AI/ML 機能パイプライン
Data Distillerを使用すると、データサイエンティストやエンジニアは、Adobe Experience Platformで収集およびキュレーションされた、価値の高いカスタマーエクスペリエンスデータを使用して、機械学習パイプラインを強化できます。 あらゆるExperience Platformの Python ノートブックから、環境の顧客データをインタラクティブに調査し、そのデータから機能を定義して計算し、計算された機能をモデリング用に機械学習に読み込むことができます。
IMPORTANT
このワークフローを使用するには、Data DistillerとAdobe Experience Platform Intelligence ライセンスが必要です。 これらの商品をお持ちでない場合は、Adobe サービス担当者にお問い合わせください。
- Data Distillerの強力なクエリ機能を使用すると、Experience Platformで利用可能な豊富な行動データから意味のある機能を抽出できます。 その後、大量のイベントデータをExperience Platformの外部にコピーしなくても、蒸留済みの機能データを機械学習に取り込むことができます。
- 準備した機能データセットを好みの機械学習ツールに読み込み、エンタープライズデータから得られた他の機能と組み合わせて、ビジネスに合わせたカスタムモデルのトレーニング、実験、調整、デプロイを行います。
- モデルからスコア、予測または推奨事項を生成し、その出力をExperience Platformに返して、Real-time Customer Data PlatformやAdobe Journey Optimizerを通じたカスタマーエクスペリエンスを最適化します。
前提条件 prerequisites
このワークフローを実行するには、Adobe Experience Platformの様々な側面に関する十分な知識が必要です。 このチュートリアルを始める前に、次の概念に関するドキュメントを確認してください。
- Experience PlatformAPI の 認証およびアクセス方法。
- サンドボックス： 属性ベースのアクセス制御権限役割の作成および管理方法、およびこれらの役割に必要なリソース権限の割り当て。
- データガバナンス：関連するデータガバナンスポリシーとアクセス制御ポリシーに従って各データを分類し 🔗 データ使用ラベルをデータセットとフィールドに適用する 方法。
次の手順
このドキュメントでは、優先する機械学習ツールを使用してマーケティングのユースケースをサポートするカスタムモデルを構築する際の、背後にある重要な概念について説明しました。
この一連のガイドに含まれるドキュメントでは、Experience Platformから機能パイプラインを作成し、機械学習でカスタムモデルをフィードするための基本的な手順を説明します。 これで、Data Distillerと Jupyter Notebook の間の接続を確立する準備が整いました。
以下にリンクされているドキュメントは、上記のインフォグラフィックに示されている手順に対応しています。
- 手順 1: データセットを調査および分析
- 手順 2: 機械学習のエンジニア機能
- 手順 3: 機能データセットの書き出し
その他のリソース
- aepp：コードから Data Distillerやその他のExperience Platformサービスにリクエストを行うための、Adobeが管理するオープンソース Python ライブラリ Python す。
recommendation-more-help
ccf2b369-4031-483f-af63-a93b5ae5e3fb