Interoperability on Python (IoP) 是一个概念验证项目，旨在展示与 Python 优先方式相结合时 InterSystems IRIS Interoperability Framework 的强大功能。IoP 利用Embedded Python（嵌入式 Python，InterSystems IRIS 的一个功能）使开发者能够用 Python 编写互操作性组件，从而可以与强大的 IRIS 平台无缝集成。本指南专为初学者编写，全面介绍了 IoP、其设置以及创建第一个互操作性组件的操作步骤。 阅读完本文，您将能够清楚地了解如何使用 IoP 构建可扩缩、基于 Python 的互操作性解决方案。
学习如何使用 LangGraph 设计结合了推理、矢量搜索和工具集成的可扩缩自主 AI 智能体。
让我们直面它吧 —“AI 智能体”听起来就像可以接管会议室的机器人。 实际上，它们是您得力的助手，可以简化复杂的工作流，消除重复性任务。 您可以把它们看作是聊天机器人的下一个进化阶段：它们不只是简单地等待提示；它们可以发起行动，协调多个步骤，并随时进行调整。
过去，打造一个“智能”系统意味着兼顾语言理解、代码生成、数据查找等各种不同的模型，然后将它们粘合在一起。 您的一半时间花在了集成上，另一半时间则花在了调试上。
智能体彻底颠覆了这一切。 它们将上下文、主动性和适应性融合在一个精心编排的流程中。 它们不仅实现了自动化，更是肩负使命的智者。 借助 LangGraph 之类的框架，我相信，组建一支自己的智能体团队实际上会很有趣。
Hi 大家好
在本文中,我讲介绍我的应用 iris-AgenticAI .
代理式人工智能的兴起标志着人工智能与世界互动方式的变革性飞跃--从静态响应转变为动态、目标驱动的问题解决方式。参看 OpenAI’s Agentic SDK , OpenAI Agents SDK使您能够在一个轻量级、易用且抽象程度极低的软件包中构建代理人工智能应用程序。它是我们之前的代理实验 Swarm 的生产就绪升级版。
该应用展示了下一代自主人工智能系统，这些系统能够进行推理、协作，并以类似人类的适应能力执行复杂任务。
人工智能不仅限于通过带有说明的文本生成图像，或通过简单的指示创建叙事。
您还可以制作图片的变体，或为已有图片添加特殊背景。
此外，您还可以获得音频转录，无论其语言和说话者的语速如何。
让我们来分析一下文件管理是如何工作的。
InterSystems 很高兴地宣布InterSystems Supply Chain Orchestrator™的核心组件，即 InterSystems IRIS for Supply Chain 2023.1 版，现已正式发布 (GA)。
InterSystems Supply Chain Orchestrator （InterSystems 供应链协调器）基于 InterSystems IRIS® 构建，InterSystems IRIS® 是我们完整的云优先数据平台，支持智能数据编织（smart data fabric）架构，使构建和部署连接数据和应用程序孤岛的高性能、支持机器学习的应用程序变得更加容易。它将 InterSystems IRIS 的强大功能与供应链特定的加速器和框架结合在一起，为供应链编排、需求感知和预测、履行以及快速消费品重新包装提供优化的解决方案。
InterSystems Supply Chain Orchestrator 的一个关键组件是 InterSystems IRIS for Supply Chain，它使 InterSystems IRIS 提供的智能数据编织（smart data fabric）架构更接近供应链用例，并有助于加速实现价值。
*：需要 InterSystems IRIS 高级服务器
在本文中，我将分享我们在 2023 年全球峰会技术交流室中提出的主题。我和@Rochael Ribeiro
借此机会，我们就以下话题进行探讨：
当我们谈论快速现代 API 开发（Rest / json）时，我们将使用两个 Intersystems Open Exchange 工具：
第一个是用于快速开发 API 的框架，我们将在本文中详细介绍。
