Python Gateway в InterSystems IRIS

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


2020-02-05 11:02

разработка по

Эта статья посвящена Python Gateway — комьюнити-проекту с открытым исходным кодом для платформы данных InterSystems IRIS. Этот проект позволяет оркестрировать любые алгоритмы машинного обучения, созданные на языке Python (основная среда для многих Data Scientists), использовать многочисленные готовые библиотеки для быстрого создания адаптивных, роботизированных аналитических AI/ML-решений на платформе InterSystems IRIS. В этой статье я покажу как InterSystems IRIS может оркестровать процессы на языке Python, эффективно осуществлять двустороннюю передачу данных и создавать интеллектуальные бизнес-процессы.

План

  1. Введение.
  2. Инструментарий.
  3. Установка.
  4. API.
  5. Интероперабельность.
  6. Jupyter Notebook.
  7. Выводы.
  8. Ссылки.
  9. MLToolkit.

Введение

Python — высокоуровневый язык программирования общего назначения, ориентированный на повышение производительности разработчика и читаемости кода. В данной серии статей я расскажу о возможностях применения языка Python на платформе InterSystems IRIS, при этом основным фокусом данной статьи является применение Python как языка создания и применения моделей машинного обучения.

Машинное обучение (ML) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе решения множества сходных задач.

Алгоритмы и модели машинного обучения становятся все более распространенными. Причин тому множество, но все сводится к доступности, простоте и достижению практических результатов. Является ли кластеризация или даже нейросетевое моделирование новой технологией?

Конечно нет, но в настоящее время нет необходимости писать сотни тысяч строк кода, чтобы запустить одну модель, а затраты на создание и применение моделей становятся всё меньше и меньше.

Инструменты развиваются — в то время как у нас нет полностью GUI-ориентированных AI/ML-инструментов, тот прогресс, который мы наблюдали со многими другими классами информационных систем, например, BI (от написания кода до использования фреймворков и GUI-ориентированных конфигурируемых решений), наблюдается и в инструментах для создания AI/ML. Мы уже прошли этап написания кода и сегодня используем фреймворки для построения и обучения моделей.

Другие улучшения, например, возможность распространения предобученной модели, когда конечный пользователь должен просто закончить обучение модели на его специфических данных также упрощают начало применения машинного обучения. Эти достижения значительно облегчают изучение машинного обучения как непосредственно для специалистов, так и для компаний в целом.

С другой стороны, мы собираем всё больше данных. Благодаря унифицированной платформе данных, такой как InterSystems IRIS, вся эта информация может быть немедленно подготовлена и использована в качестве исходных данных для моделей машинного обучения.

С переходом на облако запуск AI/ML-проектов становится легче, чем когда-либо. Мы можем потреблять только те ресурсы, которые нам необходимы. Более того, благодаря параллелизации, предлагаемой облачными платформами, мы можем сэкономить затрачиваемое время.

Но как насчет результатов? Здесь все становится сложнее. Существует множество инструментов для построения моделей, о которых я расскажу далее. Построить хорошую модель непросто, но что дальше? Получение прибыли от использования модели бизнесом также является нетривиальной задачей. Корень проблемы в разделении аналитических и транзакционных нагрузок, и моделей данных. Когда мы обучаем модель, мы обычно делаем это на исторических данных. Но место для построенной модели — в транзакционной обработке данных. Что хорошего в лучшей модели обнаружения мошеннических транзакций, если мы запускаем ее раз в день? Мошенники уже давно ушли с деньгами. Нам нужно тренировать модель на исторических данных, но мы также должны применять её в реальном времени на новых поступающих данных, чтобы наши бизнес-процессы могли действовать в соответствии с прогнозами, сделанными моделью.

ML Toolkit — набор инструментов, целью которого является именно это: объединение моделей и транзакционной среды, чтобы построенные модели можно было легко использовать прямо в ваших бизнес-процессах. Python Gateway является частью ML Toolkit и обеспечивает интеграцию с языком Python (аналогично как R Gateway, являясь частью ML Toolkit обеспечивает интеграцию с языком R).

