jBPM作为AI编排平台

免责声明：本文观点仅代表作者对jBPM当前及潜在能力的主观看法。

本文介绍了jBPM作为编排外部AI中心化环境（如用于设计和运行AI解决方案的Python）的平台。我们将概述jBPM最相关的AI编排功能，并通过实际示例演示其作为AI编排平台的有效性：

简要介绍jBPM

jBPM（Java业务流程管理）是一个开源集成平台，其核心是工作流引擎。尽管jBPM项目自称为BPM（业务流程管理）或工作流引擎、工具包或套件，但我们认为将其描述为集成平台更为准确。

支持这一特性的功能包括：

• 通过REST API对外暴露jBPM中实现的业务逻辑：

• 提供业务流程自动化引擎：

• 嵌入与外部提供者交互的组件（例如与Python）：

这些功能使jBPM能够与外部系统交互、做出自动化决策并高效管理对外部提供者的调用。

jBPM如何编排Python

jBPM的Python集成可以通过多种方式实现。我们当前的方法使用Jep（Java嵌入式Python），这是一个允许与Python解释器交互的Java扩展。当与jBPM的业务流程自动化（如脚本任务活动）结合时，这实现了坚实的基础级Python编排：

尽管Jep实现了Python集成，但其可用性障碍可能在初始实施期间需要解决方法。

实际示例：卒中预测

jBPM编排Python的一个全面示例是我们的解决方案，用于训练AI模型并估计一组患者的卒中风险。在医院或临床环境中，医生使用EMR（电子医疗记录）系统，如开源OpenEMR（或任何其他允许自定义用户屏幕的软件）。卒中预测请求可能来自EMR的各个部分，通常在患者文件中：

医生选择卒中预测AI解决方案并向部署了AI逻辑的jBPM提交预测请求：

jBPM处理请求，编排AI逻辑和Python计算，并将估计的卒中风险返回给OpenEMR：

卒中风险最初在jBPM中计算，然后返回给OpenEMR供医生查看：

此预测工作流在端到端可视化时如下所示：

同时，监控AI模型性能的分析师可以重新训练并发布更新的模型：

与医生的工作流类似，分析师选择AI解决方案并向jBPM提交训练/验证/测试请求：

jBPM记录并执行训练过程：

结果计算并返回给OpenEMR：

负载测试确认jBPM高效处理同时的用户请求，包括预测和模型训练，没有瓶颈或数据泄漏：

什么使jBPM成为AI编排平台？

鉴于其编排AI工作流的能力，人们可能会问：jBPM是否有足够的周边功能被视为一个完整的AI编排平台？

让我们检查jBPM周围的生态系统。其“最近邻居”可能是Eclipse，这是jBPM的首选IDE（集成开发环境），特别是由于像Eclipse BPMN2 Modeler这样的插件：

Eclipse通过启用离线开发来增强jBPM。上述插件允许开发人员在本地执行jBPM基于Web的客户端支持的大多数任务。此外，作为一个高度可扩展的模块化IDE，Eclipse提供了满足开发团队面临的几乎所有需求的工具。

另一个关键“邻居”是PostgreSQL，这是可以配置以支持jBPM底层数据结构的几种数据库引擎之一：

PostgreSQL存储jBPM技术数据的能力为数据挖掘和优化部署在jBPM中的AI解决方案解锁了巨大机会。

在此背景下，逻辑上要提到另一个关键“邻居”——BIRT（商业智能报告工具）。BIRT是能够提取、转换和报告jBPM管理的技术和业务数据的开源BI引擎之一：

Eclipse、PostgreSQL和BIRT与jBPM的核心功能一起，形成了一个强大的AI编排平台，促进了AI模型的部署、执行和优化。

更多信息： C-NLTX/Open-Source