当前位置：首页 > news >正文

算法模型嵌入式 Mendix应用的开发示例

news 2025/9/15 15:12:16

一、前言

根据埃森哲最新一项调查，2023年67%的企业持续加大在技术方面的投入，其中数据和AI应用是重中之重。AI在企业内部应用这个话题已经保持了十多年的热度，随着ChatGPT为代表的生成式AI技术的出现，这一话题迎来又一波的高潮。

生成式AI展示出来的能量固然让人惊叹，企业也应该密切跟进，找到AI创造业务价值的新的结合点。与此同时，站在一个AI新时代（目前看起来是如此）的转折点，企业也有必要回顾一下，过去十多年在AI 应用方面的举措是否达到预期，投入产出是否还有提升空间。

二、问题提出

笔者最近亲历两个客户都在应用AI，在使用方式上却有不同。

客户1: 某外国银行客户，正在推进数字化银行的5年战略计划，拥有230+人的IT团队，另外有15人的数据科学团队隶属于运营部门。与IT团队沟通低代码同时，我们询问这15人的数据科学团队的具体工作，得知其主要是对银行C端B端客户的交易数据进行历史分析，建立机器学习模型并对将来业务进行预测，向运营VP和其它高管提供数据报表，有定期的也有临时的。而这个岗位的平均薪资是IT开发人员的2倍。

客户2: 某国内高科技客户，从事高分子材料的研究和产品开发。其研发团队（非IT）员工基本都有数据分析背景，使用Python进行数据处理是其日常工作，核心研究也涉及机器学习算法的训练。IT部门在向研发部门提供数字化服务时，有大量需要融合算法模型的应用开发需求，目前的做法是应用与Python算法服务独立运行，应用调用Python接口。

对比来看，客户1 的AI投入显著，但产出并未与业务流程强耦合，而是以离线报表的形式供决策者主观参考。这一现象可以称之为“未打通AI应用的最后一公里”，这种模式下ROI往往受限。客户2 业务类型决定了必然有懂算法和数据分析的研发人员，而非额外投入，但难点在于IT部门如何承接研发部门的产出。应用与算法服务独立部署、接口调用固然技术可行，但从应用开发、运维、同步扩展、迁移等角度，会存在效率低下的问题。

三、Mendix的答案

Mendix对于AI在企业应用构建中发挥作用的设想是完全嵌入式的，即在应用全生命周期都应该融入AI的能力。

应用开发阶段：Mendix IDE自带AI机器人，一方面可以实现基于微流上下文件推荐逻辑组件，另一方面可以扫描整个工程根据Mendix开发最佳实践推荐工程改进建议。预计年底推出的生成式AI能力，Mendix Chat 将最终实现与开发者基于自然语言交流，实现实体和微流的自动生成。

应用运行阶段：Mendix ML Kit 可以解析ONNX格式的机器学习算法模型，并通过Call ML Kit组件将算法模型按需内嵌到业务流程（微流）中。另外，Mendix 运行时环境中融入了ONNX模型运行时，确保在一套部署环境之下可以同时执行应用程序和算法模型。

四、示例应用

这里我们打算构建一个销售量预测的场景应用。这个应用核心是算法模型和数据，其次是应用体验。

算法模型和数据

Mendix本身不提供算法，而是在企业自有算法模型之上集成并运行算法。因此，本示例中我们借用Kaggle社区的一个竞赛方案，链接地址https://www.kaggle.com/code/konradb/ts-4-sales-and-demand-forecasting/notebook

历史数据是由沃尔玛提供的3家门店过去5年期间某些商品的销售记录。

算法目标是基于历史销售记录建立预测模型，对给定时刻起28天特定SKU的销量。

引用的竞赛方案选用的是LGBM模型的回归预测。该算法在150轮训练后RMSE趋于稳定。

下载竞赛方案 Pynote，通过阅读代码了解算法选取逻辑和数据处理逻辑。该方案中对于过去5年间的销售记录作了如下的特征提取：

对商品、门店、商品类别进行类别化（categorization）处理，即转化为整形数值
对销售数量进行时间序列的特征处理，选取了28天前销售、28天前时刻的最近一周平均销量、28天前时刻的最近四周平均销量
对销售日期分解为月份、季度、月度日期等3个整形数值

注意：以上的特征提取过程，也是后面在Mendix中构建应用时对业务数据预处理的过程。处理过的业务数据才能作为算法模型输入，获得预测输出。这个示例中，为了简化直接借助原始Python代码对预测数据集进行了特征提取。

模型转化

Mendix ML Kit接受ONNX格式的算法模型，这是一种主流的模型中间格式。Pytorch、TensorFlow、ScikitLearn、Caffee等框架下的模型都有转化ONNX格式的标准工具。更多关于ONNX格式和转换可参考知乎文章。

在原方案中训练好算法模型之后，加上以下Python代码将模型转化并保存为ONNX格式。

常见的ONNX转化工具包括以下Python 包：

onnxmltools
convert_sklearn
torch.onnx
tf2onnx

实际工程中根据算法模型的训练框架选取合适的工具即可。

模型可视化

对于ONNX格式的模型，我们可以借助可视化工具直观理解模型的输入、输出和中间算子（operator）。

这里我们用https://netron.app在线网站查看前面保存下来的ONNX算法模型。

从图可以清晰看出，该模型输入为长度为10的32位浮点型数组，输出为单个32位浮点型数值，中间算子是一个回归运算算子。输入和输出的-1表示Batch值，在这个算法模型中都为1.

