Importieren eines gepackten Rezepts in die Benutzeroberfläche von Data Science Workspace

Dieses Tutorial bietet Einblicke in das Konfigurieren und Importieren eines gepackten Rezepts mit dem bereitgestellten Beispiel für Einzelhandelsumsätze. Am Ende dieses Tutorials können Sie ein Modell in Adobe Experience Platform Data Science Workspace erstellen, trainieren und bewerten.

Voraussetzungen

Für dieses Tutorial ist ein gepacktes Rezept in Form einer Docker-Bild-URL erforderlich. Weiterführende Informationen finden Sie im Tutorial zum Verpacken von Quelldateien in einem Rezept.

Workflow in der Benutzeroberfläche

Für das Importieren eines gepackten Rezepts in Data Science Workspace sind spezifische Rezeptkonfigurationen erforderlich, die in einer JSON-Datei (JavaScript Object Notation) kompiliert sind. Diese Kompilierung von Rezeptkonfigurationen wird als Konfigurationsdatei bezeichnet. Ein gepacktes Rezept mit einem bestimmten Satz von Konfigurationen wird als Rezeptinstanz bezeichnet. Ein Rezept kann verwendet werden, um viele Rezeptinstanzen in Data Science Workspace zu erstellen.

Der Workflow zum Importieren eines gepackten Rezepts umfasst folgende Schritte:

Rezept konfigurieren

Jede Rezeptinstanz in Data Science Workspace wird von einer Reihe von Konfigurationen begleitet, die die Rezeptinstanz an einen bestimmten Anwendungsfall anpassen. Konfigurationsdateien definieren das standardmäßige Trainings- und Scoring-Verhalten eines mit dieser Rezeptinstanz erstellten Modells.

HINWEIS

Konfigurationsdateien sind rezept- und fallspezifisch.

Im Folgenden finden Sie eine Beispielkonfigurationsdatei mit standardmäßigem Trainings- und Scoring-Verhalten für das Rezept „Einzelhandelsumsätze“.

[
    {
        "name": "train",
        "parameters": [
            {
                "key": "learning_rate",
                "value": "0.1"  
            },
            {
                "key": "n_estimators",
                "value": "100"
            },
            {
                "key": "max_depth",
                "value": "3"
            },
            {
                "key": "ACP_DSW_INPUT_FEATURES",
                "value": "date,store,storeType,storeSize,temperature,regionalFuelPrice,markdown,cpi,unemployment,isHoliday"
            },
            {
                "key": "ACP_DSW_TARGET_FEATURES",
                "value": "weeklySales"
            },
            {
                "key": "ACP_DSW_FEATURE_UPDATE_SUPPORT",
                "value": false
            },
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key": "ACP_DSW_TRAINING_XDM_SCHEMA",
                "value": "{SEE BELOW FOR DETAILS}"
            },
            {
                "key": "evaluation.labelColumn",
                "value": "weeklySalesAhead"
            },
            {
                "key": "evaluation.metrics",
                "value": "MAPE,MAE,RMSE,MASE"
            }
        ]
    },
    {
        "name": "score",
        "parameters": [
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key":"ACP_DSW_SCORING_RESULTS_XDM_SCHEMA",
                "value":"{SEE BELOW FOR DETAILS}"
            }
        ]
    }
]
Parameterschlüssel Typ Beschreibung
learning_rate Zahl Skalar für graduelle Multiplikation.
n_estimators Zahl Zahl der Bäume im Wald für Random Forest Classifier.
max_depth Zahl Maximale Tiefe eines Baums in Random Forest Classifier.
ACP_DSW_INPUT_FEATURES Zeichenfolge Liste mit kommagetrennten Eingabeschemaattributen.
ACP_DSW_TARGET_FEATURES Zeichenfolge Liste mit kommagetrennten Ausgabeschemaattributen.
ACP_DSW_FEATURE_UPDATE_SUPPORT Boolesch Legt fest, ob Eingabe- und Ausgabefunktionen geändert werden können.
tenantId Zeichenfolge Diese Kennung stellt sicher, dass die von Ihnen erstellten Ressourcen den richtigen Namespace erhalten und in Ihrer IMS-Organisation enthalten sind. Gehen Sie wie folgt vor, um Ihre Mandantenkennung zu suchen.
ACP_DSW_TRAINING_XDM_SCHEMA Zeichenfolge Das zum Trainieren eines Modells verwendete Eingabeschema. Lassen Sie es beim Importieren in der Benutzeroberfläche leer; ersetzen Sie es beim Importieren mit der API durch die Trainings-SchemaID.
evaluation.labelColumn Zeichenfolge Spaltenbezeichnung für Bewertungsvisualisierungen.
evaluation.metrics Zeichenfolge Kommagetrennte Liste mit Bewertungsmetriken, die zur Bewertung eines Modells verwendet werden.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA Zeichenfolge Das zum Scoring eines Modells verwendete Ausgabeschema. Lassen Sie es beim Importieren in der Benutzeroberfläche leer; ersetzen Sie es beim Importieren mit der API durch die Scoring-SchemaID.