Инструментарий

Прежде чем мы продолжим, я хотел бы описать несколько инструментов и библиотек для Python, которые мы будем использовать позже.

Технологии

  • Python — интерпретируемый, высокоуровневый язык программирования общего назначения. Основным преимуществом языка является большая библиотека математических, ML- и AI-библиотек. Как и ObjectScript, это объектно-ориентированный язык, но всё определяется динамически, а не статично. Также все является объектом. Более поздние статьи предполагают мимолетное знакомство с языком. Если вы хотите начать обучение, я рекомендую начать с документации.
  • Для наших последующих упражнений установите Python 3.6.7 64 bit.
  • IDE: Я использую PyCharm, но вообще их много. Если вы используете Atelier, то существует Eclipse-плагин для разработчиков на Python. Если вы используете VS Code, то существует расширение для Python.
  • Notebook: вместо IDE вы можете писать и делиться своими скриптами в онлайн-ноутбуках. Самый популярный из них — Jupyter.

Библиотеки

Вот (неполный) список библиотек для машинного обучения:

  • Numpy — фундаментальный пакет для точных вычислений.
  • Pandas — высокопроизводительные структуры данных и инструменты анализа данных.
  • Matplotlib — создание графиков.
  • Seaborn — визуализация данных, основанная на matplotlib.
  • Sklearn — методы машинного обучения.
  • XGBoost — алгоритмы машинного обучения в рамках методологии градиентного бустинга (Gradient Boosting).
  • Gensim — NLP.
  • Keras — нейронные сети.
  • Tensorflow — платформа для создания моделей машинного обучения.
  • PyTorch — платформа для создания моделей машинного обучения, ориентированная на Python.
  • Nyoka — PMML из различных моделей.

Технологии AI/ML позволяют сделать бизнес более эффективным и адаптируемым. Более того, сегодня эти технологии становятся проще в разработке и внедрении. Начните изучать AI/ML-технологии и то, как они могут помочь вашей организации расти.

Установка

Существует несколько способов установки и использования Python Gateway:

  • ОС
    • Windows
    • Linux
    • Mac
  • Docker
    • Используйте образ из DockerHub
    • Создайте свой собственный образ

Независимо от способа установки, вам понадобится исходный код. Единственное место для скачивания кода — страница релизов. Она содержит протестированные стабильные релизы, просто берите последний. На данный момент это 0.8, но со временем будут и новые. Не клонируйте/загружайте репозиторий, скачайте последний релиз.

ОС

Если вы устанавливаете Python Gateway в операционную систему, то сначала (вне зависимости от операционной системы) вам необходимо установить Python. Для этого:

  1. Установить Python 3.6.7 64 bit. Рекомендуется установить Python в директорию по умолчанию.
  2. Установите модуль dill: pip install dill.
  3. Загрузите код ObjectScript (т.е. do $system.OBJ.ImportDir("C:InterSystemsReposPythoniscpy", "*.cls", "c",,1)) в любую область с продукциями. В случае, если вы хотите, чтобы существующая область поддерживала продукции, выполните: write ##class(%EnsembleMgr).EnableNamespace($Namespace, 1).
  4. Поместите callout DLL/SO/DYLIB в папку bin вашего инстанса InterSystems IRIS. Файл библиотеки должен быть доступен по пути, возвращаемом write ##class(isc.py.Callout).GetLib().

Windows

  1. Убедитесь, что переменная окружения PYTHONHOME указывает на Python 3.6.7.
  2. Убедитесь, что системная переменная окружения PATH содержит переменную PYTHONHOME (или директорию, на которую она указывает).

Linux (Debian/Ubuntu)

  1. Проверьте, что переменная окружения PATH содержит /usr/lib и /usr/lib/x86_64-linux-gnu. Используйте файл /etc/environment для установки переменных окружения.
  2. В случае ошибок undefined symbol: _Py_TrueStruct установите настройку PythonLib. Также в Readme есть раздел Troubleshooting.

