8.3 Modelo de treinamento e experimentação

Então você preparou seus dados, criou seu modelo e empacotou para testá-lo em escala como uma receita. Agora vamos treinar e testar o modelo.

O URL para fazer logon no Adobe Experience Platform é: https://experience.adobe.com/platform

8.3.1 - Comboio de um modelo baseado numa receita

Log in to Adobe Experience Platform.

Depois de fazer logon, você chegará na página inicial do Adobe Experience Platform.

Assimilação de dados

Antes de continuar, tem de selecionar uma caixa de proteção. O nome da caixa de proteção a ser selecionada é --aepSandboxId--. Para fazer isso, clique no texto Production Prod (Produto de produção) na linha azul na parte superior da tela.

Assimilação de dados

Depois de selecionar a caixa de proteção apropriada, você verá a tela mudar e agora está na sua caixa de proteção dedicada.

Assimilação de dados

No menu esquerdo, clique em Modelos.

Neste exercício, você usará a fórmula criada no anterior para fazer recomendações de produtos.
In the top menu, click on Recipes.

DSW

Em Fórmulas, você encontrará várias receitas. Procure sua própria receita na lista, que deve ser nomeada ldapRecommendations.

Clique na sua ldapRecommendations receita para abri-la.

DSW

Agora você precisa criar seu próprio Modelo, com base na ldapRecommendations receita.
Para fazer isso, clique no botão Criar modelo .

DSW

Para treinar esse modelo, é necessário fornecer um conjunto de dados de entrada. Em nosso caso, você gerou dados para esse Conjunto de dados de entrada em 1 e o conjunto de dados de entrada agora contém informações sobre os dados de compra do produto.
O conjunto de dados a ser usado é chamado Demo System - Event Dataset for Recommendations Model Input (Global v1.1). Selecione-o na lista.

DSW

Clique em Avançar para continuar.

DSW

Na próxima etapa, é necessário definir um nome para o Modelo. Como convenção de nomenclatura, vamos usar: ldap - Recommendations Model e substitua ldap pelo ldap.

Exemplo: para ldap vangeluw, o nome se torna vangeluw - Recommendations Model.

DSW

Você também pode hiperajustar o Modelo alterando a Configuração do modelo. Para fazer isso, é possível alterar o número de recomendações e a fração de amostragem.

DSW

Se desejar atualizar os parâmetros de Configuração do Modelo, clique com o duplo em um dos parâmetros e atribua um novo valor a ele.

Por exemplo, eu gostaria de ter 3 recomendações com uma fração de amostragem de 0,8.

DSW

Depois de alterar esses valores, clique em Concluir para concluir a configuração.

DSW

Após alguns segundos, você será revertido para a página inicial do Modelo, onde você verá uma Execução de treinamento 1 com o status Pendente. O processo para concluir a execução do treinamento pode levar mais de 5 minutos.

DSW

Após 1 a 2 minutos, o status da sua Execução de treinamento será alterado para Em execução.

DSW

E 1 a 2 minutos depois, o status da Execução de treinamento será alterado para Concluído.

DSW

Quando a Execução de treinamento for concluída, você verá algumas métricas que indicam a qualidade da execução:

  • A chamada de atenção também é conhecida como Taxa Positiva Verdadeira e também como Sensibilidade: se o resultado real foi Sim, com que frequência o modelo previu Sim?

DSW

  • Precisão : Quando o modelo prevê Sim, com que frequência está correto?

DSW

O treinamento de um modelo requer mais de uma execução. Todas as Execuções de treinamento estarão visíveis nesta página e você poderá comparar seus resultados, para que você possa decidir qual é a mais bem sucedida.

DSW

Depois de treinar seu modelo, vamos pontuá-lo no próximo exercício.

Próxima etapa: 8.4 - Pontuação e consumo de insights

Voltar ao módulo 8

Voltar para todos os módulos

Nesta página