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

Ez a cikk a Python Gateway-r\u0151l sz\u00f3l, amely egy ny\u00edlt forr\u00e1sk\u00f3d\u00fa k\u00f6z\u00f6ss\u00e9gi projekt az InterSystems IRIS adatplatformhoz. Ez a projekt lehet\u0151v\u00e9 teszi b\u00e1rmilyen g\u00e9pi tanul\u00e1si algoritmus megszervez\u00e9s\u00e9t, amelyet Python nyelven k\u00e9sz\u00edtettek (amely a Data Scientistok sz\u00e1m\u00e1ra alapvet\u0151 k\u00f6rnyezet), sz\u00e1mos k\u00e9sz k\u00f6nyvt\u00e1r haszn\u00e1lat\u00e1t a rugalmas, automatiz\u00e1lt AI\/ML elemz\u0151 megold\u00e1sok gyors l\u00e9trehoz\u00e1s\u00e1hoz az InterSystems IRIS platformon. Ebben a cikkben megmutatom, hogyan tudja az InterSystems IRIS megszervezni a folyamatokat Python nyelven, hat\u00e9konyan megval\u00f3s\u00edtani a k\u00e9tir\u00e1ny\u00fa adat\u00e1tvitelt \u00e9s l\u00e9trehozni intelligens \u00fczleti folyamatokat.<\/p>\n

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

Terv<\/h1>\n

<\/p>\n

    \n
  1. Bevezet\u00e9s.<\/li>\n
  2. Eszk\u00f6zk\u00e9szlet.<\/li>\n
  3. Telep\u00edt\u00e9s.<\/li>\n
  4. API.<\/li>\n
  5. Interoperabilit\u00e1s.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. K\u00f6vetkeztet\u00e9sek.<\/li>\n
  8. Hivatkoz\u00e1sok.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Bevezet\u00e9s<\/h1>\n

    <\/p>\n

    A Python egy \u00e1ltal\u00e1nos c\u00e9l\u00fa, magas szint\u0171 programoz\u00e1si nyelv, amely a fejleszt\u0151k hat\u00e9konys\u00e1g\u00e1nak \u00e9s a k\u00f3d olvashat\u00f3s\u00e1g\u00e1nak n\u00f6vel\u00e9s\u00e9re \u00f6sszpontos\u00edt. Ebben a cikk sorozatban bemutatom a Python nyelv alkalmaz\u00e1si lehet\u0151s\u00e9geit az InterSystems IRIS platformon, k\u00fcl\u00f6n\u00f6s figyelmet ford\u00edtva a Python haszn\u00e1lat\u00e1ra g\u00e9pi tanul\u00e1si modellek l\u00e9trehoz\u00e1s\u00e1ra \u00e9s alkalmaz\u00e1s\u00e1ra.<\/p>\n

    <\/p>\n

    A g\u00e9pi tanul\u00e1s (ML) egy mesters\u00e9ges intelligenci\u00e1hoz tartoz\u00f3 m\u00f3dszercsoport, amelynek jellemz\u0151je, hogy nem k\u00f6zvetlen\u00fcl old meg egy feladatot, hanem a hasonl\u00f3 feladatok megold\u00e1sa sor\u00e1n tanul. <\/p>\n

    <\/p>\n

    A g\u00e9pi tanul\u00e1s algoritmusai \u00e9s modellei egyre elterjedtebbek. Ennek sz\u00e1mos oka van, de mind arra vezethet\u0151 vissza, hogy el\u00e9rhet\u0151v\u00e9 v\u00e1ltak, k\u00f6nnyen haszn\u00e1lhat\u00f3k \u00e9s gyakorlati eredm\u00e9nyeket hoznak. A klaszterez\u00e9s vagy ak\u00e1r a neur\u00e1lis h\u00e1l\u00f3zati modellez\u00e9s \u00faj technol\u00f3gi\u00e1nak sz\u00e1m\u00edt? <\/p>\n

    <\/p>\n

    Term\u00e9szetesen nem, de jelenleg nincs sz\u00fcks\u00e9g arra, hogy sz\u00e1mos ezer sor k\u00f3dot \u00edrjunk egyetlen modell elind\u00edt\u00e1s\u00e1hoz, \u00e9s az modellek l\u00e9trehoz\u00e1s\u00e1nak \u00e9s alkalmaz\u00e1s\u00e1nak k\u00f6lts\u00e9gei folyamatosan cs\u00f6kkennek.<\/p>\n

    <\/p>\n

    Az eszk\u00f6z\u00f6k fejl\u0151dnek \u2014 mik\u00f6zben nincsenek teljesen GUI-ir\u00e1ny\u00edtott AI\/ML eszk\u00f6z\u00f6k, a fejl\u0151d\u00e9s, amelyet m\u00e1s inform\u00e1ci\u00f3s rendszerek oszt\u00e1lyaiban, p\u00e9ld\u00e1ul a BI-ben tapasztaltunk (a k\u00f3d\u00edr\u00e1st\u00f3l a keretrendszer \u00e9s GUI-ir\u00e1ny\u00edtott konfigur\u00e1lhat\u00f3 megold\u00e1sok haszn\u00e1lat\u00e1ig), az AI\/ML eszk\u00f6z\u00f6kben is megfigyelhet\u0151. M\u00e1r t\u00fall\u00e9pt\u00fcnk a k\u00f3d\u00edr\u00e1s f\u00e1zis\u00e1n, \u00e9s ma keretrendszereket haszn\u00e1lunk a modellek fel\u00e9p\u00edt\u00e9s\u00e9re \u00e9s oktat\u00e1s\u00e1ra.<\/p>\n

