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

Questo articolo \u00e8 dedicato a Python Gateway \u2014 un progetto comunitario open source per la piattaforma di dati InterSystems IRIS. Questo progetto consente di orchestrare qualsiasi algoritmo di machine learning creato in Python (l'ambiente principale per molti Data Scientist), utilizzando numerose librerie pronte per la creazione rapida di soluzioni analitiche adattive e robotizzate AI\/ML sulla piattaforma InterSystems IRIS. In questo articolo mostrer\u00f2 come InterSystems IRIS pu\u00f2 orchestrare processi in Python, effettuare una trasmissione bidirezionale dei dati e creare processi aziendali intelligenti.<\/p>\n

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

Piano<\/h1>\n

<\/p>\n

    \n
  1. Introduzione.<\/li>\n
  2. Strumenti.<\/li>\n
  3. Installazione.<\/li>\n
  4. API.<\/li>\n
  5. Interoperabilit\u00e0.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. Conclusioni.<\/li>\n
  8. Link.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Introduzione<\/h1>\n

    <\/p>\n

    Python \u00e8 un linguaggio di programmazione ad alto livello, orientato a migliorare la produttivit\u00e0 dello sviluppatore e la leggibilit\u00e0 del codice. In questa serie di articoli parler\u00f2 delle possibilit\u00e0 di utilizzo del linguaggio Python sulla piattaforma InterSystems IRIS, con particolare focus sull'uso di Python come linguaggio per la creazione e applicazione di modelli di machine learning.<\/p>\n

    <\/p>\n

    Il machine learning (ML) \u00e8 una classe di metodi di intelligenza artificiale caratterizzati dall'apprendimento durante la risoluzione di una serie di compiti simili, piuttosto che dal fornire una soluzione diretta al problema. <\/p>\n

    <\/p>\n

    Gli algoritmi e i modelli di machine learning stanno diventando sempre pi\u00f9 comuni. Le ragioni sono molteplici, ma sono tutte riconducibili all'accessibilit\u00e0, alla semplicit\u00e0 e ai risultati pratici ottenuti. \u00c8 la clustering o anche la modellazione basata su reti neurali una tecnologia nuova? <\/p>\n

    <\/p>\n

    Assolutamente no, ma oggi non \u00e8 pi\u00f9 necessario scrivere centinaia di migliaia di righe di codice per avviare un modello, e i costi per la creazione e l'applicazione dei modelli stanno diminuendo sempre di pi\u00f9.<\/p>\n

    <\/p>\n

    Gli strumenti stanno evolvendo: mentre non abbiamo ancora strumenti AI\/ML completamente orientati alla GUI, il progresso che abbiamo osservato in molte altre classi di sistemi informativi, come il BI (da scrivere codice a utilizzare framework e soluzioni configurabili orientate alla GUI), si sta verificando anche negli strumenti per la creazione di AI\/ML. Abbiamo gi\u00e0 superato la fase di scrittura del codice e oggi utilizziamo framework per costruire e addestrare modelli.<\/p>\n

    <\/p>\n

    Altri miglioramenti, come la possibilit\u00e0 di distribuire modelli preaddestrati, in cui l'utente finale deve semplicemente completare l'addestramento del modello sui propri dati specifici, semplificano l'inizio dell'applicazione dell'apprendimento automatico. Questi progressi rendono significativamente pi\u00f9 accessibile l'apprendimento dell'intelligenza artificiale sia per i professionisti che per le aziende nel loro complesso.<\/p>\n

    <\/p>\n

    D'altra parte, stiamo raccogliendo sempre pi\u00f9 dati. Grazie a una piattaforma dati unificata come InterSystems IRIS, tutte queste informazioni possono essere immediatamente preparate e utilizzate come dati di origine per i modelli di apprendimento automatico.<\/p>\n

    <\/p>\n

    Con il passaggio al cloud, l'avvio di progetti AI\/ML diventa pi\u00f9 semplice che mai. Possiamo utilizzare solo le risorse di cui abbiamo bisogno. Inoltre, grazie alla parallelizzazione offerta dalle piattaforme cloud, possiamo risparmiare tempo.<\/p>\n

    <\/p>\n

    Ma che dire dei risultati? Qui le cose si complicano. Esistono molti strumenti per costruire modelli, di cui parler\u00f2 in seguito. Creare un buon modello non \u00e8 semplice, ma cosa viene dopo? Realizzare profitti dall'uso di un modello da parte delle imprese \u00e8 anche un compito non banale. La radice del problema risiede nella separazione dei carichi analitici e transazionali, e dei modelli di dati. Quando alleniamo un modello, di solito lo facciamo su dati storici. Ma il posto di un modello costruito \u00e8 nell'elaborazione transazionale dei dati. Qual \u00e8 l'utile di un migliore modello di rilevamento delle transazioni fraudolente, se lo eseguiamo una volta al giorno? I truffatori sono gi\u00e0 scappati con i soldi. Dobbiamo addestrare il modello su dati storici, ma dobbiamo anche applicarlo in tempo reale su nuovi dati in arrivo, affinch\u00e9 i nostri processi aziendali possano agire in base alle previsioni fatte dal modello.<\/p>\n

    <\/p>\n

    ML Toolkit \u2014 una suite di strumenti il cui obiettivo \u00e8 proprio questo: unire modelli e ambienti transazionali, affinch\u00e9 i modelli sviluppati possano essere facilmente utilizzati direttamente nei vostri processi aziendali. Python Gateway \u00e8 parte di ML Toolkit e garantisce l'integrazione con il linguaggio Python (analogamente a R Gateway, che essendo parte di ML Toolkit, offre integrazione con il linguaggio R).<\/p>\n

    <\/p>\n

    Strumenti<\/h1>\n

    <\/p>\n

    Prima di continuare, vorrei descrivere alcuni strumenti e librerie per Python che utilizzeremo pi\u00f9 avanti.<\/p>\n

    <\/p>\n

    Tecnologie<\/h2>\n

    <\/p>\n