Data Science Workspace 자습서

Adobe Experience Platform Data Science Workspace은(는) 머신 러닝과 인공 지능을 사용하여 데이터를 통해 인사이트를 생성합니다. Adobe Experience Platform에 통합된 Data Science Workspace은(는) Adobe 솔루션에서 컨텐츠와 데이터 자산을 사용하여 예측하는 데 도움이 됩니다. 기술 수준에 관계없이 모든 데이터 과학자는 복잡한 AI 기술을 통해 얻을 수 있는 모든 이점을 비롯하여 머신 러닝 레서피의 신속한 개발, 트레이닝 및 조정을 지원하는 정교하고 사용하기 쉬운 툴을 갖추고 있습니다.

자세한 내용은 데이터 과학 작업 공간 개요를 읽으십시오.

Sensei Machine Learning API

Sensei Machine Learning API는 알고리즘 온보딩, 실험 및 서비스 배포에 이르기까지 데이터 과학자들이 기계 학습 서비스를 구성하고 관리하는 메커니즘을 제공합니다.

다음 API 개발자 가이드를 사용할 수 있습니다.

• 엔진 - Docker 레지스트리를 조회하고, 엔진을 생성하고, 피쳐 파이프라인 엔진을 생성하고, 엔진에 대한 정보를 검색하고, 엔진을 업데이트하고, 엔진을 삭제하는 방법을 알아봅니다.
• MLInests(레서피) - MLInstance를 만들고, MLInstance에 대한 정보를 검색하고, MLInstance를 업데이트하고, MLInstance를 삭제하는 방법을 알아봅니다.
• 실험 - 실험 생성, 실험 또는 실험 실행 정보 검색, 실험 업데이트 및 실험 삭제 방법을 알아봅니다.
• 모델 - 자체 모델을 등록하고, 모델에 대한 정보를 검색하고, 모델을 업데이트하고, 모델을 삭제하고, 모델에 대한 새 트랜스코딩을 생성하고, 코드 변환된 모델의 세부 정보를 검색하는 방법을 알아봅니다.
• MLSservices - MLService를 만들고, MLService에 대한 정보를 검색하고, MLService를 업데이트하고, MLService를 삭제하는 방법을 알아봅니다.
• 인사이트 - 인사이트에 대한 정보를 검색하고, 새 모델 인사이트를 추가하고, 알고리즘에 대한 기본 지표 목록을 검색하는 방법을 알아봅니다.

Sensei Machine Learning API를 사용하여 CRUD 작업을 수행하는 데 필요한 값을 얻고 자세한 내용을 보려면 시작 안내서를 참조하십시오.

JupyterLab 전자 필기장을 사용하는 방법

JupyterLab 는 Adobe Experience Platform에 긴밀하게 통합되어 Project Jupyter 있고 웹 기반의 유저 인터페이스입니다. 데이터 과학자들이 Jupyter Notebooks, 코드 및 데이터를 사용하여 작업할 수 있는 대화형 개발 환경을 제공합니다. 이 문서에서는 JupyterLab 및 해당 기능에 대한 개요와 일반적인 작업을 수행하는 지침을 제공합니다.

이 가이드는 다음과 같은 도움을 줍니다.

• JupyterLab 인터페이스에 액세스하고 파악합니다.
• JupyterLab 내에서 코드 셀과 사용 가능한 커널을 파악합니다.
• Python/R의 GPU 및 메모리 서버 구성에 대해 이해합니다.

자세한 내용은 JupiterLab 사용자 안내서를 참조하십시오.

JupiterLab 노트북의 데이터 액세스

현재 데이터 과학 작업 영역의 JupiterLab은 Python, R, PySpark 및 Scala용 노트북을 지원합니다. 지원되는 각 커널은 노트북 내의 데이터 세트에서 플랫폼 데이터를 읽을 수 있도록 하는 내장 기능을 제공합니다. 그러나 데이터 페이지 매김 지원은 Python 및 R 노트북으로 제한됩니다. 이 안내서에서는 JupiterLab 전자 필기장을 사용하여 데이터에 액세스하는 방법에 중점을 둡니다.

