데이터 과학 작업 영역 UI에서 패키지된 레서피 가져오기
이 자습서에서는 제공된 소매 판매 예제를 사용하여 패키지된 레시피를 구성하고 가져오는 방법에 대한 통찰력을 제공합니다. 이 자습서가 끝날 때까지 Adobe Experience Platform Data Science Workspace에서 모델을 만들고, 교육하고, 평가할 준비가 될 것입니다.
전제 조건
이 자습서에서는 도커 이미지 URL 형태로 패키지된 레시피가 필요합니다. 자세한 내용은 레시피에 소스 파일을 패키지하는 방법에 대한 자습서를 참조하십시오.
UI 워크플로
패키지된 레시피를 Data Science Workspace (으)로 가져오려면 단일 JavaScript 개체 표기법(JSON) 파일로 컴파일된 특정 레시피 구성이 필요합니다. 이 레시피 구성 컴파일을 구성 파일이라고 합니다. 특정 세트의 구성들을 갖는 패키징된 레시피는 레시피 인스턴스로서 지칭된다. 한 레시피를 사용하여 Data Science Workspace에서 여러 레시피 인스턴스를 만들 수 있습니다.
패키지 레시피를 가져오는 워크플로우는 다음 단계로 구성됩니다.
레서피 구성 configure
모든 레서피 인스턴스 Data Science Workspace 에는 특정 사용 사례에 맞게 레서피 인스턴스 조정하는 구성 세트가 함께 제공됩니다. 구성 파일은 이 레시피 인스턴스를 사용하여 만든 모델의 기본 교육 및 채점 동작을 정의합니다.
다음은 소매 판매 레시피에 대한 기본 교육 및 채점 동작을 보여 주는 샘플 구성 파일입니다.
[
{
"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_rate
n_estimators
max_depth
ACP_DSW_INPUT_FEATURES
ACP_DSW_TARGET_FEATURES
ACP_DSW_FEATURE_UPDATE_SUPPORT
ACP_DSW_TRAINING_XDM_SCHEMA
evaluation.labelColumn
evaluation.metrics
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA
이 튜토리얼 목적에 따라 소매 판매 레서피 기본 구성 파일을 그대로 참조에 Data Science Workspace 그대로 둘 수 있습니다.
Docker 기반 레서피 가져오기 - Python python
UI의 왼쪽 Platform 상단에 있는 워크플로우 를 탐색하고 선택하여 시작. 다음 가져오기 레서피 선택하고 Launch 선택합니다.
레시피 가져오기 워크플로에 대한 구성 페이지가 나타납니다. 레시피의 이름과 설명을 입력한 다음 오른쪽 상단에서 다음 을(를) 선택하십시오.
소스 선택 페이지에 있는 경우 Source URL 필드에 Python 소스 파일을 사용하여 만든 패키지된 레시피에 해당하는 도커 URL을 붙여 넣으십시오. 그런 다음 제공된 구성 파일을 드래그 앤 드롭하여 가져오거나 파일 시스템 브라우저 를 사용하십시오. 제공된 구성 파일을 experience-platform-dsw-reference/recipes/python/retail/retail.config.json
에서 찾을 수 있습니다. 런타임 드롭다운에서 Python 을 선택하고 유형 드롭다운에서 분류 를 선택합니다. 모든 항목이 다 채워지면 오른쪽 상단에서 다음 을(를) 선택하여 스키마 관리(으)로 진행합니다.
그런 다음 스키마 관리 섹션에서 소매 판매 입력 및 출력 스키마를 선택합니다. 이 스키마는 소매 판매 스키마 및 데이터 세트 만들기 자습서에서 제공된 부트스트랩 스크립트를 사용하여 만들어졌습니다.
기능 관리 섹션에서 스키마 뷰어 테넌트 ID를 선택하여 Retail Sales 입력 스키마를 확장합니다. 원하는 피처를 강조 표시하고 오른쪽 필드 속성 창에서 입력 피처 또는 Target 피처 를 선택하여 입력 및 출력 피처를 선택합니다. 이 튜토리얼 목적에 따라 weeklySales 를 Target 기능 으로 설정하고 다른 모든 항목을 입력 기능 으로 설정합니다 . [다음] 을 선택하여 새로 구성된 레서피를 검토합니다.