Für diese Anleitung können Sie die Standardkonfigurationsdateien für das Rezept "Einzelhandelsumsätze"in der Data Science Workspace-Referenz so belassen, wie sie sind.

Docker-basiertes Rezept importieren - Python

Beginnen Sie mit der Navigation und Auswahl von Workflows oben links in der Platform -Benutzeroberfläche. Wählen Sie als Nächstes Rezept importieren und dann Launch aus.

Die Seite Configure für den Workflow Import recipe wird angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie dann in der oberen rechten Ecke Weiter aus.

Workflow konfigurieren

HINWEIS

Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit Python-Quelldateien eine Docker-URL bereitgestellt.

Sobald Sie sich auf der Seite Quelle auswählen befinden, fügen Sie die Docker-URL ein, die dem mit Python-Quelldateien erstellten gepackten Rezept entspricht, und zwar im Feld Quell-URL . Importieren Sie anschließend die bereitgestellte Konfigurationsdatei per Drag-and-Drop oder mit dem Browser des Dateisystems. Die bereitgestellte Konfigurationsdatei finden Sie unter experience-platform-dsw-reference/recipes/python/retail/retail.config.json. Wählen Sie Python in der Dropdown-Liste Runtime und Classification in der Dropdown-Liste Typ aus. Nachdem alles ausgefüllt wurde, wählen Sie Weiter in der oberen rechten Ecke aus, um mit Schemas verwalten fortzufahren.

HINWEIS

Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert aus.

Wählen Sie anschließend die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze im Abschnitt Schemas verwalten aus. Sie wurden mithilfe des bereitgestellten Bootstrap-Skripts im Tutorial Erstellen des Einzelhandelsschemas und -datensatzes erstellt.

Wählen Sie im Abschnitt Funktionsverwaltung im Schema-Viewer die Option zur Mandantenkennung aus, um das Eingabeschema für Einzelhandelsumsätze zu erweitern. Wählen Sie die Ein- und Ausgabefunktionen aus, indem Sie die gewünschte Funktion markieren und entweder die Option Eingabefunktion oder Zielfunktion im rechten Fenster Feldeigenschaften auswählen. Legen Sie in diesem Tutorial weeklySales als Zielfunktion und alles andere als Eingabefunktion fest. Wählen Sie Next aus, um Ihr neues konfiguriertes Rezept zu überprüfen.

Prüfen Sie das Rezept und fügen Sie je nach Bedarf Konfigurationen hinzu bzw. ändern oder entfernen Sie sie. Wählen Sie Finish aus, um das Rezept zu erstellen.

Fahren Sie mit den nächsten Schritten fort, um zu erfahren, wie Sie ein Modell in Data Science Workspace mit dem neu erstellten Rezept für Einzelhandelsumsätze erstellen.

Docker-basiertes Rezept importieren – R

Beginnen Sie mit der Navigation und Auswahl von Workflows oben links in der Platform -Benutzeroberfläche. Wählen Sie als Nächstes Rezept importieren und dann Launch aus.

Die Seite Configure für den Workflow Import recipe wird angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie dann in der oberen rechten Ecke Weiter aus.

Workflow konfigurieren

HINWEIS

Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit R-Quelldateien eine Docker-URL bereitgestellt.

Sobald Sie sich auf der Seite Quelle auswählen befinden, fügen Sie die Docker-URL ein, die dem mit R-Quelldateien erstellten gepackten Rezept entspricht, und zwar im Feld Quell-URL . Importieren Sie anschließend die bereitgestellte Konfigurationsdatei per Drag-and-Drop oder mit dem Browser des Dateisystems. Die bereitgestellte Konfigurationsdatei finden Sie unter experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. Wählen Sie R in der Dropdown-Liste Runtime und Classification in der Dropdown-Liste Typ aus. Nachdem alles ausgefüllt wurde, wählen Sie Weiter in der oberen rechten Ecke aus, um mit Schemas verwalten fortzufahren.

HINWEIS

Typesupports Classification und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie​Benutzerdefiniert** aus.

Wählen Sie anschließend die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze im Abschnitt Schemas verwalten aus. Sie wurden mithilfe des bereitgestellten Bootstrap-Skripts im Tutorial Erstellen des Einzelhandelsschemas und -datensatzes erstellt.

Wählen Sie im Abschnitt Funktionsverwaltung im Schema-Viewer die Option zur Mandantenkennung aus, um das Eingabeschema für Einzelhandelsumsätze zu erweitern. Wählen Sie die Ein- und Ausgabefunktionen aus, indem Sie die gewünschte Funktion markieren und entweder die Option Eingabefunktion oder Zielfunktion im rechten Fenster Feldeigenschaften auswählen. Legen Sie in diesem Tutorial weeklySales als Zielfunktion und alles andere als Eingabefunktion fest. Wählen Sie Next aus, um Ihr neues konfiguriertes Rezept zu überprüfen.

Prüfen Sie das Rezept und fügen Sie je nach Bedarf Konfigurationen hinzu bzw. ändern oder entfernen Sie sie. Wählen Sie Finish aus, um das Rezept zu erstellen.

Fahren Sie mit den nächsten Schritten fort, um zu erfahren, wie Sie ein Modell in Data Science Workspace mit dem neu erstellten Rezept für Einzelhandelsumsätze erstellen.

Docker-basiertes Rezept importieren - PySpark

Beginnen Sie mit der Navigation und Auswahl von Workflows oben links in der Platform -Benutzeroberfläche. Wählen Sie als Nächstes Rezept importieren und dann Launch aus.

Die Seite Configure für den Workflow Import recipe wird angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie dann Weiter in der oberen rechten Ecke aus, um fortzufahren.

Workflow konfigurieren

HINWEIS

Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit PySpark-Quelldateien eine Docker-URL bereitgestellt.

Sobald Sie sich auf der Seite Quelle auswählen befinden, fügen Sie die Docker-URL, die dem mit PySpark-Quelldateien erstellten gepackten Rezept entspricht, in das Feld Quell-URL ein. Importieren Sie anschließend die bereitgestellte Konfigurationsdatei per Drag-and-Drop oder mit dem Browser des Dateisystems. Die bereitgestellte Konfigurationsdatei finden Sie unter experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. Wählen Sie PySpark in der Dropdown-Liste Runtime aus. Sobald die PySpark-Laufzeitumgebung ausgewählt ist, wird das standardmäßige Artefakt automatisch in Docker eingefügt. Wählen Sie anschließend Klassifizierung in der Dropdown-Liste Typ aus. Nachdem alles ausgefüllt wurde, wählen Sie Weiter in der oberen rechten Ecke aus, um mit Schemas verwalten fortzufahren.

HINWEIS

Typesupports Classification und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie​Benutzerdefiniert** aus.

Wählen Sie anschließend mithilfe des Selektors Schemas verwalten die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze aus. Die Schemas wurden mithilfe des im Tutorial Erstellen des Schemas und Datensatzes bereitgestellten Bootstrap-Skripts erstellt.

Schemas verwalten

Wählen Sie im Abschnitt Funktionsverwaltung im Schema-Viewer die Option zur Mandantenkennung aus, um das Eingabeschema für Einzelhandelsumsätze zu erweitern. Wählen Sie die Ein- und Ausgabefunktionen aus, indem Sie die gewünschte Funktion markieren und entweder die Option Eingabefunktion oder Zielfunktion im rechten Fenster Feldeigenschaften auswählen. Legen Sie in diesem Tutorial weeklySales als Zielfunktion und alles andere als Eingabefunktion fest. Wählen Sie Next aus, um Ihr neues konfiguriertes Rezept zu überprüfen.

