使用Sensei Machine Learning API匯入封裝配方

本教學課程使用 Sensei Machine Learning API 建立 引擎，在使用者介面中也稱為方式。

開始之前，請務必注意Adobe Experience Platform Data Science Workspace 使用不同的詞語來指稱API和UI中的類似元素。 本教學課程會使用API術語，下表概述相關術語：

引擎包含機器學習演算法和邏輯，以解決特定問題。 下圖以視覺效果呈現 Data Science Workspace. 本教學課程著重於建立引擎，即機器學習模型的大腦。

快速入門

本教學課程需要封裝的方式檔案，其形式為Docker URL。 關注 將源檔案打包到配方中 建立封裝方式檔案或提供您自己的教學課程。

• {DOCKER_URL}:智慧服務的Docker影像的URL位址。

本教學課程要求您完成 驗證Adobe Experience Platform教學課程 以便成功呼叫 Platform API。 完成驗證教學課程會提供所有 Experience Platform API呼叫，如下所示：

• {ACCESS_TOKEN}:驗證後提供的特定承載令牌值。
• {ORG_ID}:在您獨特的Adobe Experience Platform整合中找到您的IMS組織認證。
• {API_KEY}:您在獨特Adobe Experience Platform整合中找到的特定API金鑰值。

建立引擎

您可以向/engines端點提出POST要求，以建立引擎。 已建立的引擎會根據封裝方式檔案的形式進行設定，這些檔案必須包含在API請求中。

使用Docker URL建立引擎

若要建立引擎，其中包含儲存在Docker容器中的配方檔案，必須向包裝的配方檔案提供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"
            }
        }
    }
}'

請求範圍

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

成功的回應會傳回包含新建立之引擎詳細資訊（包括其唯一識別碼）的裝載(id)。 下列範例回應適用於 Python 引擎。 此 executionType 和 type 鍵會根據提供的POST而改變。

{
    "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"
            }
        }
    }
}

成功的回應會顯示JSON裝載，其中包含新建立引擎的相關資訊。 此 id 索引鍵代表唯一的引擎識別碼，是建立MLInstance的下一個教學課程中的必要項目。 繼續執行後續步驟之前，請確定已儲存引擎識別碼。

後續步驟

您已使用API建立引擎，並且已取得唯一引擎識別碼，作為回應內文的一部分。 您可以在下一個教學課程中使用此引擎識別碼，以了解如何 使用API建立、訓練和評估模型.

Business.Adobe.com 資源

Headless Cms Customer Analytics Email Creation Audience Targeting Attribution Tv Advertising