Création et publication d’un modèle de machine learning

Le guide suivant décrit les étapes requises pour créer et publier un modèle d’apprentissage automatique. Chaque section contient une description de ce que vous allez faire et un lien vers l’interface utilisateur et la documentation de l’API pour réaliser l’étape décrite.

Prise en main

Avant de commencer ce tutoriel, vous devez disposer des éléments suivants :

Exploration des données et compréhension des schémas

Connectez-vous à Adobe Experience Platform et sélectionnez Jeux de données pour répertorier tous les jeux de données existants et sélectionnez le jeu de données que vous souhaitez explorer. Dans ce cas, vous devez sélectionner le jeu de données Luma web data.

La page d’activité du jeu de données s’ouvre, répertoriant les informations relatives à votre jeu de données. Vous pouvez sélectionner Aperçu du jeu de données près du coin supérieur droit pour examiner des exemples d’enregistrements. Vous pouvez également afficher le schéma du jeu de données sélectionné.

Sélectionnez le lien du schéma dans le rail droit. Une fenêtre contextuelle s’affiche, lorsque vous sélectionnez le lien sous nom du schéma, le schéma s’ouvre dans un nouvel onglet.

Vous pouvez explorer plus en détail les données à l’aide du notebook d’analyse des données exploratoires (EDA) fourni. Ce notebook peut être utilisé pour aider à comprendre les modèles dans les données Luma, vérifier l’intégrité des données et résumer les données pertinentes pour le modèle de propension prédictive. Pour en savoir plus sur l’analyse des données exploratoires, consultez la documentation EDA.

Création de la recette de propension Luma author-your-model

Un composant principal du cycle de vie Data Science Workspace implique la création de recettes et de modèles. Le modèle de propension de Luma est conçu pour générer une prédiction indiquant si les clients ont une forte propension à acheter un produit auprès de Luma.

Pour créer le modèle de propension Luma, le modèle de créateur de recettes est utilisé. Les recettes sont la base d’un modèle, car elles contiennent des algorithmes d’apprentissage automatique et une logique conçue pour résoudre des problèmes spécifiques. Plus important encore, les recettes vous permettent de démocratiser le machine learning au sein de votre organisation, en permettant à d’autres utilisateurs d’accéder à un modèle pour des cas d’utilisation variés sans devoir coder.

Suivez le tutoriel Création d’un modèle à l’aide des notebooks JupyterLab pour créer la recette du modèle de propension Luma utilisée dans les tutoriels suivants.

Importez et empaquetez une recette à partir de sources externes (facultatif)

Si vous souhaitez importer et empaqueter une recette à utiliser dans Data Science Workspace, vous devez regrouper vos fichiers source dans un fichier d’archive. Suivez le tutoriel Former une recette à partir de fichiers source de package. Ce tutoriel vous explique comment regrouper des fichiers source dans une recette, étape prérequise pour importer une recette dans Data Science Workspace. Une fois le tutoriel terminé, vous recevez une image Docker dans un Azure Container Registry, ainsi que l’URL d’image correspondante, c’est-à-dire un fichier d’archive.

Ce fichier d’archive peut être utilisé pour créer une recette dans Data Science Workspace en suivant le processus d’importation de la recette à l’aide du workflow de l’interface utilisateur ou du workflow de l’API.

Former et évaluer un modèle train-and-evaluate-your-model

Maintenant que vos données sont préparées et qu’une recette est prête, vous avez la possibilité de créer, de former et d’évaluer davantage votre modèle d’apprentissage automatique. Lors de l’utilisation du créateur de recettes, vous devez avoir déjà formé, noté et évalué votre modèle avant de le transformer en recette.

L’interface utilisateur et l’API de Data Science Workspace vous permettent de publier votre recette en tant que modèle. En outre, vous pouvez affiner davantage certains aspects spécifiques de votre modèle, tels que l’ajout, la suppression et la modification d’hyperparamètres.

Création d’un modèle

Pour en savoir plus sur la création d’un modèle à l’aide de l’interface utilisateur, consultez le tutoriel sur la formation et l’évaluation d’un modèle dans Data Science Workspace 🔗 ou le tutoriel sur l’API. Ce tutoriel fournit un exemple de création, de formation et de mise à jour d’hyperparamètres pour affiner votre modèle.

Notation d’un modèle score-a-model

L’étape suivante de la création et de la publication d’un modèle consiste à rendre opérationnel votre modèle afin de recueillir et d’exploiter les insights du lac de données et de Real-Time Customer Profile.

La notation dans Data Science Workspace peut être obtenue en alimentant les données d’entrée dans un modèle formé existant. Les résultats de la notation sont ensuite stockés et consultables dans un jeu de données de sortie spécifié sous la forme d’un nouveau lot.

Pour savoir comment noter votre modèle, consultez le tutoriel sur l’interface utilisateur ou le tutoriel sur l’API de noter un modèle.

Publish d’un modèle noté en tant que service

Data Science Workspace vous permet de publier votre modèle formé en tant que service. Cela permet aux utilisateurs de votre entreprise de noter des données sans avoir à créer leurs propres modèles.

Pour savoir comment publier un modèle en tant que service, consultez le tutoriel sur l’interface utilisateur ou le tutoriel sur l’API.

Planification de la formation automatisée d’un service

Une fois que vous avez publié un modèle en tant que service, vous pouvez configurer des exécutions de notation et de formation planifiées pour votre service d’apprentissage automatique. L’automatisation du processus de formation et de notation peut contribuer à maintenir et à améliorer l’efficacité d’un service tout au long du temps en suivant les schémas de vos données. Consultez le tutoriel Planification d’un modèle dans l’interface utilisateur de Data Science Workspace .

Étapes suivantes next-steps

Adobe Experience Platform Data Science Workspace fournit les outils et les ressources nécessaires pour créer, évaluer et utiliser des modèles d’apprentissage automatique afin de générer des prédictions et des insights sur les données. Lorsque des insights d’apprentissage automatique sont ingérés dans un jeu de données Profile activé, ces mêmes données sont également ingérées en tant qu’enregistrements Profile qui peuvent ensuite être segmentées à l’aide de Adobe Experience Platform Segmentation Service.

À mesure que les données de profil et de série temporelle sont ingérées, Real-Time Customer Profile décide automatiquement d’inclure ou d’exclure ces données des segments par le biais d’un processus continu appelé segmentation par flux, avant de les fusionner avec les données existantes et de mettre à jour la vue d’union. Par conséquent, vous pouvez instantanément effectuer des calculs et prendre des décisions pour offrir aux clients des expériences personnalisées et améliorées lorsqu’ils interagissent avec votre marque.

Consultez le tutoriel pour enrichir Real-time Customer Profile avec des insights d’apprentissage automatique afin d’en savoir plus sur l’utilisation des insights d’apprentissage automatique.