데이터 과학 작업 공간 UI에서 패키지된 레서피 가져오기

이 자습서에서는 제공된 소매 판매 예제를 사용하여 패키지화된 레서피를 구성하고 가져오는 방법에 대한 통찰력을 제공합니다. 이 자습서가 끝나면 Adobe Experience Platform Data Science Workspace에서 모델을 만들고, 교육하고, 평가할 준비가 됩니다.

전제 조건

이 자습서에서는 Docker 이미지 URL 형식의 패키지화된 레시피가 필요합니다. 자세한 내용은 소스 파일을 레서피에 패키지하는 방법에 대한 자습서를 참조하십시오.

UI 워크플로우

패키지화된 레서피를 Data Science Workspace으로 가져오려면 단일 JSON(JavaScript Object Notation) 파일로 컴파일된 특정 레서피 구성이 필요합니다. 이 레서피 구성 모음은 구성 파일이라고 합니다. 특정 구성 세트가 있는 패키지된 레서피를 레서피 인스턴스라고 합니다. 하나의 레서피를 사용하여 Data Science Workspace에서 많은 레서피 인스턴스를 만들 수 있습니다.

패키지 레서피를 가져오는 워크플로우는 다음 단계로 구성됩니다.

레서피 구성

Data Science Workspace의 모든 레서피 인스턴스에는 특정 사용 사례에 맞게 레서피 인스턴스를 맞춤화하는 구성 세트가 포함되어 있습니다. 구성 파일은 이 레서피 인스턴스를 사용하여 만든 모델의 기본 트레이닝 및 점수 지정 동작을 정의합니다.

노트

구성 파일은 레서피 및 대/소문자를 구분합니다.

다음은 소매 판매 레서피에 대한 기본 트레이닝 및 점수 지정 행동을 보여주는 샘플 구성 파일입니다.

[
    {
        "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}"
            }
        ]
    }
]
매개 변수 키 유형 설명
learning_rate 숫자 그레이디언트 곱셈을 위한 스칼라.
n_estimators 숫자 임의 포리스트 분류에 대한 포리스트의 트리 수입니다.
max_depth 숫자 임의 포리스트 분류기에서 트리의 최대 깊이입니다.
ACP_DSW_INPUT_FEATURES 문자열 쉼표로 구분된 입력 스키마 특성 목록입니다.
ACP_DSW_TARGET_FEATURES 문자열 쉼표로 구분된 출력 스키마 특성 목록입니다.
ACP_DSW_FEATURE_UPDATE_SUPPORT 부울 입력 및 출력 기능을 수정할 수 있는지 여부 결정
tenantId 문자열 이 ID를 사용하면 만든 리소스가 적절하게 지정되고 IMS 조직 내에 포함됩니다. 다음 단계에 따라 테넌트 ID를 찾습니다.
ACP_DSW_TRAINING_XDM_SCHEMA 문자열 모델 교육에 사용되는 입력 스키마입니다. UI로 가져올 때 이 값을 비워 두고 API를 사용하여 가져올 때 교육 스키마 ID로 바꿉니다.
evaluation.labelColumn 문자열 평가 시각화에 대한 열 레이블입니다.
evaluation.metrics 문자열 모델을 평가하는 데 사용할 평가 지표의 쉼표로 구분된 목록입니다.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA 문자열 모델 점수를 매기는 데 사용되는 출력 스키마입니다. UI로 가져올 때 이 값을 비워 두고 API를 사용하여 가져올 때 채점 스키마 ID로 바꿉니다.

이 자습서를 위해 Data Science Workspace 참조 설명서의 소매 판매 레서피에 대한 기본 구성 파일을 원래 상태 그대로 둘 수 있습니다.

Docker 기반 레서피 가져오기 - Python

Platform UI의 왼쪽 상단에 있는 Workflows​을 탐색하고 선택하여 시작합니다. 그런 다음 레서피 가져오기​를 선택하고 Launch​를 선택합니다.

레서피 가져오기 작업 과정에 대한 구성 페이지가 나타납니다. 레서피에 대한 이름과 설명을 입력한 다음 오른쪽 위 모서리에서 Next​을 선택합니다.

워크플로 구성

노트

Package 소스 파일을 Recipe 튜토리얼에서 Python 소스 파일을 사용하여 소매 판매 레서피를 빌드할 때 Docker URL이 제공되었습니다.

소스 선택 페이지에 있으면 Source URL 필드에 Python 소스 파일을 사용하여 패키지된 레서피에 해당하는 Docker URL을 붙여 넣습니다. 그런 다음 드래그 앤 드롭하여 제공된 구성 파일을 가져오거나 파일 시스템 Browser​을 사용합니다. 제공된 구성 파일은 experience-platform-dsw-reference/recipes/python/retail/retail.config.json에서 찾을 수 있습니다. Runtime 드롭다운에서 Python​을 선택하고 유형 드롭다운에서 Classification​을 선택합니다. 모든 것이 채워지면 오른쪽 위 모서리에서 Next​을 선택하여 스키마 관리​로 진행합니다.

