• Altair RapidMiner 使机器学习更加容易：无论您喜欢使用 Python 编码，还是在 Workflow Studio 中进行可视化工作，Altair AI Cloud 都能为团队提供快速构建和部署 ML 模型的工具。

• 将机器学习与 Mendix 集成很简单：通过 Mendix 的低代码功能和 REST API 支持，您可以轻松地将实时机器学习预测连接到您的应用程序。

• 预测性维护仅仅是个开始：相同的集成方法可用于客户洞察、欺诈检测、供应链优化等。

• Altair和 Mendix 更好地合作：两个平台均处于 Siemens，从数据科学到部署应用程序的道路比以往任何时候都更加顺畅和快捷。

Mendix 和 Altair RapidMiner如何协同工作

想为您的 Mendix 应用程序添加真正的机器学习（ML）功能吗？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 ）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。

△ https://www.mendix.com/zh-CN/新闻/有哪些不同类型的人工智能模型/

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。也就是说，我们本可以在 Workflow Studio 中使用 RapidMiner 的自动机器学习（https://cloud.rapidminer.com/help/docs/auto/machine-learning/）功能，更快地创建更高级的模型。

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

◎ 结果输出运算符

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 密钥，连接到 Mendix 就很容易了。

在 Mendix 模块中，添加一个消费 REST 服务（https://docs.mendix.com/refguide9/integration/consume-a-rest-service/?_gl=1*11xk3uo*_gcl_au*MTQ1OTQzNjEyMy4xNzUzOTI2OTc4）——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，它允许您通过直接在 Mendix 界面中提供示例参数值来立即测试您的集成，如下所示。

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？

关于Mendix公司

作为西门子Xcelerator平台的低代码引擎，Mendix正在迅速成为推动企业数字化发展的首选应用程序开发平台。Mendix让企业能够以前所未有的速度构建应用程序、促进IT团队与业务专家之间开展有意义的协作，并帮助IT团队保持对整个应用程序环境的控制。作为一直被领先的行业分析师视为“领军者和远见者”的低代码平台，Mendix是云原生的、开放的、可扩展的、敏捷的，并且经过实践验证。从人工智能和增强现实，到智能自动化和原生移动，Mendix和西门子Xcelerator已成为“数字优先”企业的中坚力量。Mendix已被46个国家的4,000多家企业采用，并建立了由30多万名开发人员组成的活跃社区，这些开发人员使用该平台创建了20多万款应用程序。