- Visão geral da Análise do espaço de trabalho da Data Science
- Apresentação da Data Science Workspace
- Notebooks JupyterLab
- API de aprendizado de máquina do Sensei
- Aprendizagem de máquina em tempo real (Alpha)
- Receitas pré-criadas
- Criação de modelos
- Tutoriais de modelo e fórmula
- Criar e publicar uma apresentação de modelo de aprendizado de máquina
- Criar o schema de vendas de varejo e o conjunto de dados
- Schemas de pré-visualização e conjuntos de dados
- Empacotar arquivos de origem em uma fórmula
- Importar uma receita empacotada (IU)
- Importar uma fórmula empacotada (API)
- Treinar e avaliar um modelo (IU)
- Treinar e avaliar um modelo (API)
- Pontuação de um modelo (IU)
- 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 de 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 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.
Arquitetura de aprendizado de máquina em tempo real
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.
Fluxo de trabalho de aprendizado de máquina em tempo real
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.
Inclusão 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 de modelo. Para saber mais sobre o XDM, visite a visão geral doXDM.
Criação
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.
Implantação
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.
Inferência
Use o endpoint da API REST de previsão para gerar insights de aprendizado da máquina em tempo real.
Delivery
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.
Funcionalidade atual
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:
- Atualmente, somente modelos baseados em ONNX são suportados.
- As funções usadas em nós não podem ser serializadas. Por exemplo, uma função lambda usada em um nó Pandas.
- Há 20 segundos de espera após a Edge implantação ser feita manualmente.
- Para um aprendizado profundo, seus dados precisam ser enviados de tal forma que, quando
df.valuessão chamados, retorne um array aceitável pelo modelo DL. Isso ocorre porque o nó de pontuação do modelo ONNX usadf.valuese envia a saída para a pontuação em relação ao modelo.
Recursos:
| 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 |
Próximas etapas
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.