亲爱的社区开发者们：
感谢第四届 InterSystems 技术征文大赛（InterSystems IRIS 教程）的优秀参与者们，我们有很棒的新文章供您阅读和欣赏！
🌟 24 篇精彩文章🌟
是时候宣布此次竞赛优胜者啦！
让我们认识一下获奖者和他们的文章：
竞赛标签汇集了 InterSystems 开发者社区上举办的各种编码竞赛相关的帖子。
继上一部分，现在要利用 IntegratedML VALIDATION MODEL 语句提供信息以监视您的 ML 模型。 您可以在此处观看实际运作。
此处所示代码衍生自 InterSystems IntegragedML 模板或 IRIS 文档提供的示例，我主要是把代码混合了起来。 这是一个简单的示例，目的是为进一步讨论和未来工作提供一个起点。
注：此处提供的代码仅作说明之用。 如果您想尝试，我开发了一个 Open Exchange 技术示例应用 (iris-integratedml-monitor-example)，并将其提交到 InterSystems IRIS AI Contest。 读完这篇文章后您可以去看看，如果喜欢，就请投我一票吧！ :)
目录
第一部分：
第二部分：
监视 ML 性能
要监视 ML 模型，至少需要两个功能：
- 性能指标提供程序 2) 监视和通知服务
幸运的是，IRIS 为我们提供了这两个必要的功能。
IRIS Interoperability互操作性/HealthConnect（前身是Ensemble）有许多内置的适配器。但是没有一个接收邮件的服务或适配器。我洗的了一个电子邮件服务，通过SMTP接收邮件，这些邮件可以被传递到电子邮件操作。
现在我想对一个使用电子邮件操作向外部邮件服务器发送邮件的Production进行负载测试。邮件服务器团队不希望我向他们发送成千上万的信息。
我创建了iris-mail应用程序来替代邮件服务器。我更新了电子邮件操作中的服务器和端口设置。外发的邮件被发送到替代的邮件服务器，我能够计算出iris-mail中收到的邮件数量，并将其与邮件操作发送的邮件数量进行比较。
应用程序的源代码：https://openexchange.intersystems.com/package/iris-mail
目前，机器学习的使用过程仍然有些困难，需要消耗大量的数据科学家服务。 AutoML 技术的诞生便是为了帮助组织降低这种复杂性和对专业 ML 人员的依赖。
AutoML 允许用户指向一个数据集，选择感兴趣的主题（特征）并设置影响主题的变量（标签）。 接着，用户告知模型名称，然后基于机器学习创建预测或数据分类模型。
这不需要了解认知算法，因为 AutoML 会在内部执行市面上的主要算法，并指出预测或分类数据的最佳算法。
用户现在可以从经过训练的模型中指向新数据，轻松进行预测和分类。
新的 InterSystems IRIS Advanced Analytics 除了与非常著名的 H2O 或 DataRobot（作为附加选项）搭配使用之外，还具有 AutoML 引擎 IntegratedML。
AutoML 运算通过 SQL 命令执行，详见：https://docs.intersystems.com/irislatest/csp/docbook/Doc.View.cls?KEY=GIML
这就是 Sapphire 的用武之地。 它是 Open Exchange上的一个 Web 应用 (https://openexchange.intersystems.com/package/SAPPHIRE
嗨社区，
这篇文章公开介绍我的 iris-fhir-client 客户端应用。
iris-fhir-client 可以可以借助嵌入式 python 连接到任何开放的 FHIR 服务器 fhirpy 图书馆.
