Publicar um modelo como um serviço usando o Sensei Machine Learning API

Este tutorial aborda o processo de publicação de um modelo como um serviço usando Sensei Machine Learning API.

Introdução

Este tutorial requer um entendimento prático da Adobe Experience Platform Data Science Workspace. Antes de iniciar este tutorial, reveja a visão geral da Data Science Workspace para obter uma introdução de alto nível ao serviço.

Para acompanhar este tutorial, você deve ter um Mecanismo ML, uma Instância ML e um Experimento existentes. Para obter etapas sobre como criá-las na API, consulte o tutorial sobre importar uma receita empacotada.

Finalmente, antes de iniciar este tutorial, reveja a seção getting started do guia do desenvolvedor para obter informações importantes que você precisa saber para fazer chamadas com êxito para a API Sensei Machine Learning, incluindo os cabeçalhos necessários usados neste tutorial:

{ACCESS_TOKEN}
{IMS_ORG}
{API_KEY}

Todas as solicitações de POST, PUT e PATCH exigem um cabeçalho adicional:

Tipo de conteúdo: application/json

Termos principais

A tabela a seguir descreve alguns termos comuns usados neste tutorial:

Termo	Definição
Instância de aprendizado de máquina (Instância ML)	Uma instância de um mecanismo Sensei para um locatário específico, contendo dados específicos, parâmetros e código Sensei.
Experimento	Uma entidade de guarda-chuva para executar execuções de experimento de treinamento, marcar execuções de experimento ou ambos.
Experiência agendada	Um termo para descrever a automação do treinamento ou a pontuação de Execuções de Experimento, regido por um agendamento definido pelo usuário.
Execução do experimento	Uma instância específica de treinamento ou pontuação de Experimentos. Execuções de vários experimentos de um determinado experimento podem diferir nos valores do conjunto de dados usados para treinamento ou pontuação.
Modelo treinado	Um modelo de aprendizado de máquina criado pelo processo de experimentação e engenharia de recursos antes de chegar a um modelo validado, avaliado e finalizado.
Modelo publicado	Um modelo finalizado e com versão chegou após treinamento, validação e avaliação.
Serviço de aprendizado de máquina (Serviço ML)	Uma Instância ML implantada como um Serviço para suportar solicitações sob demanda para treinamento e pontuação usando um terminal de API. Um Serviço ML também pode ser criado usando Execuções de Experimento treinadas existentes.

Criar um Serviço ML com uma Execução de Experiência de treinamento existente e pontuação programada

Ao publicar uma Execução de Experiência de treinamento como um Serviço ML, você pode agendar a pontuação fornecendo detalhes para a pontuação Experimento Executar a carga de uma solicitação de POST. Isso resulta na criação de uma entidade de Experimento programada para pontuação.

Formato da API

POST /mlServices

Solicitação

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 * * * *"
        }
      }'

Propriedade	Descrição
`mlInstanceId`	Identificação de instância ML existente, a execução de teste de treinamento usada para criar o serviço ML deve corresponder a essa instância ML específica.
`trainingExperimentId`	Identificação do experimento correspondente à identificação da instância ML.
`trainingExperimentRunId`	Uma Execução de Experimento de treinamento específica a ser usada para publicar o Serviço ML.
`scoringDataSetId`	Identificação referente ao conjunto de dados específico a ser usado para execuções de experimento de pontuação programada.
`scoringTimeframe`	Um valor inteiro que representa minutos para filtrar dados a serem usados para pontuar execuções de experimento. Por exemplo, um valor de `10080` significa que os dados dos últimos 10080 minutos ou 168 horas serão usados para cada execução de teste de pontuação programada. Observe que um valor de `0` não filtrará dados, todos os dados no conjunto de dados são usados para pontuação.
`scoringSchedule`	Contém detalhes sobre a pontuação programada de Execuções de Experimento.
`scoringSchedule.startTime`	Data e hora que indica quando a pontuação do start deve ser exibida.
`scoringSchedule.endTime`	Data e hora que indica quando a pontuação do start deve ser exibida.
`scoringSchedule.cron`	Valor Cron que indica o intervalo pelo qual classificar Execuções de Experimento.

Resposta

Uma resposta bem-sucedida retorna os detalhes do Serviço ML recém-criado, incluindo seu id exclusivo e scoringExperimentId para o Experimento de pontuação correspondente.

{
  "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"
}

Criando um Serviço ML a partir de uma Instância ML existente

Dependendo do caso de uso e dos requisitos específicos, a criação de um Serviço ML com uma Instância ML é flexível em termos de programação de treinamentos e pontuação de Execuções de Experimento. Este tutorial abordará os casos específicos em que:

Você não precisa de treinamento agendado, mas requer pontuação agendada.
Você precisa de Execuções de Experimento programadas para treinamento e pontuação.

Observe que um Serviço ML pode ser criado usando uma Instância ML sem agendar nenhum treinamento ou experiência de pontuação. Tais Serviços ML criarão entidades comuns de Experimento e uma única Execução de Experimento para treinamento e pontuação.

Serviço ML com Experimento agendado para pontuação

Você pode criar um Serviço ML publicando uma Instância ML com Execuções de Experimento programadas para pontuação, o que criará uma entidade de Experimento comum para treinamento. Uma Execução de Experimento de treinamento é gerada e será usada para todas as Execuções de Experimento de pontuação programadas. Certifique-se de que mlInstanceId, trainingDataSetId e scoringDataSetId são necessários para a criação do Serviço ML e que existem e são valores válidos.

Formato da API

POST /mlServices

Solicitação

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 * * * *"
        }
      }'

Tecla JSON	Descrição
`mlInstanceId`	Identificação da instância ML existente, que representa a instância ML usada para criar o serviço ML.
`trainingDataSetId`	Identificação referente ao conjunto de dados específico a utilizar para a experiência de formação.
`trainingTimeframe`	Um valor inteiro que representa minutos para filtrar dados a serem usados para o Experimento de treinamento. Por exemplo, um valor de `"10080"` significa que os dados dos últimos 10080 minutos ou 168 horas serão usados para a Execução do Experimento de treinamento. Observe que um valor de `"0"` não filtrará dados, todos os dados no conjunto de dados são usados para treinamento.
`scoringDataSetId`	Identificação referente ao conjunto de dados específico a ser usado para execuções de experimento de pontuação programada.
`scoringTimeframe`	Um valor inteiro que representa minutos para filtrar dados a serem usados para pontuar execuções de experimento. Por exemplo, um valor de `"10080"` significa que os dados dos últimos 10080 minutos ou 168 horas serão usados para cada execução de teste de pontuação programada. Observe que um valor de `"0"` não filtrará dados, todos os dados no conjunto de dados são usados para pontuação.
`scoringSchedule`	Contém detalhes sobre a pontuação programada de Execuções de Experimento.
`scoringSchedule.startTime`	Data e hora que indica quando a pontuação do start deve ser exibida.
`scoringSchedule.endTime`	Data e hora que indica quando a pontuação do start deve ser exibida.
`scoringSchedule.cron`	Valor Cron que indica o intervalo pelo qual classificar Execuções de Experimento.

Resposta

Uma resposta bem-sucedida retorna os detalhes do Serviço ML recém-criado. Isso inclui o id exclusivo do serviço, bem como trainingExperimentId e scoringExperimentId para seus correspondentes treinamentos e testes de pontuação, respectivamente.

{
  "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"
}

Serviço ML com Experimentos programados para treinamento e pontuação

Para publicar uma instância ML existente como um serviço ML com treinamento programado e classificações de execuções de experimento, você deve fornecer agendamentos de treinamento e pontuação. Quando um Serviço ML dessa configuração é criado, entidades de Experimento programadas para treinamento e pontuação também são criadas. Observe que os agendamentos de treinamento e pontuação não precisam ser os mesmos. Durante uma execução de trabalho de pontuação, o modelo treinado mais recente produzido pelas Execuções de Experiência de treinamento programado será buscado e usado para a execução de pontuação programada.

Formato da API

POST /mlServices

Solicitação

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 * * * *"
        }
      }'

Tecla JSON	Descrição
`mlInstanceId`	Identificação da instância ML existente, que representa a instância ML usada para criar o serviço ML.
`trainingDataSetId`	Identificação referente ao conjunto de dados específico a utilizar para a experiência de formação.
`trainingTimeframe`	Um valor inteiro que representa minutos para filtrar dados a serem usados para o Experimento de treinamento. Por exemplo, um valor de `"10080"` significa que os dados dos últimos 10080 minutos ou 168 horas serão usados para a Execução do Experimento de treinamento. Observe que um valor de `"0"` não filtrará dados, todos os dados no conjunto de dados são usados para treinamento.
`scoringDataSetId`	Identificação referente ao conjunto de dados específico a ser usado para execuções de experimento de pontuação programada.
`scoringTimeframe`	Um valor inteiro que representa minutos para filtrar dados a serem usados para pontuar execuções de experimento. Por exemplo, um valor de `"10080"` significa que os dados dos últimos 10080 minutos ou 168 horas serão usados para cada execução de teste de pontuação programada. Observe que um valor de `"0"` não filtrará dados, todos os dados no conjunto de dados são usados para pontuação.
`trainingSchedule`	Contém detalhes sobre execuções de experimento de treinamento agendado.
`scoringSchedule`	Contém detalhes sobre a pontuação programada de Execuções de Experimento.
`scoringSchedule.startTime`	Data e hora que indica quando a pontuação do start deve ser exibida.
`scoringSchedule.endTime`	Data e hora que indica quando a pontuação do start deve ser exibida.
`scoringSchedule.cron`	Valor Cron que indica o intervalo pelo qual classificar Execuções de Experimento.

Resposta

Uma resposta bem-sucedida retorna os detalhes do Serviço ML recém-criado. Isso inclui o id exclusivo do serviço, bem como o trainingExperimentId e scoringExperimentId dos respectivos Experimentos de treinamento e pontuação, respectivamente. Na resposta de exemplo abaixo, a presença de trainingSchedule e scoringSchedule sugere que as entidades do Experimento para treinamento e pontuação são Experimentos programados.

{
  "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"
}

Procure um serviço ML

Você pode procurar um Serviço ML existente, solicitando GET para /mlServices e fornecendo o id exclusivo do Serviço ML no caminho.

Formato da API

GET /mlServices/{SERVICE_ID}

Parâmetro	Descrição
`{SERVICE_ID}`	O `id` exclusivo do serviço ML que você está pesquisando.

Solicitação

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}'

Resposta

Uma resposta bem-sucedida retorna os detalhes do Serviço ML.

{
  "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"
}

OBSERVAÇÃO

A recuperação de Serviços ML diferentes pode retornar uma resposta com mais ou menos pares de valores chave. A resposta acima é uma representação de um ML Service com treinamento agendado e pontuação de Execuções de Experimento.

Agendar treinamento ou pontuação

Se desejar programar a pontuação e o treinamento em um Serviço ML que já foi publicado, você pode fazer isso atualizando o Serviço ML existente com uma solicitação PUT em /mlServices.

Formato da API

PUT /mlServices/{SERVICE_ID}

Parâmetro	Descrição
`{SERVICE_ID}`	O `id` exclusivo do Serviço ML que você está atualizando.

Solicitação

A solicitação a seguir agende o treinamento e a pontuação de um Serviço ML existente adicionando as teclas trainingSchedule e scoringSchedule com suas respectivas teclas startTime, endTime e cron.

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 * * * *"
        }
      }'

AVISO

Não tente modificar o startTime em treinamentos agendados e trabalhos de pontuação existentes. Se startTime precisar ser modificado, considere publicar o mesmo Modelo e reagendar o treinamento e a pontuação de trabalhos.

Resposta

Uma resposta bem-sucedida retorna os detalhes do Serviço ML atualizado.

{
  "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"
}

Recursos em adobe.com

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

Nesta página

Exibir próximos:

A virtual event April 27-28.

Expand your skills and get inspired.

Register for free