Data Science Workspace UIでのパッケージ化されたレシピのインポート
このチュートリアルでは、提供された「小売売上」の例を使用してパッケージ化されたレシピを設定およびインポートする方法に関するインサイトを提供します。 このチュートリアルの最後には、Adobe Experience Platform Data Science Workspaceでモデルを作成、トレーニング、評価する準備が整います。
前提条件
このチュートリアルでは、Docker画像URLの形式でパッケージ化されたレシピが必要です。 詳しくは、ソースファイルをレシピにパッケージ化する方法に関するチュートリアルを参照してください。
UI ワークフロー
パッケージ化されたレシピをData Science Workspaceに読み込むには、特定のレシピ設定が必要で、1つのJavaScript Object Notation （JSON）ファイルにコンパイルされます。このレシピ設定のコンパイルは、設定ファイルと呼ばれます。 特定の設定セットを持つパッケージ化されたレシピは、レシピインスタンスと呼ばれます。 1つのレシピを使用して、Data Science Workspaceに多数のレシピ インスタンスを作成できます。
パッケージレシピをインポートするワークフローは、次の手順で構成されます。
レシピの設定 configure
Data Science Workspaceのすべてのレシピ インスタンスには、特定の使用例に合わせてレシピ インスタンスをカスタマイズする一連の設定が付属しています。 設定ファイルは、このレシピインスタンスを使用して作成されたモデルのデフォルトのトレーニングおよびスコアリング動作を定義します。
以下に、「小売売上」レシピのデフォルトのトレーニングとスコアリングの動作を示す設定ファイルの例を示します。
[
{
"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}"
}
]
}
]
learning_raten_estimatorsmax_depthACP_DSW_INPUT_FEATURESACP_DSW_TARGET_FEATURESACP_DSW_FEATURE_UPDATE_SUPPORTACP_DSW_TRAINING_XDM_SCHEMAevaluation.labelColumnevaluation.metricsACP_DSW_SCORING_RESULTS_XDM_SCHEMAこのチュートリアルの目的では、小売販売レシピのデフォルト設定ファイルをData Science Workspace参照に残すことができます。
Docker ベースのレシピの読み込み – Python python
最初に、Experience Platform UIの左上にある ワークフロー を移動して選択します。 次に、レシピの読み込みを選択し、起動を選択します。
レシピの読み込み ワークフローの設定 ページが表示されます。 レシピの名前と説明を入力し、右上隅の「次へ」を選択します。
ソースを選択 ページに移動したら、Source URL フィールドに、Python ソースファイルを使用して構築されたパッケージ化されたレシピに対応するDocker URLを貼り付けます。 次に、指定した設定ファイルをドラッグ&ドロップするか、ファイルシステムの ブラウザー を使用してインポートします。 提供された設定ファイルは experience-platform-dsw-reference/recipes/python/retail/retail.config.json にあります。 Runtime ドロップダウンで Python を選択し、Type ドロップダウンで Classification を選択します。 すべての情報が入力されたら、右上隅の 次へ を選択して、スキーマの管理に進みます。
次に、スキーマの管理のセクションで小売セールスの入力および出力スキーマを選択します。これらのスキーマは、小売セールススキーマとデータセット の作成チュートリアルで提供されているブートストラップスクリプトを使用して作成されました。
機能管理 セクションで、スキーマビューアでテナント IDを選択して、小売販売入力スキーマを展開します。 目的の機能を強調表示し、右側のフィールドプロパティ ウィンドウで 入力機能 または ターゲット機能 のいずれかを選択して、入力機能と出力機能を選択します。 このチュートリアルでは、weeklySalesを ターゲット機能 として、それ以外のすべてを 入力機能 として設定します。 次へを選択して、新しく設定したレシピを確認します。
レシピを確認し、必要に応じて、設定を追加、変更または削除します。 「完了」を選択して、レシピを作成します。
次の手順に進み、新しく作成された小売販売レシピを使用してData Science Workspaceでモデルを作成する方法を確認します。
Docker ベースのレシピの読み込み – R r
最初に、Experience Platform UIの左上にある ワークフロー を移動して選択します。 次に、レシピの読み込みを選択し、起動を選択します。
レシピの読み込み ワークフローの設定 ページが表示されます。 レシピの名前と説明を入力し、右上隅の「次へ」を選択します。
ソースを選択 ページに移動したら、Source URL フィールドに、R ソースファイルを使用して構築されたパッケージ化されたレシピに対応するDocker URLを貼り付けます。 次に、指定した設定ファイルをドラッグ&ドロップするか、ファイルシステムの ブラウザー を使用してインポートします。 提供された設定ファイルは experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json にあります。 Runtime ドロップダウンで R を選択し、Type ドロップダウンで Classification を選択します。 すべての情報が入力されたら、右上隅の 次へ を選択して、スキーマの管理に進みます。