https://openexchange.intersystems.com/package/IRIS-apiPub
第二种是使用 Swagger 作为用户界面，用于 IRIS 平台上开发的 Rest API 的规范和文档，以及它们的使用/执行。其运行的基础是开放 API 规范 (OAS) 标准，如下所述：
https://openexchange.intersystems.com/package/iris-web-swagger-ui
它是全球范围内用于定义、记录和使用 API 的标准。在大多数情况下，API 甚至在实现之前就已经设计好了。我将在下一个主题中详细讨论它。
众所周知，人工智能的世界已经到来，每个人都想利用它为自己谋取利益。
有许多平台通过订阅或私人免费提供人工智能服务。然而，由于在计算领域产生的大量“噪音”而脱颖而出的是 Open AI，这主要归功于其最著名的服务：ChatGPT 和 DALL-E。
什么是Open AI？Open AI 是一个非营利性人工智能研究实验室，由 Sam Altman、Ilya Sutskever、Greg Brockman、Wojciech Zaremba、Elon Musk、John Schulman 和 Andrej Karpathy 于 2015 年发起，旨在促进和开发友好的人工智能，造福于人类所有的。
自成立以来，这些人已经发布了一些令人着迷的产品，如果用于良好的目的，可能会成为真正强大的工具。然而，与任何其他新技术一样，它们构成了可能被用来犯罪或作恶的威胁。
我决定测试 ChatGPT 服务，并询问它人工智能的定义是什么。我收到的答案是在互联网上找到的概念的积累，并以人类会回应的方式进行了总结。
简而言之，人工智能只能使用用于训练它的信息进行回复。利用其内部算法和训练期间输入的数据，它可以撰写文章、诗歌，甚至计算机代码片段。
人工智能将对这个行业产生重大影响，并最终彻底改变一切……。也许对人工智能将如何影响我们的未来的期望被夸大了，所以我们应该开始为了共同利益而正确地使用它。
1.数据的价值
数据的核心价值是帮助我们决策。
我们无时无刻不在决策，大到战略决策——为一家新医院选址，还有战术决策——鉴别产品的目标市场或抵押贷款审批，更频繁的是操作决策——决定患者的手术方案或患者药物的调整。
这些决策要求不同的决策速度，传统的数据中心已经能较好地帮助我们做战略决策、战术决策，甚至一些操作决策。但新的业务需求要求我们的决策速度越来越快，甚至借助机器学习自动为我们做出即时的决策，例如批准还是拒绝一笔信用卡交易或基于算法自动交易。
无论是人工决策还是基于机器学习的自动决策，决策的依据是数据。数据的速度和质量决定了决策的速度和质量。要支持决策，需要数据具有如下特征：
（1）完整 ：关联且具有完整上下文；
（2）干净 ：数据质量没有问题；
（3）及时 ：在决策点上没有延迟。
传统数据中心很难在及时性上满足要求。
2.数据挑战
数字化浪潮下，我们面临更大的数据挑战：
本文将展示如何把 InterSystems IRIS 数据库与 Python 集成，以服务于自然语言处理 (NLP) 的机器学习模型。
随着在世界范围内的广泛采用和使用，Python 拥有了出色的社区，以及许多加速器 | 库用于部署任何类型的应用。 如果您感兴趣，请访问 https://www.python.org/about/apps/
我接触到 ^globals 后很快就熟悉了，它们可以用作快速获取现成数据模型中数据的方法。 因此，首先，我将使用 ^globals 存储训练数据和对话以记录聊天机器人的行为。
自然语言处理或 NLP 是 AI 的一个主题，它创造了机器从我们的语言阅读、理解含义的能力。 显然，这并不简单，但是我将展示如何在这个广阔而美丽的领域中迈出您的第一步。
我在这里部署了 Chatbot 应用作为演示： http://iris-python-suite.eastus.cloudapp.azure.com:8080
首先要知道与普通软件开发相比，机器学习具有不同的范式。 很难理解的要点是机器学习模型的开发周期。
浅显解释预警
一个标准的应用开发周期大概是这样：
开发代码 -> 测试（使用开发数据）-> 部署（真实用户数据）