Publications relatives aux annonces, communiqués et conditions générales de la communauté des développeurs d'InterSystems.
Bonjour la communauté !
Nous avons décidé de lancer une nouvelle rubrique passionnante pour rendre vos visites sur la Communauté encore plus enrichissantes. Ainsi, chaque vendredi, nous sortirons de la communauté, trouverons quelque chose d'intéressant lié à la technologie pour vous permettre de lire et d'élargir vos horizons, et créerons un court résumé pour vous donner un avant-goût d'un article complet ! N'est-ce pas excitant?
Voici le résumé des publications de la communauté des développeurs du juillet 2023.
18 nouvelles publications publiées le juillet :
Nouveaux membres 1 ayant rejoint le Juillet Publications 512 publiées depuis le début Membres 74 ayant rejoint depuis le début
Voici le résumé des publications de la communauté des développeurs de juin 2023.
Voici le résumé des publications de la communauté des développeurs de Mai 2023.
Salut la Communauté !
SANTEXPO 2023 démarre demain et nous vous y aimerons rencontrer ! On a le programme vraiment très chargé !
Et demain on cmmence par la conference Coordination Ville Hôpital : mise en place d’un portail de services pour optimiser la prise en charge des patients sur le territoire de la Mayenne.
Salut la Communauté !
SANTEXPO 2023 approche et nous aimerions partager avec vous ce qui vous attend.
Salut la Communauté !
Nous avons hâte de vous retrouver sur SANTEXPO 2023 - l’événement leader français de la Fédération hospitalière de France qui rassemble chaque année tous les décideurs et professionnels de santé impliqués dans le management, la gestion, le numérique, le parcours de soin, l’expérience patient, l’équipement, les matériels, la construction et la transformation des établissements de santé. Nous sommes heureux de nous retrouver avec nos équipes et partenaires !
⏱ Date : 23 mai - 25 mai 2023
📍Lieu : Paris, Porte de Versailles, Stand : F43
Voici le résumé des publications de la communauté des développeurs d'avril 2023.
Salut la Сommunauté !
Je me réjouis de vous annoncer notre nouveau sujet pour les prochains mois ! Nous parlerons de différents outils et approches pour faciliter la vie des développeurs qui utilisent les produits InterSystems.
.jpg)
Voici le résumé des publications de la communauté des développeurs de mars 2023.
Chers membres de la Communauté,
Les premiers mois de l'année sont le moment de faire le bilan de l'année précédente et de récompenser les participants qui ont le plus contribué au développement de notre Communauté et nos portails voisins. Dans l'annonce original, les meilleurs développeurs et les applications les plus téléchargées dans 2022 étaient remarqués ! Je suis extrêmement heureux de constater que parmi les meilleurs il y a aussi des membres actifs de notre communauté francophone !
Salut la Communauté !
Vous vivez une problématique récurrente en santé et vous imaginez une solution ? InterSystems soutient le Hacking Health Camp, le plus grand hackathon santé au monde. Rejoignez-nous pour transformer votre idée en prototype en 50h et gagnez le prix InterSystems :
👉 Le Challenge InterSystems pour la meilleure utilisation des technologies InterSystems 👈
%20(2).png)
Salut la Communauté !
Le Hacking Health Camp s'approche ! Et nous avons tellement hâte de vous y retrouver encore une fois !
Pour vous rappeler à quel point nous nous sommes amusés la dernière fois, n'hesitez pas a revisualize le webinar de @Guillaume Rongier sur l'utilisation du FHIR :
Salut la Communauté !
Je suis exaltée à vous annoncer qu'InterSystems va prendre part dans le Hacking Health Camp 2023 - la 10ème édition, le plus grand hackathon santé au monde !
Hacking Health Camp est un événement d’innovation en santé numérique qui permet de transformer les idées pour répondre aux problématiques du quotidien en prototypes fonctionnels en 3 jours.
📅 Dates: vendredi 24 mars à partir de 13h jusqu’au dimanche 26 mars vers 18h
📌 Lieu : Faculté de médecine de Strasbourg (4 rue kirschleger, 67000 Strasbourg)
Bonjour à toutes et à tous !
Voici le résumé des publications de la communauté des développeurs de février 2023 !
