Erstellen und Veröffentlichen eines Modells für maschinelles Lernen

Im folgenden Handbuch werden die Schritte beschrieben, die zum Erstellen und Veröffentlichen eines Modells für maschinelles Lernen erforderlich sind. Jeder Abschnitt enthält eine Beschreibung Ihrer Vorgänge sowie einen Link zur Benutzeroberfläche und zur API-Dokumentation, in der Sie die beschriebenen Schritte ausführen können.

Erste Schritte

Bevor Sie mit diesem Tutorial beginnen, müssen Sie folgende Voraussetzungen erfüllen:

Daten untersuchen und Schemata verstehen

Melden Sie sich bei Adobe Experience Platform an und wählen Sie Datensätze aus, um alle vorhandenen Datensätze aufzulisten und den Datensatz auszuwählen, den Sie untersuchen möchten. In diesem Fall sollten Sie den Datensatz Luma Web Data auswählen.

Die Seite Datensatzaktivität wird geöffnet. Dort werden Informationen zu Ihrem Datensatz aufgelistet. Sie können oben rechts Vorschau des Datensatzes auswählen, um Beispieldatensätze zu untersuchen. Sie können auch das Schema für den ausgewählten Datensatz anzeigen.

Wählen Sie den Schema-Link in der rechten Leiste aus. Ein Pop-up wird angezeigt, in dem Sie den Link unter Schemaname auswählen. Dadurch wird das Schema in einer neuen Registerkarte geöffnet.

Sie können die Daten mit dem bereitgestellten Notebook zur explorativen Datenanalyse (EDA) weiter untersuchen. Dieses Notebook kann verwendet werden, um Muster in den Luma-Daten zu verstehen, die Datenplausibilität zu überprüfen und die relevanten Daten für das prädiktive Tendenzmodell zusammenzufassen. Weitere Informationen zur explorativen Datenanalyse finden Sie in der EDA-Dokumentation.

Erstellen des Luma-Neigungsrezepts author-your-model

Eine Hauptkomponente des Data Science Workspace-Lebenszyklus umfasst das Authoring von Rezepten und Modellen. Das Luma-Tendenzmodell ist so konzipiert, dass es eine Vorhersage darüber liefert, ob Kunden eine hohe Neigung haben, ein Produkt von Luma zu kaufen.

Um das Luma-Tendenzmodell zu erstellen, wird die Rezept-Builder-Vorlage verwendet. Rezepte sind die Grundlage für ein Modell, da sie Algorithmen für maschinelles Lernen und Logik enthalten, die zur Lösung spezifischer Probleme entwickelt wurden. Rezepte ermöglichen es Ihnen, das maschinelle Lernen in Ihrem Unternehmen zu demokratisieren, sodass andere Benutzer auf ein Modell für unterschiedliche Anwendungsfälle zugreifen können, ohne Code zu schreiben.

Befolgen Sie das Tutorial Erstellen eines Modells mit JupyterLab-", um das Rezept für das Luma-Tendenzmodell zu erstellen, das in nachfolgenden Tutorials verwendet wird.

Rezept aus externen Quellen importieren und verpacken (optional)

Wenn Sie ein Rezept für die Verwendung in Data Science Workspace importieren und verpacken möchten, müssen Sie Ihre Quelldateien in eine Archivdatei packen. Tutorial Packen von Quelldateien in ein ​". In diesem Tutorial erfahren Sie, wie Sie Quelldateien in ein Rezept packen. Dies ist die Voraussetzung für den Import eines Rezepts in Data Science Workspace. Sobald das Tutorial abgeschlossen ist, erhalten Sie ein Docker-Image in einer Azure Container Registry zusammen mit der entsprechenden Bild-URL, d. h. eine Archivdatei.

Diese Archivdatei kann verwendet werden, um ein Rezept in Data Science Workspace zu erstellen, indem der Import-Workflow für Rezepte mithilfe des UI-Workflows oder des API-Workflows.

