- Visão geral do Data Science Workspace
- Acesso e recursos da Data Science Workspace
- Apresentação do Data Science Workspace
- Blocos de anotações do JupyterLab
- API de aprendizado de máquina do Sensei
- Aprendizagem de máquina em tempo real (Alpha)
- Receitas pré-criadas
- Criação de modelo
- Tutoriais de modelo e receita
- Criar e publicar um modelo de aprendizado de máquina
- Criar o esquema de vendas de varejo e o conjunto de dados
- Visualizar esquemas e conjuntos de dados
- Compactar arquivos de origem em uma receita
- Importar uma receita empacotada (IU)
- Importar uma receita empacotada (API)
- Treine e avalie um modelo (IU)
- Treinar e avaliar um modelo (API)
- Pontuação de um modelo (interface do usuário)
- Pontuação de um modelo (API)
- Otimizar um modelo
- Enriqueça o Perfil do cliente em tempo real com insights de aprendizado de máquina
- Publicar um modelo como um serviço (UI)
- Publicar um modelo como um serviço (API)
- Agendar treinamento automatizado e pontuação em um serviço (IU)
- Guia de solução de problemas
- Referência da API
- Notas de versão da plataforma
Visão geral do aprendizado de máquina em tempo real (Alpha)
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.
Arquitetura de aprendizado de máquina em tempo real
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.
Fluxo de trabalho de aprendizado de máquina em tempo real
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.
Assimilação de dados e preparações
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.
Criação
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.
Implantação
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.
Inferência
Use o endpoint da API REST de previsão para gerar insights de aprendizado de máquina em tempo real.
Delivery
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.
Funcionalidade atual
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:
- Atualmente, somente modelos baseados em ONNX são compatíveis.
- As funções usadas em nós não podem ser serializadas. Por exemplo, uma função lambda usada em um nó Pandas.
- Há um período de espera de 20 segundos após a implantação de Edge ser feita manualmente.
- Para um aprendizado profundo, seus dados precisam ser enviados de tal forma que quando
df.valuesfor chamado, ele retorne uma matriz aceitável pelo modelo DL. Isso ocorre porque o nó de pontuação do modelo ONNX usadf.valuese envia a saída para pontuar em relação ao modelo.
Recursos:
| 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 |
Próximas etapas
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.
Recursos em adobe.com
Nesta página