Keywords: IRIS, IntegratedML, Flask, FastAPI, Tensorflow servant, HAProxy, Docker, Covid-19
Nous avons abordé quelques démonstrations rapides d'apprentissage profond et d'apprentissage automatique au cours des derniers mois, notamment un simple classificateur d'images radiographiques Covid-19 et un classificateur de résultats de laboratoire Covid-19 pour les admissions possibles en soins intensifs. Nous avons également évoqué une implémentation de démonstration IntegratedML du classificateur ICU. Alors que la randonnée de la "science des données" se poursuit, le moment est peut-être venu d'essayer de déployer des services d'IA du point de vue de "l'ingénierie des données" - pourrions-nous regrouper tout ce que nous avons abordé jusqu'à présent dans un ensemble d'API de services ? Quels sont les outils, les composants et l'infrastructure communs que nous pourrions exploiter pour réaliser une telle pile de services dans son approche la plus simple possible ?
Pour commencer, nous pouvons simplement utiliser docker-compose pour déployer les composants dockerisés suivants dans un serveur AWS Ubuntu
Remarque: Tensorflow Serving avec GPU n'est utilisé qu'à des fins de démonstration - vous pouvez simplement désactiver l'image liée au GPU (dans un fichier docker) et la configuration (dans le fichier docker-compose.yml).
De toute façon, un "ingénieur en apprentissage automatique" ("Machine Learning Engineer") mettra inévitablement la main sur ces composants pour fournir des environnements de production tout au long des cycles de vie des services. Nous pourrons en savoir plus au fil du temps.
Le code source complet se trouve à l'adresse suivante : https://github.com/zhongli1990/covid-ai-demo-deployment
Le référentiel integratedML-demo-template est également réutilisé avec le nouveau référentiel.
Le schéma de déploiement logique de ce cadre de test "Démonstration de l'IA dans les Dockers" est présenté ci-dessous.
.png)
Pour la démonstration, j'ai délibérément créé deux piles distinctes pour la classification de l'apprentissage profond et le rendu web, puis j'ai utilisé un HAProxy comme équilibreur de charge pour distribuer les requêtes API entrantes entre ces deux piles de manière indépendante.
IRIS avec IntegratedML est utilisé pour les échantillons de démonstration d'apprentissage automatique, comme dans l'article précédent de prédiction de l'ICU.
J'ai omis certains composants communs dans la démo actuelle qui seraient nécessaires ou envisagés pour les services de production :
En fait, IRIS lui-même peut certainement être utilisé comme gestionnaire de file d'attente de niveau entreprise ainsi que comme base de données performante pour une messagerie fiable. Dans l'analyse des modèles, il apparaît qu'IRIS peut remplacer les courtiers de file d'attente et les bases de données RabbitMQ/Redis/MongoDB, etc., et qu'il serait donc mieux consolidé avec une latence bien moindre et de meilleures performances globales. Et plus encore, IRIS Web Gateway (anciennement CSP Gateway) peut certainement être positionné à la place de Gunicorn ou Unicorn, etc, n'est-ce pas ?
Il existe quelques options courantes pour mettre en œuvre le modèle logique ci-dessus dans tous les composants Docker. Les plus courantes sont les suivantes :
Cette démonstration commence avec "docker-compose" pour un PoC fonctionnel et un certain benchmarking. Nous aimerions certainement utiliser K8s et peut-être aussi ICM au fil du temps.
Comme décrit dans son fichier docker-compose.yml, une implémentation physique de sa topologie d'environnement sur un serveur AWS Ubuntu ressemblerait à ceci :
.png)
Le diagramme ci-dessus montre comment ces ports de service de toutes les instances Docker sont mappés et exposés directement sur le serveur Ubuntu à des fins de démonstration. En production, la sécurité devrait être renforcée. Et pour les besoins de la démonstration, tous les conteneurs sont connectés au même réseau Docker, alors qu'en production, il serait séparé en routable externe et non-routable interne.
