使用將模型發佈為服務 Sensei Machine Learning API

本教學課程說明使用將模型發佈為服務的程式 Sensei Machine Learning API.

快速入門

此教學課程需要您實際瞭解Adobe Experience Platform資料科學工作區。在開始本教學課程之前，請檢閱資料科學工作區概觀瞭解此服務的概略介紹。

若要進行本教學課程，您必須擁有現有的ML引擎、ML例項和實驗。如需如何在API中建立這些專案的步驟，請參閱以下主題中的教學課程：匯入封裝的配方.

最後，在開始本教學課程之前，請檢閱快速入門開發人員指南的區段，瞭解成功對 Sensei Machine Learning API，包括本教學課程使用的必要標頭：

{ACCESS_TOKEN}
{ORG_ID}
{API_KEY}

所有POST、PUT和PATCH請求都需要額外的標頭：

Content-Type： application/json

重要條款

下表概述本教學課程中使用的一些常見術語：

詞語	定義
機器學習執行個體（ML執行個體）	的例項 Sensei 特定租使用者的引擎，包含特定資料、引數和 Sensei 程式碼。
實驗	用來存放訓練實驗回合、評分實驗回合或兩者的傘狀實體。
排定的實驗	說明訓練或評分實驗回合自動化程度的術語，由使用者定義的排程管理。
實驗執行	訓練或評分實驗的特定例項。特定實驗的多次實驗回合中，用於訓練或評分的資料集值可能有所不同。
已訓練模型	一種機器學習模型，在到達驗證、評估及最終完成的模型之前，由實驗和功能工程程式建立。
已發佈模型	經過訓練、驗證和評估後，最終確定和版本化的模型已送達。
機器學習服務（ML服務）	部署為服務的ML執行個體，以支援使用API端點訓練和評分的隨選請求。 ML服務也可以使用現有的已訓練實驗回合來建立。

使用現有的訓練實驗回合和已排程的評分建立ML服務

當您以ML服務形式發佈訓練實驗回合時，您可以透過提供評分實驗回合的詳細資訊來排程評分，執行POST請求的裝載。這會導致建立用於評分的排程實驗實體。

API格式

POST /mlServices

要求

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: {ORG_ID}'
  -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執行個體識別碼，用來建立ML服務的訓練實驗回合應與此特定的ML執行個體相對應。
`trainingExperimentId`	與ML執行個體識別相對應的實驗識別。
`trainingExperimentRunId`	用於發佈ML服務的特定訓練實驗回合。
`scoringDataSetId`	參考要用於已排程評分實驗回合的特定資料集的身分識別。
`scoringTimeframe`	一個整數值，代表篩選要用於評分實驗回合的資料的分鐘數。例如，值 `10080` 表示過去10080分鐘或168小時的資料將用於每個已排程的評分實驗回合。請注意，值 `0` 不會篩選資料，資料集內的所有資料都會用於評分。
`scoringSchedule`	包含有關已排程評分實驗回合的詳細資訊。
`scoringSchedule.startTime`	指出何時開始評分的日期時間。
`scoringSchedule.endTime`	指出何時開始評分的日期時間。
`scoringSchedule.cron`	Cron值，表示對「實驗執行」評分的間隔。

回應

成功的回應會傳回新建立的ML服務的詳細資料，包括其唯一的 id 和 scoringExperimentId 以取得其對應的評分實驗。

{
  "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執行處理建立ML服務

根據您的特定使用案例和需求，使用ML執行個體建立ML服務在排程訓練和評分實驗執行方面是有彈性的。本教學課程將逐步解說下列特定案例：

您不需要排程訓練，但需要排程評分。
訓練和評分都需要排程的實驗回合。

請注意，您可以使用ML執行個體建立ML服務，而不需要排程任何訓練或評分實驗。此類ML服務將建立普通實驗實體和單一實驗回合，用於訓練和評分。

具有已排程實驗以進行評分的ML服務

您可以發佈ML執行個體來建立ML服務，其中包含已排程的實驗回合以進行評分，這會建立用於訓練的普通實驗實體。訓練實驗回合已產生，並將用於所有已排程的評分實驗回合。確保您擁有 mlInstanceId， trainingDataSetId、和 scoringDataSetId 建立ML服務所需，而且它們存在且是有效值。

API格式

POST /mlServices

要求

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: {ORG_ID}'
  -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`	現有的ML執行個體識別碼，代表用來建立ML服務的ML執行個體。
`trainingDataSetId`	參考要用於訓練實驗的特定資料集的身分識別。
`trainingTimeframe`	一個整數值，代表篩選要用於訓練實驗之資料的分鐘數。例如，值 `"10080"` 表示過去10080分鐘或168小時的資料將用於訓練實驗回合。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`	參考要用於已排程評分實驗回合的特定資料集的身分識別。
`scoringTimeframe`	一個整數值，代表篩選要用於評分實驗回合的資料的分鐘數。例如，值 `"10080"` 表示過去10080分鐘或168小時的資料將用於每個已排程的評分實驗回合。請注意，值 `"0"` 不會篩選資料，資料集內的所有資料都會用於評分。
`scoringSchedule`	包含有關已排程評分實驗回合的詳細資訊。
`scoringSchedule.startTime`	指出何時開始評分的日期時間。
`scoringSchedule.endTime`	指出何時開始評分的日期時間。
`scoringSchedule.cron`	Cron值，表示對「實驗執行」評分的間隔。

回應

成功的回應會傳回新建立的ML服務的詳細資訊。這包括服務的獨特 id，以及 trainingExperimentId 和 scoringExperimentId 分別用於其對應的訓練和評分實驗。

{
  "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"
}

具有已排程實驗的ML服務，用於訓練和評分

若要將現有的ML執行個體發佈為ML服務，並包含排程的訓練和評分實驗回合，您必須提供訓練和評分排程。建立此設定的ML服務時，也會建立用於訓練和評分的排程實驗實體。請注意，訓練和評分排程不一定要相同。在評分工作執行期間，將會擷取由排程的訓練實驗回合產生的最新訓練模型，並用於排程的評分回合。

API格式

POST /mlServices

要求

curl -X POST 'https://platform.adobe.io/data/sensei/mlServices'
  -H 'Authorization: Bearer {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -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`	現有的ML執行個體識別碼，代表用來建立ML服務的ML執行個體。
`trainingDataSetId`	參考要用於訓練實驗的特定資料集的身分識別。
`trainingTimeframe`	一個整數值，代表篩選要用於訓練實驗之資料的分鐘數。例如，值 `"10080"` 表示過去10080分鐘或168小時的資料將用於訓練實驗回合。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`	參考要用於已排程評分實驗回合的特定資料集的身分識別。
`scoringTimeframe`	一個整數值，代表篩選要用於評分實驗回合的資料的分鐘數。例如，值 `"10080"` 表示過去10080分鐘或168小時的資料將用於每個已排程的評分實驗回合。請注意，值 `"0"` 不會篩選資料，資料集內的所有資料都會用於評分。
`trainingSchedule`	包含有關已排程的訓練實驗回合的詳細資訊。
`scoringSchedule`	包含有關已排程評分實驗回合的詳細資訊。
`scoringSchedule.startTime`	指出何時開始評分的日期時間。
`scoringSchedule.endTime`	指出何時開始評分的日期時間。
`scoringSchedule.cron`	Cron值，表示對「實驗執行」評分的間隔。

回應

成功的回應會傳回新建立的ML服務的詳細資訊。這包括服務的獨特 id，以及 trainingExperimentId 和 scoringExperimentId 和評分實驗的相關資訊。在下列範例回應中， trainingSchedule 和 scoringSchedule 建議用於訓練和評分的實驗實體是已排程的實驗。

{
  "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"
}

查詢ML服務

您可以透過建立 GET 要求至 /mlServices 並提供唯一的 id 路徑中的ML服務路徑。

API格式

GET /mlServices/{SERVICE_ID}

參數	說明
`{SERVICE_ID}`	唯一 `id` ML服務的檔案名稱。

要求

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: {ORG_ID}'
  -H 'x-sandbox-name: {SANDBOX_NAME}'

回應

成功的回應會傳回ML服務的詳細資料。

{
  "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

擷取不同的ML服務可能會傳回包含更多或更少機碼值組的回應。上述回應是具有已排程的訓練和評分實驗回合的ML服務.

排程訓練或評分

如果您想要在已發佈的ML服務上排程評分和訓練，您可以透過更新現有的ML服務來完成此操作。 PUT 請求日期 /mlServices.

API格式

PUT /mlServices/{SERVICE_ID}

參數	說明
`{SERVICE_ID}`	唯一 `id` 正在更新的ML服務之URL。

要求

以下請求會新增「」，以排程現有ML服務的訓練和評分 trainingSchedule 和 scoringSchedule 金鑰及其各自的 startTime， endTime、和 cron 金鑰。

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: {ORG_ID}'
  -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 startTime 關於現有的排程訓練和評分工作。如果 startTime 必須修改，請考慮發佈相同的模型，並重新排程訓練和評分工作。

回應

成功的回應會傳回已更新ML服務的詳細資料。

{
  "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"
}

Business.Adobe.com 資源

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

使用將模型發佈為服務 Sensei Machine Learning API

快速入門

重要條款

使用現有的訓練實驗回合和已排程的評分建立ML服務

從現有ML執行處理建立ML服務

具有已排程實驗以進行評分的ML服務

具有已排程實驗的ML服務，用於訓練和評分

查詢ML服務

排程訓練或評分

Business.Adobe.com 資源

本頁內容

檢視下一個:

學習

檔案

社群

支援

資源

Adobe帳戶

Adobe