個消費 REST 服務（https://docs.mendix.com/refguide9/integration/consume-a-rest-service/?_gl=1*11xk3uo*_gcl_au*MTQ1OTQzNjEyMy4xNzUzOTI2OTc4）——如上面的視頻所示。從這個階段開始， Mendix 它能夠根據 API 的請求和響應結構自動生成實體，從而減少手動映射工作。此外，它允許您通過直接在 Mendix 界面中提供示例參數值來立即測試您的集成，如下所示。

640 (6).png

對于我們的預測性維護用例，我們需要將模型的二進制輸出轉換為可操作的信息。這種轉換發生在微流程中，我們將以下內容進行轉換：

◎?預測值“1”改為“警告：設備可能在 48 小時內發生故障！”

◎?預測值“0”變為“設備運行正常”。

在這里，您可以隨心所欲地設置頁面樣式。構建儀表板、顯示警報、突出顯示機器健康狀況——一切由您決定。就這樣，一切就完成了。最終用戶現在可以在應用內查看預測，甚至添加自己的輸入。

準備好嘗試了嗎？

正如您所見，將 Altair RapidMiner ML 模型連接到您的 Mendix 應用程序不必太復雜。事實上，它還挺有意思的。那么，你會用這種人工智能集成來構建什么呢？

關于Mendix公司

作為西門子Xcelerator平臺的低代碼引擎，Mendix正在迅速成為推動企業數字化發展的首選應用程序開發平臺。Mendix讓企業能夠以前所未有的速度構建應用程序、促進IT團隊與業務專家之間開展有意義的協作，并幫助IT團隊保持對整個應用程序環境的控制。作為一直被領先的行業分析師視為“領軍者和遠見者”的低代碼平臺，Mendix是云原生的、開放的、可擴展的、敏捷的，并且經過實踐驗證。從人工智能和增強現實，到智能自動化和原生移動，Mendix和西門子Xcelerator已成為“數字優先”企業的中堅力量。Mendix已被46個國家的4,000多家企業采用，并建立了由30多萬名開發人員組成的活躍社區，這些開發人員使用該平臺創建了20多萬款應用程序。