Le tableau ci-dessous montre comment les volumes de stockage de la machine hôte sont montés sur chaque instance de conteneur comme spécifié dans ce fichier docker-compose.yml :
ubuntu@ip-172-31-35-104:/zhong/flask-xray$ tree ./ -L 2
./├── covid19 (Les conteneurs Flask+Gunicorn et Tensorflow Serving seront montés ici)│├── app.py (Flask main app: Les interfaces de l'application web et du service API sont définies et mises en œuvre ici)│├── covid19_models (Les modèles Tensorflow sont publiés et versionnés ici pour la classification des images Le conteneur Tensorflow Serving avec CPU)│├── Dockerfile (Le serveur Flask avec Gunicorn: CMD ["gunicorn", "app:app", "--bind", "0.0.0.0:5000", "--workers", "4", "--threads", "2"])│├── models (Modèles au format .h5 pour l'application Flask et démonstration API de la génération de heatmaps par grad-cam sur des radiographies.)│├── __pycache__│├── README.md│├── requirements.txt (Paquets Python nécessaires pour les applications complètes de Flask+Gunicorn) │├── scripts│├── static (Fichiers statiques Web)│├── templates (Modèles de rendu Web)│├── tensorflow_serving (Fichier de configuration pour le service de tensorflow)│└── test_images├── covid-fastapi (Les conteneurs FastAPI+Uvicorn et Tensorflow Serving avec GPU seront définis ici)│├── covid19_models (Les modèles Tensorflow au service des GPU sont publiés et versionnés ici pour la classification des images)│├── Dockerfile (Le serveur Uvicorn+FastAPI sera lancé ici: CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000", "--workers", "4" ])│├── main.py (FastAPI app: les interfaces de l'application web et du service API sont définies et mises en œuvre ici)│├── models (Modèles au format .h5 pour l'application FastAPI et démonstration API de la génération de heatmaps par grad-cam sur des radiographies)│├── __pycache__│├── README.md│├── requirements.txt│├── scripts│├── static│├── templates│├── tensorflow_serving│└── test_images├── docker-compose.yml (Full stack Docker definition file. La version 2.3 est utilisée pour tenir compte du GPU Docker "nvidia runtime", sinon la version 3.x peut être utilisée)├── haproxy (Le service docker HAProxy est défini ici. Note : une session collante peut être définie pour le backend LB. ) │├── Dockerfile│└── haproxy.cfg└── notebooks (Le service conteneur Jupyter Notebook avec Tensorflow 2.2 et Tensorboard etc)├── Dockerfile├── notebooks (Exemples de fichiers notebook pour émuler des applications API Client externes pour les tests fonctionnels et les tests de référence API en Python sur l'équilibreur de charge, etc)└── requirements.txt
Remarque: Le docker-compose.yml ci-dessus est destiné à la démonstration d'apprentissage profond de Convid X-Rays. Il est utilisé avec le docker-compose.yml d'un autre integratedML-demo-template pour former la pile de services complète, comme indiqué dans la topologie de l'environnement.
Un simple docker-compose up -d permettrait de démarrer tous les services de conteneurs :
ubuntu@ip-172-31-35-104:~$ docker ps
ID DE CONTENEUR IMAGE COMMANDE STATUT CRÉÉ PORTS NOMS
31b682b6961d iris-aa-server:2020.3AA "/iris-main" Il y a 7 semaines Jusqu'à 2 jours (en bonne santé) 2188/tcp, 53773/tcp, 54773/tcp, 0.0.0.0:8091->51773/tcp, 0.0.0.0:8092->52773/tcp iml-template-master_irisimlsvr_1
6a0f22ad3ffc haproxy:0.0.1 "/docker-entrypoint.…" Il y a 8 semaines Jusqu'à 2 jours 0.0.0.0:8088->8088/tcp flask-xray_lb_1
71b5163d8960 ai-service-fastapi:0.2.0 "uvicorn main:app --…" Il y a 8 semaines Jusqu'à 2 jours 0.0.0.0:8056->8000/tcp flask-xray_fastapi_1
