Visão geral do aprendizado de máquina em tempo real (Alpha)

IMPORTANTE

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.

arco alfa

Visão geral 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) no 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 Adobe Experience Platform Jupyter.

Implantação

Implante o modelo em Experience Edge para criar um serviço de Aprendizagem de máquina em tempo real no Service Gallery 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.

OBSERVAÇÃO

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.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.

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.

Nesta página