이 가이드는 다음과 같은 도움을 줍니다.

• Python, R, PySpark 또는 Scala 노트북을 사용하여 플랫폼 데이터를 읽고 작성 및 쿼리할 수 있습니다.
• 각 노트북 유형의 읽기 제한 사항을 이해합니다.

자세한 내용은 JupiterLab 노트북 데이터 액세스 개발자 가이드를 참조하십시오.

Docker 레서피 작성을 위한 소스 파일 패키지

Docker 이미지를 사용하면 필요한 모든 부분으로 애플리케이션을 패키지화할 수 있습니다. 여기에는 하나의 패키지에서 라이브러리 및 기타 종속성이 모두 포함됩니다. 레서피 만들기 작업 과정 중에 제공된 자격 증명을 사용하여 작성된 Docker 이미지가 Azure Container Registry로 푸시됩니다.

이 자습서는 다음과 같은 이점을 제공합니다.

• 레서피 제작에 필요한 사전 요구 사항을 다운로드합니다.
• Docker 기반 모델 작성을 이해합니다.
• Python, R, PySpark 또는 Scala(Spark)에 대한 Docker 이미지를 만듭니다.
• Docker 소스 파일 URL을 얻습니다.

자세한 내용은 소스 파일을 레서피 자습서에 패키지하십시오.

레서피 가져오기

가져오기 레서피 자습서에서는 패키징된 레서피를 구성하고 가져오는 방법에 대한 통찰력을 제공합니다. 이 자습서가 끝나면 Adobe Experience Platform Data Science Workspace에서 모델을 만들고, 교육하고, 평가할 수 있습니다.

이 자습서는 다음과 같은 이점을 제공합니다.

• 레서피에 대한 구성 세트를 만듭니다.
• Python, R, PySpark 또는 Scala(Spark)에 대한 Docker 기반 레서피를 가져옵니다.

자세한 내용을 보려면 패키지된 레서피 UI 자습서 또는 API 자습서를 가져오십시오.

모델 트레이닝 및 평가

Adobe Experience Platform Data Science Workspace에서 기계 학습 모델은 모델 의도에 적합한 기존 레서피를 결합하여 만들어집니다. 그런 다음 연관된 하이퍼매개 변수를 미세 조정하여 모델의 운영 효율성과 효과를 최적화하기 위해 교육 및 평가를 수행합니다. 레서피는 재사용 가능하므로, 하나의 레서피를 사용하여 여러 모델을 생성하고 특정 목적에 맞게 변경할 수 있습니다.

이 자습서는 다음과 같은 이점을 제공합니다.

• 새 모델 만들기를 참조하십시오.
• 모델에 대한 교육 실행을 만듭니다.
• 모델 교육 실행을 평가합니다.

시작하려면 교육 및 모델 API 자습서 또는 UI 자습서 평가에 따르십시오.

Model Insights 프레임워크를 사용하여 모델 최적화

Model Insights Framework는 실험을 기반으로 최적의 기계 학습 모델을 위한 신속하고 정확한 선택을 할 수 있도록 데이터 과학자에게 Adobe Experience Platform Data Science Workspace의 도구를 제공합니다. 이 프레임워크는 시스템 학습 워크플로우의 속도와 효율성을 향상시키고 데이터 과학자의 사용 용이성을 향상시킵니다. 이 작업은 모델 조정을 지원하기 위해 각 기계 학습 알고리즘 유형에 대한 기본 템플릿을 제공하여 수행됩니다. 최종 결과를 통해 데이터 과학자와 시민 데이터 과학자는 최종 고객을 위해 보다 효과적인 모델 최적화 결정을 내릴 수 있습니다.

