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

Dit artikel is gewijd aan Python Gateway \u2014 een community-project met open source voor het InterSystems IRIS dataplatform. Dit project maakt het mogelijk om verschillende machine learning-algoritmen, ontwikkeld in Python (de belangrijkste omgeving voor veel data scientists), te orkestreren, en gebruik te maken van talloze kant-en-klare bibliotheken voor het snel cre\u00ebren van adaptieve, geautomatiseerde analytische AI\/ML-oplossingen op het InterSystems IRIS-platform. In dit artikel laat ik zien hoe InterSystems IRIS processen in Python kan orkestreren, effectief bidirectionele gegevensoverdracht kan uitvoeren en intelligente bedrijfsprocessen kan cre\u00ebren.<\/p>\n

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

Plan<\/h1>\n

<\/p>\n

    \n
  1. Inleiding.<\/li>\n
  2. Toolkit.<\/li>\n
  3. Installatie.<\/li>\n
  4. API.<\/li>\n
  5. Interoperabiliteit.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. VictoriaMetrics en Thanos pakken vergelijkbare problemen aan, maar op verschillende manieren:<\/li>\n
  8. Links.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Inleiding<\/h1>\n

    <\/p>\n

    Python is een high-level programmeertaal voor algemene doeleinden, gericht op het verbeteren van de productiviteit van de ontwikkelaar en de leesbaarheid van de code. In deze serie artikelen bespreek ik de mogelijkheden van Python op het InterSystems IRIS-platform, waarbij de focus in dit artikel ligt op het gebruik van Python als taal voor het cre\u00ebren en toepassen van machine learning-modellen.<\/p>\n

    <\/p>\n

    Machine learning (ML) is een klasse van kunstmatige intelligentiemethoden waarbij niet direct een probleem wordt opgelost, maar waarin geleerd wordt door het oplossen van een reeks vergelijkbare problemen. <\/p>\n

    <\/p>\n

    Machine learning-algoritmen en -modellen worden steeds vaker gebruikt. De redenen hiervoor zijn talrijk, maar alles draait om toegankelijkheid, eenvoud en het behalen van praktische resultaten. Is clustering of zelfs neuraal netwerkmodellering een nieuwe technologie? <\/p>\n

    <\/p>\n

    Zeker niet, maar tegenwoordig is het niet meer nodig om honderden duizenden regels code te schrijven om \u00e9\u00e9n model te laten draaien, en de kosten voor het ontwikkelen en toepassen van modellen blijven dalen.<\/p>\n

    <\/p>\n

    De tools ontwikkelen zich \u2014 terwijl we geen volledig GUI-geori\u00ebnteerde AI\/ML-tools hebben, zien we dezelfde vooruitgang zoals bij veel andere klassen informatiesystemen, bijvoorbeeld BI (van codering naar gebruik van frameworks en GUI-geori\u00ebnteerde configureerbare oplossingen), ook optreden in de tools voor het cre\u00ebren van AI\/ML. We zijn al voorbij de fase van coderen en gebruiken nu frameworks voor het bouwen en trainen van modellen.<\/p>\n

    <\/p>\n

    Andere verbeteringen, zoals de mogelijkheid om een vooraf getraind model te verspreiden, waarbij de eindgebruiker gewoon het model verder moet trainen op zijn specifieke gegevens, vergemakkelijken ook de toepassing van machine learning. Deze vooruitgangen maken het leren van machine learning aanzienlijk eenvoudiger, zowel voor specialisten als voor bedrijven in het algemeen.<\/p>\n

    <\/p>\n

    Aan de andere kant verzamelen we steeds meer gegevens. Dankzij een uniforme dataplatform, zoals InterSystems IRIS, kan al deze informatie onmiddellijk worden voorbereid en gebruikt als invoergegevens voor machine learning modellen.<\/p>\n

    <\/p>\n

    Met de overgang naar de cloud wordt het lanceren van AI\/ML-projecten gemakkelijker dan ooit. We kunnen alleen de bronnen gebruiken die we nodig hebben. Bovendien kunnen we dankzij de parallelisering die cloudplatforms bieden tijd besparen.<\/p>\n

    <\/p>\n

    Maar hoe zit het met de resultaten? Hier wordt het ingewikkelder. Er zijn veel tools voor het bouwen van modellen, waarover ik verderop zal vertellen. Een goed model bouwen is niet eenvoudig, maar wat dan? Winst halen uit het gebruik van het model door bedrijven is ook geen triviale taak. De kern van het probleem ligt in de scheiding van analytische en transactionele belasting en gegevensmodellen. Wanneer we een model trainen, doen we dat meestal op historische gegevens. Maar de plek voor het gebouwde model is in transactionele gegevensverwerking. Wat heb je aan het beste model voor het detecteren van frauduleuze transacties, als we het eens per dag draaien? Fraudeurs zijn al lang weg met het geld. We moeten het model trainen op historische gegevens, maar we moeten het ook toepassen in real-time op nieuwe binnenkomende gegevens, zodat onze bedrijfsprocessen kunnen handelen volgens de voorspellingen die door het model zijn gedaan.<\/p>\n

    <\/p>\n

    ML Toolkit is een set tools, die specifiek is ontworpen om dit te bereiken: het combineren van modellen met de transactionele omgeving, zodat de gebouwde modellen eenvoudig in uw bedrijfsprocessen kunnen worden gebruikt. Python Gateway is een onderdeel van de ML Toolkit en biedt integratie met de programmeertaal Python (evenals R Gateway, dat als onderdeel van de ML Toolkit integratie met de taal R biedt).<\/p>\n

    <\/p>\n

    Toolkit<\/h1>\n

    <\/p>\n

    Voordat we verder gaan, wil ik een paar tools en bibliotheken voor Python beschrijven die we later gaan gebruiken.<\/p>\n

    <\/p>\n

    Technologie\u00ebn<\/h2>\n

    <\/p>\n