Wie Mendix und Altair RapidMiner arbeiten zusammen

Möchten Sie echte Machine Learning (ML)-Leistung zu Ihrem Mendix Apps? In diesem Beitrag zeigen wir Ihnen genau, wie Sie das tun, indem Sie ein benutzerdefiniertes Modell in Altair AI Cloud erstellen und bereitstellen, bevor Sie es mit Ihrem Mendix App, sodass Endbenutzer intuitiv mit ihr interagieren können. Dieser End-to-End-Workflow vereint das Beste aus beiden Welten: fortschrittliche Datenwissenschaft auf der einen Seite und schnelle, einfache App-Entwicklung auf der anderen.

Data Science und App-Entwicklung zusammenbringen

Normalerweise arbeiten Softwareentwickler und Datenwissenschaftler in unterschiedlichen Bereichen. Entwickler verwenden Tools wie Mendix um Apps schnell und mit wenig Code zu erstellen. Datenwissenschaftler nutzen Plattformen wie Altair AI Cloud, um leistungsstarke ML-Modelle zu trainieren. Beide Gruppen leisten Erstaunliches, arbeiten aber nicht immer zusammen.

Das ändert sich – und zwar schnell. Da KI in jeder Branche eine große Rolle spielt, ist die Verbindung von Data Science und App-Entwicklung wichtiger denn je. Die gute Nachricht? Es ist jetzt einfacher, vor allem seit Siemens (MendixDie Muttergesellschaft von hat Altair RapidMiner in die Familie aufgenommen. Jetzt können Sie KI-Modelle schneller als je zuvor erstellen, bereitstellen und integrieren.

Schauen wir uns ein reales Beispiel an: Vorhersage von Geräteausfällen

Um Ihnen die Funktionsweise der Integration zu veranschaulichen, zeigen wir Ihnen ein einfaches Beispiel anhand eines fiktiven Datensatzes. Das Ziel? Vorhersage eines möglichen Maschinenausfalls, bevor dieser tatsächlich eintritt. So können Wartungsarbeiten während geplanter Ausfallzeiten und nicht mitten in der Produktion durchgeführt werden.

Warum ist das wichtig? Unerwartete Maschinenausfälle sind teuer und belastend. Durch die frühzeitige Vorhersage von Ausfällen können Unternehmen Geld sparen und Verzögerungen vermeiden.

Durch die Verknüpfung unseres Vorhersagemodells mit einem Mendix App können wir diese Erkenntnisse direkt an die Menschen weitergeben, die sie benötigen.

Lernen Sie Altair RapidMiner kennen

Wenn Sie Altair RapidMiner noch nicht verwendet haben, hier die Info: Es ist eine Plattform, auf der Sie ganz einfach Machine-Learning-Modelle oder sogar GenAI-Agenten erstellen können. Wie MendixAltair RapidMiner unterstützt sowohl No-Code- als auch Low-Code-Entwicklung (über das Drag-and-Drop-Workflow-Studio), und Vollcode-Umgebungen wie VS Code oder Jupyter Notebook. Egal, ob Sie ein Python-Profi sind oder gerade erst anfangen, Altair RapidMiner erleichtert die Zusammenarbeit zwischen Datenexperten und Fachexperten.

Zur Orientierung bei der Integration zeigt das folgende Diagramm das ML-Integrationsframework, das wir in diesem Beitrag verwenden. Es veranschaulicht den Datenfluss zwischen Systemen – vom Modellaufbau bis zur Bereitstellung von Erkenntnissen für Endbenutzer – und bildet die Grundlage für die technischen Details, die wir im Folgenden erläutern. Für diesen Blog haben wir den Fokus etwas eingegrenzt, um spezifische Funktionen von Altair RapidMiner hervorzuheben.

Wir haben uns entschieden, unser Modell in Python zu erstellen, um die Flexibilität der Plattform zu demonstrieren. Allerdings hätten wir auch RapidMiners automatisches maschinelles Lernen Funktionen im Workflow Studio, um noch schneller ein erweitertes Modell zu erstellen. Mit Auto ML oder Auto AI hätten wir alles von der Merkmalsanalyse und dem Modellvergleich bis hin zur Hyperparameteroptimierung und Ensemble-Modellierung mit minimalem Programmieraufwand und ohne Einbußen bei der Transparenz der Vorhersagen erledigen können.

Schritt 1: Erstellen Sie das Modell

Wir begannen mit einem synthetischen Datensatz mit historischen Sensormesswerten von Industrieanlagen – einschließlich Temperatur, Vibration, Druck und Betriebsparametern. Mithilfe eines Jupyter Notebooks in der Altair AI Cloud bereinigten wir die Daten, korrigierten fehlende Werte und stellten sicher, dass alles im gleichen Format vorlag. Anschließend entwickelten wir neue Funktionen, die helfen, frühzeitige Warnsignale für Ausfälle zu erkennen.

