Sensei 머신 러닝 API를 사용하여 패키지된 레시피 가져오기
이 자습서에서는 Sensei Machine Learning API을(를) 사용하여 사용자 인터페이스에서 레시피라고도 하는 엔진을(를) 만듭니다.
시작하기 전에 Adobe Experience Platform Data Science Workspace이(가) API 및 UI 내의 유사한 요소를 참조하는 데 다른 용어를 사용한다는 점을 참고하십시오. API 용어는 이 자습서 전체에서 사용되며 다음 표에서 상관 관계를 설명합니다.
엔진은 특정 문제를 해결하기 위한 기계 학습 알고리즘과 논리를 포함합니다. 아래 다이어그램은 Data Science Workspace의 API 워크플로를 보여 주는 시각화를 제공합니다. 이 자습서에서는 머신 러닝 모델의 두뇌인 엔진 을 만드는 데 중점을 둡니다.
시작하기
이 자습서에서는 도커 URL 형태로 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 제공한 특정 전달자 토큰 값입니다.{ORG_ID}: 고유한 Adobe Experience Platform 통합에서 조직 자격 증명을 찾았습니다.{API_KEY}: 고유한 Adobe Experience Platform 통합에서 특정 API 키 값을 찾았습니다.
엔진 만들기
엔진은 /engines 끝점에 POST 요청을 하여 만들 수 있습니다. 작성된 엔진은 API 요청의 일부로 포함되어야 하는 패키지된 레시피 파일의 양식을 기반으로 구성됩니다.
도커 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.executionTypeexecutionType은(는) Python, R, PySpark, Spark(Scala) 또는 Tensorflow입니다.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 응답은 새로 생성된 엔진에 대한 정보와 함께 JSON 페이로드를 보여 줍니다. id 키는 고유한 엔진 식별자를 나타내며 다음 자습서에서 MLInstance를 만들어야 합니다. 다음 단계를 계속하기 전에 엔진 식별자가 저장되었는지 확인하십시오.
다음 단계 next-steps
API를 사용하여 엔진을 만들었고 고유한 엔진 식별자가 응답 본문의 일부로 가져왔습니다. 다음 자습서에서 이 엔진 식별자를 사용하여 API를 사용하여 모델을 만들고, 교육하고, 평가하는 방법을 배울 수 있습니다.