400e1d6c0f69 tensorflow/serving:latest-gpu "/usr/bin/tf_serving…" Il y a 8 semaines Jusqu'à 2 jours 0.0.0.0:8520->8500/tcp, 0.0.0.0:8521->8501/tcp flask-xray_tf2svg2_1
eaac88e9b1a7 ai-service-flask:0.1.0 "gunicorn app:app --…" Шl y a 8 semaines Jusqu'à 2 jours 0.0.0.0:8051->5000/tcp flask-xray_flask_1
e07ccd30a32b tensorflow/serving "/usr/bin/tf_serving…" Il y a 8 semaines Jusqu'à 2 jours 0.0.0.0:8510->8500/tcp, 0.0.0.0:8511->8501/tcp flask-xray_tf2svg1_1
390dc13023f2 tf2-jupyter:0.1.0 "/bin/sh -c '/bin/ba…" Il y a 8 semaines Jusqu'à 2 jours 0.0.0.0:8506->6006/tcp, 0.0.0.0:8586->8888/tcp flask-xray_tf2jpt_1
88e8709404ac tf2-jupyter-jdbc:1.0.0-iml-template "/bin/sh -c '/bin/ba…" Il y a 2 $ois Jusqu'à 2 jours 0.0.0.0:6026->6006/tcp, 0.0.0.0:8896->8888/tcp iml-template-master_tf2jupyter_1
docker-compose up --scale fastapi=2 --scale flask=2 -d par exemple, sera mis à l'échelle horizontalement jusqu'à 2 conteneurs Gunicorn+Flask et 2 conteneurs Univcorn+FastAPI :
ubuntu@ip-172-31-35-104:/zhong/flask-xray$ docker ps
ID DE CONTENEUR IMAGE COMMANDE STATUT CRÉÉ PORTS NOMS
dbee3c20ea95 ai-service-fastapi:0.2.0 "uvicorn main:app --…" Il y a 4 minutes Jusqu'à 4 minutes 0.0.0.0:8057->8000/tcp flask-xray_fastapi_2
95bcd8535aa6 ai-service-flask:0.1.0 "gunicorn app:app --…" Il y a 4 minutes Jusqu'à 4 minutes 0.0.0.0:8052->5000/tcp flask-xray_flask_2
... ...
L'exécution d'un autre "docker-compose up -d" dans le répertoire de travail de "integrtedML-demo-template" a fait apparaître le conteneur irisimlsvr et tf2jupyter dans la liste ci-dessus.
Après avoir démarré les services docker ci-dessus, nous pouvons visiter une application web de démonstration pour X-Ray Covid-19 lung detection hébergée dans une instance AWS EC2 à une adresse temporaire à http://ec2-18-134-16-118.eu-west-2.compute.amazonaws.com:8056/
Voici ci-dessous quelques écrans capturés depuis mon mobile. L'interface utilisateur de démonstration est très simple : en gros, je clique sur "Choose File" puis sur le bouton "Submit" pour télécharger une image radiographique, puis l'application affiche un rapport de classification. S'il s'agit d'une radiographie Covid-19, une [carte thermique sera affichée] (https://community.intersystems.com/post/explainability-and-visibility-covid-19-x-ray-classifiers-deep-learning) pour reproduire la zone de lésion "détectée" par DL ; sinon, le rapport de classification ne montrera que l'image radiographique téléchargée.
L'application web est une page serveur Python dont la logique est principalement codée dans le fichier main.py de FastAPI, ainsi que dans le fichier app.py de Flask.
Quand j'aurai un peu plus de temps libre, je pourrais documenter en détail les différences de codage et de convention entre Flask et FastAPI. En fait, j'espère pouvoir faire un hébergement de démonstration Flask vs FastAPI vs IRIS pour l'IA.
FastAPI (exposé au port 8056) a intégré des documents Swagger API, comme indiqué ci-dessous. C'est très pratique. Tout ce que j'ai à faire est d'utiliser "/docs" dans son URL, par exemple :
.png)
J'ai intégré quelques paramètres (tels que /hello et /items) et quelques interfaces API de démonstration (telles que /healthcheck, /predict, et predict/heatmap).
Testons rapidement ces API, en exécutant quelques lignes Python (en tant qu'émulateur d'application client API) dans l'un des [fichiers d'échantillons de Jupyter Notebook que j'ai créés] (https://github.com/zhongli1990/covid-ai-demo-deployment/tree/master/notebooks/notebooks) pour ce service de démonstration de l'IA.
