#Artificial Intelligence (AI)

Um pipeline de Treinamento Contínuo (CT) formaliza um modelo de Machine Learning (ML) desenvolvido por meio de experimentação de ciência de dados, utilizando os dados disponíveis em um determinado momento. Ele prepara o modelo para implantação, permitindo atualizações autônomas à medida que novos dados ficam disponíveis, além de oferecer monitoramento de desempenho robusto, registro de logs e recursos de registro de modelos para fins de auditoria.

O InterSystems IRIS já fornece quase todos os componentes necessários para suportar tal pipeline.

Ao longo do último ano, houve alguns artigos da CD oferecendo servidores MCP projetados para se conectar ao IRIS e ajudar os recursos de IA do VS Code e similares a funcionarem melhor. Por exemplo:

• Ei chat, o que está rolando com a minha interoperabilidade? por @Dmitry Maslennikov 
• MCP sem Alucinações: Contexto em Tempo-Real de Rotinas para ObjectScript por @Jinyao 
• iris-mcp-atelier apresentado por @Ernest Salas em seu comentário na pergunta Claude Code vs ISFS. Has anyone cracked how to get one to see the other? por @MarkCharlton.

Olá Comunidade!

Temos o prazer de compartilhar o próximo vídeo da série "Code to Care" em nosso canal do YouTube da InterSystems Developers:

⏯ Vibe de Programação: Deixando a IA construir enquanto você dirige:

Motivação

Por que precisamos disso?

1. Falta de Contexto Compilado: As ferramentas de IA veem apenas o código-fonte; elas não sabem como a rotina compilada final realmente é.

2. Alucinação de Macros: Como a IA não vê nossos arquivos#includeou macros do sistema, ela frequentemente os “inventa”, desperdiçando tempo durante a depuração.

3. Lacuna na Documentação: A otimização de lógica mais profunda frequentemente exige compreender macros internas que não estão totalmente documentadas publicamente.