Importar uma receita empacotada na interface do usuário do Data Science Workspace

Este tutorial fornece informações sobre como configurar e importar uma receita empacotada usando o exemplo de Vendas de varejo fornecido. Ao final deste tutorial, você estará pronto para criar, treinar e avaliar um Modelo no Adobe Experience Platform Data Science Workspace.

Pré-requisitos

Este tutorial requer uma fórmula empacotada na forma de um URL de imagem Docker. Consulte o tutorial sobre como Compactar arquivos de origem em uma Receita para obter mais informações.

Fluxo de trabalho da interface do usuário

Importar uma receita empacotada para Data Science Workspace requer configurações de receita específicas, compiladas em um único arquivo JSON (JavaScript Object Notation), essa compilação de configurações de receita é chamada de arquivo de configuração. Uma fórmula empacotada com um conjunto específico de configurações é chamada de instância de receita. Uma receita pode ser usada para criar muitas instâncias de receita em Data Science Workspace.

O fluxo de trabalho para importar uma receita de pacote consiste nas seguintes etapas:

Configurar uma receita

Cada instância da receita em Data Science Workspace é acompanhada por um conjunto de configurações que adequam a instância da receita para se adequar a um caso de uso específico. Os arquivos de configuração definem os comportamentos padrão de treinamento e pontuação de um Modelo criado usando essa instância de receita.

OBSERVAÇÃO

Os arquivos de configuração são específicos de receita e maiúsculas e minúsculas.

Abaixo está um exemplo de arquivo de configuração que mostra os comportamentos padrão de treinamento e pontuação para a receita de Vendas de varejo.

[
    {
        "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}"
            }
        ]
    }
]
Chave de parâmetro Tipo Descrição
learning_rate Número Escalar para multiplicação de gradiente.
n_estimators Número Número de árvores na floresta para o Classificador Random Forest.
max_depth Número Profundidade máxima de uma árvore no Classificador Random Forest.
ACP_DSW_INPUT_FEATURES String Lista de atributos de esquema de entrada separados por vírgula.
ACP_DSW_TARGET_FEATURES String Lista de atributos de esquema de saída separados por vírgula.
ACP_DSW_FEATURE_UPDATE_SUPPORT Booleano Determina se os recursos de entrada e saída são modificáveis
tenantId String Essa ID garante que os recursos criados sejam namespacados corretamente e contidos na organização IMS. Siga as etapas aqui para localizar sua ID de locatário.
ACP_DSW_TRAINING_XDM_SCHEMA String O schema de entrada usado para treinar um Modelo. Deixe em branco ao importar na interface do usuário, substitua por SchemaID de treinamento ao importar usando a API.
evaluation.labelColumn String Rótulo de coluna para visualizações de avaliação.
evaluation.metrics String Lista separada por vírgulas de métricas de avaliação a serem usadas para avaliar um Modelo.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA String O schema de saída usado para pontuar um Modelo. Deixe em branco ao importar na interface do usuário, substitua por SchemaID de pontuação ao importar usando a API.

Para a finalidade deste tutorial, você pode deixar os arquivos de configuração padrão para a receita de Vendas de varejo na Data Science Workspace Referência da maneira como estão.

Importar receita baseada no Docker - Python

Comece navegando e selecionando Workflows localizado na parte superior esquerda da interface do usuário Platform. Em seguida, selecione Importar fórmula e selecione Launch.

A página Configurar para o workflow Importar fórmula é exibida. Insira um nome e uma descrição para a receita e selecione Next no canto superior direito.

configurar fluxo de trabalho

OBSERVAÇÃO

No tutorial Package source files into a Recipe, um URL de Docker foi fornecido no final da criação da receita de Vendas de varejo usando arquivos de origem Python.

Quando estiver na página Selecionar origem, cole o URL do Docker correspondente à receita empacotada criada usando Python arquivos de origem no campo Source URL. Em seguida, importe o arquivo de configuração fornecido arrastando e soltando ou use o sistema de arquivos Browser. O arquivo de configuração fornecido pode ser encontrado em experience-platform-dsw-reference/recipes/python/retail/retail.config.json. Selecione Python no menu suspenso Tempo de execução e Classification no menu suspenso Tipo. Depois que tudo tiver sido preenchido, selecione Next no canto superior direito para prosseguir para Gerenciar schemas.

