認定条件 Mendix Altair RapidMinerと連携

本物の機械学習（ML）パワーをあなたの Mendix アプリをテストしたいですか？この記事では、Altair AI Cloudでカスタムモデルを作成してデプロイし、それをアプリに接続することで、その具体的な方法を説明します。 Mendix エンドユーザーが直感的に操作できるよう、アプリを最適化します。このエンドツーエンドのワークフローは、高度なデータサイエンスと、迅速かつ容易なアプリ開発という、両方のメリットを融合します。

データサイエンスとアプリ開発の融合

通常、ソフトウェア開発者とデータサイエンティストは異なる分野で働いています。開発者は次のようなツールを使用します。 Mendix ローコードで迅速にアプリを開発する。一方、データサイエンティストは、Altair AI Cloudなどのプラットフォームを活用して強力な機械学習モデルをトレーニングする。どちらのグループも素晴らしい成果を上げているが、必ずしも連携しているわけではない。

それは急速に変化しています。AIがあらゆる業界で大きな役割を果たすようになるにつれ、データサイエンスとアプリ開発を連携させることはこれまで以上に重要になっています。良いニュースは？特に、今はそれがより容易になったということです。 Siemens (Mendix（親会社）がAltair RapidMinerをファミリーに迎え入れました。これにより、AIモデルの構築、展開、統合がこれまで以上に迅速化されます。

実際の例を見てみましょう: 機器の故障を予測する

統合の仕組みを説明するために、架空のデータセットを用いた基本的な例を順に見ていきましょう。目標は、実際に機械が故障する前に故障の可能性を予測し、生産途中ではなく計画的なダウンタイム中にメンテナンスを実施することです。

なぜこれが重要なのでしょうか？それは、機械が予期せず故障すると、コストがかさみ、ストレスもかかるからです。故障を早期に予測できれば、企業はコストを削減し、遅延を回避できます。

予測モデルを Mendix アプリを使用すると、これらの洞察を、それを必要とする人々に直接提供できます。

Altair RapidMiner のご紹介

Altair RapidMinerをまだ使ったことがない方のために、簡単にご紹介します。これは、機械学習モデルを簡単に構築したり、GenAIエージェントを作成したりできるプラットフォームです。 MendixAltair RapidMinerは、ノーコード/ローコード開発（ドラッグアンドドロップのWorkflow Studio経由）の両方をサポートしています。 　 VS CodeやJupyter Notebookのようなフルコード環境。Pythonの熟練者でも、初心者でも、Altair RapidMinerを使えば、データエキスパートとドメインエキスパートのコラボレーションが容易になります。

統合を進めるにあたり、以下の図はこの記事全体で使用するML統合フレームワークを示しています。この図は、モデルの構築からエンドユーザーへのインサイト提供まで、システム間でデータがどのように移動するかを示しており、次に説明する技術的な詳細を理解する上で役立ちます。このブログでは、Altair RapidMinerの具体的な機能に焦点を絞りました。

プラットフォームの柔軟性を示すために、モデルをPythonで構築することにしました。 RapidMinerの自動機械学習 Workflow Studioの機能を活用することで、より高度なモデルをさらに迅速に作成できます。Auto MLやAuto AIを活用すれば、特徴量分析やモデル比較からハイパーパラメータ調整、アンサンブルモデリングまで、あらゆる作業を最小限のコーディングで、予測の仕組みの透明性を損なうことなく処理できます。

ステップ 1: モデルを構築する

私たちは、産業機器のセンサーデータ（温度、振動、圧力、動作パラメータなど）の履歴データを収録した合成データセットから着手しました。Altair AI CloudでホストされているJupyter Notebookを用いて、データのクレンジング、欠損値の処理、そしてすべてが同じ形式であることを確認しました。そして、故障の早期兆候を検知するのに役立つ新しい特徴量を作成しました。

次に、いくつかの異なるアルゴリズムをテストし、 ランダムフォレスト センサーデータに優れたパフォーマンスを発揮し、機器の状態と故障イベントの複雑な関係を処理できるため、このアルゴリズムを選択しました。私たちのケースでは、このモデルは優れた結果を示し、クリーンな合成データセットのおかげもあって、ほぼ完璧なROC AUCスコアを達成しました。この結果から、モデルが正常な動作と潜在的な故障を区別する能力を明確に示しました。

簡単なヒント: コードを書きたくない場合は、Altair RapidMiner の Workflow Studio に、ML モデルを分析、正規化、構築するためのツールが組み込まれています。

ステップ2: モデルの展開準備

モデルの学習が完了したら、それを使えるようにする必要がありました。そのために、モデルをファイルとして保存し、短いPythonスクリプトを使ってRapidMinerデータカタログにアップロードし、デプロイワークフローで使用できるようにしました。
それは次のようになりました:

import rmpy

import os

# Assume LOCAL_MODEL_PATH is defined and the file exists, e.g.:

# LOCAL_MODEL_PATH = "predictive_maintenance_model.joblib"

rmpy.data.upload(LOCAL_MODEL_PATH)

# Optional: Verify upload

rmpy.data.show_list()

ステップ3: REST APIとしてデプロイする

Jupyter (ノートブック) で遊び終わったので、現実に戻ってモデルを本番環境に導入する時が来ました。

これを実現するために、下のビデオで紹介されているように、Workflow Studio に移行しました。ここでは、デプロイメント用のワークフローの作成が驚くほど簡単です。ワークフローに 3 つのオペレーターを追加するだけで、次の段階に進むことができます。

• 入力演算子 – データを入力する（例えば、 Mendix データ）
• Python演算子を実行する – 以前にデータカタログに保存したモデルを呼び出す
• 出力演算子 結果については

次に、デプロイメントセクションに移動しました。モデルにアクセスできるようにするため、以下のようにREST APIデプロイメントタイプを選択し、モデルを含むワークフローに接続しました。これで、デプロイの準備は完了です。

今ではライブAPIが Mendix 基本的には、データ サイエンスの世界とアプリの世界をつなぐ架け橋です。

ご存知ですか？Atlair AI Cloud は、複雑なインフラストラクチャ作業をすべてバックグラウンドで処理するため、予測がもたらす価値に集中できます。

ステップ4: APIを Mendix アプリ

REST APIとAPIキーを入手したら、 Mendix は簡単だ。

あなたの中 Mendix モジュールを追加する RESTサービスの利用 上のビデオで示されているように、この段階から Mendix APIのリクエストとレスポンスの構造に基づいてエンティティを自動生成することで、手作業によるマッピング作業を削減します。さらに、サンプルパラメータ値をAPIに直接入力することで、すぐに統合をテストできます。 Mendix インターフェースは以下に示すとおりです。

私たちの予知保全のユースケースでは、モデルのバイナリ出力を実用的な情報に変換する必要がありました。この変換はマイクロフローで行われ、以下の変換が行われます。

• 予測値「1」が「警告: 48 時間以内に機器が故障する可能性があります!」に変わります。
• 予測値「0」を「設備は正常に動作しています。」

そこからページのスタイルを自由に設定できます。ダッシュボードを作成したり、アラートを表示したり、マシンの健全性を強調表示したり、何でもできます。これで完了です。エンドユーザーはアプリ内で予測を確認したり、独自の入力を追加したりできるようになりました。

試してみる準備はできましたか?

ご覧のとおり、Altair RapidMiner MLモデルを Mendix アプリは複雑である必要はありません。実際、とても楽しいです。では、このようなAI統合でどのようなものを作りますか？