Mac

  1. В настоящее время поддерживается только питон 3.6.7 из Python.org. Проверьте переменную PATH.

Если вы изменяли переменные окружения, перезапустите ваш продукт InterSystems.

Docker

Использование контейнеров имеет ряд преимуществ:

  • Портативность
  • Эффективность
  • Изоляция
  • Легковесность
  • Иммутабельность

Ознакомьтесь с этой серией статей для получения более подробной информации об использовании Docker с продуктами InterSystems.

Все сборки Python Gateway на данный момент основаны на контейнерах 2019.4.

Готовый образ

Выполните: docker run -d -p 52773:52773 --name irispy intersystemscommunity/irispy-community:latest, чтобы загрузить и запустить Python Gateway с InterSystems IRIS Community Edition. Вот и все.

Создайте свой собственный образ

Для сборки докер-образа выполните в корне репозитория: docker build --force-rm --tag intersystemscommunity/irispy:latest ..
По умолчанию образ собирается на основе образа store/intersystems/iris-community:2019.4.0.383.0, однако вы можете изменить это, установив переменную IMAGE.
Для сборки из InterSystems IRIS выполните: `docker build --build-arg IMAGE=store/intersystems/iris:2019.4.0.383.0 --force-rm --tag intersystemscommunity/irispy:latest ``.

После этого вы можете запустить докер-образ:

docker run -d    -p 52773:52773    -v /<HOST-DIR-WITH-iris.key>/:/mount    --name irispy    intersystemscommunity/irispy:latest    --key /mount/iris.key

Если вы используете образ, основанный на InterSystems IRIS Community Edition, вы можете не указывать ключ.

Комментарии

  • Тестовый процесс isc.py.test.Process сохраняет ряд изображений во временный каталог. Возможно, вы захотите изменить этот путь на смонтированный каталог. Для этого отредактируйте настройку WorkingDir указав смонтированную директорию.
  • Для доступа к терминалу выполните: docker exec -it irispy sh.
  • Доступ к Порталу Управления Системой по логину SuperUser/SYS.
  • Чтобы остановить контейнер, выполните: docker stop irispy && docker rm --force irispy.

Проверка установки

После того, как вы установили Python Gateway, стоит проверить, что он работает. Выполните этот код в терминале InterSystems IRIS:

set sc = ##class(isc.py.Callout).Setup()  set sc = ##class(isc.py.Main).SimpleString("x='HELLO'", "x", , .var). write var

В результате должно быть выведено HELLO — значение Python-переменной x. Если возвращаемый статус sc является ошибкой или var пусто, проверьте Readme — Troubleshooting section.

API

Python Gateway установлен, и вы убедились, что он работает. Пора начинать его использовать!
Главный интерфейс к Python это isc.py.Main. Он предлагает следующие группы методов (все возвращают %Status):

  • Исполнение кода
  • Передача данных
  • Вспомогательные

Исполнение кода

Эти методы позволяют исполнять произвольный Python-код.

SimpleString

SimpleString — это основной метод. Он принимает 4 опциональных аргумента:

  • code — строка кода для выполнения. Символ перевода строки: $c(10).
  • returnVariable — имя переменной для возврата.
  • serialization — как сериализовать returnVariable. 0 — string (по умолчанию), 1 — repr.
  • result — ByRef ссылка на переменную, в которую записывается значение returnVariable.

Выше мы выполнили:

set sc = ##class(isc.py.Main).SimpleString("x='HELLO'", "x", , .var).

В данном примере мы присваиваем переменной Python x значение Hello и хотим вернуть значение Python переменной x в ObjectScript переменную var.

