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

我们刚刚结束了第二天的专题会议，会议内容精彩纷呈！虽然大家无法同时观看多个平行会议，但是线上会议有一个优势，那就是您可以根据自己的需要回看错过的内容！

第一章 单元测试概述

本教程的第一部分概述了单元测试。完成本教程的这一部分后，将能够：
- 定义单元测试并区分单元测试和集成测试
- 列出单元测试的几个好处
- 描述InterSystems IRIS %UnitTest包和xUnit测试框架之间的相似性。
- 列出软件开发中测试优先方法经常声称的几个好处。

什么是单元测试?

单元测试是对单个代码模块的正确性的测试，例如，方法或类的测试。通常，开发人员在开发代码时为其代码创建单元测试。典型的单元测试是一种执行方法的方法，该方法测试并验证该方法是否为给定的一组输入生成了正确的输出。

单元测试不同于集成测试。集成测试验证了一组代码模块交互的正确性。单元测试仅单独验证代码模块的正确性。一组代码模块的集成测试可能会失败，即使每个模块都通过了单元测试。

为什么要进行单元测试？

单元测试提供了许多好处，包括：

供应商或内部团队要求说明如何为 VMware vSphere 上运行的大型生产数据库进行 CPU 容量规划。

总的来说，在调整大型生产数据库的 CPU 规模时，有几个简单的最佳做法可以遵循：

• 为每个物理 CPU 核心规划一个 vCPU。
• 考虑 NUMA 并按理想情况调整虚拟机规模，以使 CPU 和内存对于 NUMA 节点是本地的。
• 合理调整虚拟机规模。 仅在需要时才添加 vCPU。

通常，这会引出几个常见问题：

• 由于使用超线程技术，VMware 创建的虚拟机的 CPU 数量可以是物理 CPU 数量的两倍。 那不就是双倍容量吗？ 创建的虚拟机不应该有尽可能多的 CPU 吗？
• 什么是 NUMA 节点？ 我应该在意 NUMA 吗？
• 虚拟机应该合理调整规模，但我如何知道什么时候合理？

我以下面的示例回答这些问题。 但也要记住，最佳做法并不是一成不变的。 有时需要做出妥协。 例如，大型生产数据库虚拟机很可能不适合 NUMA 节点，但我们会看到，其实是没问题的。 最佳做法是指必须针对应用程序和环境进行评估和验证的准则。

1. 使用PyODBC访问InterSystems IRIS数据库

pyodbc是一个开源的Python模块，可以利用ODBC来访问底层数据库。InterSystems支持使用pyodbc作为使用关系模式从Python访问数据库的一种方式。这个模块也可以用于InterSystems IRIS的早期版本。

Kong提供了一个开源的配置管理工具（用Go语言编写），称为decK（即声明式Kong，declarative Kong）。

孕产妇风险可以通过一些医学界众所周知的参数来测量。这样，为了帮助医学界和计算机系统，特别是人工智能，科学家Yasir Hussein Shakir发布了一个非常有用的数据集，用于训练检测/预测孕产妇风险的机器学习（ML）算法。这份出版物可以在最大和最知名的ML数据库Kaggle上找到，网址是 https://www.kaggle.com/code/yasserhessein/classification-maternal-health....

关于微服务架构（MSA）的IRIS定位的初学者指南。MSA在企业级Java世界中的能见度越来越高，因此，了解这股热潮背后的内容是至关重要的。我尝试着写下我的观点并与大家分享。

背景

首先，我必须承认。今年初夏，我的同事要求我收集一些关于匈牙利开发的医疗产品的信息。当我从相关公司得到反馈时，发现该产品是一个模块化系统，基于微服务架构（MSA）。好的。什么是MSA？在网上做了简短的研究，阅读了一些WIKI网页后，我得出结论：啊哈，又是一个 "架构"。我们可以用IRIS在 "架构层面 "遵守 "任何架构"--至少 "在某种程度上"。但也有一些恼人的地方。这让我对MSA有了更多的了解。到目前为止还不错，但是REST不是这篇文章的主要话题吗？MSA和REST之间的关系是什么？我访问的几乎每个网站都在例子中使用了RESTful网络服务。这让我有点怀疑。但总的来说，我赞同对MSA的一般总结：它是SOAP但做得很好。特别是因为有一些关于 "内聚 "和 "耦合 "的句子，我完全不明白。那么，如果MSA只是 "SOAP做得好"，为什么我没有看到SOAP的例子？为什么这些例子（几乎）都是RESTful？

