API를 Sensei Machine Learning 사용하여 모델 학습 및 평가
이 튜토리얼 에서는 API 호출을 사용하여 모델을 생성, 훈련 및 평가하는 방법을 보여줍니다. API 설명서의 자세한 목록은 이 문서를🔗 참조하십시오.
전제 조건
API를 사용하여 모델을 훈련하고 평가하는 데 필요한 엔진 생성을 위해 API🔗를 사용하여 패키지된 레시피 가져오기 지침을 따르십시오.
Experience Platform API 인증 튜토리얼에 따라 API 호출을 시작합니다.
이제 튜토리얼 값에서 다음 값을 가져야 합니다.
-
{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 특정 API 키 값을 찾았습니다. -
지능형 서비스의 도커 이미지에 대한 링크
API 워크플로우
교육용 실험 실행을 만들기 위해 API를 사용할 예정입니다. 이 자습서에서는 엔진, 인스턴스 및 실험 끝점에 중점을 둡니다. 다음 차트는 세 가지 간의 관계를 간략하게 설명하고 실행 및 모델에 대한 개념도 소개합니다.
MLInstance 만들기
MLInstance 만들기는 다음 요청 을 사용하여 수행할 수 있습니다. API🔗 튜토리얼을 사용하여 패키징된 레시피 가져오기(Import a packaged Recipe)에서 엔진을 생성할 때 반환된 를 사용 {ENGINE_ID}
하게 됩니다.
요청
curl -X POST \
https://platform.adobe.io/data/sensei/mlInstances \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=mlInstance.v1.json' \
-H 'x-api-key: {API_KEY}' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-d `{JSON_PAYLOAD}`
{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.{JSON_PAYLOAD}
: MLInstance의 구성입니다. 튜토리얼 에서 사용하는 예는 다음과 같습니다.
{
"name": "Retail - Instance",
"description": "Instance for ML Instance",
"engineId": "{ENGINE_ID}",
"createdBy": {
"displayName": "John Doe",
"userId": "johnd"
},
"tags": {
"purpose": "tutorial"
},
"tasks": [
{
"name": "train",
"parameters": [
{
"key": "numFeatures",
"value": "10"
},
{
"key": "maxIter",
"value": "2"
},
{
"key": "regParam",
"value": "0.15"
},
{
"key": "trainingDataLocation",
"value": "sample_training_data.csv"
}
]
},
{
"name": "score",
"parameters": [
{
"key": "scoringDataLocation",
"value": "sample_scoring_data.csv"
},
{
"key": "scoringResultsLocation",
"value": "scoring_results.net"
}
]
}
]
}
{JSON_PAYLOAD}
배열에서 tasks
교육 및 점수 매기기에 사용되는 매개 변수를 정의합니다. {ENGINE_ID}
는 사용하고자 하는 엔진의 ID이며, tag
필드는 인스턴스를 식별하는 데 사용되는 선택적 파라미터입니다.응답에는 생성된 MLInstance를 나타내는 which가 포함됩니다 {INSTANCE_ID}
. 구성이 다른 여러 모델 MLInstance를 만들 수 있습니다.
응답
{
"id": "{INSTANCE_ID}",
"name": "Retail - Instance",
"description": "Instance for ML Instance",
"engineId": "{ENGINE_ID}",
"created": "2018-21-21T11:11:11.111Z",
"createdBy": {
"displayName": "John Doe",
"userId": "johnd"
},
"updated": "2018-21-01T11:11:11.111Z",
"deleted": false,
"tags": {
"purpose": "tutorial"
},
"tasks": [
{
"name": "train",
"parameters": [...]
},
{
"name": "score",
"parameters": [...]
}
]
}
{ENGINE_ID}
: MLInstance가 만들어지는 엔진을 나타내는 이 ID입니다.{INSTANCE_ID}
: MLInstance를 나타내는 ID.
실험 만들기
실험은 데이터 과학자가 훈련하는 동안 성과가 좋은 모델에 도달하기 위해 사용합니다. 여러 실험에는 데이터 세트, 기능, 학습 매개 변수 및 하드웨어 변경이 포함됩니다. 다음은 실험을 만드는 예제입니다.
