이 튜토리얼에서는 Sensei Machine Learning API 다음을 만들려면: 엔진사용자 인터페이스에서 레시피라고도 합니다.
시작하기 전에 Adobe Experience Platform을 참고하십시오 Data Science Workspace 에서는 API 및 UI 내의 유사한 요소를 지칭하기 위해 다른 용어를 사용합니다. API 용어는 이 자습서 전체에서 사용되며 다음 표에서 상관 관계를 설명합니다.
UI 용어 | API 용어 |
---|---|
레시피 | 엔진 |
모델 | MLInstance |
교육 및 평가 | 실험 |
서비스 | MLSservice |
엔진은 특정 문제를 해결하기 위한 기계 학습 알고리즘과 논리를 포함합니다. 아래 다이어그램은에서 API 워크플로를 보여주는 시각화를 제공합니다. Data Science Workspace. 이 자습서에서는 머신 러닝 모델의 두뇌인 엔진 을 만드는 데 중점을 둡니다.
이 자습서에서는 도커 URL 형태로 패키지된 레시피 파일이 필요합니다. 다음 소스 파일을 레시피에 패키징 패키지된 레시피 파일을 만들거나 직접 제공하는 튜토리얼입니다.
{DOCKER_URL}
: 지능형 서비스의 도커 이미지에 대한 URL 주소입니다.이 자습서를 사용하려면 다음을 완료해야 합니다. Adobe Experience Platform에 대한 인증 자습서 을(를) 성공적으로 호출하기 위해 Platform API. 인증 자습서를 완료하면 모든 항목에서 필요한 각 헤더에 대한 값이 제공됩니다 Experience Platform 아래와 같이 API 호출:
{ACCESS_TOKEN}
: 인증 후 제공된 특정 전달자 토큰 값입니다.{ORG_ID}
: 고유한 Adobe Experience Platform 통합에서 찾은 조직 자격 증명입니다.{API_KEY}
: 고유한 Adobe Experience Platform 통합에서 찾은 특정 API 키 값.엔진은 /engines 끝점에 POST 요청을 하여 만들 수 있습니다. 작성된 엔진은 API 요청의 일부로 포함되어야 하는 패키지된 레시피 파일의 양식을 기반으로 구성됩니다.
Docker 컨테이너에 저장된 패키지된 레시피 파일이 있는 엔진을 만들려면 패키지된 레시피 파일에 도커 URL을 제공해야 합니다.
을 사용하는 경우 Python 또는 아래 요청을 사용하십시오. PySpark 또는 Scala를 사용하는 경우 Python/R 예제 아래에 있는 PySpark/Scala 요청 예제를 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 |
원하는 엔진 이름. 이 엔진에 해당하는 레시피는에 표시될 이 값을 상속합니다. Data Science Workspace 사용자 인터페이스를 레시피의 이름으로 사용하십시오. |
engine.description |
엔진에 대한 선택적 설명. 이 엔진에 해당하는 레시피는에 표시될 이 값을 상속합니다. Data Science Workspace 사용자 인터페이스를 레시피의 설명으로 사용합니다. 이 속성을 제거하지 마십시오. 설명을 제공하지 않도록 선택하는 경우 이 값을 빈 문자열로 둡니다. |
engine.type |
엔진의 실행 유형입니다. 이 값은 도커 이미지가 개발되는 언어에 해당합니다. 엔진을 만들기 위해 도커 URL이 제공되면 type 다음 중 하나 Python , R , PySpark , Spark (Scala) 또는 Tensorflow . |
artifacts.default.image.location |
사용자 {DOCKER_URL} 여기 로 이동합니다. 전체 도커 URL의 구조는 다음과 같습니다. your_docker_host.azurecr.io/docker_image_file:version |
artifacts.default.image.name |
도커 이미지 파일의 추가 이름입니다. 추가 도커 이미지 파일 이름을 제공하지 않도록 선택하는 경우 이 속성을 제거하지 말고 이 값을 빈 문자열로 둡니다. |
artifacts.default.image.executionType |
이 엔진의 실행 유형입니다. 이 값은 도커 이미지가 개발되는 언어에 해당합니다. 엔진을 만들기 위해 도커 URL이 제공되면 executionType 다음 중 하나 Python , R , PySpark , Spark (Scala) 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 |
원하는 엔진 이름. 이 엔진에 해당하는 레시피는 레시피의 이름으로 UI에 표시될 이 값을 상속합니다. |
description |
엔진에 대한 선택적 설명. 이 엔진에 해당하는 레시피는 레시피의 설명으로 UI에 표시될 이 값을 상속합니다. 이 속성은 필수입니다. 설명을 제공하지 않으려면 해당 값을 빈 문자열로 설정하십시오. |
type |
엔진의 실행 유형입니다. 이 값은 도커 이미지가 "PySpark"에 빌드되는 언어에 해당합니다. |
mlLibrary |
PySpark 및 Scala 레시피의 엔진을 만들 때 필요한 필드입니다. |
artifacts.default.image.location |
도커 URL에 의해 연결된 도커 이미지의 위치입니다. |
artifacts.default.image.executionType |
엔진의 실행 유형입니다. 이 값은 도커 이미지가 "Spark"에 빌드되는 언어에 해당합니다. |
Scala 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 |
원하는 엔진 이름. 이 엔진에 해당하는 레시피는 레시피의 이름으로 UI에 표시될 이 값을 상속합니다. |
description |
엔진에 대한 선택적 설명. 이 엔진에 해당하는 레시피는 레시피의 설명으로 UI에 표시될 이 값을 상속합니다. 이 속성은 필수입니다. 설명을 제공하지 않으려면 해당 값을 빈 문자열로 설정하십시오. |
type |
엔진의 실행 유형입니다. 이 값은 도커 이미지가 "Spark"에 빌드되는 언어에 해당합니다. |
mlLibrary |
PySpark 및 Scala 레시피의 엔진을 만들 때 필요한 필드입니다. |
artifacts.default.image.location |
도커 URL에 의해 연결된 도커 이미지의 위치입니다. |
artifacts.default.image.executionType |
엔진의 실행 유형입니다. 이 값은 도커 이미지가 "Spark"에 빌드되는 언어에 해당합니다. |
응답
성공적인 응답은 고유 식별자( )를 포함하여 새로 생성된 엔진의 세부 사항이 포함된 페이로드를 반환합니다id
). 다음 예제 응답은 Python 엔진. 다음 executionType
및 type
제공된 POST에 따라 키가 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 응답은 새로 생성된 엔진에 대한 정보와 함께 JSON 페이로드를 보여 줍니다. 다음 id
키는 고유한 엔진 식별자를 나타내며 다음 튜토리얼에서 MLInstance를 만드는 데 필요합니다. 다음 단계를 계속하기 전에 엔진 식별자가 저장되었는지 확인하십시오.
API를 사용하여 엔진을 만들었고 고유한 엔진 식별자가 응답 본문의 일부로 가져왔습니다. 방법을 배울 때 다음 자습서에서 이 엔진 식별자를 사용할 수 있습니다. API를 사용하여 모델 만들기, 교육 및 평가.