مقالات

JBPM به عنوان پلت فرم ارکستر AI


بازپرداخت: نظرات بیان شده در این سند منعکس کننده دیدگاه ذهنی نویسنده در مورد قابلیت های فعلی و بالقوه JBPM است.

این متن JBPM را به عنوان بستری برای ارکستر کردن محیط های مرکزی AI خارجی مانند پایتون که برای طراحی و راه حل های AI استفاده می شود ، ارائه می دهد. ما یک مرور کلی از مناسب ترین ویژگی های JBPM برای ارکستراسیون هوش مصنوعی ارائه خواهیم داد و شما را از طریق یک مثال عملی ترجمه می کنیم که اثربخشی آن را به عنوان یک بستر ارکستراسیون هوش مصنوعی نشان می دهد:

شکل 1. راه حل پیش بینی سکته مغزی واقع در JBPM توسط کاربران OpenEMR اداره می شود

خلاصه: برای JBPM

JBPM (مدیریت فرآیند تجارت جاوا) یک پلت فرم ادغام باز با موتور گردش کار در پایگاه خود است. اگرچه پروژه JBPM به عنوان BPM (فرآیندهای تجاری) یا موتور گردش کار ، ابزار ابزار یا آپارتمان تعریف شده است ، ما ادعا می کنیم که توصیف آن به عنوان یک بستر ادغام دقیق تر است.

خصوصیاتی که از این ویژگی پشتیبانی می کنند شامل موارد زیر است:

  • قرار گرفتن در معرض منطق تجاری که در JBPM برای دسترسی خارجی اجرا شده است – به عنوان مثال ، از طریق API REST:

تماس استراحت API به JBPM منجر به پاسخ (شناسه: 976) با وضعیت 201 (

شکل 2. تماس API REST به JBPM منجر به پاسخ (شناسه: 976) با وضعیت 201 (“موفقیت”)
  • یک موتور اتوماسیون تجاری ارائه دهید:

شکل 3 ویرایشگر گردش کار مبتنی بر وب ، بخشی از اتوماسیون فرآیندهای تجاری JBPM.
  • گنجاندن مؤلفه ها برای تعامل با تأمین کنندگان خارجی – به عنوان مثال با پایتون:

تنظیم کننده وابستگی پروژه JBPM که سابقه اعتیاد به JEP را نشان می دهد

شکل 4. تنظیم کننده وابستگی پروژه JBPM که آدرسهای پسوند JEP را نشان می دهد

این قابلیت ها JBPM را قادر می سازد تا با سیستم های خارجی تعامل داشته باشد ، تصمیمات اتوماسیون را اتخاذ کند و به طور مؤثر تماس با تأمین کنندگان خارجی را مدیریت کند.

چگونه JBPM پایتون را سازماندهی می کند

ادغام Python JBPM می تواند به روش های مختلفی اعمال شود. رویکرد فعلی ما از JEP (جاوا تعبیه شده پایتون) ، پسوند جاوا استفاده می کند ، که امکان تعامل با مفسران پایتون را فراهم می کند. هنگامی که با اتوماسیون فرآیندهای تجاری JBPM (به عنوان مثال ، وظیفه اسکریپت ها) ترکیب می شود ، این امکان را برای سطح محکم و اساسی ارکستراسیون پایتون فراهم می کند:

کار اسکریپت کد پایتون در جاوا از طریق JEP در فرآیند تجارت JBPM پیچیده شده است

شکل 5. وظیفه یک اسکریپت که کد پایتون را که در جاوا از طریق JEP در فرآیند تجارت JBPM پیچیده شده است

اگرچه JEP امکان ادغام پایتون را فراهم می کند ، اما دارای یک مانع قابلیت استفاده است که ممکن است در طول اجرای اولیه به راه حل نیاز داشته باشد.