注意：这里的算子是经转换后ONNX对应的实现算子，和原始算法有可能不一一对应，这部分内容不在Mendix主体范围，有兴趣可以阅读相关资料详细了解。

模型导入

ONNX格式算法模型有了，并通过可视化对模型有个直观理解之后，我们就可以开始在Mendix环境中的工作。

第一步就是将模型导入Mendix。在add others中找到ML model mapping.

选择前面保存的ONNX格式文件。

导入后得到如上图映射关系，并自动生成输入和输出两个实体。

注意观察：输入实体只有唯一属性，且是字符串类型，这和我们前面观察到的算法模型有长度为10的32位浮点型数组不一致。正因为如此，我们需要在Mendix中调用模型时，对数据进行预处理，将含有10个浮点型（Mendix中用Decimal）的特征字段转化为字符串类型。输出实体有一个Decimal类型属性，可以直接作为销量预测结果在应用中使用，无需额外处理。

模型调用并数据预处理

创建一个子微流，它可以在其它需要的地方被调用，实现模型调用的基础功能。

从IDE右侧的工具箱是选取 Call ML Model组件，配置已导入的模型名称、输入输出实体对象。

其中，输入实体对象需要通过一个JavaAction对原始业务数据进行预处理，该JavaAction输入为包含10个特征字段的实体对象，输出为模型映射指定的 ML_Input_Entity_LGBModel.

JavaAction的实现逻辑如下所示：

注意：对于不同业务数据类型如数值、文本、图片、音频、视频，数据预处理逻辑方式不同，但有固定做法。这是机器学习领域工程师应该掌握的技能，在此不详细展开。

至此，调用算法模型进行预测的子微流构建完毕。

应用设计

接下来我们要构建应用的用户交互层，这个示例中我们设计了以下模块：

主数据模块：用于维护门店、商品等主数据。
交易数据查看模块：用于查看历史销售记录、待预测记录等。
数据导入模块：用于数据从Excel数据集到Mendix的导入。
销售预测绘图模块：用于图形化展示门店/商品组合的历史销量和销量预测。

效果展示

主数据维护

数据导入

交易数据查看

sales record.png

未来销量预测

sales feature.png

销量预测图表

当然，以上只是基础展示效果，在实际业务应用中，可以将销量预测结果融入采购、仓储、物流等计划执行中，在需要的地方调用Sub_Model_Call 子微流即可，实现算法模型嵌入式的业务流程，让最后一公里变得更为简单。

五、总结

Mendix 提供基于ML Kit的机器学习算法模型嵌入组件，支持Pytorch、Tensorflow、Scikitlearn、Caffee等主流训练框架下的算法模型转化为ONNX格式后导入应用，在所需要的业务流程中通过一个Call ML Model组件轻松被调用。这种方式下，算法模型和业务应用在一套运行时环境中，相比传统的算法服务独立运行并通过接口调用的方式，不仅构建更快，而且调用延时更低，还方便统一运维，打通应用最后一公里，实现算法模型对业务的赋能。

本示例提供了端到端的开发实现参考。如果您手头正有融合算法模型的应用开发需求，或者您已经在使用Mendix希望融合算法模型，可以在评论区留下联系方式，我们会与您沟通并提供所需帮助。

关于Mendix公司

在一个数字化先行的世界中，客户希望自己的每一项需求都得到满足，员工希望使用更好的工具来完成工作，而企业意识到自己只有通过全面数字化转型才能生存并取得成功。Mendix公司，a Siemens business正在迅速成为企业数字化转型的推动者。其业内领先的低代码平台和全方位的生态系统整合最先进的技术，帮助企业创造出提高互动性、简化操作和克服IT瓶颈的解决方案。Mendix公司以抽象化、自动化、云和协作为四大支柱，大幅提升开发者的生产力，并且依靠自己的工程协作能力和直观的可视化界面，帮助大量不熟悉技术的“公民”开发者在他们所擅长的领域创建应用程序。Mendix公司是权威行业分析师眼中的领导者和远见者，也是一个云原生、开放、可扩展、敏捷和饱经考验的平台。从人工智能和增强现实，到智能自动化和原生移动，Mendix公司已成为数字化先行企业的骨干。Mendix公司企业低代码平台已被全球4000多家领先的公司采用。