आज के डेटा परिदृश्य में, व्यवसायों को कई अलग-अलग चुनौतियों का सामना करना पड़ता है। उनमें से एक सभी उपभोक्ताओं के लिए उपलब्ध एकीकृत और सामंजस्यपूर्ण डेटा परत के शीर्ष पर विश्लेषण करना है। एक परत जो उपयोग की जा रही बोली या उपकरण से असंबंधित समान प्रश्नों के समान उत्तर दे सकती है।
इंटरसिस्टम्स आईआरआईएस डेटा प्लेटफ़ॉर्म इसका उत्तर देता है और एडेप्टिव एनालिटिक्स के ऐड-ऑन के साथ जो इस एकीकृत सिमेंटिक परत को वितरित कर सकता है। बीआई टूल्स के माध्यम से इसका उपयोग करने के बारे में डेवकम्युनिटी में बहुत सारे लेख हैं। यह आलेख इस भाग को कवर करेगा कि एआई के साथ इसका उपभोग कैसे किया जाए और साथ ही कुछ अंतर्दृष्टि कैसे वापस रखी जाए।
आइए कदम दर कदम आगे बढ़ें...

एडेप्टिव एनालिटिक्स क्या है?

आप डेवलपर समुदाय वेबसाइट में कुछ परिभाषा आसानी से पा सकते हैं
कुछ शब्दों में, यह आगे की खपत और विश्लेषण के लिए आपकी पसंद के विभिन्न उपकरणों को संरचित और सामंजस्यपूर्ण रूप में डेटा प्रदान कर सकता है। यह विभिन्न बीआई टूल्स को समान डेटा संरचनाएं प्रदान करता है। लेकिन... यह आपके एआई/एमएल टूल्स को भी समान डेटा संरचनाएं प्रदान कर सकता है!

एडेप्टिव एनालिटिक्स में एआई-लिंक नामक एक अतिरिक्त घटक है जो एआई से बीआई तक इस पुल का निर्माण करता है।

एआई-लिंक वास्तव में क्या है?

यह एक पायथन घटक है जिसे मशीन लर्निंग (एमएल) वर्कफ़्लो (उदाहरण के लिए, फीचर इंजीनियरिंग) के प्रमुख चरणों को सुव्यवस्थित करने के उद्देश्य से सिमेंटिक परत के साथ प्रोग्रामेटिक इंटरैक्शन को सक्षम करने के लिए डिज़ाइन किया गया है।

एआई-लिंक के साथ आप यह कर सकते हैं:

• आपके विश्लेषणात्मक डेटा मॉडल की सुविधाओं तक प्रोग्रामेटिक रूप से पहुंच;
• प्रश्न पूछें, आयामों और मापों का पता लगाएं;
• फ़ीड एमएल पाइपलाइन; ... और परिणामों को अपनी सिमेंटिक परत पर वापस लाएँ ताकि दूसरों द्वारा फिर से उपभोग किया जा सके (उदाहरण के लिए टेबलू या एक्सेल के माध्यम से)।

चूंकि यह एक पायथन लाइब्रेरी है, इसका उपयोग किसी भी पायथन वातावरण में किया जा सकता है। नोटबुक सहित।
और इस लेख में मैं एआई-लिंक की मदद से ज्यूपिटर नोटबुक से एडाप्टिव एनालिटिक्स समाधान तक पहुंचने का एक सरल उदाहरण दूंगा।

यहां गिट रिपॉजिटरी है जिसमें उदाहरण के तौर पर संपूर्ण नोटबुक होगी: https://github.com/v23ent/aa-hands-on

पूर्वावश्यकताएं

आगे के चरण मान लें कि आपने निम्नलिखित पूर्व-आवश्यकताएं पूरी कर ली हैं:

