Criar e publicar um modelo de aprendizado de máquina

O guia a seguir descreve as etapas necessárias para criar e publicar um modelo de aprendizado de máquina. Cada seção contém uma descrição do que você fará e um link para a interface do usuário e a documentação da API para executar a etapa descrita.

Introdução

Antes de iniciar este tutorial, você deve ter os seguintes pré-requisitos:

  • Acesso ao Adobe Experience Platform. Se você não tiver acesso a uma Organização IMS no Experience Platform, fale com o administrador do sistema antes de continuar.

  • Todos os tutoriais do Data Science Workspace usam o modelo de propensão Luma. Para continuar, você deve ter criado a variável Schemas e conjuntos de dados do modelo de propensão do Luma.

Explorar os dados e entender os esquemas

Faça logon em Adobe Experience Platform e selecione Conjuntos de dados para listar todos os conjuntos de dados existentes e selecionar o conjunto de dados que deseja explorar. Nesse caso, você deve selecionar a variável Dados da Web do Luma conjunto de dados.

selecione o conjunto de dados da Web Luma

A página de atividade do conjunto de dados é aberta, listando as informações relacionadas ao conjunto de dados. Você pode selecionar Visualizar conjunto de dados perto do canto superior direito para examinar os registros de amostra. Você também pode exibir o esquema do conjunto de dados selecionado.

visualizar dados da Web do Luma

Selecione o link do schema no painel direito. Uma energia é exibida, selecionando o link em nome do schema abre o schema em uma nova guia.

visualização do schema de dados da web luma

Você pode explorar mais os dados usando o notebook EDA (Exploratory Data Analysis) fornecido. Este notebook pode ser usado para ajudar a entender os padrões nos dados do Luma, verificar a integridade dos dados e resumir os dados relevantes para o modelo de propensão preditiva. Para saber mais sobre a Análise de dados exploratória, visite o Documentação EDA.

Criar a receita de propensão do Luma

Um componente principal da variável Data Science Workspace o ciclo de vida envolve a criação de Fórmulas e Modelos. O modelo de propensão do Luma foi projetado para gerar uma previsão sobre se os clientes têm alta propensão a comprar um produto do Luma.

Para criar o modelo de propensão de Luma, o modelo do construtor de receita é usado. As receitas são a base de um Modelo, pois contêm algoritmos e lógica de aprendizado de máquina projetados para resolver problemas específicos. Mais importante, as Receitas capacitam você a democratizar o aprendizado de máquina em sua organização, permitindo que outros usuários acessem um Modelo para casos de uso diferentes sem gravar nenhum código.

Siga as criar um modelo usando notebooks JupyterLab tutorial para criar a fórmula do modelo de propensão do Luma, usada em tutoriais subsequentes.

Importar e empacotar uma receita de fontes externas (opcional)

Se quiser importar e empacotar uma receita para uso no Data Science Workspace, deverá empacotar seus arquivos de origem em um arquivo de arquivamento. Siga as arquivos de origem do pacote em uma receita tutorial. Este tutorial mostra como empacotar arquivos de origem em uma receita, que é a etapa prévia para importar uma receita no Data Science Workspace. Quando o tutorial for concluído, você receberá uma imagem Docker em um Registro do Contêiner do Azure, juntamente com a URL de imagem correspondente, em outras palavras, um arquivo de arquivamento.

Esse arquivo pode ser usado para criar uma receita no Data Science Workspace seguindo o fluxo de trabalho de importação da receita usando o Fluxo de trabalho da interface do usuário ou Fluxo de trabalho da API.

Comboio e avaliação de um modelo

Agora que seus dados estão preparados e uma receita está pronta, você tem a capacidade de criar, treinar e avaliar seu modelo de aprendizado de máquina ainda mais. Ao usar o Construtor de receita, você já deve ter treinado, classificado e avaliado seu modelo antes de empacotá-lo em uma receita.

A interface do usuário e a API do Data Science Workspace permitem publicar sua receita como modelo. Além disso, você pode aprimorar aspectos específicos do modelo, como adicionar, remover e alterar hiperparâmetros.

Criar um modelo

Para saber mais sobre como criar um modelo usando a interface do usuário, visite o trem e avalie um modelo no Data Science Workspace Tutorial da interface do usuário ou Tutorial de API. Este tutorial fornece um exemplo de como criar, treinar e atualizar hiperparâmetros para ajustar o modelo.

OBSERVAÇÃO

Os hiperparâmetros não podem ser aprendidos, portanto, devem ser atribuídos antes que as execuções de treinamento ocorram. Ajustar hiperparâmetros pode alterar a precisão do modelo treinado. Uma vez que a otimização de um modelo é um processo iterativo, poderão ser necessárias várias ações de formação antes de se obter uma avaliação satisfatória.

Pontuar um modelo

A próxima etapa na criação e publicação de um modelo é operacionalizar seu modelo para pontuar e consumir insights do lago de dados e do Perfil do cliente em tempo real.

A pontuação no Data Science Workspace pode ser obtida ao alimentar os dados de entrada em um Modelo treinado existente. Os resultados da pontuação são armazenados e visualizados em um conjunto de dados de saída especificado como um novo lote.

Para saber como pontuar seu modelo, visite a pontuação de um modelo Tutorial da interface do usuário ou Tutorial de API.

Publicar um modelo com pontuação como um serviço

O Data Science Workspace permite publicar seu modelo treinado como um serviço. Isso permite que os usuários em sua Organização IMS marquem dados sem a necessidade de criar seus próprios modelos.

Para saber como publicar um modelo como um serviço, visite o Tutorial da interface do usuário ou Tutorial de API.

Programar treinamento automatizado para um serviço

Depois de publicar um modelo como um serviço, você pode configurar execuções programadas de pontuação e treinamento para seu serviço de aprendizado de máquina. A automatização do processo de treinamento e pontuação pode ajudar a manter e melhorar a eficiência de um serviço ao longo do tempo, mantendo os padrões em seus dados. Visite o agendar um modelo na interface do usuário do Data Science Workspace tutorial.

OBSERVAÇÃO

Você só pode agendar um modelo para treinamento automatizado e pontuação na interface do usuário.

Próximas etapas

Adobe Experience Platform Data Science Workspace O fornece as ferramentas e os recursos para criar, avaliar e utilizar modelos de aprendizado de máquina para gerar previsões e insights de dados. Quando os insights de aprendizado de máquina são assimilados em um Profileconjunto de dados habilitado para , que os mesmos dados também sejam assimilados como Profile registros que podem então ser segmentados usando Adobe Experience Platform Segmentation Service.

Conforme os dados do perfil e da série de tempo são assimilados, o Perfil do cliente em tempo real decide automaticamente incluir ou excluir esses dados dos segmentos por meio de um processo contínuo chamado de segmentação de fluxo, antes de mesclá-los com os dados existentes e atualizar a visualização da união. Como resultado, você pode executar instantaneamente os cálculos e tomar decisões para oferecer experiências aprimoradas e individualizadas aos clientes, à medida que eles interagem com a sua marca.

Visite o tutorial para enriquecimento do Perfil do cliente em tempo real com insights de aprendizado de máquina para saber mais sobre como você pode utilizar insights de aprendizado de máquina.

Nesta página