Sensei Machine Learning API를 사용하여 패키지된 레서피 가져오기

이 자습서에서는 Sensei Machine Learning API 를 만들려면 엔진를 사용자 인터페이스에서 레서피라고도 합니다.

시작하기 전에 Adobe Experience Platform을 반드시 알아야 합니다 Data Science Workspace 는 다른 용어를 사용하여 API 및 UI 내에서 유사한 요소를 참조합니다. API 용어는 이 자습서 전체에서 사용되며 다음 표에서는 관련 용어를 간략하게 설명합니다.

UI 용어 API 용어
레서피 엔진
모델 MLInstance
교육 및 평가 실험
서비스 MLService

엔진은 특정 문제를 해결하기 위한 기계 학습 알고리즘과 논리를 포함합니다. 아래 다이어그램은 의 API 워크플로우를 보여주는 시각화를 제공합니다 Data Science Workspace. 이 튜토리얼에서는 기계 학습 모델의 두뇌인 엔진 생성에 중점을 둡니다.

시작하기

이 자습서에서는 Docker URL 형식의 패키지된 레서피 파일이 필요합니다. 다음을 수행합니다 배합식에 소스 파일 패키지 패키지된 레서피 파일을 만들거나 직접 제공하는 자습서입니다.

  • {DOCKER_URL}: 지능형 서비스의 Docker 이미지에 대한 URL 주소입니다.

이 자습서에서는 다음을 완료해야 합니다 Adobe Experience Platform에 대한 인증 자습서 을 성공적으로 호출하기 위해 Platform API. 인증 자습서를 완료하면 모든 히트에 필요한 각 헤더에 대한 값이 제공됩니다 Experience Platform 아래에 표시된 대로 API 호출:

  • {ACCESS_TOKEN}: 인증 후 제공된 특정 베어러 토큰 값입니다.
  • {ORG_ID}: 고유한 Adobe Experience Platform 통합에 있는 IMS 조직 자격 증명입니다.
  • {API_KEY}: 고유한 Adobe Experience Platform 통합에 있는 특정 API 키 값입니다.

엔진 만들기

/engine 종단점에 대한 POST 요청을 만들어 엔진을 만들 수 있습니다. 생성된 엔진은 API 요청의 일부로 포함되어야 하는 패키지된 레서피 파일의 형식을 기반으로 구성됩니다.

Docker URL로 엔진 만들기

Docker 컨테이너에 저장된 패키지된 레서피 파일을 사용하여 엔진을 생성하려면 패키지된 레서피 파일에 Docker URL을 제공해야 합니다.

주의

사용 중인 경우 Python 또는 아래 요청을 사용하십시오. PySpark 또는 Scala를 사용하는 경우 Python/R 예제 아래에 있는 PySpark/Scala 요청 예를 사용합니다.

API 형식

POST /engines

Python/R 요청

curl -X POST \
    https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: {ACCESS_TOKEN}' \
    -H 'X-API-KEY: {API_KEY}' \
    -H 'content-type: multipart/form-data' \
    -H 'x-gw-ims-org-id: {ORG_ID}' \
    -H `x-sandbox-name: {SANDBOX_NAME}` \
    -F 'engine={
        "name": "Retail Sales Engine Python",
        "description": "A description for Retail Sales Engine, this Engines execution type is Python",
        "type": "Python"
        "artifacts": {
            "default": {
                "image": {
                    "location": "{DOCKER_URL}",
                    "name": "retail_sales_python",
                    "executionType": "Python"
                }
            }
        }
    }'
속성 설명
engine.name 엔진에 대해 원하는 이름입니다. 이 엔진에 해당하는 레서피는 이 값을 상속하여 Data Science Workspace 레서피 이름으로 사용자 인터페이스 사용
engine.description 엔진에 대한 선택적 설명입니다. 이 엔진에 해당하는 레서피는 이 값을 상속하여 Data Science Workspace 레서피 설명으로 사용자 인터페이스. 이 속성을 제거하지 마십시오. 설명을 제공하지 않도록 선택하는 경우 이 값이 빈 문자열이 되도록 하십시오.
engine.type 엔진의 실행 유형입니다. 이 값은 Docker 이미지가 개발되는 언어에 해당합니다. 엔진을 만들기 위해 Docker URL이 제공되면 type 다음 중 하나입니다. Python, R, PySpark, Spark (스칼라) 또는 Tensorflow.
artifacts.default.image.location 사용자 {DOCKER_URL} 여기 와 전체 Docker URL의 구조는 다음과 같습니다. your_docker_host.azurecr.io/docker_image_file:version
artifacts.default.image.name Docker 이미지 파일에 대한 추가 이름입니다. 이 속성을 제거하지 마십시오. 추가 Docker 이미지 파일 이름을 제공하지 않도록 선택하는 경우 이 값이 빈 문자열이 되도록 하십시오.
artifacts.default.image.executionType 이 엔진의 실행 유형입니다. 이 값은 Docker 이미지가 개발되는 언어에 해당합니다. 엔진을 만들기 위해 Docker URL이 제공되면 executionType 다음 중 하나입니다. Python, R, PySpark, Spark (스칼라) 또는 Tensorflow.

PySpark 요청

curl -X POST \
  https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {ORG_ID}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}' \
    -H 'content-type: multipart/form-data' \
    -F 'engine={
    "name": "PySpark retail sales recipe",
    "description": "A description for this Engine",
    "type": "PySpark",
    "mlLibrary":"databricks-spark",
    "artifacts": {
        "default": {
            "image": {
                "name": "modelspark",
                "executionType": "PySpark",
                "packagingType": "docker",
                "location": "v1d2cs4mimnlttw.azurecr.io/sarunbatchtest:0.0.1"
            }
        }
    }
}'
속성 설명
name 엔진에 대해 원하는 이름입니다. 이 엔진에 해당하는 레서피는 UI에 레서피 이름으로 표시할 이 값을 상속합니다.
description 엔진에 대한 선택적 설명입니다. 이 엔진에 해당하는 레서피는 레서피의 설명으로 UI에 표시될 이 값을 상속합니다. 이 속성은 필수입니다. 설명을 제공하지 않으려면 해당 값을 빈 문자열로 설정하십시오.
type 엔진의 실행 유형입니다. 이 값은 Docker 이미지가 "PySpark"를 기반으로 구축된 언어에 해당합니다.
mlLibrary PySpark 및 Scala 배합식의 엔진을 생성할 때 필요한 필드입니다.
artifacts.default.image.location Docker URL에 의해 연결된 Docker 이미지의 위치입니다.
artifacts.default.image.executionType 엔진의 실행 유형입니다. 이 값은 Docker 이미지가 "Spark"를 기반으로 구축된 언어에 해당합니다.

스칼라 요청

curl -X POST \
  https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: Bearer {ACCESS_TOKEN}' \
    -H 'x-api-key: {API_KEY}' \
    -H 'x-gw-ims-org-id: {ORG_ID}' \
    -H 'x-sandbox-name: {SANDBOX_NAME}' \
    -H 'content-type: multipart/form-data' \
    -F 'engine={
    "name": "Spark retail sales recipe",
    "description": "A description for this Engine",
    "type": "Spark",
    "mlLibrary":"databricks-spark",
    "artifacts": {
        "default": {
            "image": {
                "name": "modelspark",
                "executionType": "Spark",
                "packagingType": "docker",
                "location": "v1d2cs4mimnlttw.azurecr.io/sarunbatchtest:0.0.1"
            }
        }
    }
}'
속성 설명
name 엔진에 대해 원하는 이름입니다. 이 엔진에 해당하는 레서피는 UI에 레서피 이름으로 표시할 이 값을 상속합니다.
description 엔진에 대한 선택적 설명입니다. 이 엔진에 해당하는 레서피는 레서피의 설명으로 UI에 표시될 이 값을 상속합니다. 이 속성은 필수입니다. 설명을 제공하지 않으려면 해당 값을 빈 문자열로 설정하십시오.
type 엔진의 실행 유형입니다. 이 값은 Docker 이미지가 "Spark"를 기반으로 구축된 언어에 해당합니다.
mlLibrary PySpark 및 Scala 배합식의 엔진을 생성할 때 필요한 필드입니다.
artifacts.default.image.location Docker URL에 의해 연결된 Docker 이미지의 위치입니다.
artifacts.default.image.executionType 엔진의 실행 유형입니다. 이 값은 Docker 이미지가 "Spark"를 기반으로 구축된 언어에 해당합니다.

응답

성공적인 응답은 고유한 식별자( )를 포함하여 새로 만든 엔진의 세부 정보가 포함된 페이로드를 반환합니다id). 다음 예제 응답은 Python 엔진 다음 executionTypetype 키는 제공된 POST에 따라 변경됩니다.

{
    "id": "{ENGINE_ID}",
    "name": "A name for this Engine",
    "description": "A description for this Engine",
    "type": "Python",
    "algorithm": "Classification",
    "created": "2019-01-01T00:00:00.000Z",
    "createdBy": {
        "userId": "Jane_Doe@AdobeID"
    },
    "updated": "2019-01-01T00:00:00.000Z",
    "artifacts": {
        "default": {
            "image": {
                "location": "{DOCKER_URL}",
                "name": "An additional name for the Docker image",
                "executionType": "Python",
                "packagingType": "docker"
            }
        }
    }
}

성공적인 응답에는 새로 생성된 엔진에 대한 정보가 있는 JSON 페이로드가 표시됩니다. 다음 id key는 고유한 엔진 식별자를 나타내며 다음 자습서에서 MLInstance를 만들어야 합니다. 다음 단계를 계속 진행하기 전에 엔진 식별자가 저장되었는지 확인합니다.

다음 단계

API를 사용하여 엔진을 만들었으며 고유한 엔진 식별자를 응답 본문의 일부로 받았습니다. 다음 자습서에서는 다음 엔진 식별자를 사용하여 방법을 배울 수 있습니다 API를 사용하여 모델 생성, 교육 및 평가.

이 페이지에서는