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

Den h\u00e4r artikeln handlar om Python Gateway \u2014 ett community-projekt med \u00f6ppen k\u00e4llkod f\u00f6r InterSystems IRIS dataplattform. Detta projekt m\u00f6jligg\u00f6r orkestrering av alla maskininl\u00e4rningsalgoritmer som skapats i Python (den prim\u00e4ra milj\u00f6n f\u00f6r m\u00e5nga datavetare), och att anv\u00e4nda ett flertal f\u00e4rdiga bibliotek f\u00f6r att snabbt skapa anpassningsbara, robotiserade analytiska AI\/ML-l\u00f6sningar p\u00e5 InterSystems IRIS-plattformen. I den h\u00e4r artikeln kommer jag att visa hur InterSystems IRIS kan orkestrera processer p\u00e5 Python, effektivt genomf\u00f6ra tv\u00e5v\u00e4gsdata\u00f6verf\u00f6ring och skapa intelligenta aff\u00e4rsprocesser.<\/p>\n

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

Plan<\/h1>\n

<\/p>\n

    \n
  1. Introduktion.<\/li>\n
  2. Verktyg.<\/li>\n
  3. Installation.<\/li>\n
  4. API.<\/li>\n
  5. Interoperabilitet.<\/li>\n
  6. Jupyter Notebook.<\/li>\n
  7. Slutsatser.<\/li>\n
  8. L\u00e4nkar.<\/li>\n
  9. MLToolkit.<\/li>\n<\/ol>\n

    <\/p>\n

    Introduktion<\/h1>\n

    <\/p>\n

    Python \u00e4r ett h\u00f6g-niv\u00e5 programmeringsspr\u00e5k f\u00f6r allm\u00e4nna \u00e4ndam\u00e5l som fokuserar p\u00e5 att \u00f6ka utvecklarens produktivitet och kodens l\u00e4sbarhet. I denna artikelserie kommer jag att diskutera m\u00f6jligheterna att anv\u00e4nda Python p\u00e5 InterSystems IRIS-plattformen, d\u00e4r huvudfokus f\u00f6r denna artikel \u00e4r att anv\u00e4nda Python f\u00f6r att skapa och till\u00e4mpa maskininl\u00e4rningsmodeller.<\/p>\n

    <\/p>\n

    Maskininl\u00e4rning (ML) \u00e4r en klass av metoder inom artificiell intelligens, vars k\u00e4nnetecken \u00e4r att de inte l\u00f6ser problem direkt utan l\u00e4r sig genom att l\u00f6sa ett antal liknande problem. <\/p>\n

    <\/p>\n

    Algoritmer och modeller f\u00f6r maskininl\u00e4rning blir alltmer vanliga. Anledningarna till detta \u00e4r m\u00e5nga, men allt handlar om tillg\u00e4nglighet, enkelhet och att uppn\u00e5 praktiska resultat. \u00c4r klustring eller till och med neuron\u00e4r n\u00e4tverksmodellering en ny teknologi? <\/p>\n

    <\/p>\n

    Sj\u00e4lvklart inte, men idag \u00e4r det inte n\u00f6dv\u00e4ndigt att skriva hundratusentals rader kod f\u00f6r att k\u00f6ra en modell, och kostnaderna f\u00f6r att skapa och till\u00e4mpa modeller blir allt l\u00e4gre.<\/p>\n

    <\/p>\n

    Verktygen utvecklas \u2014 \u00e4ven om vi inte har helt GUI-orienterade AI\/ML-verktyg, s\u00e5 ser vi samma framsteg som vi har sett inom m\u00e5nga andra klasser av informationssystem, till exempel BI (fr\u00e5n kodskrivning till anv\u00e4ndning av ramverk och GUI-orienterade konfigurerbara l\u00f6sningar), \u00e4ven i verktyg f\u00f6r att skapa AI\/ML. Vi har redan passerat fasen av att skriva kod och anv\u00e4nder idag ramverk f\u00f6r att bygga och tr\u00e4na modeller.<\/p>\n

