Pesquisar

Discussão

#Implantação #Git #Interoperabilidade #Portal de Administração #InterSystems IRIS #InterSystems IRIS for Health

I know the next ones:

1. Place all different settings in environment variables. You have a different .env file for each environment, and you must add some code to Production for reading and setting these values. It's good for deploying into containers, but challenging for management when we have a large production. I mean, we have many settings that can vary depending on the environment: active flag, pool size, timeouts, and so on. Not only endpoints.

2. My own case. A deployment script that saves Production settings before pulling from git the current state of Production, and restores the start settings after. In this way, each environment has those settings that were set in the Management Portal last time. The Production class is controlled by git (it keeps the default settings for added elements). Needs additional code for deployment as minus. And the content of Productions should be the same in all environments (like in the first solution, however).

3. Default Settings - official way to solve this problem, as I understand it. Not tried it, can say nothing... Is somebody using it? Does it work, useful?

4. Different production classes for each environment, I mean: TestProd.cls, DevProd.cls, etc. Not tried it yet, but it looks easy, no need for additional code, can be different content in Productions. Its obvious disadvantage: you must configure each item twice (or more times) for each Production.

What do you use? I skipped something? I would like to invite you to take part in the discussion.

10 Comments

Discussão (10)3

Entre ou crie uma conta para continuar

Pergunta

Gopal Mani · Out. 7

#ObjectScript #SQL #Caché #InterSystems IRIS #InterSystems IRIS for Health

Hi Community,

I’m trying to execute a directory query in InterSystems IRIS using %SQL.Statement, but encountering an unexpected error.

Details:
The following command confirms that the directory exists:

Set dirPath="\\MYNETWORK_DRIVE\DFS-Shared_Product\GXM"
Write ##class(%File).DirectoryExists(dirPath)

It returns 1, meaning the path is valid and accessible.

However, when I try to execute this SQL query:

Set File=##Class(%SQL.Statement).%New()
Set Status=File.%PrepareClassQuery("%File","FileSet")
Set Result=File.%Execute(dirPath)
If Result.%SQLCODE {
    Write Result.%Message
}

I get the error:

ERROR #5021: Directory '\\MYNETWORK_DRIVE\DFS-Shared_Product\GXM' does not exist

Interestingly, I can access the same path successfully using the $ZF(-1) command, so it seems to be accessible from the OS level.

Question:
Why does %FileSet report that the directory doesn’t exist, even though it’s accessible both via $ZF(-1) and %File.DirectoryExists()?
Is there any specific configuration or permission requirement for accessing a network path through %FileSet?

Thanks,

Gopal Mani

3 Comments

Discussão (3)4

Entre ou crie uma conta para continuar

Artigo

Heloisa Paiva · Out. 7 2min de leitura

Open Exchange

#Artificial Intelligence (AI) #Embedded Python #Vector Search #InterSystems IRIS

Com a rápida adoção da telemedicina, consutlas remotas e digitação digital, profissionais da saúde estão se comunicano mais do que nunca por voz. Pacientes em conversas virtuais geram uma vasta quantidade de dados sonoros não estruturados, então como clínicos e administradores pesquisam e extraem informações d horas de gravações de voz?

Apresentamos o IRIS Audio Query – um aplicativo full-stack que transforma áudio em uma base de conhecimento pesquisável. Com ele, você pode:

Fazer upload e armazenar conversas clínicas, gravações de consultas ou digitações.
Realizar consultas em linguagem natural (por exemplo, "O que o paciente relatou sobre os sintomas de fadiga?").
Receber uma resposta concisa gerada usando Large Language Models (Modelos de Linguagem Grande).

Em sua essência, este aplicativo é alimentado pelo InterSystems IRIS para tratamento robusto de dados e busca vetorial, e construído sobre a framework de Interoperabilidade da InterSystems, tudo desenvolvido usando o Python Native SDK.

Interface do Usuário

Fazendo upload de um arquivo de áudio:

Realizando uma consulta:

Tech Stack

InterSystems IRIS – Armazenamento de objetos persistentes e base para busca vetorial.
Python (FastAPI) – APIs de Backend e lógica de negócio.
React – Interface de usuário (UI) para upload e consulta.
TwelveLabs API –Geração de embeddings a partir de áudio e texto.
OpenAI API – Geração de respostas textuais usando o conteúdo do áudio como contexto.
Docker – Containerização

Arquitetura

Os arquivos de áudio carregados são armazenados no IRIS como objetos persistentes e também são transformados em embeddings e, em seguida, armazenados como vetores. Para realizar uma consulta, o texto da consulta é primeiro transformado em embedding, depois uma busca vetorial é realizada para encontrar os embeddings de áudio mais relevantes, os arquivos de áudio correspondentes são recuperados e, finalmente, a resposta é gerada a partir do texto da consulta com os arquivos de áudio como contexto.

As operações de upload e consulta são construídas como Operações de Negócio usando o IRIS Native Python SDK. O backend FastAPI fornece uma API REST para que aplicações externas interajam com este sistema, enquanto o frontend React fornece uma UI para interagir com o backend.

[ React Frontend ]
        ↓
[ FastAPI Backend (REST API) ]
        ↓
[ IRIS Business Operations (Python SDK) ]
        ↓                      ↘
[ GuardarAudio no IRIS ]     [ Embed via TwelveLabs → Guardar vetores ]
                                ↓
                      [ Vector Search no Query Text ]
                                ↓
          [ Retornar Audio Relevante → Resposta usando OpenAI ]

Discussão (0)1

Entre ou crie uma conta para continuar

Anúncio

Danusa Calixto · Out. 7

#Generative AI (GenAI) #Tutorial #Vector Search #InterSystems IRIS

Olá Comunidade,

Estamos felizes em compartilhar um novo tutorial do Instruqt:

🧑‍🏫 RAG usando a Pesquisa Vetorial do InterSystems IRI

Este laboratório prático orienta você na construção de um chatbot de IA de Geração Aumentada de Recuperação (RAG) com tecnologia InterSystems IRIS Vector Search. Você verá como a pesquisa vetorial pode ser utilizada para fornecer respostas atualizadas e precisas, combinando os pontos fortes do IRIS com a IA generativa.

✨ Por que tentar?

Aprenda como a Pesquisa Vetorial do IRIS funciona na prática.
Explore como o RAG pode melhorar a confiabilidade e a relevância das respostas fornecidas pela Pesquisa Vetorial.
Obtenha experiência passo a passo na construção de uma solução orientada por IA.