Importare una composizione in pacchetti nell’interfaccia utente di Data Science Workspace

Questo tutorial fornisce informazioni su come configurare e importare una composizione in pacchetti utilizzando l’esempio di vendita al dettaglio fornito. Al termine di questa esercitazione, sarà possibile creare, addestrare e valutare un modello in Adobe Experience Platform Data Science Workspace.

Prerequisiti

Questo tutorial richiede una formula in pacchetti sotto forma di URL di un’immagine Docker. Per ulteriori informazioni, vedere il tutorial su come creare un pacchetto dei file di origine in una ricetta.

Flusso di lavoro dell'interfaccia utente

L'importazione di una composizione in pacchetti in Data Science Workspace richiede configurazioni di composizione specifiche, compilate in un unico file JSON (JavaScript Object Notation). Questa compilazione di configurazioni di composizione viene definita file di configurazione. Una ricetta confezionata con un particolare set di configurazioni è indicata come istanza di ricetta. Una ricetta può essere utilizzata per creare molte istanze di ricetta in Data Science Workspace.

Il flusso di lavoro per l’importazione di una composizione di pacchetto è costituito dai seguenti passaggi:

Configurare una ricetta configure

Ogni istanza di ricetta in Data Science Workspace è accompagnata da un set di configurazioni che adattano l'istanza di ricetta a un caso d'uso particolare. I file di configurazione definiscono i comportamenti predefiniti di apprendimento e punteggio di un modello creato utilizzando questa istanza di ricetta.

Di seguito è riportato un file di configurazione di esempio che mostra i comportamenti predefiniti di formazione e punteggio per la ricetta di vendita al dettaglio.

[
    {
        "name": "train",
        "parameters": [
            {
                "key": "learning_rate",
                "value": "0.1"
            },
            {
                "key": "n_estimators",
                "value": "100"
            },
            {
                "key": "max_depth",
                "value": "3"
            },
            {
                "key": "ACP_DSW_INPUT_FEATURES",
                "value": "date,store,storeType,storeSize,temperature,regionalFuelPrice,markdown,cpi,unemployment,isHoliday"
            },
            {
                "key": "ACP_DSW_TARGET_FEATURES",
                "value": "weeklySales"
            },
            {
                "key": "ACP_DSW_FEATURE_UPDATE_SUPPORT",
                "value": false
            },
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key": "ACP_DSW_TRAINING_XDM_SCHEMA",
                "value": "{SEE BELOW FOR DETAILS}"
            },
            {
                "key": "evaluation.labelColumn",
                "value": "weeklySalesAhead"
            },
            {
                "key": "evaluation.metrics",
                "value": "MAPE,MAE,RMSE,MASE"
            }
        ]
    },
    {
        "name": "score",
        "parameters": [
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key":"ACP_DSW_SCORING_RESULTS_XDM_SCHEMA",
                "value":"{SEE BELOW FOR DETAILS}"
            }
        ]
    }
]

Ai fini di questa esercitazione, è possibile lasciare i file di configurazione predefiniti per la ricetta di vendita al dettaglio nel riferimento Data Science Workspace nel modo in cui sono.

Importa ricetta basata su Docker - Python python

Iniziare navigando e selezionando Flussi di lavoro che si trovano in alto a sinistra nell'interfaccia utente Platform. Quindi, seleziona Importa ricetta e seleziona Avvia.

Viene visualizzata la pagina Configura per il flusso di lavoro Importa ricetta. Inserisci un nome e una descrizione per la ricetta, quindi seleziona Successivo nell'angolo in alto a destra.

Una volta nella pagina Seleziona origine, incolla l'URL Docker corrispondente alla composizione inserita creata utilizzando Python file di origine nel campo URL Source. Quindi, importare il file di configurazione fornito trascinandolo o utilizzare il file system Browser. Il file di configurazione fornito si trova in experience-platform-dsw-reference/recipes/python/retail/retail.config.json. Selezionare Python nel menu a discesa Runtime e Classification nel menu a discesa Type. Una volta compilato tutto, seleziona Avanti nell'angolo in alto a destra per passare a Gestisci schemi.