    <\/p>\n

    Andra f\u00f6rb\u00e4ttringar, som m\u00f6jligheten att sprida en f\u00f6rutbildad modell, d\u00e4r slutanv\u00e4ndaren bara m\u00e5ste slutf\u00f6ra tr\u00e4ningen av modellen med sina specifika data, underl\u00e4ttar ocks\u00e5 b\u00f6rjan av till\u00e4mpningen av maskininl\u00e4rning. Dessa framsteg g\u00f6r det betydligt l\u00e4ttare att l\u00e4ra sig maskininl\u00e4rning, b\u00e5de f\u00f6r specialister och f\u00f6r f\u00f6retag som helhet.<\/p>\n

    <\/p>\n

    \u00c5 andra sidan samlar vi in \u200b\u200ballt mer data. Tack vare en enhetlig dataplattform, s\u00e5som InterSystems IRIS, kan all denna information omedelbart f\u00f6rberedas och anv\u00e4ndas som grunddata f\u00f6r maskininl\u00e4rningsmodeller.<\/p>\n

    <\/p>\n

    Med \u00f6verg\u00e5ngen till molnet blir lanseringen av AI\/ML-projekt l\u00e4ttare \u00e4n n\u00e5gonsin. Vi kan anv\u00e4nda endast de resurser som vi beh\u00f6ver. Dessutom, tack vare parallelliseringen som erbjuds av molnplattformar, kan vi spara tid.<\/p>\n

    <\/p>\n

    Men hur \u00e4r det med resultaten? H\u00e4r blir allt mer komplicerat. Det finns m\u00e5nga verktyg f\u00f6r att bygga modeller, vilket jag kommer att g\u00e5 in p\u00e5 senare. Att bygga en bra modell \u00e4r inte enkelt, men vad h\u00e4nder sen? Att f\u00e5 f\u00f6retagets verksamhet att dra nytta av modellen \u00e4r ocks\u00e5 en utmanande uppgift. K\u00e4rnan i problemet ligger i att separera analytiska och transaktionella belastningar, samt datamodeller. N\u00e4r vi tr\u00e4nar en modell g\u00f6r vi det vanligtvis p\u00e5 historiska data. Men platsen f\u00f6r den byggda modellen \u00e4r i den transaktionella databehandlingen. Vad \u00e4r po\u00e4ngen med den b\u00e4sta modellen f\u00f6r att uppt\u00e4cka bedr\u00e4gliga transaktioner, om vi bara k\u00f6r den en g\u00e5ng om dagen? Bedragarna har redan f\u00f6rsvunnit med pengarna. Vi beh\u00f6ver tr\u00e4na modellen p\u00e5 historiska data, men vi m\u00e5ste ocks\u00e5 till\u00e4mpa den i realtid p\u00e5 de nya inkommande data s\u00e5 att v\u00e5ra aff\u00e4rsprocesser kan agera i enlighet med de f\u00f6ruts\u00e4gelser som modellen g\u00f6r.<\/p>\n

    <\/p>\n

    ML Toolkit \u00e4r en upps\u00e4ttning verktyg vars syfte \u00e4r just detta: att f\u00f6rena modeller och transaktionsmilj\u00f6er s\u00e5 att byggda modeller enkelt kan anv\u00e4ndas direkt i dina aff\u00e4rsprocesser. Python Gateway \u00e4r en del av ML Toolkit och m\u00f6jligg\u00f6r integration med Python-spr\u00e5ket (p\u00e5 samma s\u00e4tt som R Gateway, som \u00e4r en del av ML Toolkit, m\u00f6jligg\u00f6r integration med R-spr\u00e5ket).<\/p>\n

    <\/p>\n

    Verktygsl\u00e5da<\/h1>\n

    <\/p>\n

    Innan vi forts\u00e4tter, skulle jag vilja beskriva n\u00e5gra verktyg och bibliotek f\u00f6r Python som vi kommer att anv\u00e4nda senare.<\/p>\n

    <\/p>\n

    Teknologier<\/h2>\n

    <\/p>\n