Sensei Machine Learning API

이 자습서에서는 Sensei Machine Learning API을(를) 사용하여 모델을 서비스로 게시하는 프로세스에 대해 설명합니다.

시작하기

이 자습서에서는 Adobe Experience Platform Data Science Workspace에 대해 자세히 알아야 합니다. 이 자습서를 시작하기 전에 데이터 과학 작업 공간 개요에서 서비스에 대한 수준 높은 소개를 확인하십시오.

이 튜토리얼을 따라 하려면 기존 ML 엔진, ML 인스턴스 및 실험 버전이 있어야 합니다. API에서 이러한 항목을 만드는 방법에 대한 자세한 내용은 패키징된 레서피 가져오기의 자습서를 참조하십시오.

마지막으로 이 자습서를 시작하기 전에 Sensei Machine Learning API를 성공적으로 호출하기 위해 이 자습서에 사용된 필수 헤더를 포함하여, API를 성공적으로 호출하기 위해 알아야 하는 중요한 정보는 개발자 안내서의 시작하기 섹션을 검토하십시오.

{ACCESS_TOKEN}
{IMS_ORG}
{API_KEY}

모든 POST, PUT 및 PATCH 요청에는 추가 헤더가 필요합니다.

컨텐츠 유형:application/json

주요 용어

다음 표에서는 이 자습서에서 사용되는 몇 가지 일반적인 용어에 대해 설명합니다.

| 용어 | 정의 |

—
기계 학습 인스턴스(ML 인스턴스)
실험
예약된 실험
실험 실행
트레이닝된 모델
게시된 모델
기계 학습 서비스(ML 서비스)

기존 교육 실험 실행 및 예약된 점수를 사용하여 ML 서비스 만들기

교육 실험 실행을 ML 서비스로 게시하면 점수 지정 실험 실행에 대한 세부 정보를 제공하여 점수 지정 일정을 예약할 수 있습니다. POST 요청의 페이로드를 참조하십시오. 그러면 점수를 매길 예약된 실험 엔티티가 생성됩니다.

API 형식

POST /mlServices

요청

curl -X POST 
  https://platform.adobe.io/data/sensei/mlServices
  -H 'Authorization: {ACCESS_TOKEN}' 
  -H 'x-api-key: {API_KEY}' 
  -H 'x-gw-ims-org-id: {IMS_ORG}'
  -H 'Content-Type: application/json'
  -d '{
        "name": "Service name",
        "description": "Service description",
        "trainingExperimentId": "c4155146-b38f-4a8b-86d8-1de3838c8d87",
        "trainingExperimentRunId": "5c5af39c73fcec153117eed1",
        "scoringDataSetId": "5c5af39c73fcec153117eed1",
        "scoringTimeframe": "20000",
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'

| 속성 | 설명 |

—
`mlInstanceId`
`trainingExperimentId`
`trainingExperimentRunId`
`scoringDataSetId`
`scoringTimeframe`
`scoringSchedule`
`scoringSchedule.startTime`
`scoringSchedule.endTime`
`scoringSchedule.cron`

응답

성공적인 응답은 해당 점수 지정 실험에 대한 고유 id 및 scoringExperimentId 등 새로 만든 ML 서비스의 세부 정보를 반환합니다.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingExperimentRunId": "string",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "scoringSchedule": {
    "startTime": "2019-03-13T00:00",
    "endTime": "2019-03-14T00:00",
    "cron": "30 * * * *"
  },
  "created": "2019-04-08T14:45:25.981Z",
  "updated": "2019-04-08T14:45:25.981Z"
}

기존 ML 인스턴스에서 ML 서비스 만들기

특정 사용 사례와 요구 사항에 따라, ML 인스턴스를 사용하여 ML 서비스를 만드는 것은 트레이닝 일정 및 실험 실행 점수 지정 측면에서 유연합니다. 이 자습서에서는 다음과 같은 특정 사례를 살펴봅니다.

예약된 교육이 필요하지 않지만 예약된 점수가 필요합니다.
교육 및 점수 모두에 대해 예약된 실험 실행이 필요합니다.

교육 또는 채점 실험을 예약하지 않고도 ML 인스턴스를 사용하여 ML 서비스를 만들 수 있습니다. 이러한 ML 서비스는 일반적인 실험 실체와 트레이닝과 점수를 위한 단일 실험 실행을 만듭니다.

점수를 매기기로 예약된 ML 서비스

채점용으로 예약된 실험 실행을 포함하는 ML 인스턴스를 게시하여 ML 서비스를 만들 수 있습니다. 이 경우 일반적인 교육 실험 엔티티를 만들 수 있습니다. 교육 실험 실행이 생성되고 모든 예약된 점수 실험 실행에 사용됩니다. ML 서비스를 만드는 데 필요한 mlInstanceId, trainingDataSetId 및 scoringDataSetId가 있고 해당 서비스가 존재하며 유효한 값인지 확인하십시오.