Ci-dessous, j'exécute ce fichier à titre d'exemple : https://github.com/zhongli1990/covid-ai-demo-deployment/blob/master/notebooks/notebooks/Covid19-3class-Heatmap-Flask-FastAPI-TF-serving-all-in-one-HAProxy2.ipynb
Tout d'abord pour tester que le backend TF-Serving (port 8511) et TF-Serving-GPU (port 8521) sont en place et fonctionnent :
!curl http://172.17.0.1:8511/v1/models/covid19 # servant tensorflow
!curl http://172.17.0.1:8521/v1/models/covid19 # servant tensorflow-gpu{
"model_version_status": [
{
"version": "2",
"state": "AVAILABLE",
"status": {
"error_code": "OK",
"error_message": ""
}
}
]
}
{
"model_version_status": [
{
"version": "2",
"state": "AVAILABLE",
"status": {
"error_code": "OK",
"error_message": ""
}
}
]
}
Ensuite, vérifiez que les services API suivants sont en place et fonctionnent :
r = requests.get('http://172.17.0.1:8051/covid19/api/v1/healthcheck') # tf servant le docker avec le cpu
print(r.status_code, r.text)
r = requests.get('http://172.17.0.1:8056/covid19/api/v1/healthcheck') # tf-servant le docker avec le gpu
print(r.status_code, r.text)
r = requests.get('http://172.17.0.1:8088/covid19/api/v1/healthcheck') # tf-servant le docker avec le HAproxy
print(r.status_code, r.text)Et les résultats attendus seraient :
200 L'API du détecteur Covid19 est en ligne ! 200 "L'API du détecteur Covid19 est en ligne !\n\n" 200 "L'API du détecteur Covid19 est en ligne !\n\n"
Tester une interface API fonctionnelle, telle que **/predict/heatmap ** pour renvoyer le résultat de la classification et de la heatmap d'une image radiographique d'entrée. L'image entrante est codée en based64 avant d'être envoyée via HTTP POST conformément aux définitions de l'API :
%%time# Importation de la bibliothèque des requêtes import argparse import base64import requests# définition d'un point d'entrée ap pour api API_ENDPOINT = "http://172.17.0.1:8051/covid19/api/v1/predict/heatmap"image_path = './Covid_M/all/test/covid/nejmoa2001191_f3-PA.jpeg' #image_path = './Covid_M/all/test/normal/NORMAL2-IM-1400-0001.jpeg' #image_path = './Covid_M/all/test/pneumonia_bac/person1940_bacteria_4859.jpeg' b64_image = "" # Encoding the JPG,PNG,etc. image to base64 format with open(image_path, "rb") as imageFile: b64_image = base64.b64encode(imageFile.read())# données à envoyer à l'api data = {'b64': b64_image}# envoi d'une requête post et enregistrement de la réponse en tant qu'objet réponse r = requests.post(url=API_ENDPOINT, data=data)print(r.status_code, r.text)# extraction de la réponse print("{}".format(r.text))
Toutes ces [images de test ont également été téléchargées sur GitHub] (https://github.com/zhongli1990/Covid19-X-Rays/tree/master/all/test). Le résultat du code ci-dessus sera comme ça:
200 {"Input_Image":"http://localhost:8051/static/source/0198f0ae-85a0-470b-bc31-dc1918c15b9620200906-170443.png","Output_Heatmap":"http://localhost:8051/static/result/Covid19_98_0198f0ae-85a0-470b-bc31-dc1918c15b9620200906-170443.png.png","X-Ray_Classfication_Raw_Result":[[0.805902302,0.15601939,0.038078323]],"X-Ray_Classification_Covid19_Probability":0.98,"X-Ray_Classification_Result":"Covid-19 POSITIVE","model_name":"Customised Incpetion V3"}
{"Input_Image":"http://localhost:8051/static/source/0198f0ae-85a0-470b-bc31-dc1918c15b9620200906-170443.png","Output_Heatmap":"http://localhost:8051/static/result/Covid19_98_0198f0ae-85a0-470b-bc31-dc1918c15b9620200906-170443.png.png","X-Ray_Classfication_Raw_Result":[[0.805902302,0.15601939,0.038078323]],"X-Ray_Classification_Covid19_Probability":0.98,"X-Ray_Classification_Result":"Covid-19 POSITIVE","model_name":"Customised Incpetion V3"}
CPU times: user 16 ms, sys: 0 ns, total: 16 ms
Wall time: 946 ms
Nous avons mis en place une instance d'équilibreur de charge HAProxy. Nous avons également démarré un service Flask avec 4 travailleurs, et un service FastAPI avec 4 travailleurs également.