ExecuteCode

ExecuteCode является более безопасной и менее ограниченной альтернативой SimpleString.
Строки в платформе InterSystems IRIS ограничены 3 641 144 символами, и если вы хотите выполнить более длинный кусок кода, вам необходимо использовать потоки.
Принимаются два аргумента:

  • code — строка или поток Python кода для исполнения.
  • variable — (опционально) присваивает результат выполнения code этой Python переменной.

Приме использовать:

set sc = ##class(isc.py.Main).ExecuteCode("2*3", "y").

В этом примере мы умножаем 2 на 3 и записываем результат в Python переменную y.

Передача данных

Передавайте данные в Python и обратно.

Python -> InterSystems IRIS

Есть 4 способа получить значение Python переменной в InterSystems IRIS, в зависимости от сериализации, которая вам нужна:

  • String для простых типов данных и отладки.
  • Repr для хранения простых объектов и отладки.
  • JSON для легкого манипулирования данными на стороне InterSystems IRIS.
  • Pickle для сохранения объектов.

Эти методы позволяют получать переменные с Python в виде строки или потоков.

  • GetVariable(variable, serialization, .stream, useString) — получить serialization переменной variable в stream. Если useString равно 1 и сериализация помещается в строку, то возвращается строка а не поток.
  • GetVariableJson(variable, .stream, useString) — получить JSON сериализацию переменной.
  • GetVariablePickle(variable, .stream, useString, useDill) -получить Pickle (или Dill) сериализацию переменной.

Попробуем получить нашу переменную y.

set sc = ##class(isc.py.Main).GetVariable("y", , .val, 1) write val >6

InterSystems IRIS -> Python

Загружаем данные из InterSystems IRIS в Python.

  • ExecuteQuery(query, variable, type, namespace) — создает набор данных (pandas dataframe или list) из sql запроса и устанавливает его в Python переменную variable. Пакет isc.py должен быть доступен в области namespace — там будет исполняться запрос.
  • ExecuteGlobal(global, variable, type, start, end, mask, labels, namespace) — загружает данные глобала global от сабскрипта start до end в Python как переменную типа type: list, либо pandas dataframe. Описание опциональных аргументов mask and labels доступно в документации класса и репозитории Data Transfer docs.
  • ExecuteClass(class, variable, type, start, end, properties, namespace) — загружает данные класса class от id start до end в Python как переменную типа type: list, либо pandas dataframe. properties — список (разделитель — запятая) свойств класса, которые нужно загрузить в набор данных. Поддерживаются маски * и ?. По умолчанию — * (все свойства). Свойство %%CLASSNAME игнорируется.
  • ExecuteTable(table, variable, type, start, end, properties, namespace) — загружает данные таблицы table от id start до end в Python.

ExecuteQuery — универсален (любой корректный SQL-запрос будет передан в Python). Однако, ExecuteGlobal и его обёртки ExecuteClass и ExecuteTable работают с рядом ограничений. Они намного быстрее (в 3-5 раз быстрее ODBC-драйвера и в 20 раз быстрее ExecuteQuery). Дополнительная информация в Data Transfer docs. Все эти методы поддерживают передачу данных из любой области. Пакет isc.py должен быть доступен в целевой области.

ExecuteQuery

ExecuteQuery(request, variable, type, namespace) — передача результатов любого корректного SQL-запроса на Python. Это самый медленный метод передачи данных. Используйте его, если ExecuteGlobal и его обёртки недоступны.

Аргументы:

  • query — sql запрос.
  • variable — название Python переменной в которую записываются данные.
  • typelist или Pandas dataframe.
  • namespace — область в которой будет исполняться запрос.

ExecuteGlobal

ExecuteGlobal(global, variable, type, start, end, mask, labelels, namespace) — передача глобала в Python.