API 형식

POST /mlServices

요청

curl -X POST 
  https://platform.adobe.io/data/sensei/mlServices
  -H 'Authorization: {ACCESS_TOKEN}' 
  -H 'x-api-key: {API_KEY}' 
  -H 'x-gw-ims-org-id: {IMS_ORG}' 
  -H 'x-sandbox-name: {SANDBOX_NAME}'
  -d '{
        "name": "Service name",
        "description": "Service description",
        "mlInstanceId": "c4155146-b38f-4a8b-86d8-1de3838c8d87",
        "trainingDataSetId": "5c5af39c73fcec153117eed1",
        "trainingTimeframe": "10000",
        "scoringDataSetId": "5c5af39c73fcec153117eed1",
        "scoringTimeframe": "20000",
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'

JSON 키	설명
`mlInstanceId`	ML 서비스를 만드는 데 사용되는 ML 인스턴스를 나타내는 기존 ML 인스턴스 ID입니다.
`trainingDataSetId`	교육 실험에 사용할 특정 데이터 세트를 참조하는 식별.
`trainingTimeframe`	교육 실험에 사용할 데이터 필터링 시간을 나타내는 정수 값입니다. 예를 들어 `"10080"` 값은 지난 10080분 또는 168시간이 교육 실험 실행에 사용됨을 의미합니다. `"0"` 값은 데이터를 필터링하지 않습니다. 데이터 세트 내의 모든 데이터는 교육에 사용됩니다.
`scoringDataSetId`	예약된 점수 실험 실행에 사용할 특정 데이터 세트를 참조하는 식별.
`scoringTimeframe`	실험 실행에 사용할 데이터를 필터링하는 시간을 나타내는 정수 값입니다. 예를 들어 `"10080"` 값은 과거 10080분 또는 168시간이 예약된 각 실험 실행에 사용됨을 의미합니다. `"0"` 값은 데이터를 필터링하지 않으며 데이터 세트 내의 모든 데이터가 점수를 매기는데 사용됩니다.
`scoringSchedule`	예약된 점수 실험 실행에 대한 세부 정보가 들어 있습니다.
`scoringSchedule.startTime`	점수를 시작할 시기를 나타내는 날짜/시간입니다.
`scoringSchedule.endTime`	점수를 시작할 시기를 나타내는 날짜/시간입니다.
`scoringSchedule.cron`	실험 실행에 점수를 매길 간격을 나타내는 크론 값입니다.

응답

성공적으로 응답하면 새로 만든 ML 서비스의 세부 정보가 반환됩니다. 여기에는 각각 해당 교육 및 채점 실험용 trainingExperimentId 및 scoringExperimentId뿐만 아니라 서비스의 고유한 id도 포함됩니다.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T08:58:10.956Z"
}

교육 및 채점에 대한 예약된 실험과 함께 ML 서비스

예약된 트레이닝 및 점수 지정 실험 실행이 있는 ML 서비스로 기존 ML 인스턴스를 게시하려면 교육 및 점수 지정 일정을 모두 제공해야 합니다. 이 구성의 ML 서비스가 생성되면 교육 및 점수 모두에 대해 예약된 실험 엔티티도 생성됩니다. 교육 및 채점 일정이 동일할 필요는 없습니다. 점수 지정 작업 실행 중에 예약된 교육 실험 실행에 의해 생성된 최신 교육 모델을 가져와 예약된 점수 책정기에 사용합니다.

API 형식

POST /mlServices

요청

curl -X POST 'https://platform-int.adobe.io/data/sensei/mlServices' 
  -H 'Authorization: Bearer {ACCESS_TOKEN}' 
  -H 'x-api-key: {API_KEY}' 
  -H 'x-gw-ims-org-id: {IMS_ORG}' 
  -H 'x-sandbox-name: {SANDBOX_NAME}'
  -d '{
        "name": "string",
        "description": "string",
        "mlInstanceId": "string",
        "trainingDataSetId": "string",
        "trainingTimeframe": "string",
        "scoringDataSetId": "string",
        "scoringTimeframe": "string",
        "trainingSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        },
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'

JSON 키	설명
`mlInstanceId`	ML 서비스를 만드는 데 사용되는 ML 인스턴스를 나타내는 기존 ML 인스턴스 ID입니다.
`trainingDataSetId`	교육 실험에 사용할 특정 데이터 세트를 참조하는 식별.
`trainingTimeframe`	교육 실험에 사용할 데이터 필터링 시간을 나타내는 정수 값입니다. 예를 들어 `"10080"` 값은 지난 10080분 또는 168시간이 교육 실험 실행에 사용됨을 의미합니다. `"0"` 값은 데이터를 필터링하지 않습니다. 데이터 세트 내의 모든 데이터는 교육에 사용됩니다.
`scoringDataSetId`	예약된 점수 실험 실행에 사용할 특정 데이터 세트를 참조하는 식별.
`scoringTimeframe`	실험 실행에 사용할 데이터를 필터링하는 시간을 나타내는 정수 값입니다. 예를 들어 `"10080"` 값은 과거 10080분 또는 168시간이 예약된 각 실험 실행에 사용됨을 의미합니다. `"0"` 값은 데이터를 필터링하지 않으며 데이터 세트 내의 모든 데이터가 점수를 매기는데 사용됩니다.
`trainingSchedule`	예약된 교육 실험 실행에 대한 세부 사항을 포함합니다.
`scoringSchedule`	예약된 점수 실험 실행에 대한 세부 정보가 들어 있습니다.
`scoringSchedule.startTime`	점수를 시작할 시기를 나타내는 날짜/시간입니다.
`scoringSchedule.endTime`	점수를 시작할 시기를 나타내는 날짜/시간입니다.
`scoringSchedule.cron`	실험 실행에 점수를 매길 간격을 나타내는 크론 값입니다.

