AI/ML-rörledningar
Data Distiller gör det möjligt för datavetare och datatekniker att berika sina maskininlärningslinjer med värdefulla kundupplevelsedata som har samlats in och kuraterats i Adobe Experience Platform. Från en Python-dator i vilken miljö som helst kan du interaktivt utforska kunddata i Experience Platform, definiera och beräkna funktioner från data och läsa de beräknade funktionerna i maskininlärningsmiljön för modellering.
- Med Data Distiller kraftfulla frågefunktioner kan du extrahera meningsfulla funktioner från de omfattande beteendedata som finns i Experience Platform. Du kan sedan överföra de bearbetade funktionsdata till maskininlärningsmiljön utan att behöva kopiera stora volymer händelsedata utanför Experience Platform.
- Läs de förberedda funktionsdatauppsättningarna i de maskininlärningsverktyg du föredrar och kombinera dem med andra funktioner som bygger på företagsdata för att utbilda, experimentera, optimera och driftsätta anpassade modeller som är anpassade efter din verksamhet.
- Generera resultat, prognoser eller rekommendationer från era modeller och returnera resultatet till Experience Platform för att optimera kundupplevelserna via Real-time Customer Data Platform och Adobe Journey Optimizer.
Förhandskrav prerequisites
Det här arbetsflödet kräver en fungerande förståelse av de olika aspekterna av Adobe Experience Platform. Innan du börjar med den här självstudiekursen bör du läsa om följande koncept i dokumentationen:
- Så här autentiserar och får du åtkomst till Experience Platform API:er.
- Sandlådor: Attributbaserade åtkomstkontrollsbehörigheter och hur du skapar och hanterar roller, samt tilldelar önskade resursbehörigheter för de här rollerna.
- Datastyrning: Så här använder du dataanvändningsetiketter på datauppsättningar och fält och kategoriserar varje enligt relaterade datastyrningsprinciper och åtkomstkontrollprinciper.
Nästa steg
Genom att läsa det här dokumentet har du fått en introduktion till de viktiga begreppen bakom hur du använder maskininlärningsverktygen för att skapa anpassade modeller som stöder era marknadsföringsexempel.
I dokumenten som ingår i den här serien med guider beskrivs de grundläggande stegen för att skapa funktionsledningar från Experience Platform för att mata anpassade modeller i maskininlärningsmiljön. Du kan nu upprätta en anslutning mellan Data Distiller och din Jupyter Notebook.
Dokumentationen som är länkad nedan motsvarar de steg som anges i informationsbilden ovan.
Ytterligare resurser
- aepp: ett Adobe-hanterat öppen källkodsbibliotek Python som gör förfrågningar till Data Distiller och andra Experience Platform-tjänster från Python-kod.