15.4 Formation et score de votre recette

Après avoir créé une recette, vous pouvez maintenant former et marquer votre recette sans avoir à toucher à nouveau le code.

15.4.1 Formation d'un modèle basé sur une recette

Connectez-vous à Adobe Experience Platform en accédant à cette URL : https://experience.adobe.com/platform.

Une fois connecté, vous accédez à la page d'accueil de Adobe Experience Platform.

Avant de continuer, vous devez sélectionner un sandbox. Le sandbox à sélectionner est nommé --aepSandboxId--. Pour ce faire, cliquez sur le texte Production Prod dans la ligne bleue située en haut de votre écran.

Après avoir sélectionné le sandbox approprié, vous verrez l'écran changer et vous êtes maintenant dans votre sandbox dédié.

Dans le menu de gauche, cliquez sur Modèles.

Dans cet exercice, vous utiliserez une recette prédéfinie pour créer un modèle de prévision des ventes d'assurance-automobile.

Dans le menu supérieur, cliquez sur Recettes.

Dans Recettes, vous trouverez plusieurs recettes. Recherchez votre propre recette dans la liste, qui doit être nommée ldapCarInsurancePropensity.

Cliquez sur la ldapCarInsurancePropensity recette pour l'ouvrir.

Vous devez maintenant créer votre propre modèle, basé sur la ldapCarInsurancePropensity recette.

Pour ce faire, cliquez sur le bouton Créer un modèle .

Pour former ce modèle, vous devez lui fournir un jeu de données d'entrée. Dans notre cas, le jeu de données à utiliser est appelé Demo System - Event Dataset for Website (Global v1.1). Sélectionnez-le dans la liste.

Cliquez sur Suivant pour continuer.

Dans l'étape suivante, vous devez définir un nom pour votre modèle. En tant que convention d’affectation de nom, utilisons : ldap - CarInsurancePropensity Model et remplacez ldap par votre ldap.

Exemple : pour ldap vangeluw, le nom devient vangeluw - CarInsurancePropensity Model.

Vous pouvez également régler le modèle par hyperfréquence en modifiant la configuration du modèle. Pour ce faire, vous pouvez, par exemple, modifier le paramètre n_estimators ou le paramètre max_depth.

Si vous souhaitez mettre à jour les paramètres de configuration du modèle, cliquez sur l'un des paramètres en doublon et donnez-lui une nouvelle valeur.

Cliquez ensuite sur Terminer pour terminer votre configuration.

Au bout de quelques secondes, vous revenez à la page d'accueil du modèle, où vous verrez une session de formation 1 avec l'état En attente. Le processus de fin de la période de formation peut prendre plus de 5 minutes.

Au bout de 1 à 2 minutes, l’état de votre session de formation devient En cours d’exécution.

Et 1 à 2 minutes plus tard, l’état de la Course de formation devient Terminé.

Une fois l’exécution de formation terminée, une mesure d’exactitude indique la réussite du modèle. (En raison du manque de données de formation, la précision ne dit pas grand chose dans cette situation de démonstration).

La formation d’un modèle nécessite plusieurs exécutions. Toutes les exécutions de formation seront visibles sur cette page et vous pourrez comparer leurs résultats, de sorte que vous puissiez choisir celui qui remporte le plus de succès.

15.4.2 Score d’un modèle en fonction d’une recette

Après avoir formé un modèle, vous pouvez utiliser le modèle pour marquer et, en tant que tel, faire en sorte que le modèle calcule les scores de propension des ventes d'assurance automobile qui peuvent être activés par le ciblage.

Pour début du score, réouvrons la Course de formation 1 en cliquant dessus.

Après avoir ouvert la session de formation 1, vous verrez un aperçu complet de la session de formation et, à l’avenir, d’autres options de visualisation seront ajoutées.

Pour marquer des points, vous devez cliquer sur le bouton + Score dans le coin supérieur droit de votre écran.

Dans l’étape suivante, vous devez à nouveau sélectionner un jeu de données d’entrée. Choisissons le Demo System - Event Dataset for Website (Global v1.1) jeu de données.

Après avoir sélectionné le jeu de données d’entrée, cliquez sur Suivant.

Dans l’étape suivante, vous devez sélectionner un jeu de données pour lequel la plateforme produira des résultats. Dans ce cas, sélectionnez le Demo System - Profile Dataset for ML Predictions (Global v1.1) jeu de données.

Après avoir sélectionné le jeu de données de sortie, cliquez sur Suivant.

Dans l'écran suivant, vous pouvez à nouveau spécifier/modifier certains paramètres de configuration du modèle.

Après avoir mis à jour les paramètres de configuration du modèle, cliquez sur Terminer.

Une exécution de score est maintenant créée et a le statut En attente, qui devient En cours.

Et 1 à 2 minutes plus tard, l’état de la série de scores devient Terminé.

Et pour finir, prévisualisation les résultats. Cliquez sur Score Run 1

Cliquez ensuite sur le jeu de données des résultats du score de Prévisualisation.

Cliquez sur Fermer pour fermer la fenêtre Résultats du score de Prévisualisation.

Étape suivante : 15.5 Publier votre recette en tant que service planifié

Revenir au module 15

Revenir à tous les modules