방법 Mendix Altair RapidMiner와 함께 작동합니다

실제 머신 러닝(ML) 기능을 추가하고 싶으신가요? Mendix 앱? 이 게시물에서는 Altair AI Cloud에서 사용자 지정 모델을 만들고 배포한 후 앱에 연결하여 해당 작업을 수행하는 방법을 정확하게 보여드리겠습니다. Mendix 최종 사용자가 직관적으로 앱을 사용할 수 있도록 설계되었습니다. 이 엔드 투 엔드 워크플로는 두 가지 장점을 모두 제공합니다. 한 쪽에는 고급 데이터 과학, 다른 한 쪽에는 빠르고 쉬운 앱 개발이 모두 가능합니다.

데이터 과학과 앱 개발을 하나로 모으다

일반적으로 소프트웨어 개발자와 데이터 과학자는 서로 다른 분야에서 일합니다. 개발자는 다음과 같은 도구를 사용합니다. Mendix 로우코드로 앱을 빠르게 개발할 수 있습니다. 한편, 데이터 과학자들은 Altair AI Cloud와 같은 플랫폼을 사용하여 강력한 머신러닝 모델을 학습시킵니다. 두 그룹 모두 놀라운 성과를 거두지만, 항상 협력하는 것은 아닙니다.

이러한 상황은 빠르게 변화하고 있습니다. 모든 산업에서 AI가 중요한 역할을 함에 따라 데이터 과학과 앱 개발을 연결하는 것이 그 어느 때보다 중요해졌습니다. 좋은 소식이 있을까요? 특히 이제는 더 쉬워졌습니다. Siemens (Mendix(모회사)가 Altair RapidMiner를 제품군에 추가했습니다. 이제 그 어느 때보다 빠르게 AI 모델을 구축, 배포 및 통합할 수 있습니다.

실제 예를 살펴보겠습니다. 장비 고장 예측

통합 작동 방식을 보여드리기 위해, 가상 데이터 세트를 사용하는 기본적인 예시를 살펴보겠습니다. 목표는 기계 고장 발생 시점을 실제 발생 전에 예측하여 생산 도중이 아닌 계획된 가동 중단 시간에 유지보수를 수행할 수 있도록 하는 것입니다.

이것이 왜 중요할까요? 기계가 예기치 않게 고장 나면 비용이 많이 들고 스트레스도 많이 받기 때문입니다. 고장을 조기에 예측할 수 있으면 기업은 비용을 절감하고 지연을 피할 수 있습니다.

예측 모델을 다음에 연결하여 Mendix 앱을 사용하면 이러한 통찰력을 바로 필요한 사람들에게 전달할 수 있습니다.

Altair RapidMiner를 만나보세요

아직 Altair RapidMiner를 사용해 보지 않으셨다면, 여기 소개할 플랫폼이 있습니다. 머신 러닝 모델을 쉽게 구축하거나 GenAI 에이전트를 생성할 수 있는 플랫폼이죠. MendixAltair RapidMiner는 드래그 앤 드롭 방식의 Workflow Studio를 통해 노코드/로우코드 개발을 지원합니다. VS Code나 Jupyter Notebook과 같은 전체 코드 환경을 제공합니다. 따라서 Python 전문가든 초보자든 Altair RapidMiner는 데이터 전문가와 도메인 전문가 간의 협업을 더욱 쉽게 만들어줍니다.

통합 과정을 안내하기 위해 아래 다이어그램은 이 글 전체에서 사용할 ML 통합 프레임워크를 보여줍니다. 이 다이어그램은 모델 구축부터 최종 사용자에게 인사이트 제공까지 시스템 간 데이터 이동 방식을 보여주며, 앞으로 자세히 살펴볼 기술적인 세부 사항의 기반을 마련하는 데 도움이 됩니다. 이 블로그에서는 Altair RapidMiner의 특정 기능을 집중적으로 살펴보기 위해 초점을 조금 좁혔습니다.

플랫폼의 유연성을 보여주기 위해 Python으로 모델을 구축하기로 했습니다. 하지만 다음과 같은 방법을 사용할 수도 있었습니다. RapidMiner의 자동 머신 러닝 Workflow Studio의 기능을 사용하여 더욱 발전된 모델을 더욱 빠르게 생성할 수 있습니다. Auto ML이나 Auto AI를 사용했다면 피처 분석 및 모델 비교부터 하이퍼파라미터 튜닝 및 앙상블 모델링까지 모든 작업을 최소한의 코딩으로 처리할 수 있었을 뿐만 아니라, 예측 작동 방식의 투명성도 유지할 수 있었습니다.