Аргументы:

  • global — имя глобала без ^
  • variable — название Python переменной в которую записываются данные.
  • typelist или Pandas dataframe.
  • start — первый сабскрипт глобала. Обязательно %Integer.
  • end — последний сабскрипт глобала. Обязательно %Integer.
  • mask — маска значений глобала. Маска может быть короче, чем количество полей в глобале (в этом случае поля в конце будут пропущены). Как форматировать маску:
    • + передать значение как есть.
    • - пропустить значение.
    • b — Логический тип (0False, всё остальное — True).
    • d — Дата (из $horolog, на Windows от 1970, на Linux от 1900).
    • t — Время ($horolog, секунды после полуночи).
    • m — Метка времени (строка формата YEAR-MONTH-DAY HOUR:MINUTE:SECOND).
  • labels — %List названий колонок. Первый элемент — название сабскрипта.
  • namespace — область в которой будет исполняться запрос.

ExecuteClass

Обертка над ExecuteGlobal. На основе определения класса подготавливает вызов ExecuteGlobal и вызывает его.

ExecuteClass(class, variable, type, start, end, properties, namespace) — передача данных класса в Python.

Аргументы:

  • class — имя класса
  • variable — название Python переменной в которую записываются данные.
  • typelist или Pandas dataframe.
  • start — стартовый Id.
  • end — конечный Id
  • properties — список (разделитель — запятая) свойств класса, которые нужно загрузить в набор данных. Поддерживаются маски * и ?. По умолчанию — * (все свойства). Свойство %%CLASSNAME игнорируется.
  • namespace — область в которой будет исполняться запрос.

Все свойства передаются как есть кроме свойств типов %Date, %Time, %Boolean и %TimeStamp — они конвертируются в соответствующие классы Python.

ExecuteTable

Обертка над ExecuteClass. Транслирует имя таблицы в имя класса и вызывает ExecuteClass. Сигнатура:

ExecuteTable(table, variable, type, start, end, properties, namespace) — передача данных таблицы в Python.

Аргументы:

  • table — имя таблицы.
    Все остальные аргументы передаются как есть в ExecuteClass.

Заметки

  • ExecuteGlobal, ExecuteClass и ExecuteTable работают одинаково быстро.
  • ExecuteGlobal в 20 раз быстрее чем ExecuteQuery на больших наборах данных (время передачи более >0.01 секунды).
  • ExecuteGlobal, ExecuteClass и ExecuteTable работают на глобалах с данной структурой: ^global(key) = $lb(prop1, prop2, ..., propN) где key — целое число.
  • Для ExecuteGlobal, ExecuteClass и ExecuteTable поддерживаемый диапазон значений %Date соответствует диапазону mktime и зависит от ОС (windows: 1970-01-01, linux 1900-01-01, mac). Используйте %TimeStampдля передачи данных вне этого диапазона или используйте pandas dataframe т.к. это ограничение только для списка.
  • Для ExecuteGlobal, ExecuteClass и ExecuteTable все аргументы кроме источника данных (глобала, класса или таблицы) и переменной опциональны.

Примеры

Тестовый класс isc.py.test.Person содержит метод, демонстрирующий все варианты передачи данных:

set global = "isc.py.test.PersonD" set class = "isc.py.test.Person" set table = "isc_py_test.Person" set query = "SELECT * FROM isc_py_test.Person"  // Общие аргументы set variable = "df" set type = "dataframe" set start = 1 set end = $g(^isc.py.test.PersonD, start)  // Способ 0: ExecuteGlobal без аргументов set sc = ##class(isc.py.Main).ExecuteGlobal(global, variable _ 0, type)  // Способ 1: ExecuteGlobal с аргументами     // При передаче глобала названия полей задаются вручную // globalKey - название сабсткрипта  set labels = $lb("globalKey", "Name", "DOB", "TS", "RandomTime", "AgeYears", "AgeDecimal", "AgeDouble", "Bool")  // mask содержит на 1 элемент меньше чем labels потому что "globalKey" - название сабскипта // Пропускаем %%CLASSNAME set mask = "-+dmt+++b"  set sc = ##class(isc.py.Main).ExecuteGlobal(global, variable _ 1, type, start, end, mask, labels)  // Способ 2: ExecuteClass set sc = ##class(isc.py.Main).ExecuteClass(class, variable _ 2, type, start, end)  // Способ 3: ExecuteTable set sc = ##class(isc.py.Main).ExecuteTable(table, variable _ 3, type, start, end)  // Способ 4: ExecuteTable set sc = ##class(isc.py.Main).ExecuteQuery(query, variable _ 4, type)

Вызовите метод do ##class(isc.py.test.Person).Test() чтобы посмотреть как работают все методы передачи данных.