Prüfen Sie das Rezept und fügen Sie je nach Bedarf Konfigurationen hinzu bzw. ändern oder entfernen Sie sie. Wählen Sie Finish aus, um das Rezept zu erstellen.

Fahren Sie mit den nächsten Schritten fort, um zu erfahren, wie Sie ein Modell in Data Science Workspace mit dem neu erstellten Rezept für Einzelhandelsumsätze erstellen.

Docker-basiertes Rezept importieren - Scala

Beginnen Sie mit der Navigation und Auswahl von Workflows oben links in der Platform -Benutzeroberfläche. Wählen Sie als Nächstes Rezept importieren und dann Launch aus.

Die Seite Configure für den Workflow Import recipe wird angezeigt. Geben Sie einen Namen und eine Beschreibung für das Rezept ein und wählen Sie dann Weiter in der oberen rechten Ecke aus, um fortzufahren.

Workflow konfigurieren

HINWEIS

Im Tutorial Quelldateien in einem Rezept verpacken wurde nach der Erstellung des Rezepts für Einzelhandelsumsätze mit Scala-Quelldateien (Spark) eine Docker-URL bereitgestellt.

Sobald Sie sich auf der Seite Quelle auswählen befinden, fügen Sie die Docker-URL ein, die dem mit Scala-Quelldateien erstellten gepackten Rezept entspricht, und zwar im Feld Quell-URL . Importieren Sie anschließend die bereitgestellte Konfigurationsdatei per Drag-and-Drop oder mit dem Browser des Dateisystems. Die bereitgestellte Konfigurationsdatei finden Sie unter experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. Wählen Sie Spark in der Dropdown-Liste Runtime aus. Sobald die Spark-Laufzeitumgebung ausgewählt ist, wird das standardmäßige Artefakt automatisch in Docker eingefügt. Wählen Sie als Nächstes Regression aus der Dropdown-Liste Typ aus. Nachdem alles ausgefüllt wurde, wählen Sie Weiter in der oberen rechten Ecke aus, um mit Schemas verwalten fortzufahren.

HINWEIS

Typ unterstützt Klassifizierung und Regression. Wenn Ihr Modell nicht unter einen dieser Typen fällt, wählen Sie Benutzerdefiniert aus.

Wählen Sie anschließend mithilfe des Selektors Schemas verwalten die Eingabe- und Ausgabeschemata für Einzelhandelsumsätze aus. Die Schemas wurden mithilfe des im Tutorial Erstellen des Schemas und Datensatzes bereitgestellten Bootstrap-Skripts erstellt.

Schemas verwalten

Wählen Sie im Abschnitt Funktionsverwaltung im Schema-Viewer die Option zur Mandantenkennung aus, um das Eingabeschema für Einzelhandelsumsätze zu erweitern. Wählen Sie die Ein- und Ausgabefunktionen aus, indem Sie die gewünschte Funktion markieren und entweder die Option Eingabefunktion oder Zielfunktion im rechten Fenster Feldeigenschaften auswählen. Legen Sie für diese Anleitung "weeklySales"als Target-Funktion und alles andere als Eingabefunktion fest. Wählen Sie Next aus, um Ihr neues konfiguriertes Rezept zu überprüfen.

Prüfen Sie das Rezept und fügen Sie je nach Bedarf Konfigurationen hinzu bzw. ändern oder entfernen Sie sie. Wählen Sie Finish aus, um das Rezept zu erstellen.

Fahren Sie mit den nächsten Schritten fort, um zu erfahren, wie Sie ein Modell in Data Science Workspace mit dem neu erstellten Rezept für Einzelhandelsumsätze erstellen.

Nächste Schritte

Dieses Tutorial bietet Einblicke in die Konfiguration und den Import eines Rezepts in Data Science Workspace. Jetzt können Sie mit dem neu erstellten Rezept ein Modell erstellen, trainieren und bewerten.

Auf dieser Seite