1. अनुकूली एनालिटिक्स समाधान चालू है और चल रहा है (डेटा वेयरहाउस के रूप में आईआरआईएस डेटा प्लेटफ़ॉर्म के साथ)
2. ज्यूपिटर नोटबुक चालू है
3. 1. और 2. के बीच कनेक्शन स्थापित किया जा सकता है

चरण 1: सेटअप

सबसे पहले, आइए अपने वातावरण में आवश्यक घटकों को स्थापित करें। इससे काम करने के लिए आगे के चरणों के लिए आवश्यक कुछ पैकेज डाउनलोड हो जाएंगे।
'एटस्केल' - कनेक्ट करने के लिए यह हमारा मुख्य पैकेज है
'पैगंबर' - पैकेज जिसकी हमें भविष्यवाणियां करने के लिए आवश्यकता होगी

pip install atscale prophet

फिर हमें अपनी सिमेंटिक परत की कुछ प्रमुख अवधारणाओं का प्रतिनिधित्व करने वाले प्रमुख वर्गों को आयात करने की आवश्यकता होगी।
क्लाइंट - वह वर्ग जिसका उपयोग हम एडेप्टिव एनालिटिक्स से कनेक्शन स्थापित करने के लिए करेंगे;
प्रोजेक्ट - एडेप्टिव एनालिटिक्स के अंदर परियोजनाओं का प्रतिनिधित्व करने वाला वर्ग;
डेटामॉडल - वह वर्ग जो हमारे वर्चुअल क्यूब का प्रतिनिधित्व करेगा;

from atscale.client import Client
from atscale.data_model import DataModel
from atscale.project import Project
from prophet import Prophet
import pandas as pd 

चरण 2: कनेक्शन

अब हमें अपने डेटा के स्रोत से कनेक्शन स्थापित करने के लिए पूरी तरह तैयार होना चाहिए।

client = Client(server='http://adaptive.analytics.server', username='sample')
client.connect()

आगे बढ़ें और अपने एडाप्टिव एनालिटिक्स इंस्टेंस का कनेक्शन विवरण निर्दिष्ट करें। एक बार आपसे पूछा जाए कि संगठन संवाद बॉक्स में जवाब देता है और फिर कृपया एटस्केल उदाहरण से अपना पासवर्ड दर्ज करें।

स्थापित कनेक्शन के साथ आपको सर्वर पर प्रकाशित परियोजनाओं की सूची से अपना प्रोजेक्ट चुनना होगा। आपको परियोजनाओं की सूची एक इंटरैक्टिव प्रॉम्प्ट के रूप में मिलेगी और उत्तर परियोजना की पूर्णांक आईडी होनी चाहिए। और फिर डेटा मॉडल स्वचालित रूप से चुना जाता है यदि यह एकमात्र है।

project = client.select_project()   
data_model = project.select_data_model()

चरण 3: अपने डेटासेट का अन्वेषण करें

एआई-लिंक घटक लाइब्रेरी में एटस्केल द्वारा कई विधियां तैयार की गई हैं। वे आपके पास मौजूद डेटा कैटलॉग का पता लगाने, डेटा क्वेरी करने और यहां तक ​​​​कि कुछ डेटा वापस लेने की अनुमति देते हैं। एटस्केल दस्तावेज़ में व्यापक एपीआई संदर्भ है जो उपलब्ध हर चीज़ का वर्णन करता है।
आइए सबसे पहले data_model के कुछ तरीकों को कॉल करके देखें कि हमारा डेटासेट क्या है:

data_model.get_features()
data_model.get_all_categorical_feature_names()
data_model.get_all_numeric_feature_names()

आउटपुट कुछ इस तरह दिखना चाहिए

एक बार जब हम चारों ओर देख लेते हैं, तो हम 'get_data' विधि का उपयोग करके उस वास्तविक डेटा के बारे में पूछ सकते हैं जिसमें हम रुचि रखते हैं। यह क्वेरी परिणामों वाला एक पांडा डेटाफ़्रेम वापस लौटाएगा।

df = data_model.get_data(feature_list = ['Country','Region','m_AmountOfSale_sum'])
df = df.sort_values(by='m_AmountOfSale_sum')
df.head()

