Pipelines de fonctionnalités d’IA/ML
Data Distiller permet aux spécialistes des données et aux ingénieurs d’enrichir leurs pipelines de machine learning avec des données d’expérience client à forte valeur ajoutée qui ont été collectées et traitées dans Adobe Experience Platform. Depuis un notebook Python dans n’importe quel environnement, vous pouvez explorer de manière interactive les données client dans Experience Platform, définir et calculer des fonctionnalités à partir des données et lire les fonctionnalités calculées dans votre environnement de machine learning pour la modélisation.
- Grâce aux puissantes fonctionnalités de requête du Distiller de données, vous pouvez extraire des fonctionnalités significatives des riches données comportementales disponibles dans Experience Platform. Vous pouvez ensuite importer les données de fonctionnalités distillées dans votre environnement de machine learning sans avoir à copier d’importants volumes de données d’événement en dehors d’Experience Platform.
- Lisez le jeu de données de fonctionnalités préparé dans vos outils de machine learning préférés et combinez-le à d’autres fonctionnalités dérivées des données d’entreprise pour entraîner, expérimenter, ajuster et déployer des modèles personnalisés adaptés à votre entreprise.
- Générez des scores, des prédictions ou des recommandations à partir de vos modèles et renvoyez la sortie à Experience Platform pour optimiser les expériences client via Real-Time Customer Data Platform et Adobe Journey Optimizer.
Conditions préalables prerequisites
Ce workflow nécessite une compréhension pratique des différents aspects de Adobe Experience Platform. Avant de commencer ce tutoriel, veuillez consulter la documentation relative aux concepts suivants :
- Comment authentifier et accéder aux API Experience Platform.
- Sandbox : autorisations de contrôle d’accès basé sur les attributs et comment créer et gérer des rôles, ainsi qu’attribuer les autorisations de ressources souhaitées pour ces rôles.
- Gouvernance des données : comment appliquer des libellés d’utilisation des données aux jeux de données et aux champs en les classant en fonction des politiques de gouvernance des données et des politiques de contrôle d’accès associées.
Étapes suivantes
En lisant ce document, vous avez découvert les concepts importants sous-jacents à l’utilisation de vos outils de machine learning préférés pour créer des modèles personnalisés qui prennent en charge vos cas d’utilisation marketing.
Les documents inclus dans cette série de guides décrivent les étapes de base de la création de pipelines de fonctionnalités à partir d’Experience Platform pour alimenter des modèles personnalisés dans votre environnement de machine learning. Vous êtes maintenant prêt à établir une connexion entre Data Distiller et votre Jupyter Notebook.
La documentation ci-dessous correspond aux étapes indiquées dans l'infographie ci-dessus.
Ressources supplémentaires
- aepp : bibliothèque Python open source gérée par Adobe pour envoyer des requêtes à Data Distiller et à d’autres services Experience Platform à partir de code Python.