Pipelines de recursos de inteligência artificial/aprendizado de máquina
O Data Distiller permite que os cientistas e engenheiros de dados enriqueçam seus pipelines de aprendizado de máquina com dados de experiência do cliente de alto valor que foram coletados e preparados no Adobe Experience Platform. Em um notebook Python em qualquer ambiente, você pode explorar interativamente os dados do cliente no Experience Platform, definir e calcular os recursos dos dados e ler os recursos computados no seu ambiente de aprendizado de máquina para modelagem.
- Com os poderosos recursos de query do Data Distiller, você pode extrair recursos significativos dos dados comportamentais avançados disponíveis no Experience Platform. Em seguida, você pode trazer os dados de recursos destilados para o ambiente de aprendizado de máquina sem precisar copiar grandes volumes de dados de eventos para fora do Experience Platform.
- Leia o conjunto de dados de recursos preparados em suas ferramentas de aprendizado de máquina preferidas e combine com outros recursos derivados de dados corporativos para treinar, experimentar, ajustar e implantar modelos personalizados adaptados à sua empresa.
- Gere pontuações, previsões ou recomendações de seus modelos e retorne o resultado ao Experience Platform para otimizar as experiências do cliente por meio do Real-time Customer Data Platform e do Adobe Journey Optimizer.
Pré-requisitos prerequisites
Esse fluxo de trabalho requer uma compreensão funcional dos vários aspectos do Adobe Experience Platform. Antes de iniciar este tutorial, revise a documentação dos seguintes conceitos:
- Como autenticar e acessar APIs Experience Platform.
- Sandboxes: Permissões de controle de acesso baseado em atributo e como criar e gerenciar funções, além de atribuir as permissões de recurso desejadas para essas funções.
- Governança de dados: como aplicar rótulos de uso de dados a conjuntos de dados e campos, categorizando cada de acordo com as políticas de governança de dados e de controle de acesso relacionadas.
Próximas etapas
Ao ler este documento, você foi apresentado aos conceitos importantes por trás do uso de suas ferramentas preferidas de aprendizado de máquina para criar modelos personalizados que atendem aos seus casos de uso de marketing.
Os documentos incluídos nesta série de guias descrevem as etapas básicas para criar pipelines de recursos do Experience Platform para alimentar modelos personalizados em seu ambiente de aprendizado de máquina. Agora você está pronto para estabelecer uma conexão entre o Data Distiller e o Jupyter Notebook.
A documentação vinculada abaixo corresponde às etapas indicadas no infográfico acima.
Recursos adicionais
- aepp: uma biblioteca de código aberto gerenciada por Adobe Python para fazer solicitações ao Data Distiller e outros serviços Experience Platform a partir do código Python.