Creación y publicación de un modelo de aprendizaje automático

Imagine que posee un sitio web de venta en línea. Cuando los clientes compran en su sitio web comercial, usted desea presentarles recomendaciones personalizadas de productos para exponer una variedad de otros productos de sus ofertas comerciales. A lo largo de la existencia de su sitio web, ha recopilado continuamente datos de clientes y desea utilizar de alguna manera estos datos para generar recomendaciones de productos personalizadas.

Adobe Experience Platform Data Science Workspace proporciona los medios para lograr su objetivo mediante la fórmula de Recommendations del producto prediseñada. Siga este tutorial para ver cómo puede acceder y comprender los datos de minoristas, crear y optimizar un modelo de aprendizaje automático y generar perspectivas en Data Science Workspace.

Este tutorial refleja el flujo de trabajo de Data Science Workspace y abarca los siguientes pasos para crear un modelo de aprendizaje automático:

1. Preparación de los datos
2. Crear el modelo
3. Formación y evaluación de su modelo
4. Operacionalizar el modelo

Primeros pasos

Antes de iniciar este tutorial, debe tener los siguientes requisitos previos:

• Acceso a Adobe Experience Platform. Si no tiene acceso a una organización de IMS en Experience Platform, comuníquese con el administrador del sistema antes de continuar.

• Recursos de habilitación. Póngase en contacto con el representante de cuentas para que le proporcione los siguientes elementos.

  • Recommendations Recipe
  • Recommendations Input Dataset
  • Esquema de entrada Recommendations
  • Recommendations Output Dataset
  • Recommendations Output Esquema
  • Valores posteriores del conjunto de datos dorados
  • Esquema Conjunto de datos dorado

• Descargue los tres archivos Jupyter Notebook requeridos del repositorio público Git de Adobe, se utilizarán para mostrar el flujo de trabajo JupyterLab en Data Science Workspace.

• Una explicación práctica de los siguientes conceptos clave utilizados en este tutorial:

  • Experience Data Model:: El esfuerzo de estandarización liderado por Adobe para definir esquemas estándar como Profile y ExperienceEvent para la administración de la experiencia del cliente.
  • Conjuntos de datos: Una construcción de almacenamiento y administración para los datos reales. Instancia física creada con una instancia de un Esquema XDM.
  • Lotes: Los conjuntos de datos están compuestos por lotes. Un lote es un conjunto de datos recopilados durante un período de tiempo y procesados juntos como una sola unidad.
  • JupyterLab:: JupyterLab es una interfaz basada en web de código abierto para Project Jupyter y está estrechamente integrada en Experience Platform.

Prepare sus datos

Para crear un modelo de aprendizaje automático que haga recomendaciones de productos personalizadas a sus clientes, se deben analizar las compras anteriores realizadas en el sitio web. Esta sección explora cómo se ingieren estos datos en Platform a Adobe Analytics y cómo se transforman esos datos en un conjunto de datos de características que utilizará el modelo de aprendizaje automático.

Explore los datos y comprenda los esquemas

1. Inicie sesión en Adobe Experience Platform y haga clic en Datasets para lista de todos los datasets existentes y seleccione el conjunto de datos que desee explorar. En este caso, el conjunto de datos Analytics Golden Data Set postValues.
   
2. Seleccione Conjunto de datos de Previsualización cerca de la parte superior derecha para examinar los registros de muestra y haga clic en Cerrar.
   
3. Seleccione el vínculo debajo del Esquema en el carril derecho para la vista del esquema para el conjunto de datos y, a continuación, vuelva a la página de detalles del conjunto de datos".
   

Los demás conjuntos de datos se han rellenado previamente con lotes para obtener una vista previa. Puede realizar la vista de estos conjuntos de datos repitiendo los pasos anteriores.

Crear el modelo

El segundo componente del ciclo de vida Data Science Workspace implica la creación de fórmulas y modelos. La fórmula Product Recommendations está diseñada para generar recomendaciones de productos a escala mediante el uso de datos de compras anteriores y aprendizaje automático.

Las fórmulas son la base de un modelo, ya que contienen algoritmos de aprendizaje automático y lógica diseñados para resolver problemas específicos. Lo que es más importante, las fórmulas le permiten democratizar el aprendizaje automático en toda la organización, lo que permite a otros usuarios acceder a un modelo para casos de uso dispares sin necesidad de escribir ningún código.

Explorar la fórmula de Recommendations del producto

1. En Adobe Experience Platform, navegue a Modelos desde la columna de navegación izquierda y haga clic en Fórmulas en la parte superior para vista una lista de Fórmulas disponibles para su organización.
   
2. Busque y abra la fórmula de Recommendations proporcionada haciendo clic en su nombre.
   
3. En el carril derecho, haga clic en Esquema de entrada de Recommendations para vista del esquema que alimenta la fórmula. Los campos de esquema "itemId" y "userId" corresponden a un producto comprado (interactiveType) por ese cliente en un momento específico (timestamp). Siga los mismos pasos para revisar los campos del Esquema de salida de Recommendations.
   

Ahora ha revisado los esquemas de entrada y salida requeridos por la fórmula Recommendations del producto. Ahora puede continuar en la siguiente sección para averiguar cómo crear, entrenar y evaluar un modelo de producto Recommendations.

Entrene y evalúe su modelo

Ahora que los datos están preparados y la fórmula está lista para ser utilizada, puede crear, entrenar y evaluar el modelo de aprendizaje automático.

Crear un modelo

Un modelo es una instancia de una fórmula, que le permite entrenar y puntuar con datos a escala.