이 자습서는 다음과 같은 이점을 제공합니다.

• 레서피 코드를 구성합니다.
• 사용자 지정 지표를 정의합니다.
• 미리 만들어진 평가 지표 및 시각화 차트를 사용할 수 있습니다.

시작하려면 모델 최적화의 자습서를 따르십시오.

모델 점수 지정

Adobe Experience Platform Data Science Workspace에서 채점하는 방법은 입력 데이터를 기존 트레이닝된 모델에 제공함으로써 달성됩니다. 그러면 점수 지정 결과가 저장되고 지정된 출력 데이터 세트에 새로운 일괄 처리로 표시됩니다.

이 자습서는 다음과 같은 이점을 제공합니다.

• 새로운 점수부여 실행을 만듭니다.
• 채점 결과를 확인합니다.

시작하려면 모델 API 자습서 또는 UI 자습서 점수를 따르십시오.

모델을 서비스로 게시

Adobe Experience Platform Data Science Workspace을 사용하면 모델을 서비스로 게시하여 IMS 조직 내의 사용자가 자체 모델을 만들지 않고도 데이터를 점수를 매길 수 있습니다. 이 작업은 Platform 사용자 인터페이스 또는 Sensei Machine Learning API를 사용하여 수행할 수 있습니다.

이 자습서는 다음과 같은 이점을 제공합니다.

• 모델을 서비스로 게시합니다.
• Platform 서비스 갤러리를 통해 서비스를 사용하여 데이터를 점화합니다.

시작하려면 모델을 서비스 API 자습서 또는 UI 자습서로 게시하십시오.

모델에 대한 교육 및 점수 예약

Adobe Experience Platform Data Science Workspace에서는 기계 학습 서비스에서 예약된 점수 지정 및 교육 실행을 설정할 수 있습니다. 트레이닝 및 점수 지정 프로세스를 자동화하면 데이터 내의 패턴을 유지하여 시간 경과에 따른 서비스 효율성을 유지 관리하고 개선하는 데 도움이 됩니다.

이 자습서는 다음과 같은 이점을 제공합니다.

• 예약된 점수 구성
• 예약된 교육 구성

시작하려면 모델 UI 자습서 예약을 따르십시오.

피쳐 파이프라인 만들기

Adobe Experience Platform을 사용하면 사용자 지정 기능 파이프라인을 만들고 만들어 Sensei Machine Learning Framework Runtime을 통해 기능 엔지니어링을 규모에 맞게 수행할 수 있습니다.

이 가이드는 다음과 같은 도움을 줍니다.

• 기능 파이프라인 클래스를 구현합니다.
• API를 사용하여 피쳐 파이프라인 엔진을 만듭니다.

자세한 내용은 기능 파이프라인 만들기에 대한 자습서를 참조하십시오.

Real-Time Machine Learning 응용 프로그램 만들기(알파)

허브와 Edge에 대한 매끄러운 계산으로 인해 관련이 있고 응답성이 높은 고도로 개인화된 경험을 제공하기 위해 전통적으로 수반되는 지연이 크게 줄어듭니다. 따라서 Real-time Machine Learning은 동기 의사 결정을 위한 지연 시간이 매우 짧은 환경 설정을 제공합니다. 예를 들면 맞춤형 웹 페이지 컨텐츠 렌더링, 제안 표시, 이탈률을 줄이면서 웹 스토어에서의 전환을 늘리는 할인 등이 있습니다.

이 가이드는 다음과 같은 도움을 줍니다.

• Real-time Machine Learning 아키텍처를 이해합니다.
• Real-time Machine Learning 작업 과정을 이해합니다.
• Real-time Machine Learning의 현재 기능을 파악합니다.
• 자신의 Real-time Machine Learning model을(를) 만들기 위한 다음 단계를 제공합니다.

자세한 내용은 실시간 기계 학습 개요를 참조하십시오.