Quindi, seleziona gli schemi di input e output per la vendita al dettaglio nella sezione Gestisci schemi. Sono stati creati utilizzando lo script di avvio fornito nell'esercitazione crea lo schema e il set di dati per la vendita al dettaglio.

Nella sezione Gestione delle funzionalità, seleziona l'identificazione del tenant nel visualizzatore di schema per espandere lo schema di input Retail Sales. Selezionare le funzionalità di input e output evidenziando la funzionalità desiderata e selezionando Funzionalità di input o Funzionalità di destinazione nella finestra Proprietà campo a destra. Ai fini di questa esercitazione, imposta weeklySales come funzionalità di destinazione e tutto il resto come funzionalità di input. Seleziona Successivo per rivedere la nuova ricetta configurata.

Rivedi la ricetta, aggiungi, modifica o rimuovi le configurazioni come necessario. Seleziona Fine per creare la ricetta.

Procedi ai passaggi successivi per scoprire come creare un modello in Data Science Workspace utilizzando la ricetta di vendita al dettaglio appena creata.

Importa ricetta basata su Docker - R r

Iniziare navigando e selezionando Flussi di lavoro che si trovano in alto a sinistra nell'interfaccia utente Platform. Quindi, seleziona Importa ricetta e seleziona Avvia.

Viene visualizzata la pagina Configura per il flusso di lavoro Importa ricetta. Inserisci un nome e una descrizione per la ricetta, quindi seleziona Successivo nell'angolo in alto a destra.

Una volta nella pagina Seleziona origine, incolla l'URL Docker corrispondente alla composizione del pacchetto creata utilizzando i file di origine R nel campo URL Source. Quindi, importare il file di configurazione fornito trascinandolo o utilizzare il file system Browser. Il file di configurazione fornito si trova in experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json. Selezionare R nel menu a discesa Runtime e Classification nel menu a discesa Type. Una volta compilato tutto, seleziona Avanti nell'angolo in alto a destra per passare a Gestisci schemi.

Quindi, seleziona gli schemi di input e output per la vendita al dettaglio nella sezione Gestisci schemi. Sono stati creati utilizzando lo script di avvio fornito nell'esercitazione crea lo schema e il set di dati per la vendita al dettaglio.

Nella sezione Gestione delle funzionalità, seleziona l'identificazione del tenant nel visualizzatore di schema per espandere lo schema di input Retail Sales. Selezionare le funzionalità di input e output evidenziando la funzionalità desiderata e selezionando Funzionalità di input o Funzionalità di destinazione nella finestra Proprietà campo a destra. Ai fini di questa esercitazione, imposta weeklySales come funzionalità di destinazione e tutto il resto come funzionalità di input. Seleziona Successivo per rivedere la nuova ricetta configurata.

Rivedi la ricetta, aggiungi, modifica o rimuovi le configurazioni come necessario. Seleziona Fine per creare la ricetta.

Procedi ai passaggi successivi per scoprire come creare un modello in Data Science Workspace utilizzando la ricetta di vendita al dettaglio appena creata.

Importa ricetta basata su Docker - PySpark pyspark

Iniziare navigando e selezionando Flussi di lavoro che si trovano in alto a sinistra nell'interfaccia utente Platform. Quindi, seleziona Importa ricetta e seleziona Avvia.

Viene visualizzata la pagina Configura per il flusso di lavoro Importa ricetta. Inserisci un nome e una descrizione per la ricetta, quindi seleziona Successivo nell'angolo in alto a destra per procedere.

