{"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\/de\/blog\/python-gateway-v-intersystems-iris","title":{"rendered":"Python Gateway in InterSystems IRIS","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Dieser Artikel ist dem Python Gateway gewidmet \u2014 einem Open-Source-Community-Projekt f\u00fcr die Datenplattform InterSystems IRIS. Dieses Projekt erm\u00f6glicht es, beliebige Machine-Learning-Algorithmen, die in Python (der Hauptumgebung f\u00fcr viele Data Scientists) erstellt wurden, zu orchestrieren und zahlreiche verf\u00fcgbare Bibliotheken zu verwenden, um schnell adaptive, automatisierte analytische AI\/ML-L\u00f6sungen auf der InterSystems IRIS-Plattform zu erstellen. In diesem Artikel zeige ich, wie InterSystems IRIS Prozesse in Python orchestrieren, Daten effizient bidirektional \u00fcbertragen und intelligente Gesch\u00e4ftsprozesse erstellen kann.<\/p>\n

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

Plan<\/h1>\n

<\/p>\n

    \n
  1. Einf\u00fchrung.<\/li>\n
  2. Werkzeuge.<\/li>\n
  3. Installation.<\/li>\n
  4. API.<\/li>\n
  5. Interoperabilit\u00e4t.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. Fazit.<\/li>\n
  8. Links.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Einf\u00fchrung<\/h1>\n

    <\/p>\n

    Python ist eine hochgradig flexible Programmiersprache, die auf die Steigerung der Entwicklerproduktivit\u00e4t und die Lesbarkeit des Codes abzielt. In dieser Artikelreihe werde ich die M\u00f6glichkeiten der Anwendung von Python auf der InterSystems IRIS-Plattform erl\u00e4utern, wobei der Schwerpunkt dieses Artikels auf der Verwendung von Python als Sprache zur Erstellung und Anwendung von Machine-Learning-Modellen liegt.<\/p>\n

    <\/p>\n

    Machine Learning (ML) ist eine Klasse von Methoden der k\u00fcnstlichen Intelligenz, bei denen nicht direkt eine Aufgabe gel\u00f6st wird, sondern das Lernen w\u00e4hrend der L\u00f6sung vieler \u00e4hnlicher Aufgaben im Vordergrund steht. <\/p>\n

    <\/p>\n

    Maschinenlernalgorithmen und -modelle werden immer verbreiteter. Es gibt viele Gr\u00fcnde daf\u00fcr, aber sie lassen sich auf Zug\u00e4nglichkeit, Einfachheit und das Erzielen praktischer Ergebnisse zur\u00fcckf\u00fchren. Ist Clusterbildung oder sogar neuronales Netzmodellierung eine neue Technologie? <\/p>\n

    <\/p>\n

    Nat\u00fcrlich nicht, aber heutzutage ist es nicht mehr notwendig, Hunderte von Tausenden Zeilen Code zu schreiben, um ein einziges Modell zu starten, und die Kosten f\u00fcr die Erstellung und Anwendung von Modellen werden immer geringer.<\/p>\n

    <\/p>\n

    Die Werkzeuge entwickeln sich weiter \u2014 w\u00e4hrend wir nicht \u00fcber vollst\u00e4ndig GUI-orientierte AI\/ML-Werkzeuge verf\u00fcgen, beobachten wir den gleichen Fortschritt bei vielen anderen Klassen von Informationssystemen, zum Beispiel BI (von der Codierung bis zur Nutzung von Frameworks und GUI-orientierten konfigurierbaren L\u00f6sungen), auch in den Werkzeugen zur Erstellung von AI\/ML. Wir haben die Phase des Programmierens hinter uns gelassen und nutzen heute Frameworks zur Erstellung und Schulung von Modellen.<\/p>\n

    <\/p>\n

    Weitere Verbesserungen, wie die M\u00f6glichkeit, vortrainierte Modelle zu verbreiten, bei denen der Endbenutzer nur das Training des Modells mit seinen spezifischen Daten abschlie\u00dfen muss, erleichtern den Einstieg in die Anwendung von maschinellem Lernen. Diese Fortschritte erleichtern das Lernen von maschinellem Lernen sowohl f\u00fcr Fachleute als auch f\u00fcr Unternehmen im Allgemeinen erheblich.<\/p>\n

    <\/p>\n

    Andererseits sammeln wir immer mehr Daten. Dank einer einheitlichen Datenplattform wie InterSystems IRIS kann all diese Information sofort aufbereitet und als Ausgangsdaten f\u00fcr Modelle des maschinellen Lernens verwendet werden.<\/p>\n

    <\/p>\n

    Mit dem \u00dcbergang in die Cloud wird der Start von AI\/ML-Projekten einfacher als je zuvor. Wir k\u00f6nnen nur die Ressourcen nutzen, die wir ben\u00f6tigen. Dar\u00fcber hinaus k\u00f6nnen wir dank der Parallelisierung, die von Cloud-Plattformen angeboten wird, Zeit sparen.<\/p>\n

    <\/p>\n

    Aber wie sieht es mit den Ergebnissen aus? Hier wird es komplizierter. Es gibt viele Werkzeuge zum Aufbau von Modellen, \u00fcber die ich im Folgenden sprechen werde. Ein gutes Modell zu erstellen ist nicht einfach, aber was kommt dann? Die Erzielung von Nutzen aus der Nutzung des Modells durch das Unternehmen ist ebenfalls eine keine triviale Aufgabe. Der Kern des Problems liegt in der Trennung von analytischen und transaktionalen Lasten sowie den Datenmodellen. Wenn wir ein Modell trainieren, tun wir dies normalerweise mit historischen Daten. Aber der Platz f\u00fcr das gebaute Modell liegt in der transaktionalen Datenverarbeitung. Was n\u00fctzt das beste Modell zur Erkennung betr\u00fcgerischer Transaktionen, wenn wir es nur einmal am Tag ausf\u00fchren? Die Betr\u00fcger sind l\u00e4ngst mit dem Geld verschwunden. Wir m\u00fcssen das Modell mit historischen Daten trainieren, aber wir m\u00fcssen es auch in Echtzeit auf neue eingehende Daten anwenden, damit unsere Gesch\u00e4ftsprozesse gem\u00e4\u00df den Vorhersagen des Modells agieren k\u00f6nnen.<\/p>\n

    <\/p>\n

    Das ML Toolkit ist ein Satz von Werkzeugen, dessen Ziel es ist, genau dies zu erreichen: Modelle und die transaktionale Umgebung zu verbinden, damit die erstellten Modelle direkt in Ihren Gesch\u00e4ftsprozessen eingesetzt werden k\u00f6nnen. Der Python Gateway ist Teil des ML Kit und bietet eine Integration mit der Programmiersprache Python (\u00e4hnlich wie der R Gateway, der als Teil des ML Kit die Integration mit der Programmiersprache R erm\u00f6glicht).<\/p>\n

    <\/p>\n

    Werkzeug<\/h1>\n

    <\/p>\n

    Bevor wir fortfahren, m\u00f6chte ich einige Werkzeuge und Bibliotheken f\u00fcr Python beschreiben, die wir sp\u00e4ter verwenden werden.<\/p>\n

    <\/p>\n

    Technologien<\/h2>\n

    <\/p>\n