Publish creó un modelo como servicio utilizando Sensei Machine Learning API

NOTE
Data Science Workspace ya no se puede adquirir.
Esta documentación está destinada a clientes existentes con derechos anteriores a Data Science Workspace.

Este tutorial cubre el proceso de publicación de un modelo como servicio mediante Sensei Machine Learning API.

Introducción

Este tutorial requiere una comprensión práctica de Adobe Experience Platform Data Science Workspace. Antes de comenzar este tutorial, revise la descripción general de Data Science Workspace para obtener una introducción de alto nivel al servicio.

Para seguir este tutorial, debe tener un motor ML, una instancia ML y un experimento existentes. Para ver los pasos sobre cómo crearlos en la API, consulta el tutorial sobre importación de una fórmula empaquetada.

Por último, antes de iniciar este tutorial, consulte la sección introducción de la guía para desarrolladores para obtener información importante que necesita conocer para realizar correctamente llamadas a la API Sensei Machine Learning, incluidos los encabezados necesarios utilizados en este tutorial:

  • {ACCESS_TOKEN}
  • {ORG_ID}
  • {API_KEY}

Todas las solicitudes de POST, PUT y PATCH requieren un encabezado adicional:

  • Content-Type: application/json

Términos clave

En la tabla siguiente se describen algunos términos comunes utilizados en este tutorial:

Término
Definición
Instancia de aprendizaje automático (instancia ML)
Instancia de un motor Sensei para un inquilino concreto, que contiene datos, parámetros y código Sensei específicos.
Experimento
Una entidad paraguas para mantener carreras aprendizaje Experimento, anotar carreras Experimento o ambas.
Programado Experimento
Término para describir la automatización de carreras de Experimento de aprendizaje o puntuación, regidas por una programación definida por usuario.
Ejecución de experimento
Una instancia concreta de experimentos de formación o puntuación. Varias Experimento Las ejecuciones de un Experimento en particular pueden diferir en conjunto de datos valores utilizados para la aprendizaje o la puntuación.
Modelo entrenado
Un modelo de aprendizaje automático creado por el proceso de experimentación e ingeniería de características antes de llegar a un modelo validado, evaluado y finalizado.
Modelo publicado
Un modelo finalizado y versionado al que se llegó después de aprendizaje, validación y evaluación.
Servicio de aprendizaje automático (servicio ML)
Instancia de ML implementada como servicio para admitir solicitudes bajo demanda de formación y puntuación mediante un extremo de API. También se puede crear un servicio XML utilizando ejecuciones de experimento formadas existentes.

Crear un servicio ML con una ejecución de experimento de formación existente y una puntuación programada.

Al publicar un experimento de formación Ejecutar como servicio ML, puede programar la puntuación proporcionando detalles para la puntuación del experimento Ejecutar la carga útil de una solicitud de POST. Esto resulta en la creación de una entidad de Experimento programada para la puntuación.

Formato de API

POST /mlServices

Solicitud

curl -X POST
  https://platform.adobe.io/data/sensei/mlServices
  -H 'Authorization: {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -H 'Content-Type: application/json'
  -d '{
        "name": "Service name",
        "description": "Service description",
        "trainingExperimentId": "c4155146-b38f-4a8b-86d8-1de3838c8d87",
        "trainingExperimentRunId": "5c5af39c73fcec153117eed1",
        "scoringDataSetId": "5c5af39c73fcec153117eed1",
        "scoringTimeframe": "20000",
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'
Propiedad
Descripción
mlInstanceId
Identificación de instancia ML existente, la ejecución de experimento de formación utilizada para crear el servicio ML debe corresponder a esta instancia ML concreta.
trainingExperimentId
Identificación del experimento correspondiente a la identificación de la instancia de ML.
trainingExperimentRunId
Se utilizará una ejecución de experimento de formación concreta para publicar el servicio XML.
scoringDataSetId
Identificación que hace referencia al conjunto de datos específico que se utilizará para la puntuación programada en Ejecuciones de experimento.
scoringTimeframe
Un valor entero que representa los minutos para filtrar los datos que se utilizarán para puntuar las ejecuciones de experimento. Por ejemplo, un valor de 10080 significa que se usarán datos de los últimos 10080 minutos o 168 horas para cada ejecución de experimento de puntuación programada. Tenga en cuenta que un valor de 0 no filtrará los datos, todos los datos dentro del conjunto de datos se utilizan para la puntuación.
scoringSchedule
Contiene detalles sobre las ejecuciones de experimentos de puntuación programadas.
scoringSchedule.startTime
Fecha y hora que indica cuándo iniciar la puntuación.
scoringSchedule.endTime
Fecha y hora que indica cuándo iniciar la puntuación.
scoringSchedule.cron
Valor Cron que indica el intervalo con el que se va a puntuar la ejecución del experimento.