OBSERVAÇÃO

O tipo suporta Classification e Regression. Se o modelo não se enquadrar em um desses tipos, selecione Custom.

Em seguida, selecione os esquemas de entrada e saída de Vendas de Varejo na seção Gerenciar esquemas, eles foram criados usando o script de bootstrap fornecido no tutorial criar o esquema de vendas de varejo e o conjunto de dados.

Na seção Feature Management, selecione na identificação do locatário no visualizador de esquema para expandir o schema de entrada Vendas de varejo. Selecione os recursos de entrada e saída destacando o recurso desejado e selecionando Input Feature ou Target Feature na janela direita Field Properties. Para a finalidade deste tutorial, defina weeklySales como Target Feature e tudo o mais como Input Feature. Selecione Next para revisar a nova receita configurada.

Revise a receita, adicione, modifique ou remova configurações conforme necessário. Selecione Finish para criar a receita.

Prossiga para as próximas etapas para descobrir como criar um Modelo em Data Science Workspace usando a fórmula de Vendas de Varejo recém-criada.

Importar receita baseada no Docker - R

Comece navegando e selecionando Workflows localizado na parte superior esquerda da interface do usuário Platform. Em seguida, selecione Importar fórmula e selecione Launch.

A página Configurar para o workflow Importar fórmula é exibida. Insira um nome e uma descrição para a receita e selecione Next no canto superior direito.

configurar fluxo de trabalho

OBSERVAÇÃO

No tutorial Package source files into a Recipe, um URL de Docker foi fornecido no final da criação da receita de Vendas de varejo usando arquivos de origem R.

Quando estiver na página Selecionar origem, cole o URL do Docker correspondente à receita empacotada criada usando arquivos de origem R no campo Source URL. Em seguida, importe o arquivo de configuração fornecido arrastando e soltando ou use o sistema de arquivos Browser. O arquivo de configuração fornecido pode ser encontrado em experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. Selecione R no menu suspenso Tempo de execução e Classification no menu suspenso Tipo. Depois que tudo tiver sido preenchido, selecione Next no canto superior direito para prosseguir para Gerenciar schemas.

OBSERVAÇÃO

O Typessuporta Classification​e Regression. Se o modelo não se enquadrar em um desses tipos, selecione​Custom**.

Em seguida, selecione os esquemas de entrada e saída de Vendas de Varejo na seção Gerenciar esquemas, eles foram criados usando o script de bootstrap fornecido no tutorial criar o esquema de vendas de varejo e o conjunto de dados.

Na seção Feature Management, selecione na identificação do locatário no visualizador de esquema para expandir o schema de entrada Vendas de varejo. Selecione os recursos de entrada e saída destacando o recurso desejado e selecionando Input Feature ou Target Feature na janela direita Field Properties. Para a finalidade deste tutorial, defina weeklySales como Target Feature e tudo o mais como Input Feature. Selecione Next para revisar a nova receita configurada.

Revise a receita, adicione, modifique ou remova configurações conforme necessário. Selecione Finish para criar a receita.

Prossiga para as próximas etapas para descobrir como criar um Modelo em Data Science Workspace usando a fórmula de Vendas de Varejo recém-criada.

Importar receita baseada no Docker - PySpark

Comece navegando e selecionando Workflows localizado na parte superior esquerda da interface do usuário Platform. Em seguida, selecione Importar fórmula e selecione Launch.

A página Configurar para o workflow Importar fórmula é exibida. Insira um nome e uma descrição para a receita, em seguida, selecione Next no canto superior direito para prosseguir.

configurar fluxo de trabalho

OBSERVAÇÃO

No tutorial Package source files into a Recipe, um URL de Docker foi fornecido no final da criação da receita de Vendas de varejo usando arquivos de origem PySpark.

