KI/ML-Funktions-Pipelines
Mit Data Distiller können Datenwissenschaftler und -ingenieure ihre Pipelines für maschinelles Lernen mit hochwertigen Kundenerlebnisdaten anreichern, die in Adobe Experience Platform erfasst und kuratiert wurden. Mit einem Python -Notebook in einer beliebigen Umgebung können Sie Kundendaten interaktiv im Experience Platform untersuchen, Funktionen aus den Daten definieren und berechnen und die berechneten Funktionen in Ihre maschinelle Lernumgebung zur Modellierung lesen.
- Mit den leistungsstarken Abfragefunktionen von Data Distiller können Sie aussagekräftige Funktionen aus den umfangreichen Verhaltensdaten extrahieren, die in der Experience Platform verfügbar sind. Anschließend können Sie die destillierten Funktionsdaten in Ihre maschinelle Lernumgebung übertragen, ohne große Mengen von Ereignisdaten außerhalb der Experience Platform kopieren zu müssen.
- Lesen Sie den bereitgestellten Funktionsdatensatz in Ihre bevorzugten Tools für das maschinelle Lernen und kombinieren Sie ihn mit anderen aus Unternehmensdaten abgeleiteten Funktionen, um auf Ihr Unternehmen zugeschnittene benutzerdefinierte Modelle zu trainieren, zu testen, zu optimieren und bereitzustellen.
- Generieren Sie Bewertungen, Prognosen oder Empfehlungen aus Ihren Modellen und geben Sie die Ausgabe an die Experience Platform zurück, um Kundenerlebnisse über Real-time Customer Data Platform und Adobe Journey Optimizer zu optimieren.
Voraussetzungen prerequisites
Dieser Workflow setzt ein Verständnis der verschiedenen Aspekte von Adobe Experience Platform voraus. Bevor Sie mit diesem Tutorial beginnen, lesen Sie die Dokumentation für die folgenden Konzepte:
- Authentifizieren und Zugreifen auf Experience Platform-APIs 🔗 durch .
- Sandboxes: Attributbasierte Zugriffssteuerungsberechtigungen und Informationen zum Erstellen und Verwalten von Rollen sowie zum Zuweisen der gewünschten Ressourcenberechtigungen für diese Rollen.
- Data Governance: Anleitung zum Anwenden von Datennutzungsbezeichnungen auf Datensätze und Felder, wobei jederentsprechend den entsprechenden Data Governance-Richtlinien und Zugriffssteuerungsrichtlinien kategorisiert wird.
Nächste Schritte
Durch Lesen dieses Dokuments haben Sie sich mit den wichtigen Konzepten vertraut gemacht, die hinter der Verwendung Ihrer bevorzugten maschinellen Lernwerkzeuge zum Erstellen benutzerdefinierter Modelle zur Unterstützung Ihrer Marketing-Anwendungsfälle stehen.
In den in dieser Reihe von Handbüchern enthaltenen Dokumenten werden die grundlegenden Schritte zum Erstellen von Feature Pipelines von Experience Platform beschrieben, um benutzerdefinierte Modelle in Ihrer Umgebung für maschinelles Lernen zu erstellen. Sie können jetzt eine Verbindung zwischen Data Distiller und Ihrem Jupyter Notebook herstellen.
- Richten Sie ein: Verbinden von einem Python Notebook mit Data Distiller
Die nachstehende Dokumentation entspricht den Schritten, die in der obigen Infografik angegeben sind.
- Schritt 1: Datensätze untersuchen und analysieren
- Schritt 2: Ingenieurfunktionen für maschinelles Lernen
- Schritt 3: Export von Funktionsdatensätzen
Zusätzliche Ressourcen
- aepp: eine von Adobe verwaltete Open-Source-Bibliothek Python für Anfragen an Data Distiller und andere Experience Platform-Dienste aus dem Code Python.