Sensei Machine Learning API를 사용하여 패키지된 레서피 가져오기
이 튜토리얼 에서는 를 Sensei Machine Learning API 사용하여 엔진🔗(사용자 인터페이스에서는 레서피라고도 함)을 만듭니다.
시작하기 전에 Adobe Experience Platform Data Science Workspace API 및 UI 내의 유사한 요소를 참조하기 위해 다른 용어를 사용한다는 점에 유의해야 합니다. API 용어는 이 튜토리얼 전체에서 사용되며 다음 표에는 상관 관계가 있는 용어가 요약되어 있습니다.
엔진에는 특정 문제를 해결하기 위한 기계 학습 알고리즘과 논리가 포함되어 있습니다. 아래 다이어그램은 의 Data Science WorkspaceAPI 작업 과정 을 보여주는 시각화를 제공합니다. 이 튜토리얼 는 기계 학습 모델의 두뇌인 엔진을 만드는 데 중점을 둡니다.
시작하기
이 튜토리얼에는 Docker URL 형식의 패키지된 레시피 파일이 필요합니다. 레시피에 소스 파일 패키지 자습서에 따라 패키지된 레시피 파일을 만들거나 직접 제공할 수 있습니다.
{DOCKER_URL}: 지능형 서비스의 도커 이미지에 대한 URL 주소입니다.
이 자습서에서는 Platform개의 API를 성공적으로 호출하려면 Adobe Experience Platform에 대한 인증 자습서를 완료해야 합니다. 인증 튜토리얼을 완료하면 아래와 같이 모든 Experience Platform API 호출의 필수 헤더 각각에 대한 값이 제공됩니다.
{ACCESS_TOKEN}: 인증 후 제공된 특정 전달자 토큰 값입니다.{ORG_ID}: 고유한 Adobe Experience Platform 통합에 있는 조직 자격 증명입니다.{API_KEY}: 고유한 Adobe Experience Platform 통합에서 찾은 특정 API 키 값입니다.
엔진 만들기
/engines 끝점에 POST 요청 을 수행하여 엔진을 만들 수 있습니다. 생성된 엔진은 API 요청 시 반드시 포함되어야 하는 패키징된 레시피 파일의 형태에 따라 구성됩니다.
Docker URL을 사용하여 엔진 만들기 create-an-engine-with-a-docker-url
Docker 컨테이너에 저장된 패키지된 레시피 파일이 있는 엔진을 만들려면 패키지된 레시피 파일에 도커 URL을 제공해야 합니다.
API 형식
POST /engines
Python/R 요청
curl -X POST \
https://platform.adobe.io/data/sensei/engines \
-H 'Authorization: {ACCESS_TOKEN}' \
-H 'X-API-KEY: {API_KEY}' \
-H 'content-type: multipart/form-data' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H `x-sandbox-name: {SANDBOX_NAME}` \
-F 'engine={
"name": "Retail Sales Engine Python",
"description": "A description for Retail Sales Engine, this Engines execution type is Python",
"type": "Python"
"artifacts": {
"default": {
"image": {
"location": "{DOCKER_URL}",
"name": "retail_sales_python",
"executionType": "Python"
}
}
}
}'
engine.nameengine.descriptionengine.typetype은(는) Python, R, PySpark, Spark(Scala) 또는 Tensorflow입니다.artifacts.default.image.location{DOCKER_URL}이(가) 여기에 있습니다. 전체 도커 URL의 구조는 your_docker_host.azurecr.io/docker_image_file:version입니다.artifacts.default.image.nameartifacts.default.image.executionTypeexecutionType , R Python, PySpark, ( Spark Scala) 또는 Tensorflow.PySpark 요청
curl -X POST \
https://platform.adobe.io/data/sensei/engines \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'x-api-key: {API_KEY}' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-sandbox-name: {SANDBOX_NAME}' \
-H 'content-type: multipart/form-data' \
-F 'engine={
"name": "PySpark retail sales recipe",
"description": "A description for this Engine",
"type": "PySpark",
"mlLibrary":"databricks-spark",
"artifacts": {
"default": {
"image": {
"name": "modelspark",
"executionType": "PySpark",
"packagingType": "docker",
"location": "v1d2cs4mimnlttw.azurecr.io/sarunbatchtest:0.0.1"
}
}
}
}'
namedescriptiontypemlLibraryartifacts.default.image.locationartifacts.default.image.executionTypeScala 요청
curl -X POST \
https://platform.adobe.io/data/sensei/engines \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'x-api-key: {API_KEY}' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-sandbox-name: {SANDBOX_NAME}' \
-H 'content-type: multipart/form-data' \
-F 'engine={
"name": "Spark retail sales recipe",
"description": "A description for this Engine",
"type": "Spark",
"mlLibrary":"databricks-spark",
"artifacts": {
"default": {
"image": {
"name": "modelspark",
"executionType": "Spark",
"packagingType": "docker",
"location": "v1d2cs4mimnlttw.azurecr.io/sarunbatchtest:0.0.1"
}
}
}
}'
namedescriptiontypemlLibraryartifacts.default.image.locationartifacts.default.image.executionType응답
성공한 응답은 고유 식별자(id)를 포함하여 새로 만든 엔진의 세부 정보가 포함된 페이로드를 반환합니다. 다음 예제 응답은 Python 엔진에 대한 것입니다. 제공된 POST에 따라 executionType 및 type 키가 변경됩니다.
{
"id": "{ENGINE_ID}",
"name": "A name for this Engine",
"description": "A description for this Engine",
"type": "Python",
"algorithm": "Classification",
"created": "2019-01-01T00:00:00.000Z",
"createdBy": {
"userId": "Jane_Doe@AdobeID"
},
"updated": "2019-01-01T00:00:00.000Z",
"artifacts": {
"default": {
"image": {
"location": "{DOCKER_URL}",
"name": "An additional name for the Docker image",
"executionType": "Python",
"packagingType": "docker"
}
}
}
}
성공적인 응답에는 새로 만든 엔진에 대한 정보가 포함된 JSON 페이로드가 표시됩니다. id 키는 고유한 엔진 식별자를 나타내며 다음 튜토리얼 에서 MLInstance를 만드는 데 필요합니다. 다음 단계를 계속하기 전에 엔진 식별자가 저장되었는지 확인합니다.
다음 단계 next-steps
API를 사용하여 엔진을 생성했으며 응답 본문의 일부로 고유한 엔진 식별자를 획득했습니다. API🔗를 사용하여 모델을 생성, 훈련 및 평가하는 방법을 배울 때 다음 튜토리얼에서 이 엔진 식별자를 사용할 수 있습니다.