{"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, un progetto comunitario open source per la piattaforma di dati InterSystems IRIS. Questo progetto consente di orchestrare qualsiasi algoritmo di machine learning sviluppato in Python (l'ambiente principale per molti Data Scientist), utilizzando numerose librerie pronte all'uso per creare rapidamente soluzioni analitiche AI\/ML adattive e automatizzate sulla piattaforma InterSystems IRIS. In questo articolo mostrer\u00f2 come InterSystems IRIS possa orchestrare processi in Python, facilitare lo scambio bidirezionale di 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. Riferimenti.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Introduzione<\/h1>\n

    <\/p>\n

    Python \u00e8 un linguaggio di programmazione di alto livello, generico, progettato per 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 un focus principale su come utilizzare Python per la creazione e l'applicazione di modelli di machine learning.<\/p>\n

    <\/p>\n

    Il machine learning (ML) \u00e8 una classe di metodi di intelligenza artificiale, caratterizzati non dalla soluzione diretta di un problema, ma dall'apprendimento nel processo di risoluzione di molteplici problemi simili. <\/p>\n

    <\/p>\n

    Gli algoritmi e i modelli di machine learning stanno diventando sempre pi\u00f9 comuni. Ci sono molte ragioni per questo, ma tutto si riporta alla disponibilit\u00e0, semplicit\u00e0 e raggiungimento di risultati pratici. La clusterizzazione o anche la modellazione attraverso reti neurali sono tecnologie nuove? <\/p>\n

    <\/p>\n

    Naturalmente no, ma al giorno d'oggi non \u00e8 necessario scrivere centinaia di migliaia di righe di codice per avviare un modello, e i costi per la creazione e l'applicazione di modelli continuano a diminuire.<\/p>\n

    <\/p>\n

    Gli strumenti si stanno evolvendo: mentre non abbiamo strumenti AI\/ML completamente orientati al GUI, il progresso che abbiamo visto con molte altre classi di sistemi informativi, come il BI (dalla scrittura di codice all'uso di framework e soluzioni configurabili orientate al GUI), si osserva anche negli strumenti per la creazione di AI\/ML. Abbiamo gi\u00e0 superato la fase di scrittura di codice e oggi utilizziamo framework per costruire e addestrare modelli.<\/p>\n

    <\/p>\n

    Altri miglioramenti, come la possibilit\u00e0 di distribuire un modello pre-addestrato, in cui l'utente finale deve semplicemente completare l'addestramento del modello sui propri dati specifici, semplificano anche l'inizio dell'uso del machine learning. Questi risultati rendono molto pi\u00f9 accessibile lo studio del machine learning sia per i professionisti che per le aziende nel loro insieme.<\/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 prontamente preparate e utilizzate come dati di partenza per modelli di machine learning.<\/p>\n

    <\/p>\n

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

    <\/p>\n

    Ma riguardo ai risultati? Qui le cose si fanno pi\u00f9 complesse. Ci sono molti strumenti per la costruzione di modelli, di cui parler\u00f2 in seguito. Costruire un buon modello non \u00e8 semplice, ma poi? Ottenere un ritorno sull'investimento dall'uso del modello da parte delle aziende \u00e8 anche una sfida non banale. Il cuore del problema risiede nella separazione dei carichi analitici e transazionali e dei modelli di dati. Quando addestriamo un modello, di solito lo facciamo su dati storici. Ma il posto per il modello costruito \u00e8 nell'elaborazione transazionale dei dati. Che valore ha il migliore modello di rilevamento delle frodi 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 sui nuovi dati in arrivo, affinch\u00e9 i nostri processi aziendali possano funzionare in base alle previsioni effettuate dal modello.<\/p>\n

    <\/p>\n

    ML Toolkit \u00e8 un insieme di strumenti che ha proprio questo obiettivo: unire modelli e ambiente transazionale, affinch\u00e9 i modelli costruiti possano essere facilmente utilizzati direttamente nei tuoi processi aziendali. Python Gateway fa parte di ML Toolkit e fornisce integrazione con il linguaggio Python (analogamente a come R Gateway, anch'esso parte di ML Toolkit, fornisce 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