{"id":41221,"date":"2020-02-06T20:42:46","date_gmt":"2020-02-06T17:42:46","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/python-gateway-v-intersystems-iris"},"modified":"2020-02-06T20:42:46","modified_gmt":"2020-02-06T17:42:46","slug":"python-gateway-v-intersystems-iris","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/python-gateway-v-intersystems-iris","title":{"rendered":"Python Gateway i InterSystems IRIS","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Denne artikel handler om Python Gateway \u2014 et community-projekt med \u00e5bent kildekode til InterSystems IRIS dataplatform. Dette projekt g\u00f8r det muligt at orkestrere alle maskinl\u00e6ringsalgoritmer, der er skrevet i Python (den prim\u00e6re platform for mange dataforskere), og anvende mange f\u00e6rdige biblioteker til hurtigt at skabe adaptive, robotiserede analytiske AI\/ML-l\u00f8sninger p\u00e5 InterSystems IRIS-platformen. I denne artikel vil jeg vise, hvordan InterSystems IRIS kan orkestrere processer i Python, effektivt muligg\u00f8re tovejs dataoverf\u00f8rsel og skabe intelligente forretningsprocesser.<\/p>\n

<\/a><\/noindex><\/p>\n

Plan<\/h1>\n

<\/p>\n

    \n
  1. Introduktion.<\/li>\n
  2. V\u00e6rkt\u00f8jer.<\/li>\n
  3. Installation.<\/li>\n
  4. API.<\/li>\n
  5. Interoperabilitet.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. Konklusioner.<\/li>\n
  8. Links.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Introduktion<\/h1>\n

    <\/p>\n

    Python er et h\u00f8j-niveau programmeringssprog for almindelig brug, der fokuserer p\u00e5 at forbedre udviklerens produktivitet og l\u00e6sbarheden af koden. I denne serie af artikler vil jeg tale om anvendelsesmulighederne for Python p\u00e5 InterSystems IRIS-platformen, hvor denne artikel har fokus p\u00e5 anvendelsen af Python som sprog for oprettelse og brug af maskinl\u00e6ringsmodeller.<\/p>\n

    <\/p>\n

    Maskinl\u00e6ring (ML) er en klasse af metoder inden for kunstig intelligens, hvor kendetegnet ikke er direkte l\u00f8sning p\u00e5 opgaver, men l\u00e6ring ved at l\u00f8se mange lignende opgaver. <\/p>\n

    <\/p>\n

    Algoritmer og modeller for maskinl\u00e6ring bliver stadig mere udbredte. Der er mange grunde til dette, men det hele kommer ned til tilg\u00e6ngelighed, enkelhed og opn\u00e5else af praktiske resultater. Er clustering eller endda neuralt netv\u00e6rksmodellering en ny teknologi? <\/p>\n

    <\/p>\n

    Selvf\u00f8lgelig ikke, men i \u00f8jeblikket er der ikke behov for at skrive hundredtusindvis af linjer kode for at k\u00f8re en model, og omkostningerne ved at oprette og anvende modeller bliver mindre og mindre.<\/p>\n

    <\/p>\n

    V\u00e6rkt\u00f8jerne udvikler sig \u2014 selvom vi ikke har fuldt GUI-orienterede AI\/ML-v\u00e6rkt\u00f8jer, observerer vi den samme udvikling som set med mange andre klasser af informationssystemer, s\u00e5som BI (fra kode til brug af frameworks og GUI-orienterede konfigurerbare l\u00f8sninger), der ogs\u00e5 ses i v\u00e6rkt\u00f8jer til oprettelse af AI\/ML. Vi er allerede forbi kode-skrivningsfasen og bruger i dag frameworks til at opbygge og tr\u00e6ne modeller.<\/p>\n

    <\/p>\n

    Andre forbedringer, s\u00e5som muligheden for at distribuere fortr\u00e6nede modeller, n\u00e5r slutbrugeren bare skal afslutte tr\u00e6ningen af modellen p\u00e5 sine specifikke data, g\u00f8r det ogs\u00e5 lettere at komme i gang med maskinl\u00e6ring. Disse fremskridt letter betydeligt l\u00e6ringen af maskinl\u00e6ring b\u00e5de direkte for specialister og for virksomheder generelt.<\/p>\n

    <\/p>\n

    P\u00e5 den anden side samler vi flere og flere data. Takket v\u00e6re en samlet dataplatform som InterSystems IRIS kan al denne information straks forberedes og anvendes som inputdata til maskinl\u00e6ringsmodeller.<\/p>\n

    <\/p>\n

    Med overgangen til cloud bliver lanceringen af AI\/ML-projekter lettere end nogensinde. Vi kan kun forbruge de ressourcer, vi har brug for. Desuden, takket v\u00e6re paralleliseringen, der tilbydes af cloudplatforme, kan vi spare tid.<\/p>\n

    <\/p>\n

    Men hvordan st\u00e5r det til med resultaterne? Her bliver det mere kompliceret. Der findes mange v\u00e6rkt\u00f8jer til at bygge modeller, som jeg vil tale om senere. At bygge en god model er ikke enkelt, men hvad s\u00e5? At f\u00e5 afkast af at bruge modellen i virksomheden er ogs\u00e5 en ikke-triviel opgave. Problemet ligger i adskillelsen af analytiske og transaktionelle belastninger samt datamodeller. N\u00e5r vi tr\u00e6ner en model, g\u00f8r vi det typisk p\u00e5 historiske data. Men en bygget models plads er i den transaktionelle databehandling. Hvad nytter det at have den bedste model til at opdage svigagtige transaktioner, hvis vi kun k\u00f8rer den \u00e9n gang om dagen? Svindlerne er allerede forsvundet med pengene. Vi skal tr\u00e6ne modellen p\u00e5 historiske data, men vi skal ogs\u00e5 anvende den i realtid p\u00e5 nye indkommende data, s\u00e5 vores forretningsprocesser kan handle i overensstemmelse med de forudsigelser, modellen laver.<\/p>\n

    <\/p>\n

    ML Toolkit er et s\u00e6t v\u00e6rkt\u00f8jer, hvis m\u00e5l er netop dette: at forene modeller og den transaktionelle milj\u00f8, s\u00e5 de byggede modeller nemt kan anvendes direkte i dine forretningsprocesser. Python Gateway er en del af ML Toolkit og sikrer integration med Python-sproget (ligesom R Gateway, der er en del af ML Toolkit, sikrer integration med R-sproget).<\/p>\n

    <\/p>\n

    V\u00e6rkt\u00f8jer<\/h1>\n

    <\/p>\n

    F\u00f8r vi forts\u00e6tter, vil jeg gerne beskrive nogle v\u00e6rkt\u00f8jer og biblioteker til Python, som vi senere vil bruge.<\/p>\n

    <\/p>\n

    Teknologier<\/h2>\n

    <\/p>\n