Pourquoi ne pas créer 8x processus Pyhon directement dans le fichier Notebook, pour émuler 8x clients API simultanés envoyant des requêtes dans les API du service de démonstration, pour voir ce qui se passe ?
#from concurrent.futures import ThreadPoolExecutor as PoolExecutor from concurrent.futures import ProcessPoolExecutor as PoolExecutor import http.client import socket import timestart = time.time()#laodbalancer: API_ENDPOINT_LB = "http://172.17.0.1:8088/covid19/api/v1/predict/heatmap" API_ENDPOINT_FLASK = "http://172.17.0.1:8052/covid19/api/v1/predict/heatmap" API_ENDPOINT_FastAPI = "http://172.17.0.1:8057/covid19/api/v1/predict/heatmap" def get_it(url): try: # boucle sur les images for imagePathTest in imagePathsTest: b64_image = "" with open(imagePathTest, "rb") as imageFile: b64_image = base64.b64encode(imageFile.read()) data = {'b64': b64_image} r = requests.post(url, data=data) #print(imagePathTest, r.status_code, r.text) return r except socket.timeout: # dans un scénario du monde réel, vous feriez probablement quelque chose si le # socket passe en timeout passurls = [API_ENDPOINT_LB, API_ENDPOINT_LB, API_ENDPOINT_LB, API_ENDPOINT_LB, API_ENDPOINT_LB, API_ENDPOINT_LB, API_ENDPOINT_LB, API_ENDPOINT_LB]with PoolExecutor(max_workers=16) as executor: for _ in executor.map(get_it, urls): pass print("--- %s seconds ---" % (time.time() - start))
Il a donc fallu 74 secondes pour traiter 8x27 = 216 images de test. Cette pile de démonstration à charge équilibrée était capable de traiter 3 images par seconde (en renvoyant les résultats de la classification et de la heatmap aux clients) :
--- 74.37691688537598 seconds ---
À partir de la commande Top de la session Putty, nous pouvons voir que 8x processus de serveur (4x gunicorn + 4 unicorn/python) ont commencé à monter en puissance dès que les scripts de référence ci-dessus ont commencé à être exécutés.
.png)
Cet article n'est qu'un point de départ pour mettre en place une pile de déploiement "All-in-Docker AI demo" comme cadre de test. J'espère ensuite ajouter d'autres interfaces de démonstration API, telles que l'interface de prédiction des soins intensifs Covid-19, idéalement conforme à la norme FHIR R4, etc. Cela pourrait également être un banc d'essai pour explorer une intégration plus étroite avec les capacités ML hébergées par IRIS. Au fil du temps, il peut être utilisé comme un cadre de test (et un cadre assez simple) pour intercepter de plus en plus de modèles ML ou DL spécialisés au fur et à mesure que nous avançons sur divers aspects de l'IA, notamment l'imagerie médicale, la santé de la population ou la prédiction personnalisée, le traitement automatique des langues, etc. J'ai également dressé une liste de souhaits à la toute fin de l'article précédent (dans sa section "Next" (Suivant)).
Chers membres de la communauté,
Les premiers mois de l'année sont le moment de faire le bilan de l'année précédente et de récompenser les participants qui ont le plus contribué au développement de notre communauté. Dans l'annonce original, les utilisateurs avec le plus grand nombre d'articles, le plus des réponses acceptées et le plus d'attention à leur travail ont été marqués. Je suis extrêmement heureux de constater que parmi les meilleurs il y a aussi des membres actifs de notre communauté francophone !
Bonjour la communauté,
Je suis heureux de partager avec vous la nouvelle que InterSystems IRIS est nommé «Exemplaire» et se positionne dans le haut du classement du Ventana Research Data Platforms Value Index 2023 ! Selon le nouveau rapport d'analystes, la plateforme de gestion de données InterSystems IRIS devance Microsoft, SAP, AWS et Google dans le classement général.