通过终端和使用 CSP Web 应用程序获取资源信息。
2020 年席卷全球的新冠疫情使每个人都在关注与 COVID-19 有关的新闻和数字。
为什么不趁这个机会去创造一些简单直观的东西，来帮助关注全球的疫苗接种数量呢？
为了应对这一挑战，我使用了 Our World in Data 提供的数据，他们的使命是提供解决全球最大问题所需的研究和数据。
他们在 Github 上有一个专门的 COVID-19 数据仓库，我采用了疫苗接种数据来完善我的跟踪器。
如果你不了解他们，去调查一下吧，这值得你花上一些时间。 Github 仓库
应用程序 iris-vaccine-tracker 有三个不同页面。
- 主仪表板
- 数据表，其中包含仪表板中呈现的数据的详细信息。
- 热图
仪表板
主仪表板提供全球疫苗接种情况的快速概览。
第一个小组件提供以下信息：
- 用于接种人群的疫苗数量
- 提供疫苗接种信息的国家/地区数量
- 迄今已接种的疫苗总数。
第二个小组件提供了一个疫苗接种时间线视图，其中包括疫苗接种数量最多的前 10 个国家/地区。
第三个小组件提供了排名靠前的国家/地区的条形图，显示迄今为止的疫苗接种总数。
最后一个小组件展示疫苗的分布情况，哪些疫苗正在被使用以及所占的百分比。
数据表
数据表显示主仪表板汇总数据的详细信息。
热图
热图是一种不同的视图，它使用我们已经在主仪表板和数据表中使用的信息，但现在使用 Country 持久化表提供的详细信息。
我想介绍一下我参加Globals竞赛的新项目。一个非常新的Globals浏览器视图
.png)
假设您想编写一些真正的web应用程序，例如medium.com网站的简单克隆。这类应用程序可以在后端使用任何不同的语言编写，也可以使用前端的任何框架编写。编写这样一个应用程序有很多方法，你也可以看看这个项目。它为完全相同的应用程序提供了一堆前端和后端实现。您可以轻松组合它们，任何所选前端应该与任何后端搭配。
我来介绍一下这个使用后端InterSystems IRIS来实现后端的相同的应用程序。
.png)
FHIR 通过提供标准化数据模型来构建医疗保健应用程序并促进不同医疗保健系统之间的数据交换，彻底改变了医疗保健行业。由于 FHIR 标准基于现代 API 驱动的方法，因此移动和 Web 开发人员更容易使用它。然而，与 FHIR API 交互仍然具有挑战性，尤其是在使用自然语言查询数据时。
隆重推出FHIR - AI 和 OpenAPI 链应用程序，该解决方案允许用户使用自然语言查询与 FHIR API 进行交互。该应用程序使用OpenAI 、 LangChain和Streamlit构建，简化了查询 FHIR API 的过程并使其更加用户友好。
FHIR OpenAPI 规范是什么？
OpenAPI 规范（以前称为 Swagger，目前是OpenAPI Initiative的一部分）已成为软件开发领域的重要工具，使开发人员能够更有效地设计、记录 API 并与 API 交互。 OpenAPI 规范定义了一种标准的机器可读格式来描述 RESTful API，提供了一种清晰一致的方式来理解其功能并有效地使用它们。
在医疗保健领域，FHIR 成为数据交换和互操作性的领先标准。为了增强FHIR的互操作能力， HL7正式记录了FHIR OpenAPI规范，使开发人员能够将FHIR资源和操作无缝集成到他们的软件解决方案中。
这篇文章是对我的 iris-globals-graphDB 应用的介绍。
在这篇文章中，我将演示如何在Python Flask Web 框架和PYVIS交互式网络可视化库的帮助下，将图形数据保存和抽取到InterSystems Globals中。
建议
- 阅读相关文档 使用 Globals
- 原生 SDK 介绍
- PYVIS 互动式网络可视化库
第一步 : 通过使用Python 原生SDK建立与IRIS Globals的链接
#create and establish connection
if not self.iris_connection:
self.iris_connection = irisnative.createConnection("localhost", 1972, "USER", "superuser", "SYS")
# Create an iris object
self.iris_native = irisnative.createIris(self.iris_connection)
return self.iris_native
第二步 : 使用 iris_native.set( ) 功能把数据保存到Globals 里
#import nodes data from csv file
isdefined = self.iris_native.isDefined("^g1nodes")
if isdefined == 0:
with open("/opt/irisapp/misc/g1nodes.csv", newline='') as csvfile:
reader = csv.DictReader(csvfile)
for row in reader:
self.iris_native.set(row["name"], "^g1nodes", row["id"])
#import edges data from csv file
isdefined = self.iris_native.isDefined("^g1edges")
if isdefined == 0:
with open("/opt/irisapp/misc/g1edges.csv", newline='') as csvfile:
reader = csv.DictReader(csvfile)
counter = 0
for row in reader:
counter = counter + 1