مثال عملی: پیش بینی سکته مغزی

یک نمونه جامع از پایتون ارکستر JBPM راه حل ما برای آموزش مدل های هوش مصنوعی و ارزیابی خطر سکته مغزی در مجموعه ای از بیماران است. در بیمارستان یا محیط بالینی ، پزشکان از یک سیستم EMR (سوابق پزشکی الکترونیکی) به عنوان OpenEMR باز (یا هر نرم افزاری دیگر که امکان سفارشی سازی صفحه های کاربر را فراهم می کند) استفاده می کنند. درخواست های پیش بینی سکته مغزی می تواند از بخش های مختلف EMR باشد ، معمولاً در پرونده بیمار:

صفحه استاندارد پرونده های بیمار در JBPM با کاتالوگ راه حل AI سلامت

شکل 6. صفحه استاندارد پرونده های بیمار در JBPM با کاتالوگ راه حل AI سلامت

پزشک راه حل را برای پیش بینی سکته مغزی انتخاب می کند و درخواست پیش بینی را به JBPM ارسال می کند ، جایی که منطق هوش مصنوعی اجرا می شود:

صفحه پرونده بیمار که نتایج پیش آگهی خطر سکته مغزی را نشان می دهد

شکل 7. صفحه پرونده بیمار که نتایج پیش بینی خطر سکته مغزی را نشان می دهد

JBPM درخواست را با سازماندهی منطق هوش مصنوعی و محاسبات پایتون و بازگرداندن خطر تخمینی سکته مغزی OpenEMR پردازش می کند:

شکل 8 صفحه نمایش برای ثبت نام در نمایش JBPM از یک درخواست پیش آگهی (شناسه: 977) از صفحه نمایش ثبت نام کپی پزشک در JBPM که درخواستی برای پیش بینی (شناسه: 977) توسط یک پزشک نشان می دهد
شکل 8. صفحه نمایش برای ثبت نمونه ها در JBPM که درخواستی برای پیش بینی (شناسه: 977) توسط پزشک نشان می دهد

خطر سکته مغزی در ابتدا در JBPM قبل از بازگشت به OpenEMR برای پزشک محاسبه می شود:

روند پردازش (شناسه: 977) در JBPM خطر محاسبه شده سکته مغزی را نشان می دهد که به OpenEMR بازگردانده می شود

شکل 9. سوابق فرآیند (شناسه: 977) در JBPM خطر محاسبه شده سکته مغزی را نشان می دهد که باید به OpenEMR برگردانده شود

این روند کار پیش بینی ، هنگامی که از انتهای تا انتها تجسم می شود ، به شرح زیر است:

شکل 10 جریان را برای پایان پیش بینی سکته مغزی از طریق OpenEMR و JBPM

شکل 10 جریان را برای پایان پیش بینی سکته مغزی از طریق OpenEMR و JBPM

در همین حال ، تحلیلگرانی که عملکرد مدل های AI را کنترل می کند می تواند مدل های به روز شده را مجدداً چاپ و منتشر کند:

شکل 11. صفحه نمایش هوش مصنوعی شخصی در OpenEMR برای آموزش مدل AI از طریق JBPM

شکل 11. صفحه نمایش هوش مصنوعی شخصی در OpenEMR برای آموزش مدل AI از طریق JBPM

مانند روند کار پزشک ، تحلیلگر راه حل AI را انتخاب می کند و قطار/ اعتبار سنجی/ تست را به JBPM می فرستد:

شکل 12. صفحه بهداشتی گمرکی که نشان می دهد برای قطار/اعتبار سنجی/آزمایش حفظ می شود

شکل 12. صفحه بهداشتی گمرکی که نشان می دهد برای قطار/اعتبار سنجی/آزمایش حفظ می شود

JBPM فرایند یادگیری را ثبت و اجرا می کند:

صفحه ثبت نام نمونه JBPM نمایش قطار/اعتبار سنجی/درخواست آزمون (شناسه: 978) توسط Analyzer

