Übersicht über maschinelles Lernen in Echtzeit (Alpha)

WICHTIG

Das maschinelle Lernen in Echtzeit steht noch nicht allen Benutzern zur Verfügung. Diese Funktion ist alphanumerisch und wird noch getestet. Dieses Dokument kann sich ändern.

Echtzeit-maschinelles Lernen kann die Relevanz Ihrer digitalen Erlebnisinhalte für Ihre Endbenutzer dramatisch erhöhen. Dies wird durch die Nutzung von Echtzeit-Inferencing und kontinuierlichem Lernen am Experience Edge.

Eine Kombination aus nahtloser Berechnung auf dem Hub und dem Edge reduziert die Latenz, die traditionell bei der Erzielung übermäßig personalisierter Erlebnisse, die sowohl relevant als auch reaktionsfähig sind, eine entscheidende Rolle spielt. Das maschinelle Lernen in Echtzeit bietet somit eine unglaublich niedrige Latenz für synchrone Entscheidungen. Beispiele sind das Rendern personalisierter Webseiteninhalte oder das Aufdecken eines Angebots oder Rabatt, um die Umrechnung in einem Webstore zu reduzieren und zu erhöhen.

Architektur für maschinelles Lernen in Echtzeit

Die folgenden Diagramme geben einen Überblick über die Architektur des maschinellen Lernens in Echtzeit. Derzeit hat alpha eine vereinfachtere Version.

Alpha-Bogen

Vereinfachte Übersicht

Arbeitsablauf für maschinelles Lernen in Echtzeit

Im folgenden Arbeitsablauf werden die typischen Schritte und Ergebnisse beim Erstellen und Verwenden eines Echtzeit-maschinellen Lernmodells erläutert.

Datenerfassung und -vorbereitung

Daten werden mit dem Experience Data Model (XDM) unter Adobe Experience Platform erfasst und transformiert. Diese Daten werden für Modellschulungen verwendet. Weitere Informationen zu XDM finden Sie in XDM – Übersicht.

Authoring

Erstellen Sie ein Echtzeit-Modell für maschinelles Lernen, indem Sie es von Grund auf bearbeiten oder als vorab geschultes serialisiertes ONNX-Modell in Adobe Experience Platform Jupyter-Notebooks einführen.

Implemenierung

Stellen Sie Ihr Modell bereit, Experience Edge um einen Service für maschinelles Lernen in Echtzeit in der Service Gallery zu erstellen, indem Sie den Endpunkt Prognose-API verwenden.

Folgerung

Verwenden Sie den REST API-Endpunkt "Prognose", um Einblicke in das maschinelle Lernen in Echtzeit zu generieren.

Bereitstellung

Marketingexperten können dann Segmente und Regeln definieren, die Echtzeit-maschinelle Lernergebnisse Erlebnissen mit Adobe Target zuordnen. Dadurch können Besucher der Website Ihrer Marke in Echtzeit mit einem hyper-personalisierten Erlebnis versehen werden.

Aktuelle Funktion

Das maschinelle Lernen in Echtzeit befindet sich derzeit in der Alpha-Phase. Die unten beschriebene Funktionalität kann sich ändern, da weitere Funktionen und Knoten verfügbar sind.

HINWEIS

Alpha-Beschränkungen:

Derzeit werden nur ONNX-basierte Modelle unterstützt.
Funktionen, die in Knoten verwendet werden, können nicht serialisiert werden. Beispielsweise eine Lambda-Funktion, die in einem Pandas-Knoten verwendet wird.
Nach der manuellen Edge Bereitstellung wird 20 Sekunden lang schlafen.
Für tiefes Lernen müssen Ihre Daten so gesendet werden, dass, wenn sie genannt df.values werden, ein Array zurückgegeben wird, das von Ihrem DL-Modell akzeptiert werden kann. Dies liegt daran, dass der ONNX Modell-Scoring-Knoten verwendet df.values und sendet die Ausgabe zum Ergebnis gegen das Modell.

Funktionen:

	Alpha (Mai)
Funktionen	- Verwenden der RTML-Notebook-Vorlage, Erstellen, Testen und Bereitstellen eines benutzerdefinierten maschinellen Lernmodells. - Unterstützung für den Import vorab ausgebildeter Modelle für maschinelles Lernen. - SDK für maschinelles Lernen in Echtzeit. - Startersatz von Authoring-Knoten. - Auf Adobe Experience Platform Hub bereitgestellt.
Verfügbarkeit	Nordamerika
Authoring-Knoten	- Pandas - ScikitLearn - ONNXNode - Split - ModelUpload - OneHotEncoder
Laufzeit bewerten	ONNX

Nächste Schritte

Beginnen Sie mit den Ersten Schritten. Dieser Leitfaden führt Sie durch die Einrichtung aller erforderlichen Voraussetzungen für die Erstellung eines maschinellen Lernmodells in Echtzeit.