Introdução
O IntegratedML é uma ferramenta poderosa do InterSystems IRIS que permite a criação, treinamento e gerenciamento de modelos de machine learning diretamente no banco de dados, utilizando SQL. Neste artigo, abordaremos a configuração do IntegratedML e sua aplicação em cenários reais, utilizando exemplos SQL que refletem seus dados.
Configuração do IntegratedML
Uma configuração de ML (“ML Configuration”) define o provedor de machine learning que executará o treinamento, além de outras informações necessárias. O IntegratedML possui uma configuração padrão chamada %AutoML, já ativada após a instalação do InterSystems IRIS.
Criando Configuração de ML
Para criar uma nova configuração de ML, podemos utilizar o System Management Portal ou comandos SQL.
Criando Configuração de ML via SQL:
CREATE ML CONFIGURATION MeuMLConfig PROVIDER AutoML USING {'verbosity': 1};
Para definir essa configuração como padrão:
SET ML CONFIGURATION MeuMLConfig;
Para visualizar as configurações de treinamento:
SELECT * FROM INFORMATION_SCHEMA.ML_TRAINING_RUNS;
Aplicação do IntegratedML
Criando um modelo preditivo para estimar a quantidade de energia gerada por uma unidade consumidora:
CREATE MODEL PredicaoEnergia PREDICTING (quantidade_gerada) FROM UnidadeConsumidora;
Treinando o modelo:
TRAIN MODEL PredicaoEnergia;
Fazendo previsões:
SELECT quantidade_gerada, PREDICT(PredicaoEnergia) AS previsao FROM UnidadeConsumidora WHERE id = 1001;
Implementação: Machine Learning na Energia Solar
1. Integração de Dados com IRIS
Extraímos dados essenciais de múltiplas tabelas para construção do dataset:
SELECT PSID, CHNNLID, TYPENAME, DEVICESN, DEVICETYPE, FACTORYNAME, STATUS FROM datafabric_solar_bd.EQUIPAMENTS;
2. Treinamento de Modelo de Manutenção Preditiva
Utilizando Python Embedded no IRIS para treinar um modelo de manutenção preditiva:
from sklearn.ensemble import RandomForestClassifier
from iris import irispy # Carregar dados
sql_query = "SELECT PSID, DEVSTATUS, ALARMCOUNT FROM datafabric_solar_bd.USINAS;"
data = irispy.sql(sql_query) # Treinar o modelo
model = RandomForestClassifier()
model.fit(data[['DEVSTATUS', 'ALARMCOUNT']], data['PSID'])
3. Previsão da Produção de Energia
Utilizando análise de séries temporais para prever a produção de energia diária:
from fbprophet import Prophet # Preparar dataset
df = irispy.sql("SELECT STARTTIMESTAMP, PRODDAYPLANT FROM datafabric_solar_bd.POINTMINUTEDATA;")
df.rename(columns={'STARTTIMESTAMP': 'ds', 'PRODDAYPLANT': 'y'}, inplace=True) # Treinar modelo de previsão
model = Prophet()
model.fit(df)
future = model.make_future_dataframe(periods=30)
forecast = model.predict(future)
4. Identificação de Áreas de Alta Irradiação Solar
A análise de dados geoespaciais permite identificar zonas com maior potencial de geração de energia solar, otimizando a alocação de recursos.
Conclusão
O IntegratedML facilita a implementação de machine learning no InterSystems IRIS, permitindo que modelos sejam treinados e aplicados diretamente via SQL. Além disso, o uso de técnicas de machine learning para manutenção preditiva e previsão de geração de energia pode melhorar a eficiência operacional das usinas solares.
Open Exchange