레시피를 검토하고 필요에 따라 구성을 추가, 수정 또는 제거합니다. 완료 를 선택하여 레시피를 만드십시오.
다음 단계로 진행하여 새로 만든 소매 판매 레시피를 사용하여 Data Science Workspace에서 모델을 만드는 방법을 알아봅니다.
도커 기반 레시피 가져오기 - R r
Platform UI의 왼쪽 상단에 있는 워크플로 를 탐색하고 선택하여 시작합니다. 다음으로 레시피 가져오기 를 선택하고 시작 을 선택합니다.
레시피 가져오기 워크플로에 대한 구성 페이지가 나타납니다. 레시피의 이름과 설명을 입력한 다음 오른쪽 상단에서 다음 을(를) 선택하십시오.
소스 선택 페이지에 있는 경우 R 소스 파일을 사용하여 만든 패키지된 레시피에 해당하는 도커 URL을 Source URL 필드에 붙여 넣으십시오. 그런 다음 제공된 구성 파일을 드래그 앤 드롭하여 가져오거나 파일 시스템 브라우저 를 사용하십시오. 제공된 구성 파일을 experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json
에서 찾을 수 있습니다. 런타임 드롭다운에서 R 을(를) 선택하고 유형 드롭다운에서 분류 을(를) 선택합니다. 모든 항목이 채워지면 오른쪽 위 모서리에서 다음 을 선택하여 스키마 관리를 진행 합니다.
다음, 스키마 관리 섹션에서 소매 판매 입력 및 출력 스키마를 선택하며, 소매 판매 스키마 및 데이터 세트🔗 만들기 튜토리얼 에서 제공된 부트스트랩 스크립트를 사용하여 생성 되었습니다.
기능 관리 섹션에서 스키마 뷰어 테넌트 ID를 선택하여 Retail Sales 입력 스키마를 확장합니다. 원하는 피처를 강조 표시하고 오른쪽 필드 속성 창에서 입력 피처 또는 Target 피처 를 선택하여 입력 및 출력 피처를 선택합니다. 이 튜토리얼 목적에 따라 weeklySales 를 Target 기능 으로 설정하고 다른 모든 항목을 입력 기능 으로 설정합니다 . [다음] 을 선택하여 새로 구성된 레서피 검토
레시피를 검토하고 필요에 따라 구성을 추가, 수정 또는 제거합니다. 완료 를 선택하여 레시피를 만드십시오.
다음 단계로 진행하여 새로 만든 소매 판매 레시피를 사용하여 Data Science Workspace에서 모델을 만드는 방법을 알아봅니다.
도커 기반 레시피 가져오기 - PySpark pyspark
Platform UI의 왼쪽 상단에 있는 워크플로 를 탐색하고 선택하여 시작합니다. 다음으로 레시피 가져오기 를 선택하고 시작 을 선택합니다.
레시피 가져오기 워크플로에 대한 구성 페이지가 나타납니다. 레시피의 이름과 설명을 입력한 다음 오른쪽 상단에서 다음 을(를) 선택하여 계속 진행하십시오.
소스 선택 페이지에 있는 경우 Source URL 필드에 PySpark 소스 파일을 사용하여 만든 패키지된 레시피에 해당하는 도커 URL을 붙여 넣으십시오. 그런 다음 제공된 구성 파일을 드래그 앤 드롭하여 가져오거나 파일 시스템 브라우저 를 사용하십시오. 제공된 구성 파일을 experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json
에서 찾을 수 있습니다. 런타임 드롭다운에서 PySpark 을(를) 선택합니다. PySpark 런타임을 선택하면 기본 아티팩트가 Docker 에 자동으로 채워집니다. 다음, 유형 드롭다운에서 분류 를 선택합니다 . 모든 항목이 채워지면 오른쪽 위 모서리에서 다음 을 선택하여 스키마 관리를 진행 합니다.
