#InterSystems IRIS for Health

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。