#IntegratedML

概述

InterSystems IRIS 是一个融合型数据平台，用于构建集事务处理、分析、集成和人工智能工作负载于一体的数据密集型应用程序。 它在一个单一环境中支持多模型数据访问、向量搜索、检索增强生成（RAG）、模型上下文协议（MCP）、机器学习以及代理式人工智能。 IRIS 还支持实时分析型处理、基于 ECP 和分片技术的可扩展架构，以及无需不必要数据复制的智能数据架构。本文探讨了这些功能如何支持现代应用程序开发和支持人工智能的数据架构。

引言

生成式和代理式人工智能的兴起给传统数据系统带来了新的压力。随着组织为更多数据密集型应用程序做准备，他们需要强化现有数据资产，并构建能够同时支持当前和未来工作负载的基础设施。 InterSystems IRIS 提供了一个基于现代 AI 技术栈构建数据生态系统的环境。该平台的核心是一个强大的数据库，同时支持自然语言处理（NLP）、嵌入式表示以及专用向量数据类型。 IRIS 能够采集、存储和分析来自各种格式和来源的数据，同时支持大规模扩展、并发处理和运营效率。这为数据基础设施的现代化提供了路径，同时降低了复杂性、维护工作量和总拥有成本。

借助高性能融合数据平台克服脆弱性和碎片化问题

医疗保健、金融和供应链领域的许多组织都面临着数据资产泛滥、AI 挑战以及无法达到目标 SLA 的困境。

持续训练（CT）流水线将基于特定时间点可用数据，通过数据科学实验开发出的机器学习（ML）模型规范化。它不仅为模型部署做好准备，还支持在新数据可用时进行自主更新，同时具备用于审计目的的稳健性能监控、日志记录和模型注册功能。

InterSystems IRIS 已经提供了支持此类流水线所需的几乎所有组件。然而，缺少一个关键要素：标准化的模型注册工具。在本文中，我将介绍一种结合 IRIS 优势与开源 AI 工程平台 MLflow 的方法。它们共同作为构建有效持续训练（CT）流水线的互补工具。

本仓库中的实现利用了 MLflow 的内置配置来存储 SHAP 解释器，以提供对相应模型预测结果的解释，包括随机森林（Random Forest）、XGBoost、神经网络等“黑盒”复杂模型。

**演示视频**：https://youtu.be/qLdc4jhn83c

---

CT 流水线组件

该 CT 流水线模块背后的理论基于 Google 在相关文章中定义的 MLOps 1 级行业标准。每个组件的实现都利用了 IRIS 和 MLflow 的最佳特性（如下图所示，红色部分突出显示）：

对于那些刚接触 CT 流水线的人来说，上图描述了数据科学项目中传统的实验阶段（上半部分“实验/开发/测试”，通常在 Jupyter Notebook 中进行）如何转化为生产级模型部署。