Configuración y aplicación de IntegratedML en InterSystems IRIS

Resumen

Con la ayuda de SQL, podéis crear, entrenar y gestionar modelos de aprendizaje automático directamente en la base de datos con la potente herramienta IntegratedML de InterSystems IRIS. Usando ejemplos de SQL que representan vuestros datos, en este artículo repasaremos la configuración de IntegratedML y su aplicación en situaciones prácticas.

 

Configuración de IntegratedML

Una configuración de ML (“ML Configuration”) define el proveedor de aprendizaje automático que realizará el entrenamiento, además de otra información necesaria. IntegratedML tiene una configuración predeterminada llamada %AutoML, que se activa automáticamente tras instalar InterSystems IRIS.  

 

Creación de ML Configuration  

Para crear una nueva configuración de ML, podéis usar el System Management Portal o comandos SQL.  

 

Creación de ML Configuration mediante SQL:  

CREATE ML CONFIGURATION MeuMLConfig PROVIDER AutoML USING {'verbosity': 1};  

 

Para establecer esta configuración como predeterminada:  

SET ML CONFIGURATION MeuMLConfig;  

 

Para ver los ajustes de entrenamiento:  

SELECT * FROM INFORMATION_SCHEMA.ML_TRAINING_RUNS;

 

Aplicación de IntegratedML  

Creación de un modelo predictivo para estimar la cantidad de energía generada por una unidad consumidora:  

CREATE MODEL PredicaoEnergia PREDICTING (quantidade_generada) FROM UnidadeConsumidora; 

 

Entrenamiento del modelo:  

TRAIN MODEL PredicaoEnergia;  

 

Realización de predicciones:  

SELECT quantidade_generada, PREDICT(PredicaoEnergia) AS predicao FROM UnidadeConsumidora WHERE id = 1001;

 

Ejemplo de Implementación: Aprendizaje automático en energía solar

Veamos un ejemplo sobre cómo aplicar los conceptos anteriores intentando realizar aprendizaje automático en el campo de la energía solar.

 

1. Integración de datos con IRIS  

Extraemos datos esenciales de múltiples tablas para construir el conjunto de datos:  

SELECT PSID, CHNNLID, TYPENAME, DEVICESN, DEVICETYPE, FACTORYNAME, STATUS FROM datafabric_solar_bd.EQUIPAMENTS; 

 

2. Entrenamiento del modelo de mantenimiento predictivo  

Uso de Python integrado en IRIS para entrenar un modelo de mantenimiento predictivo:  

from sklearn.ensemble import RandomForestClassifier  

from iris import irispy



# Cargar los datos
sql_query = "SELECT PSID, DEVSTATUS, ALARMCOUNT FROM datafabric_solar_bd.USINAS;" data = irispy.sql(sql_query)



# Entrenar el modelo
model = RandomForestClassifier()

model.fit(data[['DEVSTATUS', 'ALARMCOUNT']], data['PSID'])

 

 

3. Predicción de la producción de energía  

Uso del análisis de series temporales para predecir la producción diaria de energía:  

from fbprophet import Prophet  

# Preparar el conjunto de datos  
df = irispy.sql("SELECT STARTTIMESTAMP, PRODDAYPLANT FROM datafabric_solar_bd.POINTMINUTEDATA;")  

df.rename(columns={'STARTTIMESTAMP': 'ds', 'PRODDAYPLANT': 'y'}, inplace=True)  

# Entrenar el modelo de predicción  
model = Prophet()  

model.fit(df)  

future = model.make_future_dataframe(periods=30)  

forecast = model.predict(future)  

 

4. Identificación de áreas con alta irradiación solar  

El análisis de datos geoespaciales permite identificar las áreas con mayor potencial para la generación de energía solar, optimizando la asignación de recursos.  

 

Conclusión  

IntegratedML facilita la implementación de aprendizaje automático en InterSystems IRIS al permitir que los modelos se entrenen y apliquen directamente mediante SQL. Además, el uso de técnicas de aprendizaje automático para mantenimiento predictivo y pronóstico de generación de energía puede ayudar a que las plantas solares operen de manera más eficiente.