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

See artikkel tutvustab Python Gateway't \u2014 kogukonna avatud l\u00e4htekoodiga projekti InterSystems IRIS andmeplatvormil. See projekt v\u00f5imaldab orkestreerida k\u00f5iki masin\u00f5ppe algoritme, mis on loodudPython'i keeles (peamine keskkond paljude andme teadlaste jaoks), ja kasutada mitmeid valmis raamatukogusid, et kiiresti luua kohandatud, robotiseeritud anal\u00fc\u00fctilisi AI\/ML lahendusi InterSystems IRIS platvormil. Selles artiklis n\u00e4itan, kuidas InterSystems IRIS suudab orkestreerida protsesse Python'is, t\u00f5husalt teostada kahepoolselt andmeedastust ja luua intelligentseid \u00e4riprotsesse.<\/p>\n

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

Plaani<\/h1>\n

<\/p>\n

    \n
  1. Sissejuhatus.<\/li>\n
  2. T\u00f6\u00f6riistakast.<\/li>\n
  3. Installimine.<\/li>\n
  4. API.<\/li>\n
  5. Interoperatiivsuse.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. J\u00e4reldused.<\/li>\n
  8. Lingid.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Sissejuhatus<\/h1>\n

    <\/p>\n

    Python on k\u00f5rgtasemeline \u00fcldine programmeerimiskeel, mille eesm\u00e4rk on suurendada arendaja tootlikkust ja koodi loetavust. Selles artiklite sarjas r\u00e4\u00e4gin Python'i keele rakendusv\u00f5imalustest InterSystems IRIS platvormil, keskendudes selle artikli p\u00f5hifookusele, mis on Python'i kasutamine masin\u00f5ppemudelite loomiseks ja rakendamiseks.<\/p>\n

    <\/p>\n

    Masin\u00f5pe (ML) on kunstliku intelligentsuse meetodite klass, mille iseloomulikuks jooniks on mitte probleemi otsene lahendamine, vaid \u00f5ppimine sarnaste probleemide lahendamise protsessis. <\/p>\n

    <\/p>\n

    Masin\u00f5ppe algoritmid ja mudelid muutuvad \u00fcha levinumaks. P\u00f5hjuseid on mitmeid, kuid k\u00f5ik taandub k\u00e4ttesaadavusele, lihtsusele ja praktiliste tulemuste saavutamisele. Kas klasterdamine v\u00f5i isegi n\u00e4rviv\u00f5rkude modelleerimine on uus tehnoloogia? <\/p>\n

    <\/p>\n

    Kindlasti mitte, kuid praegu pole enam vajalik kirjutada sadu tuhandeid koodiridu, et k\u00e4ivitada \u00fcks mudel, ning mudelite loomise ja rakendamise kulud v\u00e4henevad j\u00e4rjest enam.<\/p>\n

    <\/p>\n

    T\u00f6\u00f6riistad arenevad \u2014 kuigi meil pole t\u00e4iesti GUI-suunitlusega AI\/ML t\u00f6\u00f6riistu, toimub see areng, mida oleme kogenud paljude teiste infos\u00fcsteemide klasside, n\u00e4iteks BI (koodikirjutamisest GUI-seadistuslahenduste kasutamiseni) osas, ka AI\/ML t\u00f6\u00f6riistades. Oleme juba \u00fcletanud koodikirjutamisfaasi ja t\u00e4na kasutame mudelite loomise ja \u00f5petamise jaoks raamistikke.<\/p>\n

    <\/p>\n

    Teised t\u00e4iustused, nagu eel\u00f5petatud mudeli levitamise v\u00f5imalus, kus l\u00f5ppkasutaja peab lihtsalt l\u00f5petama mudeli koolituse oma spetsiifiliste andmete p\u00f5hjal, muudavad masin\u00f5ppe rakendamise alguse lihtsamaks. Need saavutused muudavad masin\u00f5ppe \u00f5ppimise kergemaks nii spetsialistide kui ka ettev\u00f5tete jaoks tervikuna.<\/p>\n

    <\/p>\n

    Teisest k\u00fcljest kogume \u00fcha rohkem andmeid. T\u00e4nu sellisele \u00fchtsele andmeplatvormile nagu InterSystems IRIS saab kogu see teave kohe ette valmistada ja kasutada masin\u00f5ppe mudelite algandmetena.<\/p>\n

    <\/p>\n

    Pilve \u00fcleminekuga on AI\/ML projektide k\u00e4ivitamine lihtsam kui kunagi varem. Me saame tarbida ainult neid ressursse, mida vajame. Veelgi enam, t\u00e4nu pilveplatvormide pakutavale paralleelsusele saame s\u00e4\u00e4sta aega.<\/p>\n

    <\/p>\n

    Aga mis on tulemused? Siin muutuvad asjad keerulisemaks. On palju t\u00f6\u00f6riistu mudelite loomiseks, millest ma r\u00e4\u00e4gin edasi. Hea mudeli loomine ei ole lihtne, kuid mis edasi? Mudeli \u00e4rikasutamine on samuti keeruline \u00fclesanne. Probleemi juured peituvad anal\u00fc\u00fctiliste ja tehingukoormuste ning andmemudelite eristamises. Kui me koolitame mudelit, teeme seda tavaliselt ajalooliste andmete p\u00f5hjal. Kuid mudeli koht on tehingute andmete t\u00f6\u00f6tlemises. Mis kasu on parimast petuskeemide avastamise mudelist, kui me k\u00e4ivitame selle ainult \u00fcks kord p\u00e4evas? Petturid on juba kaua enne seda raha endale saanud. Peame mudelit koolitama ajalooliste andmete peal, kuid peame seda rakendama ka reaalajas uutelt andmetelt, et meie \u00e4ri protsessid saaksid toimida mudeli tehtud prognooside kohaselt.<\/p>\n

    <\/p>\n

    ML Toolkit \u2014 t\u00f6\u00f6riistade komplekt, mille eesm\u00e4rk on just see: mudelite ja tehingukeskkonna \u00fchendamine, et loodud mudeleid saaks h\u00f5lpsasti kasutada otse teie \u00e4ri protsessides. Python Gateway on osa ML Toolkitist ja tagab integreerimise Pythoniga (sarnaselt R Gateway\u2019le, mis samuti ML Toolkit\u2019i osa, tagab integreerimise R keelele).<\/p>\n

    <\/p>\n

    T\u00f6\u00f6riistade komplekt<\/h1>\n

    <\/p>\n

    Enne kui j\u00e4tkame, sooviksin tutvustada m\u00f5ningaid Python\u2019i t\u00f6\u00f6riistu ja raamatukogusid, mida me hiljem kasutame.<\/p>\n

    <\/p>\n

    Tehnoloogiad<\/h2>\n

    <\/p>\n