將模型發佈為服務(API)

本教學課程涵蓋使用發佈模型為服務的程式 Sensei Machine Learning API。

快速入門

本教學課程需要對Adobe Experience Platform資料科學工作區有良好的認識。在開始本教學課程之前，請先閱讀 Data Science Workspace概觀，以取得服務的高階簡介。

要遵循本教學課程，您必須有現有的ML引擎、ML實例和實驗。如需如何在API中建立這些功能的步驟，請參閱匯入封裝方式的教學課程。

最後，在開始本教學課程之前，請先閱讀開發人員指南的 getting started Sensei Machine Learning section，以取得成功呼叫API所需的重要資訊，包括本教學課程中使用的必要標題：

{ACCESS_TOKEN}
{IMS_ORG}
{API_KEY}

所有POST、PUT和PATCH請求都需要附加標題：

內容類型：application/json

主要條款

下表概述本教學課程中使用的一些常見術語：

詞語	定義
機器學習實例（ML實例）	特定租用戶 Sensei 的引擎例項，包含特定資料、參數和程 Sensei 式碼。
實驗	用於舉行培訓實驗運行、打分實驗運行或兩者的傘形實體。
排程實驗	描述由使用者定義之排程管理之「實驗執行」訓練或計分自動化的術語。
實驗執行	訓練或計分實驗的特定例項。來自特定實驗的多個實驗執行，在訓練或計分的資料集值上可能不同。
訓練的模型	由實驗和特徵工程過程建立的機器學習模型，然後到達一個經過驗證、評估和最終確定的模型。
發佈模型	經過培訓、驗證和評估後，即可獲得已完成和版本化的模型。
機器學習服務（ML服務）	部署為「服務」的ML例項，以支援使用API端點進行訓練和計分的隨選要求。您也可以使用現有的訓練實驗執行來建立ML服務。

使用現有的訓練實驗執行和排程的計分建立ML服務

當您以ML服務形式發佈訓練實驗執行時，您可以透過提供計分實驗執行POST請求的負載的詳細資訊來排程計分。如此可建立排程的「實驗」實體以進行計分。

API格式

POST /mlServices

請求

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 * * * *"
        }
      }'

屬性	說明
`mlInstanceId`	現有的ML實例標識、用於建立ML服務的培訓實驗運行應與此特定的ML實例相對應。
`trainingExperimentId`	與ML實例標識對應的實驗標識。
`trainingExperimentRunId`	用於發佈ML服務的特定訓練實驗執行。
`scoringDataSetId`	參考用於計畫計分實驗執行的特定資料集的識別。
`scoringTimeframe`	一個整數值，代表用於篩選資料的分鐘數，用於計分「實驗執行」。例如，值表示過去10080分 `10080` 鐘或168小時的資料將用於每個排程的計分實驗執行。請注意，值'' `0` 不會篩選資料，資料集內的所有資料都會用於計分。
`scoringSchedule`	包含計畫計分實驗執行的詳細資訊。
`scoringSchedule.startTime`	日期時間指示何時開始計分。
`scoringSchedule.endTime`	日期時間指示何時開始計分。
`scoringSchedule.cron`	Cron值，指示對「實驗執行」進行分數的間隔。

回應

成功的回應會傳回新建立之ML服務的詳細資訊，包括其獨 id 特性 scoringExperimentId 和對應的計分實驗。

{
  "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"
}

從現有ML實例建立ML服務

根據您的特定使用案例和需求，使用ML例項建立ML服務在計畫訓練和計分實驗執行方面十分靈活。本教學課程將介紹下列特定案例：

您不需要排程的訓練，但需要排程的計分。
您需要計畫的實驗執行才能進行訓練和計分。

請注意，ML服務可使用ML例項建立，而不需排程任何訓練或計分實驗。此類ML服務將建立一般實驗實體和單一實驗執行，以進行訓練和評分。

ML服務與計畫評分實驗

您可以發佈ML例項並排程實驗執行以進行計分，以建立ML服務，此實驗執行將建立一般的實驗實體以進行訓練。會產生訓練實驗執行，並將用於所有排程的計分實驗執行。請確定您具 mlInstanceId有、 trainingDataSetId scoringDataSetId 和建立ML服務所需的值，並且它們是有效值。

API格式

POST /mlServices

請求

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金鑰	說明
`mlInstanceId`	現有ML實例標識，表示用於建立ML服務的ML實例。
`trainingDataSetId`	識別是指用於訓練實驗的特定資料集。
`trainingTimeframe`	一個整數值，代表用於篩選資料以用於訓練實驗的分鐘數。例如，值為means `"10080"` for the last 10080 minutes or 168 hours的資料將用於訓練實驗執行。請注意，值’’ `"0"` 不會篩選資料，資料集內的所有資料都會用於訓練。
`scoringDataSetId`	參考用於計畫計分實驗執行的特定資料集的識別。
`scoringTimeframe`	一個整數值，代表用於篩選資料的分鐘數，用於計分「實驗執行」。例如，值表示過去10080分 `"10080"` 鐘或168小時的資料將用於每個排程的計分實驗執行。請注意，值’’ `"0"` 不會篩選資料，資料集內的所有資料都會用於計分。
`scoringSchedule`	包含計畫計分實驗執行的詳細資訊。
`scoringSchedule.startTime`	日期時間指示何時開始計分。
`scoringSchedule.endTime`	日期時間指示何時開始計分。
`scoringSchedule.cron`	Cron值，指示對「實驗執行」進行分數的間隔。

回應

成功的響應返回新建立的ML服務的詳細資訊。這包括服務的獨特 id性，以及 trainingExperimentId 其相 scoringExperimentId 應的訓練和計分實驗。

{
  "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"
}

ML服務，具有計畫的訓練和評分實驗

若要將現有的ML例項發佈為具有計畫培訓與計分實驗執行的ML服務，您必須同時提供培訓與計分排程。建立此配置的ML服務時，也會建立培訓和評分的計畫實驗實體。請注意，培訓和計分排程不一定相同。在計分作業執行期間，將擷取由排程培訓「實驗執行」產生的最新受訓模型，並用於排程的計分執行。

API格式

POST /mlServices

請求

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金鑰	說明
`mlInstanceId`	現有ML實例標識，表示用於建立ML服務的ML實例。
`trainingDataSetId`	識別是指用於訓練實驗的特定資料集。
`trainingTimeframe`	一個整數值，代表用於篩選資料以用於訓練實驗的分鐘數。例如，值為means `"10080"` for the last 10080 minutes or 168 hours的資料將用於訓練實驗執行。請注意，值’’ `"0"` 不會篩選資料，資料集內的所有資料都會用於訓練。
`scoringDataSetId`	參考用於計畫計分實驗執行的特定資料集的識別。
`scoringTimeframe`	一個整數值，代表用於篩選資料的分鐘數，用於計分「實驗執行」。例如，值表示過去10080分 `"10080"` 鐘或168小時的資料將用於每個排程的計分實驗執行。請注意，值’’ `"0"` 不會篩選資料，資料集內的所有資料都會用於計分。
`trainingSchedule`	包含計畫訓練實驗執行的詳細資訊。
`scoringSchedule`	包含計畫計分實驗執行的詳細資訊。
`scoringSchedule.startTime`	日期時間指示何時開始計分。
`scoringSchedule.endTime`	日期時間指示何時開始計分。
`scoringSchedule.cron`	Cron值，指示對「實驗執行」進行分數的間隔。

回應

成功的響應返回新建立的ML服務的詳細資訊。這包括服務的獨特 id性，以及 trainingExperimentId 其相 scoringExperimentId 應的訓練和計分實驗。在以下示例回應中，存在並 trainingSchedule 建議 scoringSchedule 用於培訓和評分的實驗實體是預定的實驗。

{
  "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"
}

查找ML服務

您可以向路徑中的ML服務提出請求並提 GET 供其 /mlServices 唯一性， id 以查找現有的ML服務。

API格式

GET /mlServices/{SERVICE_ID}

參數	說明
`{SERVICE_ID}`	您所 `id` 尋找的ML服務的獨特性。

請求

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}'

回應

成功的響應返回ML服務的詳細資訊。

{
  "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"
}

注意

檢索不同的ML服務時，可能會返回帶有一個或多個鍵值對的響應。以上回應是 ML服務的呈現方式，其中包含已排程的訓練和計分實驗執行。

排程培訓或計分

如果您想要針對已發佈的ML服務排程計分和培訓，可以透過更新現有的ML服務，在上提出 PUT 要求 /mlServices。

API格式

PUT /mlServices/{SERVICE_ID}

參數	說明
`{SERVICE_ID}`	您所更 `id` 新的ML服務的獨特性。

請求

下列要求會新增與索引鍵及其各自的索引鍵，以排程現有ML trainingSchedule 服務 scoringSchedule 的訓練 startTime與計 endTime分 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 * * * *"
        }
      }'

警告

請勿嘗試修改現有已排 startTime 程的訓練和計分工作。如果必 startTime 須修改，請考慮發佈相同的模型並重新計畫培訓和計分任務。

回應

成功的響應返回更新的ML服務的詳細資訊。

{
  "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.com 上的資源

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

將模型發佈為服務(API)

快速入門

主要條款

使用現有的訓練實驗執行和排程的計分建立ML服務

從現有ML實例建立ML服務

ML服務與計畫評分實驗

ML服務，具有計畫的訓練和評分實驗

查找ML服務

排程培訓或計分

adobe.com 上的資源

本頁內容

檢視下一個: