API v2.0リリース：MachbaseでAI開発をより簡単に、より速く
以前のAPIは、Machbase NeoとPythonの連携を中心としていました。API v2.0では、Python環境でのAI開発に必要な機能を拡充し、コードを簡潔に、開発をより迅速に進められるようにしました。データ分析からモデル構築まで、生産性を高め、AI開発の作業を効率化する機能を提供します。
主な機能を紹介します。
API v2.0の機能は、AI開発の流れに合わせて五つのカテゴリーに整理されています。それぞれ、開発をより容易で迅速にするために設計されています。
1) EDA（探索的データ分析）
データの概要、可視化、統計分析を通じて、その特徴を調べます。データを深く理解することで、分析時間の短縮や予測精度の向上につなげられます。
2) Model
さまざまなAIモデルを、扱いやすいインターフェースから呼び出せます。柔軟なオプションによって実装を簡素化し、効率よくモデルを利用できます。
3) Preprocessing
モデリングに向けてデータを前処理します。EDAで把握した特性を基に、必要な処理を進められます。
4) Tql
API v1.0の連携機能を引き継ぎ、Machbase NeoとPythonの間で効率よくデータをやり取りします。
5) Util
データの読み込みや結果の可視化などを支える補助機能です。開発者が個別に実装していた作業を、自動化または簡素化します。
アップデート時に必要な変更
従来の機能は維持されますが、以前使っていた関数はAPI呼び出しに置き換わります。作成済み、または開発中のPythonコードを修正する必要があります。
エンドポイントの構造も、次のように変わりました。
api/v1 → api/v2/{category}
新しいAPIの使い方
AIモデルを学習させるPythonコードを、順番に説明します。
1. ライブラリをインポートする
従来のライブラリに加え、画像に示す新しいAPIのインポートを追加します。フォルダーやファイルを移動した場合は、sysに追加した対応するパスも変更してください。
2. 基本パラメーターを設定する
探索的データ分析の結果を基に、使用するデータの基本情報を設定します。
3. モデルを設定する
新しいAPIで呼び出したSparseTSFモデルの初期パラメーターを設定します。
各モデルの入力パラメーターは、 https://www.yotahub.com/api/ で確認できます。
4. データセットとデータローダーを設定する
過去の観測値から将来の値を予測できるように、データを構成します。
5. モデルを学習・テストする
Machbaseの学習方式では、必要な量のデータだけをNeoから順番に読み込み、すぐに前処理と学習を行います。全データをメモリ上に置く必要を減らし、ローカル資源が限られる環境でも、大規模データの学習とテストに対応しやすくします。
下の画像では、赤い枠がデータの読み込み、青い枠が前処理、黄色い枠がモデルの学習を示しています。
6. モデルの性能を評価する
テスト結果を使って、学習済みモデルの性能を評価します。
ノートブック全体は、 https://github.com/machbase/datahub/blob/main/dataset/2024/17.Bitcoin/code/17.Bitcoin_Buffered_Fetch.ipynb で確認できます。
サンプルコードとAPIの説明を見るには
API v2.0は、「17. Bitcoin Data」のサンプル以降に適用されています。
Machbaseのインストールとリリース情報： https://docs.machbase.com/neo/releases/
Machbase Datahub： https://www.yotahub.com/
API v2.0の詳細な説明： https://www.yotahub.com/api/
Machbase DatahubのGitHub： https://github.com/machbase/datahub
追加機能やサポートについては、 joy.cho@machbase.com までお問い合わせください。
Machbaseで、より簡単に、より速くAIモデルを開発しましょう。
API v2.0は、AIモデリング、データ分析、リアルタイム処理をより容易で迅速にし、開発体験の向上を目指しています。ぜひお試しいただき、ご意見をお寄せください。
