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

Ta stran je namenjena Python Gateway \u2014 skupnostnemu projektu z odprtokodnim programjem za podatkovno platformo InterSystems IRIS. Ta projekt omogo\u010da orkestracijo vseh algoritmov strojnega u\u010denja, ustvarjenih v jeziku Python (glavno okolje za \u0161tevilne podatkovne znanstvenike), in uporabo \u0161tevilnih \u017ee pripravljenih knji\u017enic za hitro ustvarjanje prilagodljivih, robotiziranih analiti\u010dnih AI\/ML re\u0161itev na platformi InterSystems IRIS. V tem \u010dlanku bom pokazal, kako lahko InterSystems IRIS orkestrira procese v jeziku Python, u\u010dinkovito izvede dvosmerni prenos podatkov in ustvari pametne poslovne procese.<\/p>\n

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

Na\u010drt<\/h1>\n

<\/p>\n

    \n
  1. Uvod.<\/li>\n
  2. Orodja.<\/li>\n
  3. Namestitev.<\/li>\n
  4. API.<\/li>\n
  5. Interoperabilnost.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. Zaklju\u010dci.<\/li>\n
  8. Povezave.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Uvod<\/h1>\n

    <\/p>\n

    Python je visokonavzni programski jezik splo\u0161ne rabe, usmerjen v pove\u010danje produktivnosti razvijalca in berljivosti kode. V tej seriji \u010dlankov bom predstavil mo\u017enosti uporabe jezika Python na platformi InterSystems IRIS, pri \u010demer je glavni poudarek tega \u010dlanka uporaba Pythona kot jezika za ustvarjanje in izvajanje modelov strojnega u\u010denja.<\/p>\n

    <\/p>\n

    Strojno u\u010denje (ML) je razred metod umetne inteligence, ki se odlikujejo po tem, da ne re\u0161ujejo naloge neposredno, temve\u010d se u\u010dijo v procesu re\u0161evanja \u0161tevilnih podobnih nalog. <\/p>\n

    <\/p>\n

    Algoritmi in modeli strojnega u\u010denja postajajo vse bolj raz\u0161irjeni. Razlogov je mnogo, toda vsi se nana\u0161ajo na dostopnost, preprostost in dosego prakti\u010dnih rezultatov. Je klastirizacija ali celo nevralno mre\u017eno modeliranje nova tehnologija? <\/p>\n

    <\/p>\n

    Seveda ne, vendar trenutno ni potrebno napisati stotine tiso\u010d vrstic kode, da bi zagnali en model, stro\u0161ki za ustvarjanje in uporabo modelov pa postajajo vse manj\u0161i.<\/p>\n

    <\/p>\n

    Orodja se razvijajo \u2014 medtem ko nimamo popolnoma GUI usmerjenih AI\/ML orodij, napredek, ki smo mu pri\u010da pri mnogih drugih razredih informacijskih sistemov, na primer BI (od pisanja kode do uporabe okvirov in GUI usmerjenih re\u0161itev), se ka\u017ee tudi v orodjih za ustvarjanje AI\/ML. \u017de smo presegli fazo pisanja kode in danes uporabljamo okvire za gradnjo in usposabljanje modelov.<\/p>\n

    <\/p>\n

    Druge izbolj\u0161ave, kot je mo\u017enost \u0161irjenja predizobra\u017eene modela, ko kon\u010dni uporabnik preprosto dopolni usposabljanje modela s svojimi specifi\u010dnimi podatki, prav tako poenostavljajo za\u010detek uporabe strojnega u\u010denja. Te dose\u017eke znatno olaj\u0161ajo u\u010denje strojnega u\u010denja, tako za strokovnjake kot za podjetja na splo\u0161no.<\/p>\n

    <\/p>\n

    Po drugi strani pa zbiramo vse ve\u010d podatkov. Hvala enotni podatkovni platformi, kot je InterSystems IRIS, se lahko vse te informacije takoj pripravijo in uporabijo kot izhodni podatki za modele strojnega u\u010denja.<\/p>\n

    <\/p>\n

    Z prehodom na oblak je zagon AI\/ML projektov la\u017eji kot kdajkoli. Porabimo lahko le tiste vire, ki jih potrebujemo. Poleg tega, zahvaljujo\u010d paralelizaciji, ki jo ponujajo oblaki, lahko prihranimo \u010das.<\/p>\n

    <\/p>\n

    Ampak kak\u0161ni so rezultati? Tukaj postane vse bolj zapleteno. Obstaja veliko orodij za gradnjo modelov, o katerih bom govoril naprej. Zgraditi dober model ni preprosto, toda kaj potem? Pridobitev koristi od uporabe modela v podjetju je prav tako nenavadna naloga. Koren te\u017eave je v razdelitvi analiti\u010dnih in transakcijskih obremenitev ter modelov podatkov. Ko u\u010dimo model, to obi\u010dajno po\u010dnemo na zgodovinskih podatkih. Toda prostor za zgrajen model je v transakcijskem obdelovanju podatkov. Kak\u0161na korist je od najbolj\u0161ega modela za odkritje goljufivih transakcij, \u010de ga izvajamo enkrat na dan? Goljufije so \u017ee zdavnaj pobegnile z denarjem. Potrebujemo, da model usposobimo na zgodovinskih podatkih, vendar ga moramo tudi uporabljati v realnem \u010dasu na novih podatkih, da na\u0161i poslovni procesi delujejo v skladu s napovedmi, ki jih model pripravi.<\/p>\n

    <\/p>\n

    ML Toolkit je nabor orodij, ki je zasnovan prav za to: zdru\u017eiti modele in transakcijsko okolje, da se zgrajeni modeli lahko enostavno uporabljajo neposredno v va\u0161ih poslovnih procesih. Python Gateway je del ML Toolkit in omogo\u010da integracijo z jezikom Python (podobno kot R Gateway, ki je del ML Toolkit in omogo\u010da integracijo z jezikom R).<\/p>\n

    <\/p>\n

    Orodja<\/h1>\n

    <\/p>\n

    Preden nadaljujemo, bi \u017eelel opisati nekaj orodij in knji\u017enic za Python, ki jih bomo uporabili kasneje.<\/p>\n

    <\/p>\n

    Tehnologije<\/h2>\n

    <\/p>\n