Importe uma fórmula em pacote usando a API do Sensei Machine Learning
Este tutorial usa o Sensei Machine Learning API para criar um Mecanismo, também conhecido como Receita na interface do usuário.
Antes de começar, é importante observar que o Adobe Experience Platform Data Science Workspace O usa termos diferentes para se referir a elementos semelhantes na API e na interface do usuário. Os termos da API são usados neste tutorial e a tabela a seguir descreve os termos correlacionados:
Um mecanismo contém algoritmos e lógica de aprendizado de máquina para resolver problemas específicos. O diagrama abaixo fornece uma visualização mostrando o fluxo de trabalho da API no Data Science Workspace. Este tutorial foca em criar um mecanismo, o cérebro de um modelo de aprendizado de máquina.
Introdução
Este tutorial requer um arquivo de fórmula empacotado na forma de um URL Docker. Siga as Compactar arquivos de origem em uma fórmula tutorial para criar um arquivo de fórmula empacotado ou fornecer o seu próprio arquivo.
{DOCKER_URL}
: um endereço URL para uma imagem do Docker de um serviço inteligente.
Este tutorial requer que você tenha concluído o Tutorial de autenticação para o Adobe Experience Platform para fazer chamadas com êxito para o Platform APIs. Concluir o tutorial de autenticação fornece os valores para cada um dos cabeçalhos necessários em todos os Experience Platform Chamadas de API, conforme mostrado abaixo:
{ACCESS_TOKEN}
: Seu valor de token do portador específico fornecido após a autenticação.{ORG_ID}
: as credenciais da organização foram encontradas na integração exclusiva do Adobe Experience Platform.{API_KEY}
: o valor da chave de API específica encontrado na integração exclusiva do Adobe Experience Platform.
Criar um mecanismo
Os mecanismos podem ser criados fazendo uma solicitação POST para o endpoint /engines. O mecanismo criado é configurado com base no formulário do arquivo de receita empacotado que deve ser incluído como parte da solicitação de API.
Criar um mecanismo com um URL Docker create-an-engine-with-a-docker-url
Para criar um mecanismo com um arquivo de fórmula empacotado armazenado em um contêiner do Docker, você deve fornecer o URL do Docker para o arquivo de fórmula empacotado.
Formato da API
POST /engines
Solicitar Python/R
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"
}
}
}
}'
engine.name
engine.description
engine.type
type
é Python
, R
, PySpark
, Spark
(Scala) ou Tensorflow
.artifacts.default.image.location
{DOCKER_URL}
aqui. Um URL completo do Docker tem a seguinte estrutura: your_docker_host.azurecr.io/docker_image_file:version
artifacts.default.image.name
artifacts.default.image.executionType
executionType
é Python
, R
, PySpark
, Spark
(Scala) ou Tensorflow
.Solicitar PySpark
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"
}
}
}
}'
name
description
type
mlLibrary
artifacts.default.image.location
artifacts.default.image.executionType
Solicitar Escala
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"
}
}
}
}'
name
description
type
mlLibrary
artifacts.default.image.location
artifacts.default.image.executionType
Resposta
Uma resposta bem-sucedida retorna uma carga contendo os detalhes do Mecanismo recém-criado, incluindo seu identificador exclusivo (id
). O exemplo de resposta a seguir é para um Python Mecanismo. A variável executionType
e type
as chaves são alteradas com base no POST fornecido.
{
"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"
}
}
}
}
Uma resposta bem-sucedida mostra uma carga JSON com informações sobre o mecanismo recém-criado. A variável id
A chave representa o identificador exclusivo do Mecanismo e é necessária no próximo tutorial para criar uma MLInstance. Verifique se o identificador de Mecanismo está salvo antes de prosseguir para as próximas etapas.
Próximas etapas next-steps
Você criou um mecanismo usando a API e um identificador de mecanismo exclusivo foi obtido como parte do corpo da resposta. Você pode usar esse identificador de mecanismo no próximo tutorial enquanto aprende a criar, treinar e avaliar um Modelo usando a API.