Regroupement des fichiers sources dans une recette

Ce tutoriel explique comment regrouper les fichiers sources fournis d’exemples de ventes au détail dans un fichier d’archive, qui peut être utilisé pour créer une recette dans Adobe Experience Platform Data Science Workspace en suivant le processus d’importation des recettes dans l’interface utilisateur ou à l’aide de l’API.

Concepts à comprendre :

Conditions préalables

Création de recettes

La création de recettes commence par le regroupement des fichiers afin de créer un fichier d’archives. Les fichiers Source définissent la logique et les algorithmes de machine learning utilisés pour résoudre un problème spécifique. Ils sont écrits en Python, R, PySpark ou Scala. Les fichiers d’archive créés prennent la forme d’une image Docker. Une fois créé, le fichier d’archive empaqueté est importé dans Data Science Workspace pour créer une recette dans l’interface utilisateur ou à l’aide de l’API.

Création de modèles basés sur Docker docker-based-model-authoring

Une image Docker permet au développeur d’empaqueter une application avec tous les éléments dont elle a besoin, comme les bibliothèques et autres dépendances, et de l’expédier sous forme d’un package unique.

L’image Docker créée est transmise au registre des conteneurs d’Azure à l’aide des informations d’identification fournies lors du workflow de création de recette.

Pour obtenir vos informations d’identification Azure Container Registry, connectez-vous à Adobe Experience Platform. Dans la colonne de navigation de gauche, accédez à Workflows. Sélectionnez Importer la recette puis Lancer. Voir la capture d’écran ci-dessous pour référence.

La page Configurer s’ouvre. Fournissez un Nom de la recette approprié, par exemple, « Recette Ventes au détail », et éventuellement une description ou une URL de documentation. Une fois l’opération terminée, cliquez sur Suivant.

Sélectionnez le Runtime approprié, puis choisissez un Classification pour Type. Vos informations d’identification Azure Container Registry sont générées une fois cette opération terminée.

Notez les valeurs de l’hôte Docker, du nom d’utilisateur et du mot de passe. Ils sont utilisés pour créer et diffuser votre image Docker dans les workflows décrits ci-dessous.

Regroupement des fichiers sources

Commencez par obtenir l’exemple de base de code qui se trouve dans le référentiel Experience Platform Data Science Workspace Reference.

Créer Python image Docker python-docker

Si vous ne l’avez pas fait, clonez le référentiel GitHub sur votre système local avec la commande suivante :

git clone https://github.com/adobe/experience-platform-dsw-reference.git

Accédez au répertoire experience-platform-dsw-reference/recipes/python/retail. Vous y trouverez les scripts login.sh et build.sh utilisés pour vous connecter à Docker et créer l’image Python Docker. Si vos informations d’identification Docker sont prêtes, saisissez les commandes suivantes dans l’ordre :

# for logging in to Docker
./login.sh

# for building Docker image
./build.sh

Notez que lors de l’exécution du script de connexion, vous devez fournir l’hôte Docker, le nom d’utilisateur et le mot de passe. Lors de la création, vous devez fournir l’hôte Docker et une balise de version pour la génération.

Une fois le script de génération terminé, vous recevez une URL de fichier source Docker dans la sortie de la console. Pour cet exemple spécifique, il se présente comme suit :

# URL format:
{DOCKER_HOST}/ml-retailsales-python:{VERSION_TAG}

Copiez cette URL et passez aux étapes suivantes.

Créer une image Docker r-docker

Si vous ne l’avez pas fait, clonez le référentiel GitHub sur votre système local avec la commande suivante :

git clone https://github.com/adobe/experience-platform-dsw-reference.git

Accédez au répertoire experience-platform-dsw-reference/recipes/R/Retail - GradientBoosting dans votre référentiel cloné. Vous y trouverez les fichiers login.sh et build.sh que vous utiliserez pour vous connecter à Docker et créer l’image R Docker. Si vos informations d’identification Docker sont prêtes, saisissez les commandes suivantes dans l’ordre :

# for logging in to Docker
./login.sh

# for build Docker image
./build.sh

Notez que lors de l’exécution du script de connexion, vous devez fournir l’hôte Docker, le nom d’utilisateur et le mot de passe. Lors de la création, vous devez fournir l’hôte Docker et une balise de version pour la génération.

Une fois le script de génération terminé, vous recevez une URL de fichier source Docker dans la sortie de la console. Pour cet exemple spécifique, il se présente comme suit :

# URL format:
{DOCKER_HOST}/ml-retail-r:{VERSION_TAG}

Copiez cette URL et passez aux étapes suivantes.

Créer une image PySpark Docker pyspark-docker

Commencez par cloner le référentiel GitHub sur votre système local à l’aide de la commande suivante :

git clone https://github.com/adobe/experience-platform-dsw-reference.git

Accédez au répertoire experience-platform-dsw-reference/recipes/pyspark/retail. Les scripts login.sh et build.sh se trouvent ici et servent à la connexion à Docker et à la création de l’image Docker. Si vos informations d’identification Docker sont prêtes, saisissez les commandes suivantes dans l’ordre :

# for logging in to Docker
./login.sh

# for building Docker image
./build.sh

Notez que lors de l’exécution du script de connexion, vous devez fournir l’hôte Docker, le nom d’utilisateur et le mot de passe. Lors de la création, vous devez fournir l’hôte Docker et une balise de version pour la génération.

Une fois le script de génération terminé, vous recevez une URL de fichier source Docker dans la sortie de la console. Pour cet exemple spécifique, il se présente comme suit :

# URL format:
{DOCKER_HOST}/ml-retailsales-pyspark:{VERSION_TAG}

Copiez cette URL et passez aux étapes suivantes.

Créer une image Scala Docker scala-docker

Commencez par cloner le référentiel GitHub sur votre système local avec la commande suivante dans le terminal :

git clone https://github.com/adobe/experience-platform-dsw-reference.git

Ensuite, accédez au experience-platform-dsw-reference/recipes/scala de répertoire dans lequel vous trouverez les scripts login.sh et build.sh. Ces scripts sont utilisés pour se connecter à Docker et créer l’image Docker. Si vos informations d’identification Docker sont prêtes, saisissez les commandes suivantes dans le terminal dans l’ordre :

# for logging in to Docker
./login.sh

# for building Docker image
./build.sh

Lors de l’exécution du script de connexion, vous devez fournir l’hôte Docker, le nom d’utilisateur et le mot de passe. Lors de la création, vous devez fournir l’hôte Docker et une balise de version pour la génération.

Une fois le script de génération terminé, vous recevez une URL de fichier source Docker dans la sortie de la console. Pour cet exemple spécifique, il se présente comme suit :

# URL format:
{DOCKER_HOST}/ml-retailsales-spark:{VERSION_TAG}

Copiez cette URL et passez aux étapes suivantes.

Étapes suivantes next-steps

Ce tutoriel a porté sur le conditionnement des fichiers sources dans une recette, l’étape préalable à l’importation d’une recette dans Data Science Workspace. Vous devez maintenant disposer d’une image Docker dans le registre des conteneurs d’Azure avec l’URL d’image correspondante. Vous êtes maintenant prêt à commencer le tutoriel sur l’importation d’une recette empaquetée dans Data Science Workspace. Pour commencer, sélectionnez l’un des liens de tutoriel ci-dessous :