شکل 13. صفحه نمایش برای ثبت نمونه های پردازش در JBPM نمایش درخواست/اعتبار سنجی قطار (شناسه: 978) توسط Analyzer

نتایج محاسبه و به OpenEMR بازگردانده می شود:

نمونه ای از فرآیند را در JBPM ضبط کنید که نشانگرهای دقت محاسبه شده را به OpenEMR برگردانید

شکل 14. فرآیند فرآیند را در JBPM ثبت کنید که شاخص های دقت محاسبه شده به OpenEMR بازگردانده می شوند

آزمایش بار تأیید می کند که JBPM به طور موثری درخواست های همزمان را برای کاربران برای پیش بینی و برای مدل های آموزش بدون مشکل یا نشت داده پردازش می کند:

    صفحه های OpenEMR که پیش بینی سکته مغزی و نتایج آموزش یک تست بار را نشان می دهند

شکل 15. صفحه های OpenEMR که نشان دهنده پیش بینی سکته مغزی و نتایج آموزش از یک مدل آزمایش بار است

سکوی ارکستراسیون JBPM AI چه کاری انجام می دهد؟

با توجه به توانایی آن در سازماندهی جریان کار هوش مصنوعی ، می توان پرسید: JBPM آیا عملکرد کافی وجود دارد که بتواند یک بستر کامل ارکستراسیون AI در نظر گرفته شود؟

بیایید به اکوسیستم اطراف JBPM نگاه کنیم. “همسایه نزدیک” آن احتمالاً یک گرفتگی است ، IDE مورد نظر (یک محیط توسعه یکپارچه) برای JBPM ، به ویژه به دلیل افزونه هایی مانند مدل ساز Eclipse BPMN2:

فرآیند تجارت JBPM ویرایش شده در Eclipse (آفلاین)

شکل 16. فرآیند تجارت JBPM در Eclipse (آفلاین) ویرایش شده است

Eclipse JBPM را با اجازه توسعه آفلاین بهبود می بخشد. افزونه های فوق به توسعه دهندگان این امکان را می دهد تا بیشتر کارهای محلی را که مشتری مبتنی بر وب JBPM از آن پشتیبانی می کند ، انجام دهند. علاوه بر این ، به عنوان یک IDE ماژولار بسیار در حال گسترش ، Eclipse ابزارهایی را برای تحقق الزام عملی که تیم های توسعه با آن روبرو هستند فراهم می کند.

مهم دیگر “همسایه” PostgreSQL است ، یکی از چندین موتور پایگاه داده که می تواند برای حفظ ساختارهای اساسی داده JBPM پیکربندی شود:

جداول JBPM داخلی واقع در postrgresql

شکل 17. جداول داخلی JBPM در PoStrgresQL آشکار شد

توانایی PostgreSQL در ذخیره داده های فنی JBPM قابلیت های عظیمی را برای بازیابی داده ها و بهینه سازی راه حل های AI اجرا شده در JBPM باز می کند.

در این زمینه ، منطقی است که ذکر کنید یکی دیگر از “همسایگان” (ابزار گزارش اطلاعات کسب و کار) -Birt یکی از موتورهای BI است که قادر به استخراج ، تغییر و گزارش در مورد داده های فنی و تجاری است که توسط JBPM اداره می شود:

Birt از ساختارهای گزارش دهی و تجسم داده های JBPM پشتیبانی می کند

شکل 18. BIRT ساختارهای گزارش دهی و تجسم داده های JBPM

در کنار هم ، Eclipse ، PostgreSQL و BIRT ، به همراه ویژگی اصلی JBPM ، یک پلت فرم ارکستراسیون AI پایدار را تشکیل می دهند که اجرای ، اجرای و بهینه سازی AI را تسهیل می کند.

برای اطلاعات بیشتر: c-nltx/کد باز


Source link

نوشته های مشابه

دیدگاهتان را بنویسید

دکمه بازگشت به بالا