Вспомогательные методы

  • GetVariableInfo(variable, serialization, .defined, .type, .length) — получить информацию о переменной: определена ли она, класс и длинну сериализации.
  • GetVariableDefined(variable, .defined) — определена ли переменная.
  • GetVariableType(variable, .type) — получить класс переменной.
  • GetStatus() — получить и удалить последнее исключение на стороне Python.
  • GetModuleInfo(module, .imported, .alias) — получить переменную модуля и статус импорта.
  • GetFunctionInfo(function, .defined, .type, .docs, .signature, .arguments) — получить информацию о функции.

Интероперабельность

Вы научились вызывать Python Gateway из терминала, теперь начнем использовать его в продукции. Основа взаимодействия с Python в таком режиме — isc.py.ens.Operation. Он позволяет нам:

  • Выполнять код на Python
  • Сохранять/Восстанавливать Python контекст
  • Загружать и получать данные из Python

В принципе, Pyhton операция это обертка над isc.py.Main. Операция isc.py.ens.Operation дает возможность взаимодействия с процессом Python из продукций InterSystems IRIS. Поддерживается пять запросов:

  • isc.py.msg.ExecutionRequest для исполнения Python кода. Возвращает isc.py.msg.ExecutionResponse с результатом исполнения и значениями запрошенных переменных.
  • isc.py.msg.StreamExecutionRequest для исполнения Python кода. Возвращает isc.py.msg.StreamExecutionResponse результатом исполнения и значениями запрошенных переменных. Аналог isc.py.msg.ExecutionRequest, но принимает и возвращает потоки вместо строк.
  • isc.py.msg.QueryRequest для передачи результата исполнения SQL запроса. Возвращает Ens.Response.
  • isc.py.msg.GlobalRequest/isc.py.msg.ClassRequest/isc.py.msg.TableRequest для передачи данных глобала/класса/таблицы. Возвращает Ens.Response.
  • isc.py.msg.SaveRequest для сохранения Python контекста. Возвращает Ens.StringResponse с идентификатором контекста.
  • isc.py.msg.RestoreRequest для восстановления Python контекста.

    Кроме того, isc.py.ens.Operation имеет две настройки:

    • Initializer — выбор класса, реализующего интерфейс isc.py.init.Abstract. Он может быть использован для загрузки функций, модулей, классов и т.п. Он выполняется один раз при запуске процесса.
    • PythonLib — (только для Linux) если вы видите ошибки при загрузке, установите его значение равным libpython3.6m.so или даже в полному пути к библиотеке Python.

Создание бизнес-процессов

Доступно два класса, которые облегчают разработку бизнес-процессов:

  • isc.py.ens.ProcessUtils позволяет извлекать аннотации из активностей с подстановкой переменных.
  • isc.py.util.BPEmulator позволяет легко тестировать бизнес-процессы с Python. Он может выполнять бизнес-процесс (части на языке Python) в текущем процессе.

Подстановка переменных

Все бизнес-процессы, унаследованные от isc.py.ens.ProcessUtils, могут использовать метод GetAnnotation(name) для получения значения аннотации активности по её названию. Аннотация активности может содержать переменные, которые будут вычислены на стороне InterSystems IRIS перед передачей в Python. Вот синтаксис подстановки переменных:

  • ${class:method:arg1:...:argN} — вызов метода
  • #{expr} — исполнить код на языке ObjectScript.

