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

Este art\u00edculo est\u00e1 dedicado a Python Gateway, un proyecto comunitario de c\u00f3digo abierto para la plataforma de datos InterSystems IRIS. Este proyecto permite orquestar cualquier algoritmo de aprendizaje autom\u00e1tico creado en Python (el entorno principal para muchos cient\u00edficos de datos), utilizando numerosas bibliotecas listas para crear r\u00e1pidamente soluciones anal\u00edticas adaptativas y automatizadas de IA\/ML en la plataforma InterSystems IRIS. En este art\u00edculo, mostrar\u00e9 c\u00f3mo InterSystems IRIS puede orquestar procesos en Python, realizar de manera efectiva la transferencia bidireccional de datos y crear procesos de negocio inteligentes.<\/p>\n

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

Plan<\/h1>\n

<\/p>\n

    \n
  1. Introducci\u00f3n.<\/li>\n
  2. Herramientas.<\/li>\n
  3. Instalaci\u00f3n.<\/li>\n
  4. API.<\/li>\n
  5. Interoperabilidad.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. Conclusiones.<\/li>\n
  8. Enlaces.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Introducci\u00f3n<\/h1>\n

    <\/p>\n

    Python es un lenguaje de programaci\u00f3n de alto nivel de prop\u00f3sito general, orientado a mejorar la productividad del desarrollador y la legibilidad del c\u00f3digo. En esta serie de art\u00edculos, hablar\u00e9 sobre las posibilidades de aplicar Python en la plataforma InterSystems IRIS, centr\u00e1ndome en su uso como lenguaje para crear y aplicar modelos de aprendizaje autom\u00e1tico.<\/p>\n

    <\/p>\n

    El aprendizaje autom\u00e1tico (ML) es una clase de m\u00e9todos de inteligencia artificial que se caracterizan por no resolver directamente el problema, sino aprender durante la resoluci\u00f3n de m\u00faltiples problemas similares. <\/p>\n

    <\/p>\n

    Los algoritmos y modelos de aprendizaje autom\u00e1tico est\u00e1n cada vez m\u00e1s presentes. Hay muchas razones para ello, pero todo se reduce a la accesibilidad, simplicidad y logro de resultados pr\u00e1cticos. \u00bfEs la clustering o incluso la modelizaci\u00f3n de redes neuronales una nueva tecnolog\u00eda? <\/p>\n

    <\/p>\n

    Por supuesto que no, pero actualmente no es necesario escribir cientos de miles de l\u00edneas de c\u00f3digo para ejecutar un modelo, y los costos de creaci\u00f3n y aplicaci\u00f3n de modelos est\u00e1n disminuyendo cada vez m\u00e1s.<\/p>\n

    <\/p>\n

    Las herramientas est\u00e1n evolucionando; aunque no tenemos herramientas de IA\/ML totalmente orientadas a GUI, el progreso que hemos visto con muchas otras clases de sistemas de informaci\u00f3n, como BI (desde la codificaci\u00f3n hasta el uso de marcos y soluciones configurables orientadas a GUI), tambi\u00e9n se est\u00e1 observando en las herramientas para crear IA\/ML. Ya hemos superado la etapa de codificaci\u00f3n y hoy en d\u00eda utilizamos marcos para construir y entrenar modelos.<\/p>\n

    <\/p>\n

    Otras mejoras, como la capacidad de difundir un modelo preentrenado, donde el usuario final solo tiene que completar el entrenamiento del modelo con sus datos espec\u00edficos, tambi\u00e9n facilitan el inicio en la aplicaci\u00f3n del aprendizaje autom\u00e1tico. Estos avances simplifican significativamente el aprendizaje del aprendizaje autom\u00e1tico tanto para especialistas como para empresas en general.<\/p>\n

    <\/p>\n

    Por otro lado, estamos recopilando cada vez m\u00e1s datos. Gracias a una plataforma de datos unificada, como InterSystems IRIS, toda esta informaci\u00f3n puede ser preparada y utilizada de inmediato como datos de entrada para modelos de aprendizaje autom\u00e1tico.<\/p>\n

    <\/p>\n

    Con la transici\u00f3n a la nube, lanzar proyectos de IA\/ML se vuelve m\u00e1s f\u00e1cil que nunca. Solo podemos consumir los recursos que necesitamos. Adem\u00e1s, gracias a la paralelizaci\u00f3n que ofrecen las plataformas en la nube, podemos ahorrar tiempo.<\/p>\n

    <\/p>\n

    \u00bfPero qu\u00e9 pasa con los resultados? Aqu\u00ed es donde las cosas se complican. Existen m\u00faltiples herramientas para construir modelos, de las cuales hablar\u00e9 a continuaci\u00f3n. Construir un buen modelo no es f\u00e1cil, \u00bfpero qu\u00e9 sigue? Obtener beneficios de un modelo que utiliza el negocio tambi\u00e9n es una tarea no trivial. La ra\u00edz del problema radica en la separaci\u00f3n de las cargas anal\u00edticas y transaccionales, as\u00ed como de los modelos de datos. Cuando entrenamos un modelo, generalmente lo hacemos con datos hist\u00f3ricos. Pero el lugar para el modelo construido es en el procesamiento transaccional de datos. \u00bfDe qu\u00e9 sirve el mejor modelo de detecci\u00f3n de transacciones fraudulentas si lo ejecutamos una vez al d\u00eda? Los estafadores ya se han ido con el dinero. Necesitamos entrenar el modelo con datos hist\u00f3ricos, pero tambi\u00e9n debemos aplicarlo en tiempo real a los nuevos datos entrantes para que nuestros procesos comerciales puedan actuar de acuerdo con las predicciones realizadas por el modelo.<\/p>\n

    <\/p>\n

    ML Toolkit es un conjunto de herramientas cuyo objetivo es precisamente esto: combinar modelos y entornos transaccionales, para que los modelos construidos puedan ser f\u00e1cilmente utilizados directamente en sus procesos comerciales. Python Gateway es parte de ML Toolkit y permite la integraci\u00f3n con el lenguaje Python (de manera similar a como R Gateway, que forma parte de ML Toolkit, proporciona integraci\u00f3n con el lenguaje R).<\/p>\n

    <\/p>\n

    Herramientas<\/h1>\n

    <\/p>\n

    Antes de continuar, me gustar\u00eda describir algunas herramientas y bibliotecas de Python que utilizaremos m\u00e1s adelante.<\/p>\n

    <\/p>\n

    Tecnolog\u00edas<\/h2>\n

    <\/p>\n