응답

성공적으로 응답하면 새로 만든 ML 서비스의 세부 정보가 반환됩니다. 여기에는 서비스의 고유한 id뿐만 아니라 해당 교육 및 채점 실험의 trainingExperimentId 및 scoringExperimentId도 각각 포함됩니다. 아래 예제 응답에서 trainingSchedule 및 scoringSchedule의 존재 여부에 따라 교육 및 채점용 실험 엔티티가 예약된 실험임을 알 수 있습니다.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",,
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T08:58:10.956Z"
}

ML 서비스 조회

GET 요청을 /mlServices에 만들고 경로에 ML 서비스의 고유한 id를 제공하여 기존 ML 서비스를 조회할 수 있습니다.

API 형식

GET /mlServices/{SERVICE_ID}

매개 변수	설명
`{SERVICE_ID}`	찾고 있는 ML 서비스의 고유한 `id`.

요청

curl -X GET 'https://platform.adobe.io/data/sensei/mlServices/{SERVICE_ID}' 
  -H 'Authorization: Bearer {ACCESS_TOKEN}' 
  -H 'x-api-key: {API_KEY}' 
  -H 'x-gw-ims-org-id: {IMS_ORG}' 
  -H 'x-sandbox-name: {SANDBOX_NAME}'

응답

성공적인 응답은 ML 서비스의 세부 정보를 반환합니다.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-05-13T23:46:03.478Z",
  "updated": "2019-05-13T23:46:03.478Z"
}

노트

다른 ML 서비스를 검색하면 키-값 쌍 이상의 응답이 반환될 수 있습니다. 위의 응답은 예약된 교육과 점수 지정 실험 실행](#ml-service-with-scheduled-experiments-for-training-and-scoring)이 모두 포함된 [ML 서비스의 표현입니다.

트레이닝 또는 점수 지정 예약

이미 게시된 ML 서비스에 대한 채점 및 트레이닝을 예약하려면 /mlServices의 PUT 요청과 함께 기존 ML 서비스를 업데이트하면 됩니다.

API 형식

PUT /mlServices/{SERVICE_ID}

매개 변수	설명
`{SERVICE_ID}`	업데이트하는 ML 서비스의 고유한 `id`.

요청

다음 요청은 해당 startTime, endTime 및 cron 키에 trainingSchedule 및 scoringSchedule 키를 추가하여 기존 ML 서비스에 대한 트레이닝과 점수를 예약합니다.

curl -X PUT 'https://platform.adobe.io/data/sensei/mlServices/{SERVICE_ID}' 
  -H 'Authorization: {ACCESS_TOKEN}' 
  -H 'x-api-key: {API_KEY}' 
  -H 'x-gw-ims-org-id: {IMS_ORG}' 
  -H 'x-sandbox-name: {SANDBOX_NAME}'
  -d '{
        "name": "string",
        "description": "string",
        "mlInstanceId": "string",
        "trainingExperimentId": "string",
        "trainingDataSetId": "string",
        "trainingTimeframe": "integer",
        "scoringExperimentId": "string",
        "scoringDataSetId": "string",
        "scoringTimeframe": "integer",
        "trainingSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-11T00:00",
          "cron": "20 * * * *"
        },
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-11T00:00",
          "cron": "20 * * * *"
        }
      }'

경고

기존의 예약된 교육 및 점수 지정 작업에서 startTime을(를) 수정하지 마십시오. startTime을(를) 수정해야 하는 경우 동일한 모델을 게시하고 교육 및 점수 지정 작업의 일정을 다시 잡는 것이 좋습니다.

응답

성공적으로 응답하면 업데이트된 ML 서비스의 세부 정보가 반환됩니다.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-11T00:00",
    "cron": "20 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-11T00:00",
    "cron": "20 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T09:43:55.563Z"
}

Adobe.com의 리소스

Asset Collections Email Marketing Audience Segmentation Identity Management Efficiency Tools Creative Management

이 페이지에서는

다음 보기:

A virtual event April 27-28.

Expand your skills and get inspired.

Register for free

Time to shine!

Apply now for the 2021 Adobe Experience Maker Awards.

Apply now

Time to shine!

Apply now for the 2021 Adobe Experience Maker Awards.

Apply now