그런 다음 스키마 관리 선택기를 사용하여 소매 판매 입력 및 출력 스키마를 선택합니다. 소매 판매 스키마 및 데이터 세트 만들기 자습서에서 제공된 부트스트랩 스크립트를 사용하여 스키마를 만들었습니다.
기능 관리 섹션 아래에서 스키마 뷰어의 테넌트 ID에서 을(를) 선택하여 소매 판매 입력 스키마를 확장합니다. 원하는 기능을 강조 표시하고 오른쪽 필드 속성 창에서 입력 기능 또는 대상 기능 을(를) 선택하여 입력 및 출력 기능을 선택합니다. 이 자습서에서는 weeklySales 을(를) 대상 기능(으)로 설정하고 그 외의 모든 기능을 입력 기능(으)로 설정합니다. 새로 구성된 레시피를 검토하려면 다음 을(를) 선택하십시오.
레시피를 검토하고 필요에 따라 구성을 추가, 수정 또는 제거합니다. 완료 를 선택하여 레시피를 만드십시오.
다음 단계로 진행하여 새로 만든 소매 판매 레시피를 사용하여 Data Science Workspace에서 모델을 만드는 방법을 알아봅니다.
도커 기반 레시피 가져오기 - Scala scala
Platform UI의 왼쪽 상단에 있는 워크플로 를 탐색하고 선택하여 시작합니다. 다음으로 레시피 가져오기 를 선택하고 시작 을 선택합니다.
레시피 가져오기 워크플로에 대한 구성 페이지가 나타납니다. 레시피의 이름과 설명을 입력한 다음 오른쪽 상단에서 다음 을(를) 선택하여 계속 진행하십시오.
소스 선택 페이지에 있으면 소스 URL 필드에 Scala 소스 파일을 사용하여 빌드된 패키지된 레서피에 해당하는 Docker URL 붙여넣습니다. 다음, 드래그 앤 드롭으로 제공된 구성 파일을 가져오거나 파일 시스템 브라우저를 사용하십시오. 제공된 구성 파일은 에서 experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json
찾을 수 있습니다. 런타임 드롭다운에서 Spark 를 선택합니다 . 런타임을 Spark 선택하면 기본 아티팩트가 Docker 에 자동으로 채워집니다. 다음, 유형 드롭다운에서 회귀를 선택합니다 . 모든 항목이 채워지면 오른쪽 위 모서리에서 다음 을 선택하여 스키마 관리를 진행 합니다.
그런 다음 스키마 관리 선택기를 사용하여 소매 판매 입력 및 출력 스키마를 선택합니다. 소매 판매 스키마 및 데이터 세트 만들기 자습서에서 제공된 부트스트랩 스크립트를 사용하여 스키마를 만들었습니다.
기능 관리 섹션 아래에서 스키마 뷰어의 테넌트 ID에서 을(를) 선택하여 소매 판매 입력 스키마를 확장합니다. 원하는 기능을 강조 표시하고 오른쪽 필드 속성 창에서 입력 기능 또는 대상 기능 을(를) 선택하여 입력 및 출력 기능을 선택합니다. 이 자습서에서는 "weeklySales"을(를) Target 기능(으)로 설정하고 그 외의 모든 기능을 입력 기능(으)로 설정하십시오. 새로 구성된 레시피를 검토하려면 다음 을(를) 선택하십시오.
레서피 검토, 필요에 따라 구성을 추가, 수정 또는 제거합니다. 마침 을 선택하여 레서피 만들기.
다음 단계로 진행하여 새로 만든 소매 판매 레시피를 사용하여 Data Science Workspace에서 모델을 만드는 방법을 알아봅니다.
다음 단계 next-steps
이 자습서에서는 레시피를 구성하고 Data Science Workspace (으)로 가져오는 방법에 대한 통찰력을 제공했습니다. 이제 새로 만든 레서피 기능을 사용하여 모델을 생성, 훈련 및 평가할 수 있습니다.