Пример доступен в тестовом бизнес-процессе isc.py.test.Process, например, в активности Correlation Matrix: Graph: f.savefig(r'#{process.WorkDirectory}SHOWCASE${%PopulateUtils:Integer:1:100}.png'). В этом примере:

  • #{process.WorkDirectory} возвращает свойство WorkDirectory объекта process, являющегося экземпляром класса isc.py.test.Process т.е. текущего бизнес-процесса.
  • ${%PopulateUtils:Integer:1:100} вызывает метод Integer класса %PopulateUtils, передавая аргументы 1 и 100, возвращая случайное целое число в диапазоне 1...100.

Тестовый бизнес-процесс

Тестовая продукция и тестовый бизнес-процесс доступны по умолчанию как часть шлюза Python Gateway. Для их использования:

  1. В терминале ОС выполните: pip install pandas matplotlib seaborn.
  2. В терминале InterSystems IRIS выполните: do ##class(isc.py.test.CannibalizationData).Import() для заполнения тестовых данных.
  3. Запустите продукцию isc.py.test.Production.
  4. Отправить запрос типа Ens.Request в isc.py.test.Process.

Посмотрим, как все это работает вместе. Откройте isc.py.test.Process в редакторе BPL:

Исполнение кода

Самый важный вызов — исполнение Python кода:

Используется запрос isc.py.msg.ExecutionRequest, вот его свойства:

  • Code — Python код.
  • SeparateLines — разделять ли код на строки для выполнения. $c(10) ( ) используется для разделения строк. Обратите внимание, что НЕ рекомендуется обрабатывать сообщение целиком сразу, эта функция предназначена только для обработки def и подобных многострочных выражений. По умолчанию 0.
  • Variables — разделенный запятыми список переменных, которые будут добавлены в ответ.
  • Serialization — Как сериализовать переменные, которые мы хотим вернуть. Варианты: Str, Repr, JSON, Pickle и Dill, по умолчанию Str.

В нашем случае, мы только устанавливаем свойство Code, так что все остальные свойства используют значения по умолчанию. Мы устанавливаем его вызовом process.GetAnnotation("Import pandas"), который во время выполнения возвращает аннотацию после выполнения подстановки переменных. В конце концов, код import pandas as pd будет передан в Python. GetAnnotation может быть полезна для получения многострочных Python скриптов, но никаких ограничений на данный способ получения кода нет. Вы можете установить свойство Code любым удобным для вас способом.

Получение переменных

Еще один интересный вызов с использованием isc.py.msg.ExecutionRequestCorrelation Matrix: Tabular:

Он вычисляет Матрицу Корреляции на стороне Python и извлекает переменную corrmat обратно в InterSystems IRIS в формате JSON, путем установки свойств запроса:

  • Variables: "corrmat"
  • Serialization: "JSON"

Мы можем видеть результаты в Visual Trace:

И если нам это значение понадобится в БП, его можно получить так: callresponse.Variables.GetAt("corrmat").

Передача данных

Далее поговорим о передаче данных из InterSystems IRIS в Python, все запросы на передачу данных реализуют интерфейс isc.py.msg.DataRequest, который предоставляет следующие свойства:

  • Variable — переменная Python в которую записываются данные.
  • Type — тип переменной: dataframe (pandas dataframe) или list.
  • Namespace — область из которой получаем данные. Пакет isc.py должен быть доступен в этой области. Это может быть область без поддержки продукций.

На основе этого интерфейса реализованы 4 класса запросов:

  • isc.py.msg.QueryRequest — установите свойство Query для передачи SQL запроса.
  • isc.py.msg.ClassRequest — установите свойство Class для передачи данных класса.
  • isc.py.msg.TableRequest — установить свойство Table для передачи данных таблицы.
  • isc.py.msg.GlobalRequest — установить свойство Global для передачи данных глобала.

В тестовом процессе посмотрите на активность RAW, где isc.py.msg.QueryRequest показан в действии.

