Skapa och publicera en maskininlärningsmodell

I följande guide beskrivs de steg som krävs för att skapa och publicera en maskininlärningsmodell. Varje avsnitt innehåller en beskrivning av vad du ska göra och en länk till användargränssnittet och API-dokumentationen för att utföra det beskrivna steget.

Komma igång

Innan du startar den här självstudiekursen måste du ha följande krav:

Utforska data och förstå scheman

Logga in på Adobe Experience Platform och välj Datasets om du vill visa alla befintliga datauppsättningar och välja den datauppsättning som du vill utforska. I det här fallet bör du välja datamängden Luma-webbdata.

Sidan för datauppsättningsaktivitet öppnas med information om datauppsättningen. Du kan välja Preview Dataset nära det övre högra hörnet för att undersöka exempelposter. Du kan även visa schemat för den valda datauppsättningen.

Markera schemalänken i den högra listen. En pover visas. Om du väljer länken under schema name öppnas schemat på en ny flik.

Du kan utforska data ytterligare med den tillhandahållna EDA-anteckningsboken (Exploratory Data Analysis). Den här anteckningsboken kan användas för att förstå mönster i Luma-data, kontrollera datavården och sammanfatta relevanta data för den prediktiva benägenhetsmodellen. Om du vill veta mer om Analys av experimentella data kan du gå till EDA-dokumentationen.

Skapa receptet för lumabenägenhet author-your-model

En huvudkomponent i livscykeln Data Science Workspace innefattar att skapa recept och modeller. Lumatbenägenhetsmodellen är utformad för att generera en prognos över om kunderna har en hög benägenhet att köpa en produkt från Luma.

Om du vill skapa en Luma-benägenhetsmodell används mallen recept builder. Recept är grunden för en modell eftersom de innehåller algoritmer för maskininlärning och logik som utformats för att lösa specifika problem. Viktigast av allt är att Recipes ger er möjlighet att demokratisera maskininlärningen i hela organisationen så att andra användare kan komma åt en modell för olika användningsområden utan att behöva skriva någon kod.

Följ självstudiekursen Skapa en modell med JupyterLab Notebooks för att skapa det Luma-receptrecept som används i efterföljande självstudiekurser.

Importera och paketera ett recept från externa källor (valfritt)

Om du vill importera och paketera ett recept som ska användas i Data Science Workspace måste du paketera källfilerna i en arkivfil. Följ paketets källfiler i en recept-självstudie. I den här självstudiekursen får du lära dig att paketera källfiler i ett recept, vilket är ett nödvändigt steg för att importera ett recept till Data Science Workspace. När självstudiekursen är klar får du en dockningsbild i ett Azure-behållarregister tillsammans med motsvarande bild-URL, med andra ord en arkivfil.

Den här arkivfilen kan användas för att skapa ett recept i Data Science Workspace genom att följa arbetsflödet för receptimportimport med hjälp av gränssnittsarbetsflödet eller API-arbetsflödet.

Utbildning och utvärdering av modell train-and-evaluate-your-model

Nu när dina data är förberedda och ett recept är klart kan du skapa, utbilda och utvärdera din maskininlärningsmodell ytterligare. När du använder Recipe Builder bör du ha utbildat dig, fått poäng och utvärderat din modell innan du paketerar den i ett recept.

Med användargränssnittet och API för datavetenskap kan du publicera ditt recept som en modell. Dessutom kan du finjustera specifika aspekter av modellen ytterligare, t.ex. lägga till, ta bort och ändra hyperparametrar.

Skapa en modell

Om du vill veta mer om hur du skapar en modell med hjälp av användargränssnittet kan du gå till tåget och utvärdera en modell i Data Science Workspace UI-självstudiekurs eller API-självstudiekurs. I den här självstudiekursen får du ett exempel på hur du skapar, utbildar och uppdaterar hyperparametrar för att finjustera modellen.

Posta en modell score-a-model

Nästa steg på vägen mot att skapa och publicera en modell är att driftsätta modellen för att få kunskap om datarjön och kundprofil i realtid.

Med datavetenskap kan Workspace uppnå poäng genom att mata in data i en befintlig utbildad modell. Resultat av poängsättningen lagras och kan visas i en angiven utdatamängd som en ny grupp.

Om du vill veta hur du kan göra en modellpoäng kan du gå till en gränssnittssjälvstudiekurs eller API-självstudiekurs.

Publish en poängsatt modell som en tjänst

Med Data Science Workspace kan du publicera din tränade modell som en tjänst. Detta gör det möjligt för användare i organisationen att få fram data utan att behöva skapa egna modeller.

Om du vill lära dig hur du publicerar en modell som en tjänst kan du gå till självstudiekursen för användargränssnitt eller API-självstudiekursen.

Schemalägg automatiserad utbildning för en tjänst

När du har publicerat en modell som en tjänst kan du konfigurera schemalagda poängsättnings- och utbildningskörningar för maskininlärningstjänsten. Genom att automatisera utbildnings- och poängprocessen kan du behålla och förbättra en tjänsts effektivitet genom att hålla jämna steg med era datamönster. Gå till schemat för en modell i självstudiekursen för datavetenskap i Workspace.

Nästa steg next-steps

Adobe Experience Platform Data Science Workspace innehåller verktyg och resurser för att skapa, utvärdera och använda maskininlärningsmodeller för att generera dataprognoser och insikter. När maskininlärningsinsikter hämtas in till en Profile-aktiverad datauppsättning, hämtas samma data även som Profile-poster som sedan kan segmenteras med Adobe Experience Platform Segmentation Service.

När data från profil- och tidsserier hämtas bestämmer kundprofilen i realtid automatiskt att inkludera eller exkludera data från segment genom en pågående process som kallas direktuppspelningssegmentering, innan den sammanfogas med befintliga data och unionsvyn uppdateras. Resultatet blir att ni omedelbart kan utföra beräkningar och fatta beslut för att leverera förbättrade, individanpassade upplevelser till kunderna när de interagerar med ert varumärke.

Gå till självstudiekursen för att förbättra kundprofilen i realtid med maskininlärningsinsikter om du vill veta mer om hur du kan använda maskininlärningsinsikter.