    <\/p>\n

    M\u00e1s egy\u00e9b fejleszt\u00e9sek, p\u00e9ld\u00e1ul a lehet\u0151s\u00e9g a m\u00e1r el\u0151k\u00e9pzett modellek terjeszt\u00e9s\u00e9re, amikor a v\u00e9gfelhaszn\u00e1l\u00f3nak csak a modell tan\u00edt\u00e1s\u00e1t kell befejeznie a saj\u00e1t, specifikus adataival, k\u00f6nnyebb\u00e9 teszi a g\u00e9pi tanul\u00e1s alkalmaz\u00e1s\u00e1nak megkezd\u00e9s\u00e9t. Ezek az \u00e1tt\u00f6r\u00e9sek jelent\u0151sen leegyszer\u0171s\u00edtik a g\u00e9pi tanul\u00e1s tanulm\u00e1nyoz\u00e1s\u00e1t mind a szakemberek, mind a c\u00e9gek sz\u00e1m\u00e1ra.<\/p>\n

    <\/p>\n

    M\u00e1sr\u00e9szr\u0151l egyre t\u00f6bb adatot gy\u0171jt\u00fcnk. Az InterSystems IRIS-hez hasonl\u00f3 egys\u00e9ges\u00edtett adatplatform r\u00e9v\u00e9n ez az inform\u00e1ci\u00f3 azonnal feldolgozhat\u00f3 \u00e9s felhaszn\u00e1lhat\u00f3 a g\u00e9pi tanul\u00e1si modellek alapadatak\u00e9nt.<\/p>\n

    <\/p>\n

    A felh\u0151re val\u00f3 \u00e1t\u00e1ll\u00e1ssal az AI\/ML projektek ind\u00edt\u00e1sa k\u00f6nnyebb\u00e9 v\u00e1lik, mint valaha. Csak azokat az er\u0151forr\u00e1sokat haszn\u00e1ljuk, amelyekre sz\u00fcks\u00e9g\u00fcnk van. Tov\u00e1bb\u00e1, a felh\u0151platformok \u00e1ltal k\u00edn\u00e1lt p\u00e1rhuzamos\u00edt\u00e1s r\u00e9v\u00e9n id\u0151t is megtakar\u00edthatunk.<\/p>\n

    <\/p>\n

    De mi a helyzet az eredm\u00e9nyekkel? Itt kezd bonyolultabb\u00e1 v\u00e1lni a dolog. Sz\u00e1mos eszk\u00f6z l\u00e9tezik a modellek \u00e9p\u00edt\u00e9s\u00e9re, amelyeket k\u00e9s\u0151bb ismertetek. J\u00f3 modellt \u00e9p\u00edteni nem k\u00f6nny\u0171, de mi j\u00f6n ezut\u00e1n? A modell \u00fczleti hasznos\u00edt\u00e1sa szint\u00e9n nem trivialis feladat. A probl\u00e9ma gy\u00f6kere az analitikai \u00e9s tranzakci\u00f3s terhel\u00e9sek, valamint az adatmodellek sz\u00e9tv\u00e1laszt\u00e1s\u00e1ban rejlik. Amikor a modellt tan\u00edtjuk, ezt \u00e1ltal\u00e1ban t\u00f6rt\u00e9neti adatokon tessz\u00fck. De a fel\u00e9p\u00edtett modell helye a tranzakci\u00f3s adatfeldolgoz\u00e1sban van. Mi \u00e9rtelme van a legjobb csal\u00e1s-\u00e9szlel\u0151 modellnek, ha naponta egyszer futtatjuk? A csal\u00f3k m\u00e1r r\u00e9g elmentek a p\u00e9nz\u00fckkel. A modellt t\u00f6rt\u00e9neti adatokon kell tan\u00edtani, de azt is val\u00f3s id\u0151ben kell alkalmaznunk az \u00fajonnan be\u00e9rkez\u0151 adatokon, hogy \u00fczleti folyamataik a modell \u00e1ltal tett el\u0151rejelz\u00e9sek szerint tudjanak m\u0171k\u00f6dni.<\/p>\n

    <\/p>\n

    A ML Toolkit olyan eszk\u00f6z\u00f6k gy\u0171jtem\u00e9nye, amelynek c\u00e9lja \u00e9ppen ez: a modellek \u00e9s a tranzakci\u00f3s k\u00f6rnyezet integr\u00e1l\u00e1sa, hogy az \u00e9p\u00edtett modelleket k\u00f6nnyen fel lehessen haszn\u00e1lni k\u00f6zvetlen\u00fcl az \u00fczleti folyamataikban. A Python Gateway a ML Toolkit r\u00e9sz\u00e9t k\u00e9pezi, \u00e9s integr\u00e1ci\u00f3t biztos\u00edt a Python nyelvvel (hasonl\u00f3an az R Gateway-hez, amely a ML Toolkit r\u00e9szek\u00e9nt az R nyelv integr\u00e1l\u00e1s\u00e1t biztos\u00edt).<\/p>\n

    <\/p>\n

    Eszk\u00f6zt\u00e1r<\/h1>\n

    <\/p>\n

    Miel\u0151tt tov\u00e1bb l\u00e9pn\u00e9nk, szeretn\u00e9m n\u00e9h\u00e1ny eszk\u00f6zt \u00e9s k\u00f6nyvt\u00e1rat bemutatni Pythonban, amelyet k\u00e9s\u0151bb haszn\u00e1lni fogunk.<\/p>\n

    <\/p>\n

    Technol\u00f3gi\u00e1k<\/h2>\n

    <\/p>\n