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 mudanças.
O aprendizado de máquina em tempo real pode melhorar consideravelmente a relevância do conteúdo de sua experiência digital para seus usuários finais. Isso é possível aproveitando a inferência em tempo real e o aprendizado contínuo no Experience Edge.
Uma combinação de computação ininterrupta no Hub e no Hub reduz Edge drasticamente a latência tradicionalmente envolvida na potencialização de experiências hiper-personalizadas relevantes e responsivas. Assim, o aprendizado de máquina em tempo real oferece inferências com uma latência incrivelmente baixa para a tomada de decisões síncrona. Os exemplos incluem a renderização de conteúdo personalizado de página da Web ou a criação de uma oferta ou desconto para reduzir a rotatividade e aumentar as conversões em uma loja da Web.
Os diagramas a seguir fornecem uma visão geral da arquitetura de aprendizado de máquina em tempo real. Atualmente, o alfa tem uma versão mais simplificada.
O fluxo de trabalho a seguir descreve as etapas e os resultados típicos envolvidos na criação e utilização de um modelo de aprendizado de máquina em tempo real.
Os dados são assimilados e transformados com o Experience Data Model (XDM) no Adobe Experience Platform. Esses dados são usados para treinamento de modelo. Para saber mais sobre o XDM, visite a visão geral doXDM.
Crie um modelo de aprendizado de máquina em tempo real criando-o do zero ou trazendo-o para um modelo ONNX serializado pré-treinado em notebooks Adobe Experience Platform Jupyter.
Implante seu modelo para Experience Edge 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 da máquina em tempo real.
Os profissionais de marketing podem definir segmentos e regras que mapeiam as pontuações de aprendizado de máquina em tempo real para experiências usando o Adobe Target. Isso permite que visitantes do site de sua marca sejam mostrados como uma experiência hiper-personalizada da mesma página ou da próxima em tempo real.
O aprendizado de máquina em tempo real está atualmente em alfa. A funcionalidade descrita abaixo está sujeita a alterações à medida que mais recursos e nós são disponibilizados.
Limitações de alfa:
df.values
são chamados, retorne um array aceitável pelo modelo DL. Isso ocorre porque o nó de pontuação do modelo ONNX usa df.values
e envia a saída para a pontuação em relação ao modelo.Alpha (maio) | |
---|---|
Recursos | - Usando o modelo de notebook RTML, crie, teste e implante um modelo de aprendizado de máquina personalizado. - Apoio à importação de modelos pré-treinados de aprendizagem automática. - SDK de aprendizado de máquina em tempo real. - Conjunto inicial de nós de criação. - Implantado no Adobe Experience Platform Hub. |
Disponibilidade | América do Norte |
Nós de criação | - Pandas - ScikitLearn - ONNXNode - Dividir - ModelUpload - OneHotEncoder |
Tempo de execução da pontuação | ONNX |
Você pode começar seguindo o guia de introdução . Este guia o orienta a configurar todos os pré-requisitos necessários para criar um modelo de aprendizado de máquina em tempo real.