Creare e pubblicare un modello di apprendimento automatico

La guida seguente descrive i passaggi necessari per creare e pubblicare un modello di apprendimento automatico. Ogni sezione contiene una descrizione delle operazioni da eseguire e un collegamento alla documentazione dell’interfaccia utente e dell’API per eseguire il passaggio descritto.

Introduzione

Prima di avviare questa esercitazione, è necessario disporre dei seguenti prerequisiti:

Esplorare i dati e comprendere gli schemi

Accedi a Adobe Experience Platform e seleziona Set di dati per elencare tutti i set di dati esistenti e selezionare il set di dati che desideri esplorare. In questo caso, seleziona il set di dati Dati web Luma.

Viene visualizzata la pagina dell’attività Set di dati, in cui sono elencate le informazioni relative al set di dati. Puoi selezionare Anteprima set di dati in alto a destra per esaminare record di esempio. Puoi anche visualizzare lo schema per il set di dati selezionato.

Seleziona il collegamento dello schema nella barra a destra. Viene visualizzato un popover. Selezionando il collegamento in nome schema, lo schema viene aperto in una nuova scheda.

Puoi esplorare ulteriormente i dati utilizzando il blocco appunti EDA (Exploratory Data Analysis) fornito. Questo blocco appunti può essere utilizzato per comprendere i pattern nei dati Luma, verificare la correttezza dei dati e riepilogare i dati rilevanti per il modello di propensione predittiva. Per ulteriori informazioni sull'analisi esplorativa dei dati, consulta la documentazione EDA.

Creare la ricetta della propensione Luma author-your-model

Un componente principale del ciclo di vita Data Science Workspace prevede l'authoring di ricette e modelli. Il modello di propensione Luma è progettato per generare una previsione sulla probabilità che i clienti abbiano un’elevata propensione ad acquistare un prodotto da Luma.

Per creare il modello di propensione Luma, viene utilizzato il modello per la generazione di formule. Le ricette sono la base per un Modello, in quanto contengono algoritmi di apprendimento automatico e logica progettata per risolvere problemi specifici. Fatto ancora più importante, le ricette consentono di democratizzare l’apprendimento automatico nell’organizzazione, consentendo ad altri utenti di accedere a un modello per casi d’uso diversi senza scrivere codice.

Segui l'esercitazione creare un modello utilizzando JupyterLab Notebooks per creare la ricetta del modello di propensione Luma utilizzata nelle esercitazioni successive.

Importa e crea un pacchetto di una ricetta da origini esterne (facoltativo)

Se desideri importare e creare un pacchetto di una ricetta da utilizzare in Data Science Workspace, devi creare il pacchetto dei file sorgente in un file di archivio. Segui i file di origine del pacchetto in un'esercitazione ricetta. Questa esercitazione mostra come creare pacchetti di file di origine in una ricetta, che è il passaggio preliminare per importare una ricetta in Data Science Workspace. Al termine dell’esercitazione, viene fornita un’immagine Docker in un registro dei contenitori di Azure, insieme all’URL dell’immagine corrispondente, ovvero un file di archivio.

Questo file di archivio può essere utilizzato per creare una ricetta in Data Science Workspace seguendo il flusso di lavoro di importazione della ricetta con il flusso di lavoro dell'interfaccia utente o il flusso di lavoro dell'API.

Addestrare e valutare un modello train-and-evaluate-your-model

Ora che i dati sono preparati e una ricetta è pronta, puoi creare, addestrare e valutare ulteriormente il modello di apprendimento automatico. Durante l’utilizzo del Generatore di ricette, avresti già dovuto addestrare, valutare e valutare il modello prima di confezionarlo in una ricetta.

L’interfaccia utente e l’API di Data Science Workspace consentono di pubblicare la ricetta come modello. È inoltre possibile perfezionare aspetti specifici del modello, ad esempio l'aggiunta, la rimozione e la modifica di iperparametri.

Creare un modello

Per ulteriori informazioni sulla creazione di un modello tramite l'interfaccia utente, visita il treno e valuta un modello nell'esercitazione dell'interfaccia utente di Data Science Workspace o nell'esercitazione dell'API. Questo tutorial fornisce un esempio su come creare, addestrare e aggiornare iperparametri per perfezionare il modello.

Valutazione di un modello score-a-model

Il passaggio successivo nella creazione e pubblicazione di un modello consiste nel rendere operativo il modello per valutare e sfruttare le informazioni provenienti dal data lake e dal profilo cliente in tempo reale.

Il punteggio in Data Science Workspace può essere ottenuto inserendo i dati di input in un modello addestrato esistente. I risultati del punteggio vengono quindi memorizzati e visualizzabili in un set di dati di output specificato come nuovo batch.

Per informazioni su come assegnare un punteggio al modello, visita l'esercitazione sull'interfaccia utente per il modello o l'esercitazione sull'API .

Publish: un modello con punteggio come servizio

Data Science Workspace consente di pubblicare il modello addestrato come servizio. Questo consente agli utenti della tua organizzazione di valutare i dati senza dover creare un proprio modello.

Per informazioni su come pubblicare un modello come servizio, visita l'esercitazione sull'interfaccia utente o l'esercitazione sull'API.

Pianificazione della formazione automatizzata per un servizio

Dopo aver pubblicato un modello come servizio, puoi impostare esecuzioni di formazione e punteggio pianificate per il servizio di apprendimento automatico. L’automazione del processo di formazione e valutazione consente di mantenere e migliorare l’efficienza di un servizio nel tempo, tenendo il passo con i modelli all’interno dei dati. Visita l'esercitazione pianificare un modello nell'interfaccia utente di Data Science Workspace.

Passaggi successivi next-steps

Adobe Experience Platform Data Science Workspace fornisce gli strumenti e le risorse per creare, valutare e utilizzare modelli di apprendimento automatico per generare previsioni e informazioni sui dati. Quando le informazioni di apprendimento automatico vengono acquisite in un set di dati abilitato per Profile, gli stessi dati vengono acquisiti anche come Profile record che possono quindi essere segmentati utilizzando Adobe Experience Platform Segmentation Service.

Man mano che i dati di profilo e serie temporali vengono acquisiti, Real-Time Customer Profile decide automaticamente di includere o escludere tali dati dai segmenti attraverso un processo continuo denominato segmentazione in streaming, prima di unirli ai dati esistenti e di aggiornare la visualizzazione unione. Di conseguenza, puoi eseguire istantaneamente i calcoli e prendere decisioni per fornire esperienze avanzate e personalizzate ai clienti mentre interagiscono con il tuo marchio.

Visita il tutorial per arricchire Real-Time Customer Profile con machine learning insights per ulteriori informazioni su come utilizzare machine learning insights.