#Save data to globals
self.iris_native.set(row["source"]+'-'+row["target"], "^g1edges", counter)
第三步: 使用iris_native.get() 功能把节点和边缘数据从Globals传递给PYVIS
#Get nodes data for basic graph
def get_g1nodes(self):
iris = self.get_iris_native()
leverl1_subscript_iter = iris.iterator("^g1nodes")
result = []
# Iterate over all nodes forwards
for level1_subscript, level1_value in leverl1_subscript_iter:
#Get data from globals
val = iris.get("^g1nodes",level1_subscript)
element = {"id": level1_subscript, "label": val, "shape":"circle"}
result.append(element)
return result
#Get edges data for basic graph
def get_g1edges(self):
iris = self.get_iris_native()
leverl1_subscript_iter = iris.iterator("^g1edges")
result = []
# Iterate over all nodes forwards
for level1_subscript, level1_value in leverl1_subscript_iter:
#Get data from globals
val = iris.get("^g1edges",level1_subscript)
element = {"from": int(val.rpartition('-')[0]), "to": int(val.rpartition('-')[2])}
result.append(element)
return result
Step4: Use PYVIS Javascript to generate graph data
<script type="text/javascript">
// initialize global variables.
var edges;
var nodes;
var network;
var container;
var options, data;
// This method is responsible for drawing the graph, returns the drawn network
function drawGraph() {
var container = document.getElementById('mynetwork');
let node = JSON.parse('{{ nodes | tojson }}');
let edge = JSON.parse('{{ edges | tojson }}');
// parsing and collecting nodes and edges from the python
nodes = new vis.DataSet(node);
edges = new vis.DataSet(edge);
// adding nodes and edges to the graph
data = {nodes: nodes, edges: edges};
var options = {
"configure": {
"enabled": true,
"filter": [
"physics","nodes"
]
},
"nodes": {
"color": {
"border": "rgba(233,180,56,1)",
"background": "rgba(252,175,41,1)",
"highlight": {
"border": "rgba(38,137,233,1)",
"background": "rgba(40,138,255,1)"
},
"hover": {
"border": "rgba(42,127,233,1)",
"background": "rgba(42,126,255,1)"
}
},
"font": {
"color": "rgba(255,255,255,1)"
}
},
"edges": {
"color": {
"inherit": true
},
"smooth": {
"enabled": false,
"type": "continuous"
}
},
"interaction": {
"dragNodes": true,
"hideEdgesOnDrag": false,
"hideNodesOnDrag": false,
"navigationButtons": true,
"hover": true
},
"physics": {
"barnesHut": {
"avoidOverlap": 0,
"centralGravity": 0.3,
"damping": 0.09,
"gravitationalConstant": -80000,
"springConstant": 0.001,
"springLength": 250
},
"enabled": true,
"stabilization": {
"enabled": true,
"fit": true,
"iterations": 1000,
"onlyDynamicEdges": false,
