リアルタイム機械学習ノードリファレンス（アルファ）

ノードは、グラフを形成する基本単位です。 各ノードは特定のタスクを実行し、リンクを使用してMLパイプラインを表すグラフを形成して、互いにチェーンできます。 タスクは、データやスキーマの変換、機械学習推論などの入力データに対する操作を表す。 ノードは、変換された値または推定された値を次のノードに出力します。

次のガイドは、リアルタイム機械学習でサポートされるノードライブラリの概要を示しています。

MLパイプラインで使用するノードを検出しています

次のコードをPythonノートブックにコピーして、使用可能なすべてのノードを表示します。

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

# Discover Nodes
pprint(nf.discover_nodes())

レスポンスの例

{'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'}

標準ノード

標準ノードは、PandasやScikitLearnなどのオープンソースのデータサイエンスライブラリを基に構築されます。

ModelUpload

ModelUploadノードは、model_pathを使用し、ローカルモデルパスからReal-time Machine Learning blobストアにモデルをアップロードする内部Adobeノードです。

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

ONXNode

ONXNodeは、モデルIDを使用して事前にトレーニングを受けたONNXモデルを引き出し、それを使用して受信データのスコアを算出する内部Adobeノードです。

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

パンダ

次のPandasノードを使用すると、任意のpd.DataFrameメソッドまたは任意の一般的なpandasトップレベル関数を読み込むことができます。 Pandasのメソッドの詳細については、Pandasメソッドドキュメントを参照してください。 トップレベルの関数について詳しくは、Pandas APIリファレンスガイド（一般的な関数）を参照してください。

以下のノードでは、"import": "map"を使用してメソッド名をパラメーター内の文字列として読み込み、次にパラメーターをマップ関数として入力します。 以下の例では、{"arg": {"Desktop": 1, "Mobile": 0}, "na_action": 0}を使用してこれを行います。 マップを配置した後、inplaceをTrueまたはFalseに設定するオプションがあります。 変換をインプレイスで適用するかどうかに基づいて、inplaceをTrueまたはFalseに設定します。 デフォルトでは"inplace": Falseは新しい列を作成します。 新しい列名の提供のサポートは、以降のリリースで追加されるように設定されています。 最後の行colsは、1つの列名または列のリストにすることができます。 変換を適用する列を指定します。 この例ではdeviceが指定されています。

#  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

ScikitLearnノードを使用すると、任意のScikitLearn MLモデルまたはスケーラを読み込むことができます。 この例で使用されている値の詳細については、次の表を参照してください。

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

次のノードを使用して、train_sizeまたはtest_sizeを渡して、データフレームをトレインに分割し、テストします。 複数のインデックスを持つデータ・フレームを返します。 列車とテストのデータフレームには、次の例msg5.data.xs(“train”)を使用してアクセスできます。

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

次の手順

次の手順は、リアルタイム機械学習モデルのスコアリングに使用するノードを作成することです。 詳細については、『リアルタイム機械学習ノートブックユーザガイド』を参照してください。