1단계: 모델 구축

온도, 진동, 압력, 작동 매개변수를 포함한 산업 장비의 과거 센서 판독값으로 채워진 합성 데이터세트를 사용하여 시작했습니다. Altair AI Cloud에 호스팅된 Jupyter Notebook을 사용하여 데이터를 정리하고, 누락된 값을 처리하고, 모든 데이터가 동일한 형식을 유지하도록 했습니다. 그런 다음, 고장의 조기 경고 신호를 발견하는 데 도움이 되는 새로운 기능을 개발했습니다.

다음으로, 우리는 몇 가지 다른 알고리즘을 테스트하여 다음과 같은 결과를 얻었습니다. 랜덤 포레스트 센서 데이터 처리 성능이 뛰어나고 장비 상태와 고장 이벤트 간의 복잡한 관계도 처리할 수 있기 때문에 저희가 선택한 알고리즘입니다. 저희의 경우, 모델은 훌륭한 결과를 보였으며, 정제된 합성 데이터 세트 덕분에 거의 완벽에 가까운 ROC AUC 점수를 달성했습니다. 이는 모델이 정상 작동과 잠재적 고장을 구분하는 능력을 명확하게 보여주었습니다.

빠른 팁: 코딩을 원하지 않는다면 Altair RapidMiner의 Workflow Studio에는 ML 모델을 분석, 정규화하고 구축할 수 있는 기본 도구가 포함되어 있습니다.

2단계: 배포를 위한 모델 준비

모델 학습이 완료되면 사용할 수 있도록 설정해야 했습니다. 이를 위해 모델을 파일로 저장한 후, 간단한 Python 스크립트를 사용하여 RapidMiner 데이터 카탈로그에 업로드하여 배포 워크플로에 사용할 수 있도록 했습니다.
그 모습은 다음과 같습니다.

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()

3단계: REST API로 배포

Jupyter(노트북)에서 놀아보는 일이 끝났으니, 이제 현실로 돌아와서 모델을 프로덕션에 투입할 때가 되었습니다.

이를 위해 아래 영상에서 보시는 것처럼 Workflow Studio로 전환했습니다. 여기서는 배포용 워크플로를 만드는 것이 매우 간단합니다. 워크플로에 세 명의 작업자를 추가하기만 하면 다음 단계로 넘어갈 준비가 됩니다.

• 입력 연산자 – 데이터(예: 당사)를 입력하려면 Mendix 데이터)
• Python 연산자 실행 – 이전에 데이터 카탈로그에 저장했던 모델을 다시 호출하려면
• 출력 연산자 결과를 위해

다음으로 배포 섹션으로 이동했습니다. 모델에 액세스할 수 있도록 아래에서 볼 수 있듯이 REST API 배포 유형을 선택하고 모델이 포함된 워크플로에 연결했습니다. 자, 이제 배포할 차례입니다!

이제 우리는 라이브 API를 갖게 되었습니다. Mendix 데이터 과학 세계와 앱 세계를 연결하는 다리 역할을 할 수 있습니다.

알고 계셨나요? Atlair AI Cloud는 복잡한 인프라 작업을 모두 백그라운드에서 처리하여 예측을 통해 창출되는 가치에 집중할 수 있도록 지원합니다.

4단계: API를 다음에 연결하세요. Mendix 앱

REST API와 API 키를 가지고 연결 Mendix 쉽습니다.

당신의 내부 Mendix 모듈 추가 REST 서비스 사용 – 위 영상에서 보여드린 것처럼. 이 단계부터는 Mendix API의 요청 및 응답 구조에 따라 엔티티를 자동 생성하여 수동 매핑 작업을 줄여줍니다. 또한, 샘플 매개변수 값을 직접 제공하여 통합을 즉시 테스트할 수 있습니다. Mendix 아래에서 볼 수 있는 인터페이스입니다.

예측 유지 관리 사용 사례에서는 모델의 이진 출력을 실행 가능한 정보로 변환해야 했습니다. 이 변환은 마이크로플로우에서 수행되며, 여기서는 다음을 변환합니다.

• 예측 값 "1"을 "경고: 48시간 이내에 장비 고장이 발생할 가능성이 높습니다!"로 변경합니다.
• 예측값 "0"을 "장비가 정상적으로 작동 중"으로 설정합니다.

여기에서 원하는 대로 페이지 스타일을 지정할 수 있습니다. 대시보드를 만들고, 알림을 표시하고, 기기 상태를 강조 표시하는 등 원하는 대로 설정하세요. 그러면 모든 작업이 완료됩니다. 이제 최종 사용자는 앱 내에서 예측을 확인하거나 직접 입력할 수도 있습니다.

직접 경험해 보시겠습니까?

보시다시피 Altair RapidMiner ML 모델을 다음과 같이 연결합니다. Mendix 앱은 복잡할 필요가 없습니다. 사실, 꽤 재미있죠. 그렇다면 이런 AI 통합으로 무엇을 만들 수 있을까요?