Als nächstes testeten wir ein paar verschiedene Algorithmen und landeten bei Zufälliger Wald als unser bevorzugter Algorithmus, da er Sensordaten gut verarbeitet und die komplexen Zusammenhänge zwischen Gerätezuständen und Fehlerereignissen verarbeiten kann. In unserem Fall lieferte das Modell hervorragende Ergebnisse und erreichte einen nahezu perfekten ROC-AUC-Wert, was unter anderem auf den sauberen, synthetischen Datensatz zurückzuführen ist. Dies zeigte deutlich die Fähigkeit des Modells, zwischen Normalbetrieb und potenziellen Fehlern zu unterscheiden.

Kurzer Tipp: Wenn Sie lieber nicht programmieren möchten, enthält das Workflow Studio von Altair RapidMiner integrierte Tools zum Analysieren, Normalisieren und Erstellen eines ML-Modells.

Schritt 2: Vorbereiten des Modells für die Bereitstellung

Nachdem wir unser Modell trainiert hatten, mussten wir es für den Einsatz bereitstellen. Dazu speicherten wir das Modell als Datei und luden es anschließend mit einem kurzen Python-Skript in den RapidMiner-Datenkatalog hoch, damit es in unserem Bereitstellungs-Workflow verwendet werden konnte.
So sah das aus:

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()

Schritt 3: Als REST-API bereitstellen

Nachdem wir mit dem Herumspielen in Jupyter (Notebooks) fertig waren, war es an der Zeit, wieder auf den Boden der Tatsachen zurückzukehren und unser Modell in die Produktion zu bringen.

Dazu wechselten wir zu Workflow Studio, wie im folgenden Video gezeigt. Hier ist die Erstellung eines Workflows für die Bereitstellung erfrischend einfach. Fügen Sie einfach drei Operatoren in den Workflow ein, und schon sind wir bereit für den nächsten Schritt:

• Eingabeoperator – zur Einspeisung von Daten (wie z.B. unsere Mendix Daten)
• Python-Operator ausführen – um das zuvor im Datenkatalog gespeicherte Modell wieder aufzurufen
• Ausgabeoperator für die Ergebnisse

Als Nächstes navigierten wir zum Bereitstellungsbereich. Um das Modell zugänglich zu machen, wählten wir den REST-API-Bereitstellungstyp wie unten gezeigt, verbanden ihn mit dem Workflow, der unser Modell enthielt, und voilà – es war Zeit für die Bereitstellung!

Jetzt hatten wir eine Live-API, die Mendix mit dem wir sprechen könnten – im Grunde eine Brücke zwischen der Welt der Datenwissenschaft und der App-Welt.

Wussten Sie schon? Atlair AI Cloud übernimmt die gesamte komplexe Infrastrukturarbeit im Hintergrund, sodass Sie sich auf den Mehrwert der Prognosen konzentrieren können.

Schritt 4: Verbinden Sie die API mit Ihrem Mendix App

Mit der REST-API und dem API-Schlüssel in der Hand können Sie eine Verbindung herstellen zu Mendix ist einfach.

In deinem Mendix Modul, fügen Sie ein REST-Dienst nutzen – wie im Video oben gezeigt. Von diesem Stadium aus Mendix entfaltet seine Magie, indem es die Entitäten automatisch basierend auf der Anforderungs- und Antwortstruktur der API generiert und so den manuellen Mapping-Aufwand reduziert. Darüber hinaus ermöglicht es Ihnen, Ihre Integration sofort zu testen, indem Sie Beispielparameterwerte direkt in der Mendix Schnittstelle wie unten gezeigt.

Für unseren Anwendungsfall der vorausschauenden Wartung mussten wir die binären Ausgaben des Modells in verwertbare Informationen umwandeln. Diese Transformation erfolgt in einem Mikrofluss, in dem wir Folgendes konvertieren:

• Prognosewert „1“ in „WARNUNG: Geräteausfall wahrscheinlich innerhalb von 48 Stunden!“
• Vorhersagewert „0“ in „Gerät funktioniert normal.“

Von dort aus können Sie Ihre Seite nach Ihren Wünschen gestalten. Erstellen Sie ein Dashboard, zeigen Sie Warnmeldungen an, heben Sie den Maschinenzustand hervor – was immer Sie möchten. Und schon ist alles erledigt. Endbenutzer können nun Prognosen überprüfen oder sogar eigene Eingaben direkt in der App vornehmen.

Bereit, es auszuprobieren?

Wie Sie sehen, verbindet Altair RapidMiner ML-Modelle mit Ihrem Mendix Apps müssen nicht kompliziert sein. Im Gegenteil, es macht sogar Spaß. Was würden Sie also mit dieser Art von KI-Integration erstellen?