Creación y publicación de un modelo de aprendizaje automático

En la siguiente guía se describen los pasos necesarios para crear y publicar un modelo de aprendizaje automático. Cada sección contiene una descripción de lo que va a hacer y un vínculo a la interfaz de usuario y a la documentación de la API para realizar el paso descrito.

Introducción

Antes de iniciar este tutorial, debe cumplir los siguientes requisitos previos:

Explorar los datos y comprender los esquemas

Inicie sesión en Adobe Experience Platform y seleccione Conjuntos de datos para ver una lista de todos los conjuntos de datos existentes y seleccione el conjunto de datos que desee explorar. En este caso, debe seleccionar el conjunto de datos Luma web data.

Se abre la página de actividad del conjunto de datos, que enumera información relacionada con el conjunto de datos. Puede seleccionar Previsualizar conjunto de datos cerca de la parte superior derecha para examinar los registros de muestra. También puede ver el esquema del conjunto de datos seleccionado.

Seleccione el vínculo de esquema en el carril derecho. Aparece una ventana emergente y, al seleccionar el vínculo bajo nombre de esquema, se abre el esquema en una nueva pestaña.

Puede explorar aún más los datos con el bloc de notas de análisis exploratorio de datos (EDA) proporcionado. Este bloc de notas se puede utilizar para comprender mejor los patrones de los datos de Luma, comprobar la sanidad de los datos y resumir los datos relevantes para el modelo de tendencia predictiva. Para obtener más información acerca del análisis exploratorio de datos, visite la documentación de EDA.

Creación de la fórmula de tendencia de Luma author-your-model

Un componente principal del ciclo de vida Data Science Workspace implica la creación de fórmulas y modelos. El modelo de tendencia de Luma está diseñado para generar una predicción sobre si los clientes tienen una alta tendencia a comprar un producto de Luma.

Para crear el modelo de tendencia de Luma, se utiliza la plantilla del generador de fórmulas. Las fórmulas son la base de un modelo, ya que contienen algoritmos de aprendizaje automático y lógica diseñados para resolver problemas específicos. Más importante aún, las fórmulas le permiten democratizar el aprendizaje automático en toda la organización, lo que permite a otros usuarios acceder a un modelo para casos de uso dispares sin escribir ningún código.

Siga el tutorial Crear un modelo con JupyterLab Notebooks para crear la fórmula del modelo de tendencia de Luma que se utilizará en tutoriales posteriores.

Importar y empaquetar una fórmula desde orígenes externos (opcional)

Si desea importar y empaquetar una fórmula para utilizarla en Data Science Workspace, debe empaquetar los archivos de origen en un archivo de almacenamiento. Seguir los archivos de origen del paquete en un tutorial de fórmula. Este tutorial muestra cómo empaquetar archivos de origen en una fórmula, que es el paso previo para importar una fórmula en Data Science Workspace. Una vez completado el tutorial, se le proporciona una imagen Docker en un Registro de contenedores de Azure, junto con la URL de imagen correspondiente, en otras palabras, un archivo.

Este archivo puede utilizarse para crear una fórmula en Data Science Workspace siguiendo el flujo de trabajo de importación de fórmulas con flujo de trabajo de interfaz de usuario o flujo de trabajo de API.

Entrena y evalúa un modelo train-and-evaluate-your-model

Ahora que los datos están preparados y la fórmula está lista, puede crear, entrenar y evaluar el modelo de aprendizaje automático en mayor medida. Al utilizar el Generador de fórmulas, ya debería haber entrenado, puntuado y evaluado el modelo antes de empaquetarlo en una fórmula.

La IU y la API de Data Science Workspace le permiten publicar la fórmula como modelo. Además, puede ajustar aún más aspectos específicos del modelo, como agregar, quitar y cambiar hiperparámetros.

Crear un modelo

Para obtener más información sobre cómo crear un modelo mediante la interfaz de usuario, visite el tren y evalúe un modelo en el tutorial de la interfaz de usuario o en el tutorial de la API de Data Science Workspace. Este tutorial proporciona un ejemplo sobre cómo crear, entrenar y actualizar hiperparámetros para ajustar el modelo.

Puntuación de un modelo score-a-model

El siguiente paso para crear y publicar un modelo es ponerlo en funcionamiento para puntuar y consumir perspectivas del lago de datos y del perfil del cliente en tiempo real.

La puntuación en Data Science Workspace se puede lograr alimentando los datos de entrada en un modelo entrenado existente. A continuación, los resultados de puntuación se almacenan y pueden verse en un conjunto de datos de salida especificado como un nuevo lote.

Para aprender a puntuar tu modelo, visita el tutorial de la interfaz de usuario o el tutorial de la API de puntuación en un modelo.

Publish es un modelo con puntuación como servicio

Data Science Workspace le permite publicar su modelo entrenado como servicio. Esto permite a los usuarios de su organización puntuar los datos sin necesidad de crear sus propios modelos.

Para aprender a publicar un modelo como servicio, visita el tutorial de la interfaz de usuario o el tutorial de la API.

Programar formación automatizada para un servicio

Una vez que haya publicado un modelo como servicio, puede configurar ejecuciones programadas de puntuación y formación para el servicio de aprendizaje automático. La automatización del proceso de formación y puntuación puede ayudar a mantener y mejorar la eficacia de un servicio a lo largo del tiempo, al estar al día con los patrones de los datos. Visite el tutorial Programar un modelo en la interfaz de usuario de Data Science Workspace.

Pasos siguientes next-steps

Adobe Experience Platform Data Science Workspace proporciona las herramientas y los recursos para crear, evaluar y utilizar modelos de aprendizaje automático con el fin de generar predicciones y perspectivas de datos. Cuando se incorporan datos de aprendizaje automático en un conjunto de datos habilitado para Profile, esos mismos datos también se incorporan como Profile registros que luego se pueden segmentar con Adobe Experience Platform Segmentation Service.

A medida que se incorporan los datos de perfil y serie temporal, el Perfil del cliente en tiempo real decide automáticamente incluir o excluir esos datos de los segmentos a través de un proceso continuo denominado segmentación de flujo continuo, antes de combinarlos con los datos existentes y actualizar la vista de unión. Como resultado, puede realizar cálculos y tomar decisiones de forma instantánea para ofrecer experiencias mejoradas e individualizadas a los clientes mientras interactúan con su marca.

Visite el tutorial para enriquecer el perfil del cliente en tiempo real con perspectivas de aprendizaje automático para obtener más información sobre cómo puede utilizar las perspectivas de aprendizaje automático.