Una volta nella pagina Seleziona origine, incolla l'URL Docker corrispondente alla composizione inserita creata utilizzando i file di origine PySpark nel campo URL Source. Quindi, importare il file di configurazione fornito trascinandolo o utilizzare il file system Browser. Il file di configurazione fornito si trova in experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json. Seleziona PySpark nel menu a discesa Runtime. Una volta selezionato il runtime PySpark, l'artefatto predefinito viene automaticamente popolato in Docker. Quindi, seleziona Classificazione nel menu a discesa Tipo. Una volta compilato tutto, seleziona Avanti nell'angolo in alto a destra per passare a Gestisci schemi.

Quindi, seleziona gli schemi di input e output per la vendita al dettaglio utilizzando il selettore Gestisci schemi. Gli schemi sono stati creati utilizzando lo script di avvio fornito nell'esercitazione Crea schema e set di dati per la vendita al dettaglio.

Nella sezione Gestione delle funzionalità, seleziona l'identificazione del tenant nel visualizzatore di schema per espandere lo schema di input Retail Sales. Selezionare le funzionalità di input e output evidenziando la funzionalità desiderata e selezionando Funzionalità di input o Funzionalità di destinazione nella finestra Proprietà campo a destra. Ai fini di questa esercitazione, imposta weeklySales come funzionalità di destinazione e tutto il resto come funzionalità di input. Seleziona Successivo per rivedere la nuova ricetta configurata.

Rivedi la ricetta, aggiungi, modifica o rimuovi le configurazioni come necessario. Seleziona Fine per creare la ricetta.

Procedi ai passaggi successivi per scoprire come creare un modello in Data Science Workspace utilizzando la ricetta di vendita al dettaglio appena creata.

Importa ricetta basata su Docker - Scala scala

Iniziare navigando e selezionando Flussi di lavoro che si trovano in alto a sinistra nell'interfaccia utente Platform. Quindi, seleziona Importa ricetta e seleziona Avvia.

Viene visualizzata la pagina Configura per il flusso di lavoro Importa ricetta. Inserisci un nome e una descrizione per la ricetta, quindi seleziona Successivo nell'angolo in alto a destra per procedere.

Una volta nella pagina Seleziona origine, incolla l'URL Docker corrispondente alla composizione del pacchetto creata utilizzando i file di origine Scala nel campo URL Source. Quindi, importa il file di configurazione fornito trascinandolo e rilasciandolo oppure utilizza il browser del file system. Il file di configurazione fornito si trova in experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json. Seleziona Spark nel menu a discesa Runtime. Una volta selezionato il runtime Spark, l'artefatto predefinito viene automaticamente popolato in Docker. Selezionare Regressione dal menu a discesa Tipo. Una volta compilato tutto, seleziona Avanti nell'angolo in alto a destra per passare a Gestisci schemi.

Quindi, seleziona gli schemi di input e output per la vendita al dettaglio utilizzando il selettore Gestisci schemi. Gli schemi sono stati creati utilizzando lo script di avvio fornito nell'esercitazione Crea schema e set di dati per la vendita al dettaglio.

Nella sezione Gestione delle funzionalità, seleziona l'identificazione del tenant nel visualizzatore di schema per espandere lo schema di input Retail Sales. Selezionare le funzionalità di input e output evidenziando la funzionalità desiderata e selezionando Funzionalità di input o Funzionalità di destinazione nella finestra Proprietà campo a destra. Ai fini di questa esercitazione, impostare "weeklySales" come funzionalità di destinazione e tutto il resto come funzionalità di input. Seleziona Successivo per rivedere la nuova ricetta configurata.

Rivedi la ricetta, aggiungi, modifica o rimuovi le configurazioni come necessario. Seleziona Fine per creare la ricetta.

Procedi ai passaggi successivi per scoprire come creare un modello in Data Science Workspace utilizzando la ricetta di vendita al dettaglio appena creata.

Passaggi successivi next-steps

Questo tutorial fornisce informazioni approfondite sulla configurazione e l'importazione di una ricetta in Data Science Workspace. Ora puoi creare, addestrare e valutare un modello utilizzando la ricetta appena creata.