जो आपका डेटाड्रम दिखाएगा:

आइए कुछ डेटासेट तैयार करें और जल्दी से इसे ग्राफ़ पर दिखाएं

import matplotlib.pyplot as plt

# We're taking sales for each date
dataframe = data_model.get_data(feature_list = ['Date','m_AmountOfSale_sum'])

# Create a line chart
plt.plot(dataframe['Date'], dataframe['m_AmountOfSale_sum'])

# Add labels and a title
plt.xlabel('Days')
plt.ylabel('Sales')
plt.title('Daily Sales Data')

# Display the chart
plt.show()

आउटपुट:

चरण 4: भविष्यवाणी

अगला कदम वास्तव में एआई-लिंक ब्रिज से कुछ मूल्य प्राप्त करना होगा - आइए कुछ सरल भविष्यवाणी करें!

# Load the historical data to train the model
data_train = data_model.get_data(
    feature_list = ['Date','m_AmountOfSale_sum'],
    filter_less = {'Date':'2021-01-01'}
    )
data_test = data_model.get_data(
    feature_list = ['Date','m_AmountOfSale_sum'],
    filter_greater = {'Date':'2021-01-01'}
    )

हमें यहां 2 अलग-अलग डेटासेट मिलते हैं: हमारे मॉडल को प्रशिक्षित करने और उसका परीक्षण करने के लिए।

# For the tool we've chosen to do the prediction 'Prophet', we'll need to specify 2 columns: 'ds' and 'y'
data_train['ds'] = pd.to_datetime(data_train['Date'])
data_train.rename(columns={'m_AmountOfSale_sum': 'y'}, inplace=True)
data_test['ds'] = pd.to_datetime(data_test['Date'])
data_test.rename(columns={'m_AmountOfSale_sum': 'y'}, inplace=True)

# Initialize and fit the Prophet model
model = Prophet()
model.fit(data_train)

और फिर हम अपनी भविष्यवाणी को समायोजित करने और इसे ग्राफ़ पर प्रदर्शित करने के लिए एक और डेटाफ़्रेम बनाते हैं

# Create a future dataframe for forecasting
future = pd.DataFrame()
future['ds'] = pd.date_range(start='2021-01-01', end='2021-12-31', freq='D')

# Make predictions
forecast = model.predict(future)
fig = model.plot(forecast)
fig.show()

आउटपुट:

चरण 5: राइटबैक

एक बार जब हमें अपनी भविष्यवाणी मिल जाती है तो हम उसे डेटा वेयरहाउस में वापस रख सकते हैं और अन्य उपभोक्ताओं के लिए इसे प्रतिबिंबित करने के लिए अपने सिमेंटिक मॉडल में एक समुच्चय जोड़ सकते हैं। भविष्यवाणी बीआई विश्लेषकों और व्यावसायिक उपयोगकर्ताओं के लिए किसी अन्य बीआई उपकरण के माध्यम से उपलब्ध होगी।
भविष्यवाणी को हमारे डेटा वेयरहाउस में रखा जाएगा और वहां संग्रहीत किया जाएगा।

from atscale.db.connections import Iris

db = Iris(

    username,

    host,

    namespace,

    driver,

    schema, 

    port=1972,

    password=None, 

    warehouse_id=None

    )

data_model.writeback(dbconn=db,

                    table_name= 'SalesPrediction',

                    DataFrame = forecast)

data_model.create_aggregate_feature(dataset_name='SalesPrediction',

                                    column_name='SalesForecasted',

                                    name='sum_sales_forecasted',

                                    aggregation_type='SUM')

फिन

यही वह है!
आपकी भविष्यवाणियों के लिए शुभकामनाएँ!