Сохранение/восстановление Python контекста

Наконец, мы можем сохранить Python контекст в InterSystems IRIS, чтобы сделать это, отправим isc.py.msg.SaveRequest с аргументами:

  • Mask — Сохраняются только переменные, удовлетворяющие маске. Поддерживаются * и ?. Пример: "Data*, Figure?". По умолчанию *.
  • MaxLength — Максимальная длина сохраняемой переменной. Если сериализация переменной длиннее, то она будет проигнорирована. Установите 0, чтобы получить переменные любой длины. По умолчанию $$$MaxStringLength.
  • Name — Имя контекста (опционально).
  • Description — Описание контекста (опционально).

Возвращает Ens.StringResponse с Id сохраненного контекста. В тестовом процессе посмотрите на активность Save Context.

Соответствующий запрос isc.py.msg.RestoreRequest загружает контекст из InterSystems IRIS в Python:

  • ContextId — идентификатор контекста.
  • Clear — очистить контекст перед восстановлением.

Jupyter Notebook

Jupyter Notebook — это веб-приложение с открытым исходным кодом, позволяющее создавать ноутбуки, содержащие код, визуализации и текст и публиковать их. Python Gateway позволяет просматривать и редактировать BPL-процессы в виде Jupyter Notebook. Обратите внимание, что в настоящее время используется обычный executor Python 3.

Это расширение предполагает, что аннотации содержат код Python и используют названия активностей в качестве предшествующих заголовков. Теперь возможно разрабатывать бизнес-процессы PythonGateway в Jupyter Notebook. Вот что возможно:

  • Создавать новые бизнес-процессы
  • Удалять бизнес-процессы
  • Создавать новые активности
  • Изменять активности
  • Удалять активности

Вот демо-видео. И несколько скриншотов:

Проводник процессов

Редактор процесса

Установка

  1. Вам понадобится InterSystems IRIS 2019.2+.
  2. Установите PythonGateway v0.8+ (требуется только isc.py.util.Jupyter, isc.py.util.JupyterCheckpoints и isc.py.ens.ProcessUtils).
  3. Обновите код ObjectScript из репозитория.
  4. Выполните do ##class(isc.py.util.Jupyter).Install() и следуйте подсказкам.

Документация.

Выводы

MLToolkit — набор инструментов, целью которого является объединение моделей и транзакционной среды, чтобы построенные модели можно было легко использовать прямо в ваших бизнес-процессах. Python Gateway является частью MLToolkit и обеспечивает интеграцию с языком Python позволяя оркестрировать любые алгоритмы машинного обучения, созданные на языке Python (основная среда для многих Data Scientists), использовать многочисленные готовые библиотеки для быстрого создания адаптивных, роботизированных аналитических AI/ML-решений на платформе InterSystems IRIS.

Ссылки


MLToolkit

Группа пользователей MLToolkit — это частный GitHub-репозиторий, созданный как часть корпоративной GitHub-организации InterSystems. Она адресована внешним пользователям, которые устанавливают, изучают или уже используют компоненты MLToolkit, включая Python Gateway. В группе доступен ряд реализованных кейсов (с исходным кодом и тестовыми данными) в сферах маркетинга, производства, медицины и многих других отраслях. Чтобы присоединиться к группе пользователей ML Toolkit, пожалуйста, отправьте короткое сообщение по электронной почте по следующему адресу: MLToolkit@intersystems.com и укажите в своем письме следующие данные:

  • Имя пользователя GitHub
  • Организация (вы работаете или учитесь)
  • Должность (ваша фактическая должность в вашей организации, или "Студент", или "Независимый").
  • Страна

Тем, кто прочитал статью и заинтересовался возможностями InterSystems IRIS как платформы для разработки или размещения механизмов искусственного интеллекта и машинного обучения, мы предлагаем обсудить возможные сценарии, представляющие интерес для вашего предприятия. Мы с готовностью проанализируем потребности вашего предприятия и совместно определим план действий; контактный адрес электронной почты нашей экспертной группы AI/ML – MLToolkit@intersystems.com.


Источник: habr.com

Комментарии: