Pontuar um modelo usando o Sensei Machine Learning API
Este tutorial mostrará como aproveitar as APIs para criar um experimento e uma execução de experimento. Para obter uma lista de todos os endpoints na API do Sensei Machine Learning, consulte este documento.
Criar um experimento agendado para pontuação
Semelhante aos Experimentos programados para treinamento, a criação de um Experimento programado para pontuação também é feita incluindo uma template
para o parâmetro body. Além disso, a name
campo em tasks
no corpo é definido como score
.
Este é um exemplo de criação de um experimento que será executado a cada 20 minutos a partir de startTime
e serão executados até endTime
.
Solicitação
curl -X POST \
https://platform.adobe.io/data/sensei/experiments \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experiment.v1.json' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-api-key: {API_KEY}' \
-d '{JSON_PAYLOAD}'
{ORG_ID}
: as credenciais da organização foram encontradas na integração exclusiva do Adobe Experience Platform.{ACCESS_TOKEN}
: Seu valor de token do portador específico fornecido após a autenticação.{API_KEY}
: o valor da chave de API específica encontrado na integração exclusiva do Adobe Experience Platform.{JSON_PAYLOAD}
: objeto de Execução de experimento a ser enviado. O exemplo que usamos em nosso tutorial é mostrado aqui:
{
"name": "Experiment for Retail",
"mlInstanceId": "{INSTANCE_ID}",
"template": {
"tasks": [{
"name": "score",
"parameters": [
{
"key": "modelId",
"value": "{MODEL_ID}"
}
],
"specification": {
"type": "SparkTaskSpec",
"executorCores": 5,
"numExecutors": 5
}
}],
"schedule": {
"cron": "*/20 * * * *",
"startTime": "2018-07-04",
"endTime": "2018-07-06"
}
}
}
{INSTANCE_ID}
: a ID que representa a MLInstance.{MODEL_ID}
: a ID que representa o modelo treinado.
Veja a seguir a resposta após criar o experimento agendado.
Resposta
{
"id": "{EXPERIMENT_ID}",
"name": "Experiment for Retail",
"mlInstanceId": "{INSTANCE_ID}",
"created": "2018-11-11T11:11:11.111Z",
"updated": "2018-11-11T11:11:11.111Z",
"template": {
"tasks": [
{
"name": "score",
"parameters": [...],
"specification": {
"type": "SparkTaskSpec",
"executorCores": 5,
"numExecutors": 5
}
}
],
"schedule": {
"cron": "*\/20 * * * *",
"startTime": "2018-07-04",
"endTime": "2018-07-06"
}
}
}
{EXPERIMENT_ID}
: a ID que representa o experimento.{INSTANCE_ID}
: a ID que representa a MLInstance.
Criar uma execução de experimento para pontuação
Agora, com o modelo treinado, podemos criar uma Execução de experimento para pontuação. O valor de modelId
é o parâmetro id
parâmetro retornado na solicitação Modelo do GET acima.
Solicitação
curl -X POST \
https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experimentRun.v1.json' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-api-key: {API_KEY}' \
-d '{JSON_PAYLOAD}'
{ORG_ID}
: as credenciais da organização foram encontradas na integração exclusiva do Adobe Experience Platform.{ACCESS_TOKEN}
: Seu valor de token do portador específico fornecido após a autenticação.{API_KEY}
: o valor da chave de API específica encontrado na integração exclusiva do Adobe Experience Platform.{EXPERIMENT_ID}
: a ID correspondente ao Experimento que você deseja direcionar. Isso pode ser encontrado na resposta ao criar o experimento.{JSON_PAYLOAD}
: Dados a serem publicados. O exemplo que usamos em nosso tutorial está aqui:
{
"mode":"score",
"tasks": [
{
"name": "score",
"parameters": [
{
"key": "modelId",
"value": "{MODEL_ID}"
}
]
}
]
}
{MODEL_ID}
: a ID correspondente ao Modelo.
A resposta da criação da execução do experimento é mostrada abaixo:
Resposta
{
"id": "{EXPERIMENT_RUN_ID}",
"mode": "score",
"experimentId": "{EXPERIMENT_ID}",
"created": "2018-01-01T11:11:11.011Z",
"updated": "2018-01-01T11:11:11.011Z",
"deleted": false,
"tasks": [
{
"name": "score",
"parameters": [...]
}
]
}
{EXPERIMENT_ID}
: a ID correspondente ao experimento em que a execução está.{EXPERIMENT_RUN_ID}
: a ID correspondente à execução do experimento que você acabou de criar.
Recuperar um status de Execução de experimento para a Execução de experimento programada
Para obter Execuções de experimento para Experimentos programados, a consulta é mostrada abaixo:
Solicitação
curl -X GET \
'https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs' \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'x-gw-ims-org-id: {ORG_ID}'
{EXPERIMENT_ID}
: a ID correspondente ao experimento em que a execução está.{ACCESS_TOKEN}
: Seu valor de token do portador específico fornecido após a autenticação.{ORG_ID}
: as credenciais da organização foram encontradas na integração exclusiva do Adobe Experience Platform.
Como há várias execuções de experimento para um experimento específico, a resposta retornada terá uma matriz de IDs de execução.
Resposta
{
"children": [
{
"id": "{EXPERIMENT_RUN_ID}",
"experimentId": "{EXPERIMENT_ID}",
"created": "2018-01-01T11:11:11.011Z",
"updated": "2018-01-01T11:11:11.011Z"
},
{
"id": "{EXPERIMENT_RUN_ID}",
"experimentId": "{EXPERIMENT_ID}",
"created": "2018-01-01T11:11:11.011Z",
"updated": "2018-01-01T11:11:11.011Z"
}
]
}
{EXPERIMENT_RUN_ID}
: a ID correspondente à execução do experimento.{EXPERIMENT_ID}
: a ID correspondente ao experimento em que a execução está.
Parar e excluir um experimento agendado
Se você deseja interromper a execução de um experimento agendado antes que seu endTime
, isso pode ser feito consultando uma solicitação DELETE para o {EXPERIMENT_ID}
Solicitação
curl -X DELETE \
'https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}' \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'x-gw-ims-org-id: {ORG_ID}'
{EXPERIMENT_ID}
: a ID correspondente ao experimento.{ACCESS_TOKEN}
: Seu valor de token do portador específico fornecido após a autenticação.{ORG_ID}
: as credenciais da organização foram encontradas na integração exclusiva do Adobe Experience Platform.
Esta é a resposta que notifica que o experimento foi excluído com sucesso.
Resposta
{
"title": "Success",
"status": 200,
"detail": "Experiment successfully deleted"
}