노트

유형은 ClassificationRegression​을 지원합니다. 모델이 이러한 유형 중 하나에 해당하지 않으면 Custom​을 선택합니다.

그런 다음 소매 판매 스키마 만들기 및 데이터 세트 자습서에서 스키마 관리 섹션에 있는 소매 판매 입력 및 출력 스키마를 선택합니다.

기능 관리 섹션에서 스키마 뷰어에서 테넌트 ID를 선택하여 소매 판매 입력 스키마를 확장합니다. 원하는 기능을 강조 표시하고 오른쪽 Field Properties 창에서 Input Feature 또는 Target Feature​을 선택하여 입력 및 출력 기능을 선택합니다. 이 자습서를 위해 weeklySales​을(를) Target Feature(으)로 설정하고 다른 모든 것을 Input Feature(으)로 설정합니다. 새로 구성된 레서피를 검토하려면 Next​을 선택합니다.

필요에 따라 레시피를 검토하고 구성을 추가, 수정 또는 제거합니다. Finish​을 선택하여 레서피를 만듭니다.

새로 만든 소매 판매 레서피를 사용하여 Data Science Workspace에서 모델을 만드는 방법을 알아보려면 다음 단계로 이동하십시오.

Docker 기반 레서피 가져오기 - R

Platform UI의 왼쪽 상단에 있는 Workflows​을 탐색하고 선택하여 시작합니다. 그런 다음 레서피 가져오기​를 선택하고 Launch​를 선택합니다.

레서피 가져오기 작업 과정에 대한 구성 페이지가 나타납니다. 레서피에 대한 이름과 설명을 입력한 다음 오른쪽 위 모서리에서 Next​을 선택합니다.

워크플로 구성

노트

소스 파일을 Recipe 튜토리얼에 패키징하면 R 소스 파일을 사용하여 소매 판매 레서피를 빌드할 때 Docker URL이 제공되었습니다.

소스 선택 페이지에 있으면 Source URL 필드에 R 소스 파일을 사용하여 패키지된 레서피에 해당하는 Docker URL을 붙여 넣습니다. 그런 다음 드래그 앤 드롭하여 제공된 구성 파일을 가져오거나 파일 시스템 Browser​을 사용합니다. 제공된 구성 파일은 experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json에서 찾을 수 있습니다. Runtime 드롭다운에서 R​을 선택하고 유형 드롭다운에서 Classification​을 선택합니다. 모든 것이 채워지면 오른쪽 위 모서리에서 Next​을 선택하여 스키마 관리​로 진행합니다.

노트

유형ClassificationRegression​지원합니다. 모델이 이러한 유형 중 하나에 해당하지 않으면 Custom​을 선택합니다.

그런 다음 소매 판매 스키마 만들기 및 데이터 세트 자습서에서 스키마 관리 섹션에 있는 소매 판매 입력 및 출력 스키마를 선택합니다.

기능 관리 섹션에서 스키마 뷰어에서 테넌트 ID를 선택하여 소매 판매 입력 스키마를 확장합니다. 원하는 기능을 강조 표시하고 오른쪽 Field Properties 창에서 Input Feature 또는 Target Feature​을 선택하여 입력 및 출력 기능을 선택합니다. 이 자습서를 위해 weeklySales​을(를) Target Feature(으)로 설정하고 다른 모든 것을 Input Feature(으)로 설정합니다. Next​을 선택하여 새 구성된 레서피를 검토합니다.

필요에 따라 레시피를 검토하고 구성을 추가, 수정 또는 제거합니다. 완료​를 선택하여 레서피를 만듭니다.

새로 만든 소매 판매 레서피를 사용하여 Data Science Workspace에서 모델을 만드는 방법을 알아보려면 다음 단계로 이동하십시오.

Docker 기반 레서피 가져오기 - PySpark

Platform UI의 왼쪽 상단에 있는 Workflows​을 탐색하고 선택하여 시작합니다. 그런 다음 레서피 가져오기​를 선택하고 Launch​를 선택합니다.

레서피 가져오기 작업 과정에 대한 구성 페이지가 나타납니다. 레서피에 대한 이름과 설명을 입력한 다음 오른쪽 위 모서리에서 Next​을 선택하여 계속 진행합니다.

워크플로 구성

노트

소스 파일을 Recipe 튜토리얼에 패키징하면 PySpark 소스 파일을 사용하여 소매 판매 레서피를 빌드할 때 Docker URL이 제공되었습니다.