Forum des ROIS de la Supply Chain 2023
Présentation des 8 projets en compétition
Sur la journée, les grandes thématiques abordées :
1- Un environnement de plus en plus complexe, nécessite de faire appel aux nouvelles techno pour une SC toujours plus performante, ex. tour de control pour une meilleure visibilité, IA pour de meilleurs forecasts
2- Économie circulaire => future révolution qui met la Supply Chain au cœur du modèle
3- Décarbonation => une nécessité absolue mais les solutions ne sont pas encore complément mâtures. Du chemin encore à parcourir …
4- Logistique urbaine => enjeu fort du à l’explosion du e-commerce et enjeu Green
5- Attractivité des métiers : La robotisation, cyclo-logistique, les technologies au service de l’humain
Bonjour la communauté,
Je suis heureux de partager avec vous la nouvelle que InterSystems était nommé Visionnaire dans le Magic Quadrant™ de Gartner® 2022 pour les systèmes de gestion de bases de données basés sur le cloud ! La plateforme de gestion de données InterSystems IRIS® garde une longueur d’avance sur le secteur et constitue une solution fournissant en continu des informations précieuses à ses clients.
Bonjour la communauté,
Certains d'entre vous ont réussi la certification officielle d'InterSystems et aimeraient obtenir une jolie coche verte sur l'avatar de leur profil .png)
et tous vos certificats dans votre profil DC afin que les autres sachent que vous savez... vous savez ce que nous voulons dire 
Ainsi, pour ajouter une certification à votre profil DC, vous devez suivre trois étapes simples :
1️⃣ Accédez à votre profil DC
2️⃣ Accédez à la section InterSystems certifications
3️⃣ Cliquez sur le bouton Charger mes certifications
et c'est tout !
Salut les développeurs,
Merci beaucoup de rester avec la communauté de développeurs d'InterSystems pour une année de plus !
Jour après jour, notre équipe essaie de le rendre meilleur et plus utile pour chacun de nos 12 000 + membres !
Nous aimerions savoir à quel point la communauté de développeurs vous est utile à ce stade. Veuillez prendre quelques instants pour nous dire ce que vous en pensez et ce qui pourrait être amélioré :
👉🏼 Enquête annuelle 2022 de la communauté de développeurs d'InterSystems 👈🏼
Remarque : L'enquête prendra moins de 5 minutes.
Salut la Сommunauté !
Nous sommes heureux de vous annoncer notre nouveau sujet pour les prochains mois ! Nous continuerons à parler de la santé et de l'utilisation des produits InterSystems pour faciliter la capture des données nécessaires, leur normalisation, leur stockage en toute sécurité et leur exploitation pratique. Lisez cet article pour en savoir plus !
.png)
Chers membres de la Communauté de Développeurs,
Nous sommes ravis de partager avec vous notre dernière fonctionnalité de la communauté de développeurs !
🔥 VOTRE RÉCAPITULATIF 2022 🔥
Chaque membre a désormais accès à son résumé d'activité personnalisé de 2022 : un aperçu de ses contributions, y compris le nombre de publications, de commentaires, de vues, de publications/tags les plus populaires et favoris, et bien plus encore !
%20(2).jpg)
Bonjour la communauté,
Je suis heureux de partager avec vous la nouvelle que InterSystems est reconnu comme un leader dans le rapport The Forrester Wave : Translytical Data Platform !
InterSystems IRIS possède des capacités translytiques complètes éprouvées à grande échelle et se démarque par son environnement de développement unifié.
Bonjour à toutes et à tous !
Voici le résumé annuel des articles de la communauté de développeurs de 2022. Merci d'avoir contribué à la communauté InterSystems au cours de 2022 !
Salut les développeurs,
Nous sommes ravis de partager avec vous la nouvelle fonctionnalité géniale du tableau de bord d'analyse pour chaque membre de la communauté 🔥
À partir de maintenant, vous pouvez voir vos propres statistiques détaillées pour la semaine, le mois et tous les temps en cours, y compris :
.png)