{"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-s","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

See artikkel on p\u00fchendatud Python Gateway'ile \u2014 avatud l\u00e4htekoodiga kogukonnaprojektile InterSystems IRIS andmeplatvormile. See projekt v\u00f5imaldab orkestreerida mis tahes masin\u00f5ppe algoritme, mis on loodud Pythonis (peamine keskkond paljude andmeteadlaste jaoks), kasutades arvukalt valmis teeke paindlike, robotiseeritud anal\u00fc\u00fctiliste AI\/ML lahenduste kiireks loomiseks InterSystems IRIS platvormil. Selles artiklis n\u00e4itan, kuidas InterSystems IRIS saab orkestreerida protsesse Pythoni keeles, efektiivselt korraldada andmete kahepoolset edastamist ja luua intelligentseid \u00e4riprotsesse.<\/p>\n

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

Plaani<\/h1>\n

<\/p>\n

    \n
  1. Sissejuhatus.<\/li>\n
  2. T\u00f6\u00f6riistakomplekt.<\/li>\n
  3. Paigaldamine.<\/li>\n
  4. API.<\/li>\n
  5. Interoperatiivsusus.<\/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\u00f5rgema taseme \u00fcldotstarbeline programmeerimiskeel, mis on suunatud arendaja tootlikkuse ja koodi loetavuse parandamisele. Selles artiklite sarjas r\u00e4\u00e4gin Python'i rakendamise v\u00f5imalustest InterSystems IRIS platvormil, keskendudes peamiselt Python'i kasutamisele masin\u00f5ppe mudelite loomisel ja rakendamisel.<\/p>\n

    <\/p>\n

    Masin\u00f5pe (ML) on tehisintellekti meetodite klass, mille iseloomulikuks tunnuseks on \u00fclesande otsese lahendamise v\u00f5imaluse asemel sarnaste \u00fclesannete lahendamine \u00f5ppimise kaudu. <\/p>\n

    <\/p>\n

    Masin\u00f5ppe algoritmid ja mudelid saavad \u00fcha enam levinud. Selle p\u00f5hjuseid on palju, kuid k\u00f5ik taandub kergusele, lihtsusele ja praktilise tulemuse saavutamisele. Kas klasterdamine v\u00f5i isegi n\u00e4rviv\u00f5rgu modelleerimine on uus tehnoloogia? <\/p>\n

    <\/p>\n

    Muidugi mitte, kuid praegu pole enam vaja kirjutada sadu tuhandeid ridu koodi, et k\u00e4ivitada \u00fcks mudel, ja mudelite loomise ja rakendamise kulud v\u00e4henevad j\u00e4rjest enam.<\/p>\n

    <\/p>\n

    T\u00f6\u00f6riistad arenevad \u2014 kuigi meil pole t\u00e4ielikult GUI-orienteeritud AI\/ML t\u00f6\u00f6riistu, siis areng, mida oleme t\u00e4heldanud paljude teiste infos\u00fcsteemide klassidega, n\u00e4iteks BI (koodikirjutamisest raamistike ja GUI-orienteeritud konfigureeritavate lahenduste kasutamiseni), toimub samuti AI\/ML loomise t\u00f6\u00f6riistades. Oleme juba \u00fcletanud koodikirjutamise etapi ja t\u00e4na kasutame mudelite loomise ja \u00f5petamise raamistikke.<\/p>\n

    <\/p>\n

    Teised t\u00e4iustused, nagu eel\u00f5ppemudeli levitamise v\u00f5imalus, kus l\u00f5ppkasutaja peab lihtsalt l\u00f5petama mudeli treenimise oma spetsiifiliste andmete peal, lihtsustavad masin\u00f5ppe rakenduse alustamist. Need saavutused muudavad masin\u00f5ppe \u00f5ppimise oluliselt lihtsamaks nii spetsialistide kui ka ettev\u00f5tete jaoks tervikuna.<\/p>\n

    <\/p>\n

    Teisest k\u00fcljest kogume j\u00e4rjest rohkem andmeid. \u00dchtse andmeplatvormi, nagu InterSystems IRIS, abil saab kogu see teave koheselt ette valmistada ja kasutada masin\u00f5ppe mudelite l\u00e4htedata.<\/p>\n

    <\/p>\n

    Pilve \u00fclemineku t\u00f5ttu on AI\/ML-projektide k\u00e4ivitamine lihtsam kui kunagi varem. Saame kasutada ainult neid ressursse, mis meile vajalikud on. Veelgi enam, t\u00e4nu pilveplatvormide pakutavale paralleelsusele suudame s\u00e4\u00e4sta kulutatud aega.<\/p>\n

    <\/p>\n

    Aga kuidas on tulemustega? Siin l\u00e4heb k\u00f5ik keeruliseks. On palju t\u00f6\u00f6riistu mudelite ehitamiseks, millest ma r\u00e4\u00e4gin hiljem. Hea mudeli ehitamine pole lihtne, aga mis edasi? Tulu saamine mudeli kasutamisest \u00e4ris on samuti keeruline \u00fclesanne. Probleemi juured peituvad anal\u00fc\u00fctiliste ja tehingute koormate ning andmemudelite lahendamises. Kui treenime mudelit, teeme seda tavaliselt ajalooliste andmete peal. Ent ehitatud mudeli koht on tehinguandmete t\u00f6\u00f6tlemises. Mis kasu on parimast petukaupade tuvastamise mudelist, kui k\u00e4ivitame seda ainult kord p\u00e4evas? Petised on raha juba ammu kaasa v\u00f5tnud. Me peame treenima mudelit ajalooliste andmete peal, aga me peame seda rakendama ka reaalajas uute saabuvate andmete peal, et meie \u00e4ri protsessid saaksid toimida vastavalt mudeli tehtud prognoosidele.<\/p>\n

    <\/p>\n

    ML Toolkit on t\u00f6\u00f6riistade komplekt, mille eesm\u00e4rk on just see: mudelite ja tehingu keskkonna \u00fchendamine, et ehitatud mudeleid saaks h\u00f5lpsasti teie \u00e4riprotsessides kasutada. Python Gateway on osa ML Toolkit-st ja tagab integreerimise Pythoniga (sarnaselt R Gateway-ga, mis koos ML Toolkit-iga tagab integreerimise R-iga).<\/p>\n

    <\/p>\n

    T\u00f6\u00f6riistakomplekt<\/h1>\n

    <\/p>\n

    Enne kui j\u00e4tkame, tahaksin tutvustada m\u00f5ningaid Python'i t\u00f6\u00f6riistu ja raamatukogusid, mida me hiljem kasutame.<\/p>\n

    <\/p>\n

    Tehnoloogiad<\/h2>\n

    <\/p>\n