#InterSystems IRIS for Health

RabbitMQ 是一个消息代理，它允许生产者（发送数据消息的一方）和消费者（接收数据消息的一方）建立异步、实时且高性能的海量数据流。RabbitMQ 支持 AMQP（高级消息队列协议），这是一种开放标准的应用层协议。

采用 RabbitMQ 的主要原因包括以下几点：

• 您可以使用异步方法来提高应用程序的性能。
• 它通过数据消息中介，让您能够解耦并减少服务、微服务和应用程序之间的依赖关系，这意味着交换数据的生产者和消费者无需互相了解。
• 它允许在利用响应队列之后，交付（包含结果的）已发送数据的长时间运行处理。
• 它帮助您从单体架构迁移到微服务架构，其中微服务通过 Rabbit 以解耦和异步的方式交换数据。
• 它通过使消息能够被存储和转发，提供了可靠性和弹性。一条消息可以被投递多次，直到被处理为止。
• 消息排队是扩展应用程序的关键。随着工作负载的增加，您只需添加更多的工作进程（worker）来更快地处理队列。
• 它与数据流应用程序配合良好。
• 它对物联网（IoT）应用程序有益。
• 它是机器人（Bots）通信的必备工具。

RabbitMQ 基础概念

我们将利用温度监测器作为案例来详述 RabbitMQ 的概念：

• Producer（生产者）：发送消息的软件程序。
• Exchange（交换机）：接收来自生产者的消息，并将其路由到零个或多个队列。
• Queue（队列）：支持小型和大型二进制消息的消息存储区/缓冲区。

如果您是 InterSystems 的新用户，欢迎访问InterSystems 开发者交流中心（Developer Hub）。

您可以从这里开始使用 InterSystems 技术——安装 InterSystems IRIS，连接到它，运行一些实际的东西，或者直接在基于浏览器的交互环境中试用产品（无需设置）。

如果你想知道从哪里开始，这里有你会发现的内容：

开发者入门指南 - 介绍 InterSystems IRIS 的结构以及如何设置它

快速入门 - 简短实用的指南，帮助您从零开始进行设置

大家好！

我很高兴与大家分享一下，在深入研究InterSystems IRIS数据平台数年之后，我终于将自己的项目经验总结成了一本新书：《IRIS编程技术指南》。

撰写这本书对我来说是一项重大的工程挑战。

我的目标是弥合"理解语法 "与 "构建可投入生产的项目 "之间的差距。

为了庆祝本书的发布并为社区做出贡献，我想与大家分享书中的两个具体的技术见解，我相信每个IRIS开发人员都会发现这些见解非常有用。

💡 技术洞察 1：为初学者揭秘 Global 结构

许多新开发者往往把 IRIS 仅仅看作另一个 SQL 数据库。在我的书中，我强调：要真正掌握 ObjectScript，关键在于理解 Globals——即底层的多维存储机制。

核心要点：我会详细讲解 IRIS 是如何将类属性映射到 Global 节点上的。一旦初学者意识到，‘保存一个对象’本质上就是‘设置一个带下标的 Global’，那么性能调优和数据索引背后的逻辑就会豁然开朗。这正是每一位 IRIS 新手都会经历的‘顿悟时刻’。

💡技术洞察 2：%Persistent 类的最佳实践

对于从 Java 或 C# 转向 IRIS 的开发人员来说，适应 IRIS 处理持久化的方式往往是一个常见的挑战。

核心要点：在书中，我深入浅出地讲解了 IRIS 内部的对象关系映射（ORM）概念。

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。