这是InterSystems 2022年全球峰会上InterSystems 医疗行业负责人 Don Wooklock 的分享，他认为，在数字医疗发展如火如荼的当下，经济、消费主义和技术三股力量正在推动医疗行业快速变革。我们面临着压力，但更多的是机遇，利用好市场能量，在具备变革精神的医疗卫生行业中，全力以赴！

//player.bilibili.com/player.html?aid=264045334&bvid=BV1Ee411c7PB&cid=931490600&page=1
[这是一个嵌入式链接，但由于您拒绝了访问嵌入式内容所需的 Cookie，您无法直接在网站上进行查看。要查看嵌入式内容，您需要在 Cookie 设置中接受所有 Cookie。]

第二章 高可用性解决方案 - 虚拟化平台高可用

虚拟化平台高可用

虚拟化平台通常提供 HA 功能，通常会监控来宾操作系统及其运行的硬件的状态。在任何一个失败时，虚拟化平台都会根据需要在备用硬件上自动重启失败的虚拟机。当 IRIS 实例重新启动时，它会自动执行正常的启动恢复，保持结构和逻辑的完整性，就好像 IRIS 在物理服务器上重新启动一样。

虚拟环境中的故障转移

虚拟化 HA 具有内置于虚拟化平台基础架构中的优势，因此只需很少的配置工作，在某些情况下根本不需要。此外，虚拟化平台允许有计划地将虚拟机重新定位到备用硬件以进行维护，从而实现物理服务器的升级，例如，无需任何停机时间。

IRIS 镜像

具有自动故障转移功能的 IRIS 镜像采用不同的 HA 方法，依靠完全独立系统之间的逻辑数据复制来避免共享存储的单点故障风险，并确保生产可以立即故障转移到几乎所有的备用 IRIS 实例故障场景——系统、存储和网络。

这里只讨论Caché和IRIS本身产生的错误和警告。用户在维护工作中通常会需要更多的内容， 那些我们在后面的
“系统性能指标”里介绍。另外， 关于集成平台的告警和日志， 也会在后面单独讨论。集成平台，也就是Ensemble Production，是IRIS系统上运行的应用，它的日志，告警，以及指标，测量，是单独的内容。

控制台日志

控制台日志是系统运行状态的日志文件，在IRIS里是messages.log, 在Cache‘里的名字是console.log，默认放在安装目录的mgr子目录。 用户也可以在管理门户的"系统操作>系统日志>控制台日志"里查看。以下是一个实际的例子：

嗨社区！

想与您分享我在Telegram中使用GPT创建“我自己的”聊天的练习。

这个应用需要用到 Open Exchange 上的两个组件：@Nikolay Solovyev 的Telegram Adapter和@Kurro Lopez的IRIS Open-AI

因此，通过此示例，您可以在 Telegram 中使用 ChatGPT 设置自己的聊天。

让我们看看如何让它发挥作用！

如今，关于大语言模型、人工智能等的消息不绝于耳。向量数据库是其中的一部分，并且已经有非IRIS的技术实现了向量数据库。

为什么是向量？

• 相似性搜索：向量可以进行高效的相似性搜索，例如在数据集中查找最相似的项目或文档。传统的关系数据库是为精确匹配搜索而设计的，不适合图像或文本相似性搜索等任务。
• 灵活性：向量表示形式用途广泛，可以从各种数据类型派生，例如文本（通过 Word2Vec、BERT 等嵌入）、图像（通过深度学习模型）等。
• 跨模态搜索：向量可以跨不同数据模态进行搜索。例如，给定图像的向量表示，人们可以在多模式数据库中搜索相似的图像或相关文本。

还有许多其他原因。

因此，对于这次 pyhon 竞赛，我决定尝试实现这种支持。不幸的是我没能及时完成它，下面我将解释原因。