- Panoramica di Analysis Workspace
- Accesso e funzionalità di Data Science Workspace
- Procedura dettagliata di Data Science Workspace
- Notebook JupyterLab
- Sensei Machine Learning API
- Real-time Machine Learning (Alpha)
- Ricette precostruite
- Authoring dei modelli
- Esercitazioni su modelli e ricette
- Creazione e pubblicazione di un modello di machine learning
- Creare lo schema Vendite al dettaglio e il dataset
- Anteprima di schemi e set di dati
- Creare pacchetti di file sorgente in una ricetta
- Importare una ricetta in pacchetti (interfaccia utente)
- Importare una ricetta in pacchetti (API)
- Formazione e valutazione di un modello (interfaccia utente)
- Formazione e valutazione di un modello (API)
- Punteggio di un modello (interfaccia utente)
- Punteggio di un modello (API)
- Ottimizzare un modello
- Arricchisci il profilo cliente in tempo reale con informazioni approfondite sull’apprendimento automatico
- Pubblicare un modello come servizio (interfaccia utente)
- Pubblicare un modello come servizio (API)
- Pianificazione di sessioni di formazione e valutazione automatizzate su un servizio (interfaccia utente)
- Guida alla risoluzione dei problemi
- Riferimento API
- Note sulla versione della piattaforma
Panoramica sull'apprendimento automatico in tempo reale (Alpha)
L'apprendimento automatico in tempo reale non è ancora disponibile per tutti gli utenti. Questa funzione è in alfa e viene ancora testata. Questo documento è soggetto a modifiche.
L'apprendimento automatico in tempo reale può migliorare notevolmente la pertinenza dei contenuti dell'esperienza digitale per gli utenti finali. Questo è possibile sfruttando la deduzione in tempo reale e l'apprendimento continuo sul Experience Edge.
Una combinazione di un calcolo senza soluzione di continuità sia sull'Hub che Edge riduce drasticamente la latenza tradizionalmente impegnata nel fornire esperienze iper-personalizzate rilevanti e reattive. Di conseguenza, l'apprendimento automatico in tempo reale offre inferenze con una latenza incredibilmente bassa per il processo decisionale sincrono. Alcuni esempi includono il rendering di contenuti personalizzati per le pagine Web o la visualizzazione di un'offerta o uno sconto per ridurre il churn e aumentare le conversioni in un negozio Web.
Architettura di apprendimento automatico in tempo reale
I diagrammi seguenti forniscono una panoramica dell'architettura Real-time Machine Learning. Al momento, l'alfa dispone di una versione più semplificata.
Flusso di lavoro di apprendimento automatico in tempo reale
Il flusso di lavoro seguente illustra i passaggi e i risultati tipici relativi alla creazione e all'utilizzo di un modello di apprendimento automatico in tempo reale.
Iniezione e preparati di dati
I dati vengono assimilati e trasformati con Experience Data Model (XDM) in Adobe Experience Platform. Questi dati vengono utilizzati per la formazione dei modelli. Per ulteriori informazioni su XDM, visitare la panoramica XDM.
Authoring
Create un modello Real-time Machine Learning creando un nuovo modello da zero o inserendolo come modello ONNX serializzato prepreparato in Adobe Experience Platform Jupyter Notebooks.
Implementazione
Distribuite il modello per Experience Edge creare un servizio di machine Learning in tempo reale nell' Service Gallery endpoint API di previsione.
Inferenza
Utilizzate l'endpoint API REST di previsione per generare informazioni sull'apprendimento automatico in tempo reale.
Consegna
Gli addetti al marketing possono quindi definire segmenti e regole che mappano i punteggi di apprendimento automatico in tempo reale alle esperienze utilizzando Adobe Target. Questo consente ai visitatori del sito Web del tuo marchio di visualizzare in tempo reale un'esperienza iper-personalizzata della stessa pagina o successiva.
Funzionalità corrente
L'apprendimento automatico in tempo reale è attualmente in alfa. La funzionalità descritta di seguito è soggetta a modifiche man mano che vengono rese disponibili ulteriori funzionalità e nodi.
Limiti alfa:
- Attualmente, sono supportati solo i modelli basati su ONNX.
- Le funzioni utilizzate nei nodi non possono essere serializzate. Ad esempio, una funzione lambda utilizzata in un nodo Pandas.
- Dopo che Edge la distribuzione è stata eseguita manualmente, è possibile dormire 20 secondi.
- Per l'apprendimento profondo, i dati devono essere inviati in modo tale che, quando
df.valuesvengono chiamati, restituisca un array accettabile dal modello DL. Questo perché il nodo di punteggio del modello ONNX utilizzadf.valuese invia l'output al punteggio rispetto al modello.
Funzioni:
| Alfa (maggio) | |
|---|---|
| Funzioni | - Utilizzo del modello di blocco appunti RTML, creazione, test e implementazione di un modello di machine learning personalizzato. - Supporto per l'importazione di modelli di machine learning preformati. - Real-time Machine Learning SDK. - Set iniziale di nodi di authoring. - Distribuito su Adobe Experience Platform Hub. |
| Disponibilità | America del Nord |
| Creazione di nodi | - Pandas - ScikitLearn - ONNXNode - Split - ModelUpload - OneHotEncoder |
| Tempi di esecuzione dei punteggi | ONNX |
Passaggi successivi
Per iniziare, segui la guida introduttiva . Questa guida illustra come impostare tutti i prerequisiti necessari per creare un modello di apprendimento automatico in tempo reale.