O Aprendizado de máquina em tempo real ainda não está disponível para todos os usuários. Esse recurso está em alfa e ainda está sendo testado. Este documento está sujeito a alterações.
O Aprendizado de máquina em tempo real pode melhorar consideravelmente a relevância do conteúdo de experiência digital para os usuários finais. Isso é possibilitado aproveitando a inferência em tempo real e o aprendizado contínuo no Experience Edge.
Uma combinação de computação contínua no Hub e no Edge reduz drasticamente a latência tradicionalmente envolvida no fornecimento de experiências hiper-personalizadas que são relevantes e responsivas. Assim, o Real-time Machine Learning fornece inferências com uma latência incrivelmente baixa para a tomada de decisão síncrona. Os exemplos incluem renderização de conteúdo personalizado da página da Web ou exibição de uma oferta ou desconto para reduzir o churn e aumentar as conversões em uma loja da Web.
Os diagramas a seguir fornecem uma visão geral para a arquitetura de aprendizado de máquina em tempo real. Atualmente, o alpha tem uma versão mais simplificada.
O fluxo de trabalho a seguir descreve as etapas e resultados típicos envolvidos na criação e utilização de um modelo de Aprendizagem de máquina em tempo real.
Os dados são assimilados e transformados com o Experience Data Model (XDM) na Adobe Experience Platform. Esses dados são usados para treinamento em modelo. Para saber mais sobre o XDM, visite a Visão geral do XDM.
Crie um modelo de aprendizado de máquina em tempo real criando-o do zero ou trazendo-o como um modelo ONNX serializado pré-treinado em notebooks Jupyter da Adobe Experience Platform.
Implante o modelo em Experience Edge para criar um serviço de Aprendizagem de Máquina em Tempo Real na Galeria de Serviços usando o endpoint da API de Previsão.
Use o endpoint da API REST de previsão para gerar insights de aprendizado de máquina em tempo real.
Os profissionais de marketing podem então definir segmentos e regras que mapeiam pontuações de aprendizado de máquina em tempo real para experiências usando o Adobe Target. Isso permite que os visitantes do site da sua marca tenham uma experiência hiper-personalizada de mesma página ou da próxima em tempo real.
No momento, o Aprendizado de máquina em tempo real está em alfa. A funcionalidade descrita abaixo está sujeita a alterações à medida que mais recursos e nós são disponibilizados.
Limitações alfa:
df.values
for chamado, ele retorne uma matriz aceitável pelo modelo DL. Isso ocorre porque o nó de pontuação do modelo ONNX usa df.values
e envia a saída para pontuar em relação ao modelo.Alfa (maio) | |
---|---|
Recursos | - Usar o modelo de notebook RTML, criar, testar e implantar um modelo de aprendizado de máquina personalizado. - Suporte para importar modelos pré-treinados de aprendizagem de máquina. - SDK do Real-time Machine Learning. - Conjunto inicial de nós de criação. - Implantado no Adobe Experience Platform Hub. |
Disponibilidade | América do Norte |
Nós de criação | - Painéis - ScikitLearn - ONNXNode - Split - ModelUpload - OneHotEncoder |
Tempos de execução da pontuação | ONNX |
Você pode começar seguindo o guia introdução. Este guia aborda a configuração de todos os pré-requisitos necessários para criar um modelo de aprendizado de máquina em tempo real.