Quando estiver na página Selecionar origem, cole o URL do Docker correspondente à receita empacotada criada usando arquivos de origem PySpark no campo Source URL. Em seguida, importe o arquivo de configuração fornecido arrastando e soltando ou use o sistema de arquivos Browser. O arquivo de configuração fornecido pode ser encontrado em experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. Selecione PySpark no menu suspenso Tempo de execução. Depois que o tempo de execução de PySpark é selecionado, o artefato padrão é preenchido automaticamente para Docker. Em seguida, selecione Classification no menu suspenso Type. Depois que tudo tiver sido preenchido, selecione Next no canto superior direito para prosseguir para Gerenciar schemas.

OBSERVAÇÃO

O Typessuporta Classification​e Regression. Se o modelo não se enquadrar em um desses tipos, selecione​Custom**.

Em seguida, selecione os esquemas de entrada e saída de Vendas de Varejo usando o seletor Gerenciar esquemas, os esquemas foram criados usando o script de bootstrap fornecido no tutorial criar o esquema de vendas de varejo e o conjunto de dados.

gerenciar schemas

Na seção Feature Management, selecione na identificação do locatário no visualizador de esquema para expandir o schema de entrada Vendas de varejo. Selecione os recursos de entrada e saída destacando o recurso desejado e selecionando Input Feature ou Target Feature na janela direita Field Properties. Para a finalidade deste tutorial, defina weeklySales como Target Feature e tudo o mais como Input Feature. Selecione Next para revisar a nova receita configurada.

Revise a receita, adicione, modifique ou remova configurações conforme necessário. Selecione Finish para criar a receita.

Prossiga para as próximas etapas para descobrir como criar um Modelo em Data Science Workspace usando a fórmula de Vendas de Varejo recém-criada.

Importar receita baseada no Docker - Scala

Comece navegando e selecionando Workflows localizado na parte superior esquerda da interface do usuário Platform. Em seguida, selecione Importar fórmula e selecione Launch.

A página Configurar para o workflow Importar fórmula é exibida. Insira um nome e uma descrição para a receita, em seguida, selecione Next no canto superior direito para prosseguir.

configurar fluxo de trabalho

OBSERVAÇÃO

No tutorial Package source files into a Recipe, um URL de Docker foi fornecido no final da criação da receita de Vendas de Varejo usando arquivos de origem Scala (Spark).

Quando estiver na página Selecionar origem, cole o URL do Docker correspondente à receita empacotada criada usando arquivos de origem Scala no campo URL de origem. Em seguida, importe o arquivo de configuração fornecido arrastando e soltando ou use o navegador do sistema de arquivos. O arquivo de configuração fornecido pode ser encontrado em experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. Selecione Spark no menu suspenso Tempo de execução. Depois que o tempo de execução Spark é selecionado, o artefato padrão é preenchido automaticamente para Docker. Em seguida, selecione Regression no menu suspenso Type. Depois que tudo tiver sido preenchido, selecione Next no canto superior direito para prosseguir para Gerenciar schemas.

OBSERVAÇÃO

O tipo suporta Classification e Regression. Se o modelo não se enquadrar em um desses tipos, selecione Custom.

Em seguida, selecione os esquemas de entrada e saída de Vendas de Varejo usando o seletor Gerenciar esquemas, os esquemas foram criados usando o script de bootstrap fornecido no tutorial criar o esquema de vendas de varejo e o conjunto de dados.

gerenciar schemas

Na seção Feature Management, selecione na identificação do locatário no visualizador de esquema para expandir o schema de entrada Vendas de varejo. Selecione os recursos de entrada e saída destacando o recurso desejado e selecionando Input Feature ou Target Feature na janela direita Field Properties. Para a finalidade deste tutorial, defina "weeklySales" como o Target Feature e tudo o mais como Input Feature. Selecione Next para revisar a nova receita configurada.

Revise a receita, adicione, modifique ou remova configurações conforme necessário. Selecione Finish para criar a receita.

Prossiga para as próximas etapas para descobrir como criar um Modelo em Data Science Workspace usando a fórmula de Vendas de Varejo recém-criada.

Próximas etapas

Este tutorial forneceu informações sobre como configurar e importar uma receita para Data Science Workspace. Agora você pode criar, treinar e avaliar um Modelo usando a fórmula recém-criada.

Nesta página