소스 선택 페이지에 있는 경우 PySpark 소스 파일을 사용하여 만든 패키지화된 레서피에 해당하는 Docker URL을 Source URL 필드에 붙여 넣습니다. 그런 다음 드래그 앤 드롭하여 제공된 구성 파일을 가져오거나 파일 시스템 Browser​을 사용합니다. 제공된 구성 파일은 experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json에서 찾을 수 있습니다. Runtime 드롭다운에서 PySpark​을 선택합니다. PySpark 런타임을 선택하면 기본 가공물이 Docker​에 자동으로 채워집니다. 그런 다음 유형 드롭다운에서 Classification​을 선택합니다. 모든 것이 채워지면 오른쪽 위 모서리에서 Next​을 선택하여 스키마 관리​로 진행합니다.

노트

유형ClassificationRegression​지원합니다. 모델이 이러한 유형 중 하나에 해당하지 않으면 Custom​을 선택합니다.

그런 다음 스키마 관리 선택기를 사용하여 소매 판매 스키마 및 출력 스키마를 선택합니다. 소매 판매 스키마 및 데이터 세트 자습서 만들기에서 제공된 부트스트랩 스크립트를 사용하여 스키마가 생성되었습니다.

스키마 관리

기능 관리 섹션에서 스키마 뷰어에서 테넌트 ID를 선택하여 소매 판매 입력 스키마를 확장합니다. 원하는 기능을 강조 표시하고 오른쪽 Field Properties 창에서 Input Feature 또는 Target Feature​을 선택하여 입력 및 출력 기능을 선택합니다. 이 자습서를 위해 weeklySales​을(를) Target Feature(으)로 설정하고 다른 모든 것을 Input Feature(으)로 설정합니다. 새로 구성된 레서피를 검토하려면 Next​을 선택합니다.

필요에 따라 레시피를 검토하고 구성을 추가, 수정 또는 제거합니다. Finish​을 선택하여 레서피를 만듭니다.

새로 만든 소매 판매 레서피를 사용하여 Data Science Workspace에서 모델을 만드는 방법을 알아보려면 다음 단계로 이동하십시오.

Docker 기반 레서피 가져오기 - Scala

Platform UI의 왼쪽 상단에 있는 Workflows​을 탐색하고 선택하여 시작합니다. 그런 다음 레서피 가져오기​를 선택하고 Launch​를 선택합니다.

레서피 가져오기 작업 과정에 대한 구성 페이지가 나타납니다. 레서피에 대한 이름과 설명을 입력한 다음 오른쪽 위 모서리에서 Next​을 선택하여 계속 진행합니다.

워크플로 구성

노트

소스 파일을 Recipe 튜토리얼에 패키징하면 Scala(Spark) 소스 파일을 사용하여 소매 판매 레서피를 빌드하는 마지막 시점에 Docker URL이 제공되었습니다.

소스 선택 페이지에 있는 경우 소스 URL 필드에 Scala 소스 파일을 사용하여 패키지화된 레서피에 해당하는 Docker URL을 붙여 넣습니다. 그런 다음 드래그 앤 드롭하여 제공된 구성 파일을 가져오거나 파일 시스템 브라우저를 사용합니다. 제공된 구성 파일은 experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json에서 찾을 수 있습니다. Runtime 드롭다운에서 Spark​을 선택합니다. Spark 런타임을 선택하면 기본 가공물은 Docker​에 자동으로 채워집니다. 그런 다음 유형 드롭다운에서 Regression​을 선택합니다. 모든 것이 채워지면 오른쪽 위 모서리에서 Next​을 선택하여 스키마 관리​로 진행합니다.

노트

유형은 ClassificationRegression​을 지원합니다. 모델이 이러한 유형 중 하나에 해당하지 않으면 Custom​을 선택합니다.

그런 다음 스키마 관리 선택기를 사용하여 소매 판매 스키마 및 출력 스키마를 선택합니다. 소매 판매 스키마 및 데이터 세트 자습서 만들기에서 제공된 부트스트랩 스크립트를 사용하여 스키마가 생성되었습니다.

스키마 관리

기능 관리 섹션에서 스키마 뷰어에서 테넌트 ID를 선택하여 소매 판매 입력 스키마를 확장합니다. 원하는 기능을 강조 표시하고 오른쪽 Field Properties 창에서 Input Feature 또는 Target Feature​을 선택하여 입력 및 출력 기능을 선택합니다. 이 자습서를 위해 "weeklySales"을(를) Target Feature(으)로 설정하고 다른 모든 것을 Input Feature(으)로 설정합니다. 새로 구성된 레서피를 검토하려면 Next​을 선택합니다.

필요에 따라 레시피를 검토하고 구성을 추가, 수정 또는 제거합니다. Finish​을 선택하여 레서피를 만듭니다.

새로 만든 소매 판매 레서피를 사용하여 Data Science Workspace에서 모델을 만드는 방법을 알아보려면 다음 단계로 이동하십시오.

다음 단계

이 자습서에서는 레서피를 구성 및 Data Science Workspace으로 가져오는 방법에 대한 통찰력을 제공합니다. 이제 새로 만든 레시피를 사용하여 모델을 생성, 교육 및 평가할 수 있습니다.

이 페이지에서는