#InterSystems IRIS

Nosso objetivo

No último artigo, falamos sobre alguns fatores iniciais do Django. Aprendemos como começar um projeto, garantir que temos todos os requisitos e fazer um CRUD. No entanto, hoje vamos um pouco mais além.

Às vezes precisamos acessar métodos mais complexos, então hoje vamos conectar o IRIS a um ambiente Python, construir algumas funções e exibir seus resultados numa página web. Será similar à última discussão, mas mais adiante para que você possa fazer algo novo, mas não demais para que você se sinta perdido.

Por que conectar Flask com InterSystems IRIS?

A primeira coisa que vem à mente quando pensamos sobre a combinação de Flask com IRIS é um portal para interagir com seus clientes e parceiros. Um bom exemplo seria um website para pacientes acessarem seus exames clínicos. É claro, nesse caso seria necessário uma boa camada de segurança, que nós não cobrimos no último artigo. No enteando, podemos adicioná-la sem esforços com o Werkzeug, por exemplo.

Índice

Parte 1

• Introduzindo o Flask: uma rápida revisão da documentação do Flask, onde você vai achar tudo o que precisa saber para esse tutorial;
• Conectando ao InterSystems IRIS: um passo a passo detalhado de como usar SQLAlchemy para conectar a uma instância IRIS.

Parte 2

• Uma discussão sobre esse tipo de implementação: por que devemos usá-la e em quais situações é aplicável.

Introdução ao Django

Django é um framework web desenhado para desenvolver servidores e APIs, e lidar com bases de dados de uma maneira rápida, escalável e segura. Para garantir isso, o Django fornece ferramentas não apenas para criar o esqueleto do código, mas também para atualizá-lo sem preocupaçõs. Ele permite que o desenvolvedor veja as mudanças quase ao vivo, corrija erros com a ferramenta de debug, e cuide da segurança com facilidade.

Para entender como o Django funciona, vamos dar uma olhada na imagem abaixo:

Introdução

Não muito tempo atrás, eu me deparei com a ideia de Usar a Sintaxe de Definição de Classe Python para criar classes IRIS no Portal de Ideias do InterSystems. Ela atraiu minha atenção porque integrar o máximo de sintaxes possíveis dá visibilidade aos produtos InterSystems para programadores de muitas linguagens.

O autor dessa ideia apontou a possibilidade de criar classes usando a sintaxe Python, em adição às já disponíveis no IRIS. Esse conceito me inspirou a escrever esse artigo, explorando as possibilidades de acessar o poder total da InterSystems utilizando apenas Python.

Olá Comunidade,

Reproduza o novo vídeo em InterSystems Developers YouTube:

⏯ High-Speed Ingestion Using InterSystems IRIS Persister with Java @ Global Summit 2023

Olá Comunidade

Nesse artigo, vou introduzir minha aplicação irisChatGPT construída no LangChain Framework.

Primeiramente, vamos ter uma breve visão geral desse framework.
O mundo inteiro está falando sobre o ChatGPT e como as Large Language Models (LLMs - Grandes modelos de linguagem) se tornaram tão poderosas e tem performado além das expectativas, oferecendo conversas quase humanas. Isso é só o começo de como isso pode ser aplicado em qualquer empresa e qualquer domínio!

Oi Comunidade,

Assista esse vídeo para aprender como o time InterSystems AppServices migrou um data lake alimentando um conjunto de relatórios de marketing de um Microsoft SQL Server para o InterSystems IRIS, levando a benefícios como menor manutenção, melhor performance e um melhor encaixe geral do desenvolvimento: 

⏯ Migrando nosso Data Lake de MS SQL Server para InterSystems IRIS no Global Summit 2023

Olá a todos! 

Trabalho há muitos anos com Excel e, ultimamente, foquei no tratamento de bases de dados.

Realmente minha experiencia com Excel foi para trabalhos financeiros, não tanto analíticos de dados em si, mas em um projeto recente pude trabalhar muito com SQL e me interessei um pouco pelo tema (não sou nenhuma uma especialista, já aviso!)

Me perguntei como poderia unir vários excels em um para, por exemplo, entregá-lo à Análise de dados utilizando a tecnologia InterSystems. Juntei toda a informação em um pequeno artigo. Espero que seja útil e, é claro, estou aberta a correções.

