使用Sensei機器學習API導入打包的配方

本教程使用 Sensei Machine Learning API 建立 引擎，也稱為用戶介面中的配方。

在開始之前，必須指出Adobe Experience Platform Data Science Workspace 使用不同術語來引用API和UI中的類似元素。 API術語在本教程中使用，下表概述了相關術語：

一個引擎包含機器學習算法和邏輯來解決特定問題。 下圖提供了一個顯示中API工作流的可視化 Data Science Workspace。 本教程重點介紹如何建立「引擎」，即機器學習模型的大腦。

快速入門

本教程要求以Docker URL形式打包的配方檔案。 關注 將源檔案打包到配方 教程，建立打包的配方檔案或提供您自己的配方檔案。

• {DOCKER_URL}:智慧服務的Docker映像的URL地址。

本教程要求您完成 驗證Adobe Experience Platform教程 以便成功撥打 Platform API。 完成身份驗證教程將提供所有中每個必需標頭的值 Experience Platform API調用，如下所示：

• {ACCESS_TOKEN}:身份驗證後提供的特定持有者令牌值。
• {ORG_ID}:在您獨特的Adobe Experience Platform整合中找到了您的IMS組織憑據。
• {API_KEY}:在您獨特的Adobe Experience Platform整合中找到您的特定API密鑰值。

建立引擎

通過向/engines端點發出POST請求，可以建立引擎。 建立的引擎基於打包的處方檔案的形式進行配置，這些檔案必須作為API請求的一部分包含。

使用Docker URL建立引擎

為了建立具有儲存在Docker容器中的打包處方檔案的引擎，必須為打包的處方檔案提供Docker URL。

API格式

POST /engines

請求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"
                }
            }
        }
    }'

請求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"
            }
        }
    }
}'

請求斯卡拉

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"
            }
        }
    }
}'

回應

成功的響應返回包含新建立引擎的詳細資訊（包括其唯一標識符）的負載(id)。 以下示例響應是 Python 引擎。 的 executionType 和 type 鍵會根據提供的POST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"
            }
        }
    }
}

成功的響應顯示JSON負載，其中包含有關新建立的引擎的資訊。 的 id key表示唯一的引擎標識符，在下一教程中建立MLInstance是必需的。 確保在繼續執行後續步驟之前保存引擎標識符。

後續步驟

您已使用API建立了引擎，並且作為響應主體的一部分獲得了唯一的引擎標識符。 在學習如何進行下一教程時，可以使用此引擎標識符 使用API建立、訓練和評估模型。