1. En Adobe Experience Platform, navegue a Modelos desde la columna de navegación izquierda y haga clic en Fórmulas en la parte superior de la página para mostrar una lista de todas las Fórmulas disponibles para su organización.
   
2. Busque y abra la fórmula de Recommendations proporcionada haciendo clic en su nombre y en la página de información general de la fórmula. Haga clic en Crear un modelo desde el centro (si no hay modelos existentes) o desde la parte superior derecha de la página Información general de fórmula.
   
3. Se muestra una lista de conjuntos de datos de entrada disponibles para capacitación, seleccione Recommendations Input Dataset y haga clic en Siguiente.
   
4. Proporcione un nombre para el modelo, por ejemplo, "Modelo Recommendations de producto". Se enumeran las configuraciones disponibles para el modelo, que contienen los ajustes de los comportamientos de puntuación y formación predeterminados del modelo. No se necesitan cambios, ya que estas configuraciones son específicas de su organización. Revise las configuraciones y haga clic en Finalizar.
   
5. Ahora se ha creado el modelo y la página Información general del modelo aparece en una nueva ejecución de formación generada. Una ejecución de formación se genera de forma predeterminada cuando se crea un modelo.
   

Puede optar por esperar a que finalice la ejecución de formación o continuar creando una nueva ejecución de formación en la sección siguiente.

Formación del modelo mediante hiperparámetros personalizados

1. En la página Información general del modelo, haga clic en Tren cerca de la parte superior derecha para crear una nueva ejecución de formación. Seleccione el mismo conjunto de datos de entrada que utilizó al crear el modelo y haga clic en Siguiente.
   

2. Aparece la página Configuración. Aquí puede configurar el valor "num_recommendations" de la ejecución de formación, también conocido como un parámetro Hyperparameter. Un modelo preparado y optimizado utilizará los hiperparámetros de mejor rendimiento según los resultados de la ejecución de la formación.

   No se pueden aprender los hiperparámetros, por lo tanto deben asignarse antes de que se produzcan las ejecuciones de formación. El ajuste de los hiperparámetros puede cambiar la precisión del modelo entrenado. Dado que la optimización de un modelo es un proceso iterativo, es posible que se requieran múltiples ejercicios de capacitación antes de lograr una evaluación satisfactoria.

   CONSEJO

   Establezca num_recommendations en 10.

   

3. Una vez finalizada la nueva ejecución de formación, aparecerá un punto de datos adicional en el gráfico de evaluación del modelo, lo que puede tardar varios minutos.
   

Evaluar el modelo

Cada vez que se completa una ejecución de formación, puede realizar una vista de las métricas de evaluación resultantes para determinar el rendimiento del modelo.

1. Revise las métricas de evaluación (Precisión y recuperación) de cada formación completada haciendo clic en la ejecución de formación.
2. Explore la información proporcionada para cada métrica de evaluación. Cuanto más altas sean estas métricas, mejor será el rendimiento del modelo.
   
3. Puede ver los parámetros de conjunto de datos, esquema y configuración utilizados para cada formación ejecutada en el carril correcto.
4. Vuelva a la página Modelo e identifique la formación de mayor rendimiento mediante la observación de sus métricas de evaluación.

Operacionalizar el modelo

El paso final en el flujo de trabajo de Data Science es poner en marcha el modelo para obtener una puntuación y consumir perspectivas del almacén de datos.

Puntuación y generación de perspectivas

1. En la página Modelo de recomendaciones de productos Información general, haga clic en el nombre de la ejecución de capacitación de mejor rendimiento, con los valores de precisión y recuperación más altos.
2. En la parte superior derecha de la página de detalles de la ejecución de formación, haga clic en Puntuación.
3. Seleccione el conjunto de datos de entrada de Recommendations como conjunto de datos de entrada de puntuación, que es el mismo conjunto de datos que utilizó al crear el modelo y ejecutar sus ejecuciones de formación. A continuación, haga clic en Siguiente.
   
4. Seleccione el conjunto de datos de salida de Recommendations como conjunto de datos de resultados de puntuación. Los resultados de puntuación se almacenarán en este conjunto de datos como un lote.
   
5. Revise las configuraciones de puntuación. Estos parámetros contienen los conjuntos de datos de entrada y salida seleccionados anteriormente, junto con los esquemas correspondientes. Haga clic en Finalizar para comenzar la ejecución de la puntuación. La ejecución puede tardar varios minutos en completarse.
   

Perspectivas puntuadas de vista

Una vez finalizada la ejecución de la puntuación, podrá realizar la previsualización de los resultados y la vista de las perspectivas generadas.

1. En la página de ejecuciones de puntuación, haga clic en la ejecución de puntuación completada y, a continuación, haga clic en Conjunto de datos de resultados de puntuación de Previsualización en el carril derecho.
   
2. En la tabla de previsualizaciones, cada fila contiene recomendaciones de productos para un cliente en particular, etiquetadas como recommendations y userId respectivamente. Dado que el num_recommendations Hiperparámetro se estableció en 10 en las capturas de pantalla de muestra, cada fila de recomendaciones puede contener hasta 10 identidades de producto delimitadas por un signo de número (#).
   

Pasos siguientes

¡Bien hecho, ha generado con éxito recomendaciones de productos!

Este tutorial le presentó el flujo de trabajo de Data Science Workspace, demostrando cómo los datos sin procesar pueden convertirse en información útil a través del aprendizaje automático. Para obtener más información sobre el uso de Data Science Workspace, continúe con la siguiente guía sobre creación del esquema de ventas minoristas y del conjunto de datos.