{"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 widmet sich dem Python Gateway \u2013 einem Open-Source-Community-Projekt f\u00fcr die InterSystems IRIS-Datenplattform. Dieses Projekt erm\u00f6glicht die Orchestrierung beliebiger Machine-Learning-Algorithmen, die in Python entwickelt wurden (der Hauptsprache vieler Data Scientists), und die Nutzung zahlreicher fertiger Bibliotheken zur schnellen Erstellung adaptiver, automatisierter analytischer AI\/ML-L\u00f6sungen auf der InterSystems IRIS-Plattform. In diesem Artikel zeige ich, wie InterSystems IRIS Prozesse in Python orchestrieren, bidirektionalen Datenaustausch effizient durchf\u00fchren und intelligente Gesch\u00e4ftsprozesse erstellen kann.<\/p>\n

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

Gliederung<\/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 hochgradige Programmiersprache f\u00fcr allgemeine Zwecke, die darauf abzielt, die Produktivit\u00e4t der Entwickler und die Lesbarkeit des Codes zu erh\u00f6hen. In dieser Artikelreihe werde ich die M\u00f6glichkeiten der Anwendung der Sprache Python auf der InterSystems IRIS-Plattform erl\u00e4utern, wobei der Schwerpunkt dieses Artikels auf der Anwendung von Python als Sprache zur Erstellung und Anwendung von Machine-Learning-Modellen liegt.<\/p>\n

    <\/p>\n

    Maschinenlernen (ML) ist eine Klasse von Methoden der k\u00fcnstlichen Intelligenz, deren charakteristisches Merkmal nicht das unmittelbare L\u00f6sen von Aufgaben ist, sondern das Lernen w\u00e4hrend der L\u00f6sung zahlreicher \u00e4hnlicher Probleme. <\/p>\n

    <\/p>\n

    Algorithmen und Modelle des maschinellen Lernens werden immer verbreiteter. Daf\u00fcr gibt es viele Gr\u00fcnde, aber alles l\u00e4uft auf Verf\u00fcgbarkeit, Einfachheit und das Erreichen praktischer Ergebnisse hinaus. Ist Clusterbildung oder sogar die Netzwerkmodellierung eine neue Technologie? <\/p>\n

    <\/p>\n

    Nat\u00fcrlich nicht, aber heutzutage ist es nicht mehr notwendig, Hunderttausende von Codezeilen 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 \u2013 w\u00e4hrend es noch keine vollst\u00e4ndig GUI-orientierten AI\/ML-Werkzeuge gibt, beobachten wir den gleichen Fortschritt, den wir bei vielen anderen Klassen von Informationssystemen, wie BI (von der Codierung bis zur Nutzung von Frameworks und GUI-basierten konfigurierbaren L\u00f6sungen), gesehen haben, auch in den Tools zur Erstellung von AI\/ML. Wir haben die Phase der Codeerstellung bereits hinter uns gelassen und nutzen heute Frameworks, um Modelle zu erstellen und zu trainieren.<\/p>\n

    <\/p>\n

    Weitere Verbesserungen, wie die M\u00f6glichkeit, ein vortrainiertes Modell zu verbreiten, bei dem der Endbenutzer lediglich das Training des Modells mit seinen spezifischen Daten abschlie\u00dfen muss, erleichtern den Einstieg in die Anwendung von maschinellem Lernen. Diese Fortschritte machen das Erlernen von maschinellem Lernen sowohl f\u00fcr Fachleute als auch f\u00fcr Unternehmen insgesamt erheblich einfacher.<\/p>\n

    <\/p>\n

    Auf der anderen Seite sammeln wir immer mehr Daten. Dank einer einheitlichen Datenplattform wie InterSystems IRIS kann all diese Informationen sofort aufbereitet und als Basisdaten f\u00fcr Modelle des maschinellen Lernens verwendet werden.<\/p>\n

    <\/p>\n

    Der Umstieg auf die Cloud macht den Start von AI\/ML-Projekten einfacher als je zuvor. Wir k\u00f6nnen nur die Ressourcen konsumieren, 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

    Wie sieht es jedoch mit den Ergebnissen aus? Hier wird es komplizierter. Es gibt viele Werkzeuge zum Erstellen von Modellen, \u00fcber die ich im Folgenden sprechen werde. Ein gutes Modell zu erstellen, ist nicht einfach, aber was kommt dann? Auch die Gewinnung von Nutzen f\u00fcr das Gesch\u00e4ft aus der Nutzung des Modells ist keine triviale Aufgabe. Das Kernproblem liegt im Unterscheiden von analytischen und transaktionalen Lasten sowie den Datenmodellen. Wenn wir ein Modell trainieren, tun wir dies in der Regel mit historischen Daten. Aber der Platz f\u00fcr das erstellte Modell liegt in der transaktionalen Datenverarbeitung. Was n\u00fctzt das beste Modell zur Erkennung von betr\u00fcgerischen Transaktionen, wenn wir es 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 neuen Eingangsdaten anwenden, damit unsere Gesch\u00e4ftsprozesse entsprechend den Prognosen, die das Modell erstellt hat, handeln k\u00f6nnen.<\/p>\n

    <\/p>\n

    ML Toolkit \u2013 ein Set von Tools, das genau das Ziel hat: Modelle und Transaktionsumgebungen zusammenzuf\u00fchren, sodass die erstellten Modelle direkt in Ihren Gesch\u00e4ftsprozessen eingesetzt werden k\u00f6nnen. Der Python Gateway ist Teil des ML Toolkits und erm\u00f6glicht die Integration mit der Programmiersprache Python (\u00e4hnlich wie der R Gateway, der ebenfalls Teil des ML Toolkits ist und die Integration mit der Programmiersprache R erm\u00f6glicht).<\/p>\n

    <\/p>\n

    Werkzeugset<\/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