Référence du noeud d’apprentissage automatique en temps réel (Alpha)

Un noeud est l’unité fondamentale de laquelle des graphiques sont formés. Chaque noeud effectue une tâche spécifique et peut être lié ensemble à l’aide de liens afin de former un graphique représentant un pipeline ML. La tâche effectuée par un noeud représente une opération sur les données d’entrée, telle qu’une transformation des données ou un schéma, ou une inférence d’apprentissage automatique. Le noeud sort la valeur transformée ou déduite au(x) noeud(s) suivant(s).

Le guide suivant décrit les bibliothèques de noeuds prises en charge pour l’apprentissage automatique en temps réel.

Découverte des noeuds à utiliser dans votre pipeline ML

Copiez le code suivant dans une Python notebook pour afficher tous les noeuds disponibles.

from pprint import pprint
 
from rtml_nodelibs.core.nodefactory import NodeFactory as nf

# Discover Nodes
pprint(nf.discover_nodes())

Exemple de réponse

{'FieldOps': 'rtml_nodelibs.nodes.standard.preprocessing.fieldops.FieldOps',
 'FieldTrans': 'rtml_nodelibs.nodes.standard.preprocessing.fieldtrans.FieldTrans',
 'ModelUpload': 'rtml_nodelibs.nodes.standard.ml.artifact_utils.ModelUpload',
 'ONNXNode': 'rtml_nodelibs.nodes.standard.ml.onnx.ONNXNode',
 'Pandas': 'rtml_nodelibs.nodes.standard.preprocessing.pandasnode.Pandas',
 'Processor': 'rtml_nodelibs.nodes.standard.preprocessing.processor.Processor',
 'Receiver': 'rtml_nodelibs.nodes.standard.preprocessing.receiver.Receiver',
 'ScikitLearn': 'rtml_nodelibs.nodes.standard.ml.scikitlearn.ScikitLearn',
 'Simulator': 'rtml_nodelibs.nodes.standard.preprocessing.simulator.Simulator',
 'Split': 'rtml_nodelibs.nodes.standard.preprocessing.splitter.Split'}

Noeuds standard

Les noeuds standard s’appuient sur les bibliothèques de science de données open source telles que Pandas et ScikitLearn.

ModelUpload

Le noeud ModelUpload est un noeud d’Adobe interne qui prend un model_path et charge le modèle du chemin d’accès du modèle local vers la banque d’objets blob d’apprentissage automatique en temps réel.

model = ModelUpload(params={'model_path': model_path})
  
msg_model = model.process(None, 1)
  
model_id = msg_model.model['model_id']

ONNXNode

ONNXNode est un noeud d’Adobe interne qui utilise un ID de modèle pour extraire le modèle ONNX pré-entraîné et l’utilise pour noter les données entrantes.

node_model_score = ONNXNode(params={"features": ['browser', 'device', 'login_page', 'product_page', 'search_page'], "model_id": model_id})

Pandas

Le noeud pandas suivant vous permet d’importer n’importe quel pd.DataFrame ou toute fonction générale de niveau supérieur pandas. Pour en savoir plus sur les méthodes Pandas, consultez la section Documentation sur les méthodes de pandas. Pour plus d’informations sur les fonctions de niveau supérieur, consultez la section Guide de référence de l’API pandas pour les fonctions générales.

Le noeud ci-dessous utilise "import": "map" pour importer le nom de la méthode sous la forme d’une chaîne dans les paramètres, puis en saisissant les paramètres sous la forme d’une fonction map . L’exemple ci-dessous effectue cette opération en utilisant {"arg": {"Desktop": 1, "Mobile": 0}, "na_action": 0}. Une fois la carte en place, vous avez la possibilité de définir inplace as True ou False. Définir inplace as True ou False selon que vous souhaitez appliquer ou non une transformation statique. Par défaut "inplace": False crée une colonne. La prise en charge d’un nouveau nom de colonne doit être ajoutée dans une version ultérieure. La dernière ligne cols peut être un nom de colonne unique ou une liste de colonnes. Indiquez les colonnes sur lesquelles vous souhaitez appliquer la transformation. Dans cet exemple device est spécifié.

#  df["device"] = df["device"].map({"Desktop":1, "Mobile":0}, na_action=0)
 
node_device_apply = Pandas(params={"import": "map",
    "kwargs": {"arg": {"Desktop": 1, "Mobile": 0}, "na_action": 0},
    "inplace": True,
    "cols": "device"})
 
 
# df["browser"] = df["browser"].map({"chrome": 1, "firefox": 0}, "na_action": 0})
 
node_browser_apply = Pandas(params={"import": "map",
    "kwargs": {"arg": {"chrome": 1, "firefox": 0}, "na_action": 0},
    "inplace": True,
    "cols": "browser"})

ScikitLearn

Le noeud ScikitLearn vous permet d’importer n’importe quel modèle ou scaler ScikitLearn ML. Pour plus d’informations sur l’une des valeurs utilisées dans l’exemple, reportez-vous au tableau ci-dessous :

model_train = ScikitLearn(params={
    "features":['browser', 'device', 'login_page', 'product_page', 'search_page'],
    "label": "payment_confirm",
    "mode": "train",
    "model_path": "resources/model.onnx",
    "params": {
        "model": "sklearn.linear_model.LogisticRegression",
        "model_params": {"solver": 'lbfgs'}
    }})
msg6 = model_train.process(msg5)

Split

Utilisez le noeud suivant pour fractionner votre cadre de données en formation et test en transmettant train_size ou test_size. Cette opération renvoie un cadre de données avec un multi-index. Vous pouvez accéder aux jeux de données de formation et de test à l’aide de l’exemple suivant, msg5.data.xs(“train”).

splitter = Split(params={"train_size": 0.7})
msg5 = splitter.process(msg4)

Étapes suivantes

L’étape suivante consiste à créer des noeuds à utiliser dans la notation d’un modèle d’apprentissage automatique en temps réel. Pour plus d’informations, consultez la Guide d’utilisation du notebook d’apprentissage automatique en temps réel.