建立並發佈機器學習模型

以下指南說明建立和發佈機器學習模型所需的步驟。 每個區段都包含您要執行之作業的說明，以及UI和API檔案的連結，以執行所述步驟。

快速入門

開始本教學課程之前，您必須具備下列必要條件：

  • 存取 Adobe Experience Platform. 如果您無權存取 Experience Platform，請在繼續操作之前與系統管理員聯繫。

  • 所有Data Science Workspace教學課程都使用Luma傾向模型。 若要繼續操作，您必須已建立 Luma傾向模型結構與資料集.

探索資料並了解結構

登入 Adobe Experience Platform 選取 資料集 列出所有現有資料集，並選取您要探索的資料集。 在此情況下，您應選取 Luma網站資料 資料集。

選取Luma網路資料集

資料集活動頁面隨即開啟，列出與資料集相關的資訊。 您可以選取 預覽資料集 靠近右上角以檢查範例記錄。 您也可以檢視所選資料集的結構。

預覽Luma網站資料

在右側邊欄中選取架構連結。 隨即顯示彈出視窗，選取下方的連結 方案名稱 在新索引標籤中開啟架構。

預覽luma web資料結構

您可以使用提供的探索資料分析(EDA)筆記型電腦進一步探索資料。 此筆記型電腦可協助您了解Luma資料中的模式、檢查資料的健全度，以及為預測傾向模型匯總相關資料。 若要進一步了解探索資料分析，請造訪 EDA檔案.

建立Luma傾向方式

的主要元件 Data Science Workspace 生命週期涉及製作方式和模型。 Luma傾向模型旨在針對客戶是否有向Luma購買產品的高傾向產生預測。

若要建立Luma傾向模型，會使用方式產生器範本。 方式是模型的基礎，因為方式包含機器學習演算法和邏輯，專為解決特定問題而設計。 更重要的是，訣竅可讓您將整個組織的機器學習大眾化，讓其他使用者能存取不同使用案例的模型，而不需編寫任何程式碼。

關注 使用JupyterLab Notebooks建立模型 建立Luma傾向模型配方的教學課程，此方法用於後續的教學課程。

從外部來源匯入和封裝方式(可選)

如果您想要匯入並封裝方式以在Data Science Workspace中使用，則必須將來源檔案封裝至封存檔案。 關注 將源檔案打包到配方中 教學課程。 本教學課程說明如何將來源檔案封裝至方式，這是將方式匯入至Data Science Workspace的先決條件步驟。 教學課程完成後，您會在Azure容器註冊表中獲得Docker影像，以及對應的影像URL，換句話說，即封存檔案。

此封存檔案可依照方式匯入工作流程，使用 UI工作流程 或 API工作流程.

訓練和評估模型

現在，您的資料已準備就緒，配方已準備就緒，您可以進一步建立、訓練和評估機器學習模型。 使用方式產生器時，您應先訓練、評分和評估模型，再將其包裝成方式。

Data Science Workspace UI和API可讓您以模型形式發佈方式。 此外，還可以進一步微調模型的特定方面，如添加、刪除和更改超參數。

建立一個模式

若要進一步了解如何使用UI建立模型，請前往Data Science Workspace中的訓練並評估模型 UI教學課程 或 API教學課程. 本教學課程提供如何建立、訓練和更新超參數以微調模型的範例。

注意

無法學習超參數，因此必須在培訓運行之前分配超參數。 調整超參數可能會改變訓練模型的準確度。 由於優化模型是一個迭代過程，因此在獲得滿意的評估之前可能需要多次訓練運行。

對模型評分

建立和發佈模型的下一步是運作您的模型，以便對資料湖和即時客戶設定檔的分析評分並加以使用。

將輸入資料饋送至現有的訓練模型，即可在Data Science Workspace中進行計分。 然後會儲存計分結果，並以新批次形式在指定的輸出資料集中檢視。

若要了解如何為模型評分，請造訪模型分數 UI教學課程 或 API教學課程.

發佈計分模型作為服務

Data Science Workspace可讓您將訓練好的模型發佈為服務。 這可讓您IMS組織內的使用者對資料評分，而無須建立自己的模型。

若要了解如何以服務形式發佈模型，請造訪 UI教學課程 或 API教學課程.

為服務安排自動培訓

將模型發佈為服務後，您就可以為機器學習服務設定計畫的分數和培訓運行。 自動化培訓和計分流程有助於通過跟上資料中的模式，在時間內維護和提高服務的效率。 造訪 在Data Science Workspace UI中排程模型 教學課程。

注意

您只能從UI排程模型以進行自動化訓練和計分。

後續步驟

Adobe Experience Platform Data Science Workspace 提供工具和資源，用於建立、評估及運用機器學習模型，以產生資料預測和深入分析。 將機器學習深入分析擷取至 Profile啟用資料集，相同資料也會擷取為 Profile 然後可以使用 Adobe Experience Platform Segmentation Service.

內嵌設定檔和時間序列資料時，即時客戶設定檔會自動決定，先透過稱為串流分段的持續程式，將該資料納入或排除區段，再與現有資料合併並更新聯合檢視。 因此，您可以即時執行計算，並做出決策，在客戶與您的品牌互動時，向客戶提供增強的個人化體驗。

請造訪 透過機器學習深入分析擴充即時客戶設定檔 深入了解如何運用機器學習的深入分析。

本頁內容