Traduzido do Concurso de Artigos da Comunidade Espanhola 

Seguindo o último concurso de programação no OEX (Open EXchange) eu tive algumas observações surpreendentes.
Havia aplicações quase exclusivas baseadas numa combinação de IA (Inteligência Artificial) com módulos Python "pré-cozidas".
Porém, indo mais a fundo, todos os exemplos usaram os mesmos fatores técnicos do IRIS.

Considerando o ponto de vista do IRIS, foi praticamente a mesma coisa seja buscando por textos, ou imagens, ou outro tipo de padrão. Acabou em métodos quase intercambiáveis.

Rubrica InterSystems FAQ

Para desabilitar esse timeout, defina o timeout da query como desabilitado nas configurações de DSN (Data Source Name - Nome da fonte de dados):

Painel de controle Windows > Ferramentas de Administração > Fontes de Dados (ODBC) > Configuração de DSN do sistema

Se você marcar "Desabiltar o timeout de query", o timeout será desabilitado.

Se quiser mudar isso no lado da aplicação, você pode definir no nível da ODBC API.

Defina o atributo SQL_ATTR_QUERY_TIMEOUT quando chamar a função ODBC SQLSetStmtAttr antes de conectar à fonte de dados.

Quer começar com IA generativa? Experimente dois novos caminhos de aprendizagem. Em Introdução à IA Generativa (2h 45m), aprenda os conceitos básicos de interação com GenAI. Em seguida, experimente Desenvolvendo Aplicativos de IA Generativa (2h) para começar a desenvolver seu próprio aplicativo GenAI. Além disso, ganhe emblemas por concluir cada caminho!

A ideia

Já estamos em 2024, a versão IRIS 2024.1 acabou de sair e estamos todos falando disso aqui. Já temos muitos tutoriais sobre busca vetorial e aplicações de chats de inteligência artificial. Hoje quero propor algo diferente. Quero apresentar uma ideia e explorar todos os seus limites e, ao longo do texto, vou levantar alguns questionamento sobre a capacidade da ferramentas utilizadas para que possamos compreender não só os resultados de as novas funcionalidades, mas também como a máquina as processa.

Armazenamento em coluna é um dos mais novos oferecimentos do InterSystems IRIS. Diferente do armazenamento tradicional baseado em linhas, ele otimiza o processamento das queries ao guardados os dados em colunas ao invés de linhas, permitindo acesso mais rápido e retorno de informações relevantes.

Alguns artigos já foram escritos a respeito de quando ele deve ser usado para dar o melhor impulso ao sistema, como criar tabelas dessa maneira usando SQL.

CREATE TABLE table (column1 type1, column2 type2, column3 type3) WITH STORAGETYPE = COLUMNAR  -- ex 1
CREATE TABLE table (column1 type1, column2 type2, column3 type3 WITH STORAGETYPE = COLUMNAR)  -- ex 2

e até testes de performance.

Como tudo o que sabemos, o InterSystems IRIS é uma DBMS (DataBase Management System - sistema de gerencialmento de base de dados) multi-modelo e dá acesso descomplicado ao mesmo registro usando acesso relacional e por objeto. Então a primeira parte está coberta por outros artigos, mas e a última?

Hoje é Sexta-feira e tem um longo fim de semana pela frente, então vamos para uma rodada de code golf!

Hoje em dia é difícil achar uma mensagem de texto sem pelo menos um emoji. 😃😄😎🙂😊😀😁😆😂 Mas algum tempo atrás, as pessoas tinham que ter a criatividade de expressar suas emoções em texto. Elas usavam emoticons, que são símbolos feitos de caracteres do teclado. :^) =] ) B). Nosso desafio hoje é criar uma função que receba uma string como argumento e retorne o número total de carinhas sorridentes. Cada carinha deve ter uma boca sorridente, que deve ser marcada com ), ], }, D ou >. Um rosto sorridente pode ter um par de olhos, mas não é necessário. Caracteres válidos para olhos são :, ;, 8, B ou =. Um nariz é opcional, e pode ser representado por esses caracteres: -, ^, c, o e~.

