使用Sensei机器学习API导入打包的方法

本教程使用 Sensei Machine Learning API 创建 引擎，在用户界面中也称为方法。

在开始之前，请务必注意，Adobe Experience Platform Data Science Workspace 使用不同的术语来指代API和UI中的类似元素。 本教程中将使用API术语，下表概述了相关术语：

引擎包含机器学习算法和逻辑以解决特定问题。 下图提供了一个可视化图表，其中显示了 Data Science Workspace. 本教程重点介绍如何创建引擎，即机器学习模型的大脑。

快速入门

本教程需要以Docker URL形式打包的方法文件。 关注 将源文件打包到方法中 教程创建打包的方法文件或提供您自己的方法文件。

• {DOCKER_URL}:智能服务的Docker图像的URL地址。

本教程要求您完成 Adobe Experience Platform身份验证教程 以便成功调用 Platform API。 完成身份验证教程将为所有中每个所需标头提供值 Experience Platform API调用，如下所示：

• {ACCESS_TOKEN}:身份验证后提供的特定载体令牌值。
• {ORG_ID}:您的IMS组织凭据可在独特的Adobe Experience Platform集成中找到。
• {API_KEY}:您在独特的Adobe Experience Platform集成中找到的特定API密钥值。

创建引擎

可通过向/engines端点发出POST请求来创建引擎。 创建的引擎基于打包的处方文件的形式进行配置，该文件必须作为API请求的一部分包含在内。

使用Docker URL创建引擎

要创建引擎，并将打包的处方文件存储在Docker容器中，您必须向打包的处方文件提供Docker URL。

API格式

POST /engines

请求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"
                }
            }
        }
    }'

请求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"
            }
        }
    }
}'

请求Scala

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"
            }
        }
    }
}'

响应

成功响应会返回一个有效负载，其中包含新创建引擎的详细信息，包括其唯一标识符(id)。 以下示例响应针对 Python 引擎。 的 executionType 和 type 键值会根据提供的POST而发生更改。

{
    "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"
            }
        }
    }
}

成功响应会显示包含有关新创建引擎的信息的JSON有效负载。 的 id 键表示唯一的引擎标识符，在下一个教程中需要此键才能创建MLInstance。 在继续执行后续步骤之前，请确保已保存引擎标识符。

后续步骤

您已使用API创建引擎，并且获取了作为响应主体一部分的唯一引擎标识符。 在下一个教程中，您可以在了解如何使用此引擎标识符 使用API创建、训练和评估模型.