Respuesta

Una respuesta correcta devuelve los detalles del servicio ML recién creado, incluido su id único y el scoringExperimentId para su experimento de puntuación correspondiente.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingExperimentRunId": "string",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "scoringSchedule": {
    "startTime": "2019-03-13T00:00",
    "endTime": "2019-03-14T00:00",
    "cron": "30 * * * *"
  },
  "created": "2019-04-08T14:45:25.981Z",
  "updated": "2019-04-08T14:45:25.981Z"
}

Creación de un servicio XML a partir de una instancia XML existente

Según el caso de uso y los requisitos específicos, la creación de un servicio XML con una instancia XML es flexible en términos de programación de la formación y la puntuación de las ejecuciones de experimentos. Este tutorial analizará los casos específicos en los que:

Tenga en cuenta que se puede crear un servicio XML con una instancia XML sin programar ningún experimento de formación o puntuación. Estos servicios XML crearán entidades de experimento normales y una única ejecución de experimento para formación y puntuación.

Servicio ML con experimento programado para puntuación ml-service-with-scheduled-experiment-for-scoring

Puede crear un servicio XML publicando una instancia XML con ejecuciones de experimento programadas para puntuación, lo que creará una entidad de experimento normal para formación. Se genera una ejecución de experimento de formación que se utilizará en todas las ejecuciones de experimento de puntuación programadas. Asegúrese de que dispone de los mlInstanceId, trainingDataSetId y scoringDataSetId necesarios para la creación del servicio XML y de que existen y son valores válidos.

Formato de API

POST /mlServices

Solicitud

curl -X POST
  https://platform.adobe.io/data/sensei/mlServices
  -H 'Authorization: {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -H 'x-sandbox-name: {SANDBOX_NAME}'
  -d '{
        "name": "Service name",
        "description": "Service description",
        "mlInstanceId": "c4155146-b38f-4a8b-86d8-1de3838c8d87",
        "trainingDataSetId": "5c5af39c73fcec153117eed1",
        "trainingTimeframe": "10000",
        "scoringDataSetId": "5c5af39c73fcec153117eed1",
        "scoringTimeframe": "20000",
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'
Clave JSON
Descripción
mlInstanceId
Identificación de instancia de ML existente, que representa la instancia de ML utilizada para crear el servicio ML.
trainingDataSetId
Identificación que hace referencia al conjunto de datos específico que se utilizará para el experimento de formación.
trainingTimeframe
Un valor entero que representa los minutos para filtrar los datos que se utilizarán para el experimento de formación. Por ejemplo, un valor de "10080" significa que se utilizarán datos de los últimos 10080 minutos o 168 horas para la ejecución del experimento de formación. Tenga en cuenta que un valor de "0" no filtrará los datos, todos los datos dentro del conjunto de datos se utilizan para aprendizaje.
scoringDataSetId
Identificación que hace referencia al conjunto de datos específico que se utilizará para la puntuación programada en Ejecuciones de experimento.
scoringTimeframe
Un valor entero que representa los minutos para filtrar los datos que se utilizarán para puntuar las ejecuciones de experimento. Por ejemplo, un valor de "10080" significa que se usarán datos de los últimos 10080 minutos o 168 horas para cada ejecución de experimento de puntuación programada. Tenga en cuenta que un valor de "0" no filtrará los datos, todos los datos dentro del conjunto de datos se utilizan para la puntuación.
scoringSchedule
Contiene detalles sobre las ejecuciones de experimentos de puntuación programadas.
scoringSchedule.startTime
Fecha y hora que indica cuándo iniciar la puntuación.
scoringSchedule.endTime
Fecha y hora que indica cuándo iniciar la puntuación.
scoringSchedule.cron
Valor Cron que indica el intervalo con el que se va a puntuar la ejecución del experimento.

Respuesta

Una respuesta correcta devuelve los detalles del servicio XML recién creado. Esto incluye el(la) único(a) id del servicio, así como trainingExperimentId y scoringExperimentId para sus correspondientes experimentos de entrenamiento y puntuación, respectivamente.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T08:58:10.956Z"
}

Servicio ML con experimentos programados para formación y puntuación ml-service-with-scheduled-experiments-for-training-and-scoring

Para publicar una instancia de ML existente como servicio ML con formación programada y ejecuciones de experimento de puntuación, debe proporcionar programaciones de formación y puntuación. Cuando se crea un servicio XML de esta configuración, también se crean entidades de experimento programadas tanto para formación como para puntuación. Tenga en cuenta que los horarios de formación y puntuación no tienen que ser los mismos. Durante la ejecución de un trabajo de puntuación, se recuperará el último modelo entrenado producido por aprendizaje Experimento Runs programadas y se utilizará para la ejecución de puntuación programada.