Exemplos válidos de carinhas felizes:

    :) :D ;-D :~) :‑) :-] =)    
    :] :-> :> 8-) :D 8‑D )
    8) :-} :} :o) :c) :^) =]
    :‑D 8D =D B^D

Input

"conte quantas carinhas felizes tem aqui :)"

​

Output

1

A partir do lançamento da plataforma de dados InterSystems IRIS® 2022.3, a InterSystems corrigiu o mecanismo de execução de licença para incluir solicitações REST e SOAP. Devido a essa alteração, ambientes com licenças não baseadas em núcleo que usam REST ou SOAP podem experimentar maior utilização de licença após a atualização. Para determinar se este aviso se aplica à sua licença InterSystems, siga as instruções nas perguntas frequentes vinculadas abaixo. 

Esta tabela resume a execução:

Introdução

Com o crescimento da Gen AI, acreditamos que agora os usuários devem ser aptos a acessar dados não estruturados de uma maneira muito mais simples. A maioria das pessoas tem muitos emails que não conseguem dar conta. Por exemplo, em investimentos/trading, os profissionais dependem de decisões rápidas que levem em consideração o máximo de informação possível. Da mesma maneira, empregados seniores em uma startup lidando com muitos times e disciplinas podem ter dificuldade em organizar todos os emails que recebem.

Olá Comunidade,

Esse é um passo a passo detalhado e claro sobre a plataforma IRIS AI Studio. Eu penso alto enquanto tento diferentes exemplos, alguns dos quais falham em devolver os resultados esperados - o que eu acho que é uma necessidade para que um plataforma desse tipo explore diferentes modelos, configurações e limitações. Esse vídeo será útil se está interessado em como construir o "Chat with PDF" (conversa com PDF) ou sistema de recomendações de dados usando a IRIS DB (DataBase - base de dados) e modelos LLM (Large Language Model -  grande modelo de lingugagem).

Olá grupo.

Tenho mais de 36 anos de experiência desenvolvendo soluções com MUMPS e Cache.  Além disso também desenvolvo em Python e HTML. Estou procurando uma oportunidade de emprego. 

Muito Obrigado,

Carlos
 

No artigo anterior, vimos detalhes a respeito dos conectores, que permitem que o usuário carregue o arquivo, o converta para incorporações e armazene na IRIS DB. Nesse artigo, vamos explorar opções diferentes de recuperações que o Studio IRIS AI oferece: Semantic Search (pesquisa semântica), Chat (conversa), Recommender (recomendação) e Similarity (similaridade).

Novas atualizações  ⛴️ 

• Adicionada instalação pelo Docker. Rode `./build.sh` após clonagem para ter a aplicação e a instância IRIS rodando na sua máquina local.
• Conecte via InterSystems Extension no vsCode - Graças ao @Evgeny.

Olá Comunidade,

Aqui vai um simples passo a passo sobre as capacidades da plataforma  Studio IRIS AI. Ele cobre um fluxo completo de carregar dados no IRIS DB como incorporações de vetor e recuperação de informações usando 4 canais diferentes (pesquisa, conversa, recomendação e similaridade). No último lançamento, adicionei suporte para docker para instalações locais e uma versão ao vivo para explorar.

No artigo anterior, vimos diferentes módulos do Studio IRIS AI e como ele poderia ajudar a explorar as capacidades da GenAI além do IRIS DB perfeitamente, mesmo para alguém não técnico. Nesse artigo, vamos mergulhar a fundo pelo módulo "Connectors", o que permite que os usuários carreguem dados desde uma fonte local ou cloud (AWS S3, Airtable, Azure Blob) no IRSI DB como vetores incorporados, ao configurar também definições de incorporação como modelo e dimensões.

Novas Atualizações ⛴️ 

• Demo Online da aplicação está disponível agora emt https://iris-ai-studio.vercel.

Olá,

Neste artigo vamos ver o uso do Prometheus (prometheus.io) para coletar métricas no Iris, de forma a monitorarmos o ambiente.

O link https://cloud.google.com/discover/what-is-prometheus?hl=pt-br apresenta uma descrição bem completa do Prometheus.

O Iris conta com uma api que disponibiliza uma série de informações do ambiente. A documentação completa da api pode ser encontrada no endereço https://docs.intersystems.com/irislatest/csp/docbook/DocBook.UI.Page.cls?KEY=GCM_rest

Uma simples chamada a api já nos mostra as informações disponíveis:

Fig.

Problema

Você se identifica com isso: a capacidade e impacto da tecnologia que é realmente descoberta quando empacotada da maneira correta para seu público alvo? O melhor exemplo seria como a Generative AI deslanchou quando o ChatGPT veio ao público para fácil acesso e não como as capacidades Transformers/RAG's (Retrieval-Augmented Generation - Geração Aumentada de Recuperação) foram identificadas. Pelo menos uma usabilidade muito maior surgiu, quando a audiência foi incentivada para explorar as possibilidades.

Alerta: SQL Query usando “NOT %INLIST” falha ao retornar resultados 

A InterSystems corrigiu um problema que pode causar que um pequeno número de consultas SQL retornem resultados incorretos. Veja abaixo os detalhes sobre as consultas impactadas.

Esse problema existe nas versões listadas dos seguintes produtos:

• InterSystems IRIS® data platform
• InterSystems IRIS for Health™
• HealthShare® Health Connect

Assim como:

• Outros produtos InterSystems baseados nos produtos acima.

Versões Impactadas:

• 2021.1.3, 2021.1.4
• 2022.1.3, 2022.1.4
• 2023.1.0, 2023.1.1, 2023.1.2, 2023.1.3
• 2024.1.

A InterSystems tem o prazer de anunciar a disponibilidade geral de

• InterSystems IRIS Data Platform 2024.1.0.267.2
• InterSystems IRIS for Health 2024.1.0.267.2
• HealthShare Health Connect 2024.1.0.267.2

Esta versão adiciona suporte para o sistema operacional Ubuntu 24.04. Ubuntu 24.04 inclui kernel Linux 6.8, melhorias de segurança, junto com melhorias no instalador e na interface do usuário. InterSystems IRIS IntegratedML ainda não está disponível no Ubuntu 24.04.

Há 2 anos eu venho utilizando Python embutido diariamente. Talvez seja o momento de compartilhar um feedback sobre essa jornada.

Por que escrever esse feedback? Porque eu acredito que sou como a maioria das pessoas aqui, um desenvolvedor ObjectScript, e penso que a comunidade poderia ter algum benefício desse feedback e entender melhor os prós e contras de escolher Python embutido para desenvolver em IRIS. Além de evitar algumas armadilhas.

• Feedback : Usando Python embutido diariamente por 2 anos
• Introdução
• Começando com Python
  • Python não é ObjectScript
    • Pep8
    • Modulos
    • Dunders
  • Conclusão
• Python Embutido
  • O que é Python embutido?
  • Como usar Python embutido?
  • Como eu uso Python embutido
    • Use libraries e códigos Python como se fossem classes ObjectScript
      • Com a tag de linguagem
      • Sem a tag de lingaugem
      • Conclusão
    • Use uma primeira abordagem Python
      • Exemplo: iris-fhir-python-strategy
      • Observações
      • Onde achar o código
        • Como implementar uma estratégia
        • Implementação de InteractionsStrategy
        • Implementação de interações
        • Interações em Python
        • Implementação da classe abstrata de Python
      • Muito longo, faça um resumo

​

DNA Similarity and Classification é uma API REST utilizando a tecnologia InterSystems Vector Search para investigar semelhanças genéticas e classificar eficientemente sequências de DNA. Este é um aplicativo que utiliza técnicas de inteligência artificial, como aprendizado de máquina, aprimorado por recursos de pesquisa vetorial, para classificar famílias genéticas e identificar DNAs semelhantes conhecidos a partir de um DNA de entrada desconhecido.

O nosso sistema funciona normalmente com a versão Iris 2023.2, porém foi necessário mudarmos de serviço de servidor cloud e ao migrar o banco para esse novo servidor e subir nossa aplicação começamos a receber alguns erros, que seguem abaixo:

Caused by: java.sql.SQLException: [SQLCODE: <-400>:<Ocorreu um erro fatal>]
11:12:26,663 INFO  [stdout] (http-/0.0.0.0:8443-17) [Location: <Prepare>]
11:12:26,664 INFO  [stdout] (http-/0.0.0.0:8443-17) [%msg: <Process 161341 failed to compile Cached Query Class %sqlcq.TGDB.

A introdução da "Pesquisa Vetorial" da InterSystems marca uma mudança de paradigma no processamento de dados. Esta tecnologia de ponta emprega um modelo de incorporação para transformar dados não estruturados, como texto, em vetores estruturados, resultando em capacidades de pesquisa significativamente aprimoradas. Inspirados por esta inovação, desenvolvemos um motor de busca especializado e adaptado às empresas.

Aproveitamos a inteligência artificial generativa para gerar resumos abrangentes dessas empresas, oferecendo aos usuários uma ferramenta poderosa e informativa.