"updateInterval": 50
}
}
}
// if this network requires displaying the configure window,
// put it in its div
options.configure["container"] = document.getElementById("config");
network = new vis.Network(container, data, options);
return network;
}
drawGraph();
</script>
第五步: 从app.py 主文件调用上面的代码
#Mian route. (index)
@app.route("/")
def index():
#Establish connection and import data to globals
irisglobal = IRISGLOBAL()
irisglobal.import_g1_nodes_edges()
irisglobal.import_g2_nodes_edges()
#getting nodes data from globals
nodes = irisglobal.get_g1nodes()
#getting edges data from globals
edges = irisglobal.get_g1edges()
#To display graph with configuration
pyvis = True
return render_template('index.html', nodes = nodes,edges=edges,pyvis=pyvis)
下面是关于此项目的 介绍视频：
大家好， 现在是九局下半，但在我们的技术世界大赛还留了几手
人工智能（AI）最近受到广泛关注，因为它可以改变我们生活的许多领域。更好的计算机能力和更多数据帮助人工智能完成了许多惊人的事情，例如改进医学测试和制造自动驾驶汽车。人工智能还可以帮助企业做出更好的决策，提高工作效率，这也是人工智能越来越流行和广泛应用的原因。如何将 OpenAI API 调用集成到现有的 IRIS 互操作性应用程序中？
我的团队在在红帽OpenShift容器平台上运行IRIS互操作性解决方案。我想在数据被存储在Mirror的数据pods中的情况下，测试运行中的webgateway pods和计算节点 pods能处理多少消息。
为了增加测试难度，我部署了多个feeder容器，并在每个feeder上安排了任务，以在同一时间发送大量的消息。为了进入下一阶段的测试，我希望有多种类型的测试文件可以按需使用。我创建了test-data应用程序，能够请求生成大量的多种类型的文件。
我早期的一些测试依赖于复制一个样本文件和处理它。这在一次只复制一份的情况下效果不错。为了获得同一样本文件的许多副本，MakeFile函数获取一个样本文件、保存其副本、并以唯一的时间戳进行重命名。MakeFiles函数有一个参数，用于确定要制作的文件数量。
我找到了一个样本文件，它的输入和输出都是带分隔符和固定符的。我把它包含在我的应用程序中，并添加了一个转换来操作测试数据文件。在这种情况下，我把测试文件中的识别ID号替换成在一个类方法中生成的识别ID号，并且是随着文件而递增的。
我想在处理后审查测试文件中的数据，我喜欢看到一系列有顺序的数字，而不是一系列随机数字。
具体代码下载：https://openexchange.intersystems.com/package/test-data
几个月前，我在 MIT Technology Review 读到一篇很有意思的文章，作者解释了新冠疫情如何给全球 IT 团队带来关乎机器学习 (ML) 系统的难题。
这篇文章引起我对 ML 模型部署后如何处理性能问题的思考。
我在一个 Open Exchange 技术示例应用 (iris-integratedml-monitor-example) 中模拟了一个简单的性能问题场景，并提交到 InterSystems IRIS AI Contest。 读完这篇文章后您可以去看看，如果喜欢，就请投我一票吧！ :)
目录
第一部分：
第二部分：
IRIS IntegratedML 和 ML 系统
讨论 COVID-19 以及它对全球 ML 系统的影响之前，我们先来简单谈谈 InterSystems IRIS IntegratedML。
通过将特征选择之类的任务及其与标准 SQL 数据操作语言的集成自动化，IntegratedML 可以协助开发和部署 ML 解决方案。
InterSystems Production 监控是管理门户中的一个页面，用于显示当前运行的Production监控信息。我喜欢这个页面的样子，但这并不适合所有人。
2022年5月13日，我在开发者社区上看到这个帖子。
https://community.intersystems.com/post/creating-custom-monitoring-page
我同意马克的观点，Production监控很复杂。我想创建一个更漂亮干净的监控页面。
我开始着手制作一个利用类方法提供Production数据的 CSP（Cache Server Page）页面。
我与马克分享了我的第一次尝试。他根据自己的想法定制了这个页面。我喜欢他对页面的布局，使其在视觉上更有吸引力。我把他的设计整合到我的应用程序Production监控中。
我看到马克对业务服务的显示进行了过滤，只显示需要注意的服务。他在页面的底部添加了服务器的名称和它的镜像状态。
你可以在Open Exchange和当前的竞赛中找到我的Production监控器的应用。
https://openexchange.intersystems.com/package/production-monitor