Modell trainieren und bewerten train-and-evaluate-your-model

Nachdem Ihre Daten vorbereitet und ein Rezept fertig ist, können Sie Ihr Modell für maschinelles Lernen weiter erstellen, trainieren und auswerten. Wenn Sie den Rezept-Builder verwenden, sollten Sie Ihr Modell bereits trainiert, bewertet und bewertet haben, bevor Sie es in ein Rezept verpacken.

Mit der Data Science Workspace-Benutzeroberfläche und der API können Sie Ihr Rezept als Modell veröffentlichen. Darüber hinaus können Sie bestimmte Aspekte Ihres Modells weiter präzisieren, z. B. das Hinzufügen, Entfernen und Ändern von Hyperparametern.

Modell erstellen

Weitere Informationen zum Erstellen eines Modells mithilfe der Benutzeroberfläche finden Sie im Abschnitt Trainieren und Bewerten eines Modells im Data Science Workspace UI-Tutorial oder API-Tutorial. In diesem Tutorial erhalten Sie ein Beispiel für das Erstellen, Trainieren und Aktualisieren von Hyperparametern zur Feinabstimmung des Modells.

Bewerten eines Modells score-a-model

Der nächste Schritt beim Erstellen und Veröffentlichen eines Modells besteht darin, Ihr Modell zu operationalisieren, um Einblicke aus dem Data Lake und dem Echtzeit-Kundenprofil zu bewerten und zu nutzen.

Die Bewertung in Data Science Workspace kann durch Einspeisung von Eingabedaten in ein bestehendes trainiertes Modell erzielt werden. Scoring-Ergebnisse werden dann als neuer Batch in einem angegebenen Ausgabedatensatz gespeichert und angezeigt.

Um zu erfahren, wie Sie Ihr Modell bewerten, besuchen Sie das Tutorial UI- oder API.

Publish hat ein Modell als Service bewertet

Mit Data Science Workspace können Sie Ihr trainiertes Modell als Service veröffentlichen. So können Benutzer in Ihrem Unternehmen Daten bewerten, ohne eigene Modelle erstellen zu müssen.

Informationen zum Veröffentlichen eines Modells als Service finden Sie im UI-Tutorial oder API-Tutorial.

Planen automatisierter Schulungen für einen Service

Nachdem Sie ein Modell als Service veröffentlicht haben, können Sie geplante Scoring- und Trainings-Läufe für Ihren Service für maschinelles Lernen einrichten. Die Automatisierung des Trainings- und Bewertungsprozesses kann dazu beitragen, die Effizienz eines Service im Laufe der Zeit zu erhalten und zu verbessern, indem Muster in Ihren Daten beibehalten werden. Besuchen Sie das Tutorial Planen eines Modells in der Data Science Workspace-Benutzeroberfläche.

Nächste Schritte next-steps

Adobe Experience Platform Data Science Workspace bietet die Tools und Ressourcen zum Erstellen, Auswerten und Verwenden von Modellen für maschinelles Lernen, um Datenvorhersagen und Erkenntnisse zu generieren. Wenn Einblicke aus maschinellem Lernen in einen Profile-aktivierten Datensatz aufgenommen werden, werden dieselben Daten auch als Profile aufgenommen, die dann mithilfe von Adobe Experience Platform Segmentation Service segmentiert werden können.

Bei der Aufnahme von Profil- und Zeitreihendaten entscheidet das Echtzeit-Kundenprofil mithilfe des fortlaufenden Prozesses namens Streaming-Segmentierung automatisch, ob diese Daten in Segmente eingeschlossen oder von ihnen ausgeschlossen werden, bevor sie mit vorhandenen Daten zusammengeführt und die Vereinigungsansicht aktualisiert werden. So können Sie Berechnungen sofort durchführen und Entscheidungen treffen, um Ihren Kunden bei der Interaktion mit Ihrer Marke optimierte, individuelle Erlebnisse zu bieten.

Besuchen Sie das Tutorial Anreicherung von Echtzeit-Kundenprofilen mit Einblicken aus maschinellem Lernen, um mehr darüber zu erfahren, wie Sie Einblicke aus maschinellem Lernen nutzen können.