Formato de API

POST /mlServices

Solicitud

curl -X POST 'https://platform.adobe.io/data/sensei/mlServices'
  -H 'Authorization: Bearer {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -H 'x-sandbox-name: {SANDBOX_NAME}'
  -d '{
        "name": "string",
        "description": "string",
        "mlInstanceId": "string",
        "trainingDataSetId": "string",
        "trainingTimeframe": "string",
        "scoringDataSetId": "string",
        "scoringTimeframe": "string",
        "trainingSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        },
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'
Clave JSON
Descripción
mlInstanceId
Identificación de instancia de ML existente, que representa la instancia de ML utilizada para crear el servicio ML.
trainingDataSetId
Identificación referida al conjunto de datos específico que se utilizará para aprendizaje Experimento.
trainingTimeframe
Un valor entero que representa los minutos para filtrar datos que se utilizarán para aprendizaje Experimento. Por ejemplo, se utilizará un valor de datos medios "10080" de los últimos 10080 minutos o 168 horas para la aprendizaje Experimento ejecución. Tenga en cuenta que un valor de "0" no filtrará datos, todos los datos dentro del conjunto de datos se utilizan para aprendizaje.
scoringDataSetId
Identificación referida al conjunto de datos específicos que se utilizarán para las carreras de Experimento de puntuación programadas.
scoringTimeframe
Un valor entero que representa los minutos que hay para filtrar datos que se utilizarán para puntuar Experimento carreras. Por ejemplo, se utilizará un valor de datos de "10080" medias de los últimos 10080 minutos o 168 horas para cada puntuación programada Experimento carrera. Tenga en cuenta que un valor de "0" no filtrará los datos, todos los datos dentro del conjunto de datos se utilizan para la puntuación.
trainingSchedule
Contiene detalles sobre las ejecuciones de experimentos de formación programadas.
scoringSchedule
Contiene detalles sobre las ejecuciones de experimentos de puntuación programadas.
scoringSchedule.startTime
Fecha y hora que indica cuándo iniciar la puntuación.
scoringSchedule.endTime
Fecha y hora que indica cuándo iniciar la puntuación.
scoringSchedule.cron
Valor Cron que indica el intervalo con el que se va a puntuar la ejecución del experimento.

Respuesta

Una respuesta correcta devuelve los detalles del servicio de aprendizaje automático recién creado. Esto incluye el servicio único id, así como el trainingExperimentId y scoringExperimentId de sus correspondientes aprendizaje y puntuación, respectivamente. En la respuesta de ejemplo siguiente, la presencia de y scoringSchedule sugiere que las entidades Experimento trainingSchedule para aprendizaje y puntuación son experimentos programados.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",,
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T08:58:10.956Z"
}

Look un servicio de aprendizaje automático retrieving-ml-services

Puede buscar un servicio de ML existente haciendo un GET solicitud y /mlServices proporcionando el único id del servicio de ML en la ruta.

Formato de API

GET /mlServices/{SERVICE_ID}
Parámetro
Descripción
{SERVICE_ID}
El único id del servicio ML que está buscando.

Solicitud

curl -X GET 'https://platform.adobe.io/data/sensei/mlServices/{SERVICE_ID}'
  -H 'Authorization: Bearer {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -H 'x-sandbox-name: {SANDBOX_NAME}'

Respuesta

Una respuesta correcta devuelve los detalles del servicio XML.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-05-13T23:46:03.478Z",
  "updated": "2019-05-13T23:46:03.478Z"
}
NOTE
La recuperación de diferentes servicios XML puede devolver una respuesta con más o menos pares clave-valor. La respuesta anterior es una representación de un servicio ML con entrenamiento programado y ejecuciones de experimento de puntuación.

Programar formación o puntuación

Si desea programar la puntuación y la formación en un servicio XML que ya se ha publicado, puede hacerlo actualizando el servicio XML existente con una solicitud PUT en /mlServices.

Formato de API

PUT /mlServices/{SERVICE_ID}
Parámetro
Descripción
{SERVICE_ID}
El único id del servicio XML que está actualizando.

Solicitud

La siguiente solicitud programa la formación y la puntuación de un servicio XML existente agregando las claves trainingSchedule y scoringSchedule con sus respectivas claves startTime, endTime y cron.

curl -X PUT 'https://platform.adobe.io/data/sensei/mlServices/{SERVICE_ID}'
  -H 'Authorization: {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -H 'x-sandbox-name: {SANDBOX_NAME}'
  -d '{
        "name": "string",
        "description": "string",
        "mlInstanceId": "string",
        "trainingExperimentId": "string",
        "trainingDataSetId": "string",
        "trainingTimeframe": "integer",
        "scoringExperimentId": "string",
        "scoringDataSetId": "string",
        "scoringTimeframe": "integer",
        "trainingSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-11T00:00",
          "cron": "20 * * * *"
        },
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-11T00:00",
          "cron": "20 * * * *"
        }
      }'
WARNING
No intente modificar startTime en los trabajos de entrenamiento y puntuación programados existentes. Si se debe modificar startTime, considere la posibilidad de publicar el mismo modelo y reprogramar los trabajos de formación y puntuación.

Respuesta

Una respuesta correcta devuelve los detalles del servicio XML actualizado.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-11T00:00",
    "cron": "20 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-11T00:00",
    "cron": "20 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T09:43:55.563Z"
}
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9