次に、スキーマの管理のセクションで小売セールスの入力および出力スキーマを選択します。これらのスキーマは、小売セールススキーマとデータセット の作成チュートリアルで提供されているブートストラップスクリプトを使用して作成されました。
機能管理 セクションで、スキーマビューアでテナント IDを選択して、小売販売入力スキーマを展開します。 目的の機能を強調表示し、右側のフィールドプロパティ ウィンドウで 入力機能 または ターゲット機能 のいずれかを選択して、入力機能と出力機能を選択します。 このチュートリアルでは、weeklySalesを ターゲット機能 として、それ以外のすべてを 入力機能 として設定します。 次へを選択して、新しい設定済みレシピを確認します。
レシピを確認し、必要に応じて、設定を追加、変更または削除します。 「完了」を選択して、レシピを作成します。
次の手順に進み、新しく作成された小売販売レシピを使用してData Science Workspaceでモデルを作成する方法を確認します。
Docker ベースのレシピの読み込み – PySpark pyspark
最初に、Experience Platform UIの左上にある ワークフロー を移動して選択します。 次に、レシピの読み込みを選択し、起動を選択します。
レシピの読み込み ワークフローの設定 ページが表示されます。 レシピの名前と説明を入力し、右上隅の「次へ」を選択して続行します。
ソースを選択 ページに移動したら、Source URL フィールドに、PySpark ソースファイルを使用して構築されたパッケージ化されたレシピに対応するDocker URLを貼り付けます。 次に、指定した設定ファイルをドラッグ&ドロップするか、ファイルシステムの ブラウザー を使用してインポートします。 提供された設定ファイルは experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json にあります。 Runtime ドロップダウンで「PySpark」を選択します。 PySpark ランタイムを選択すると、デフォルトのアーティファクトが Docker に自動入力されます。 次に、タイプ ドロップダウンで「分類」を選択します。 すべての情報が入力されたら、右上隅の 次へ を選択して、スキーマの管理に進みます。
次に、スキーマの管理 セレクターを使用して小売セールスの入力スキーマと出力スキーマを選択します。スキーマは、小売セールススキーマとデータセットの作成 チュートリアルで提供されたブートストラップスクリプトを使用して作成されました。
機能管理 セクションで、スキーマビューアでテナント IDを選択して、小売販売入力スキーマを展開します。 目的の機能を強調表示し、右側のフィールドプロパティ ウィンドウで 入力機能 または ターゲット機能 のいずれかを選択して、入力機能と出力機能を選択します。 このチュートリアルでは、weeklySalesを ターゲット機能 として、それ以外のすべてを 入力機能 として設定します。 次へを選択して、新しく設定したレシピを確認します。
レシピを確認し、必要に応じて、設定を追加、変更または削除します。 「完了」を選択して、レシピを作成します。
次の手順に進み、新しく作成された小売販売レシピを使用してData Science Workspaceでモデルを作成する方法を確認します。
Docker ベースのレシピの読み込み – Scala scala
最初に、Experience Platform UIの左上にある ワークフロー を移動して選択します。 次に、レシピの読み込みを選択し、起動を選択します。
レシピの読み込み ワークフローの設定 ページが表示されます。 レシピの名前と説明を入力し、右上隅の「次へ」を選択して続行します。
ソースを選択 ページに移動したら、「Source URL」フィールドに、Scala ソースファイルを使用して構築されたパッケージレシピに対応するDocker URLを貼り付けます。 次に、指定した設定ファイルをドラッグ&ドロップして読み込むか、ファイルシステムブラウザーを使用します。 提供された設定ファイルはexperience-platform-dsw-reference/recipes/scala/retail/pipelineservice.jsonにあります。 「ランタイム」ドロップダウンで「Spark」を選択します。 Spark ランタイムを選択すると、デフォルトのアーティファクトが Docker に自動入力されます。 次に、タイプ ドロップダウンから 回帰 を選択します。 すべての情報が入力されたら、右上隅の 次へ を選択して、スキーマの管理に進みます。
次に、スキーマの管理 セレクターを使用して小売セールスの入力スキーマと出力スキーマを選択します。スキーマは、小売セールススキーマとデータセットの作成 チュートリアルで提供されたブートストラップスクリプトを使用して作成されました。
機能管理 セクションで、スキーマビューアでテナント IDを選択して、小売販売入力スキーマを展開します。 目的の機能を強調表示し、右側のフィールドプロパティ ウィンドウで 入力機能 または ターゲット機能 のいずれかを選択して、入力機能と出力機能を選択します。 このチュートリアルの目的では、「weeklySales」を ターゲット機能 として設定し、それ以外のすべてを 入力機能 として設定します。 次へを選択して、新しく設定したレシピを確認します。
レシピを確認し、必要に応じて、設定を追加、変更または削除します。 「完了」を選択して、レシピを作成します。
次の手順に進み、新しく作成された小売販売レシピを使用してData Science Workspaceでモデルを作成する方法を確認します。
次の手順 next-steps
このチュートリアルでは、Data Science Workspaceへのレシピの設定と読み込みに関するinsightについて説明しました。 新しく作成したレシピを使用して、モデルの作成、トレーニング、評価をおこなうことができるようになりました。