요청
curl -X POST \
https://platform.adobe.io/data/sensei/experiments \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experiment.v1.json' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-api-key: {API_KEY' \
-d `{JSON PAYLOAD}`
{ORG_ID}
: 고유한 Adobe Experience Platform 통합에 있는 조직 자격 증명입니다.{ACCESS_TOKEN}
: 인증 후 제공된 특정 전달자 토큰 값입니다.{API_KEY}
: 고유한 Adobe Experience Platform 통합에서 찾은 특정 API 키 값입니다.{JSON_PAYLOAD}
: 생성된 실험 개체입니다. 튜토리얼 에서 사용하는 예는 다음과 같습니다.
{
"name": "Experiment for Retail ",
"mlInstanceId": "{INSTANCE_ID}",
"tags": {
"test": "guide"
}
}
{INSTANCE_ID}
: MLInstance를 나타내는 ID.
실험 창작의 반응은 이좋아요 보입니다.
응답
{
"id": "{EXPERIMENT_ID}",
"name": "Experiment for Retail",
"mlInstanceId": "{INSTANCE_ID}",
"created": "2018-01-01T11:11:11.111Z",
"updated": "2018-01-01T11:11:11.111Z",
"deleted": false,
"tags": {
"test": "guide"
}
}
{EXPERIMENT_ID}
: 방금 만든 실험 내용을 나타내는 ID입니다.{INSTANCE_ID}
: MLInstance를 나타내는 ID입니다.
교육을 위해 예약된 실험 만들기
예약된 실험은 API 호출을 통해 각 단일 실험 실행을 만들 필요가 없도록 사용됩니다. 대신 실험 생성 중에 필요한 모든 매개 변수를 제공하며 각 실행은 주기적으로 생성됩니다.
예약된 실험의 생성을 나타내려면 요청 본문에 template
섹션을 추가해야 합니다. template
에는 작업을 나타내는 tasks
, 예약된 실행의 타이밍을 나타내는 schedule
등 예약 실행에 필요한 모든 매개 변수가 포함되어 있습니다.
요청
curl -X POST \
https://platform.adobe.io/data/sensei/experiments \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experiment.v1.json' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-api-key: {API_KEY}' \
-d '{JSON_PAYLOAD}`
{ORG_ID}
: 고유한 Adobe Experience Platform 통합에서 조직 자격 증명을 찾았습니다.{ACCESS_TOKEN}
: 인증 후 제공된 특정 전달자 토큰 값입니다.{API_KEY}
: 고유한 Adobe Experience Platform 통합에서 찾은 특정 API 키 값입니다.{JSON_PAYLOAD}
: 게시할 데이터 세트입니다. 튜토리얼 에서 사용하는 예는 다음과 같습니다.
{
"name": "Experiment for Retail",
"mlInstanceId": "{INSTANCE_ID}",
"template": {
"tasks": [{
"name": "train",
"parameters": [
{
"value": "1000",
"key": "numFeatures"
}
],
"specification": {
"type": "SparkTaskSpec",
"executorCores": 5,
"numExecutors": 5
}
}],
"schedule": {
"cron": "*/20 * * * *",
"startTime": "2018-11-11",
"endTime": "2019-11-11"
}
}
}
실험(Experiment)을 만들 때 본문{JSON_PAYLOAD}
()은 또는 mlInstanceQuery
매개 변수 중 하나를 mlInstanceId
포함해야 합니다. 이 예제에서 예약된 실험 은 매개 변수에 cron
설정된 20분마다 실행을 startTime
endTime
호출합니다.
응답
{
"id": "{EXPERIMENT_ID}",
"name": "Experiment for Retail",
"mlInstanceId": "{INSTANCE_ID}",
"created": "2018-11-11T11:11:11.111Z",
"updated": "2018-11-11T11:11:11.111Z",
"deleted": false,
"workflowId": "endid123_0379bc0b_8f7e_4706_bcd9_1a2s3d4f5g_abcdf",
"template": {
"tasks": [
{
"name": "train",
"parameters": [...],
"specification": {
"type": "SparkTaskSpec",
"executorCores": 5,
"numExecutors": 5
}
}
],
"schedule": {
"cron": "*/20 * * * *",
"startTime": "2018-07-04",
"endTime": "2018-07-06"
}
}
}
{EXPERIMENT_ID}
: 실험 내용을 나타내는 ID입니다.{INSTANCE_ID}
: MLInstance를 나타내는 ID입니다.
교육 실행을 위한 실험 실행 만들기
실험 엔터티가 만들어지면 아래 호출을 사용하여 교육 실행을 만들고 실행할 수 있습니다. 요청 본문에 트리거할 항목을 mode
및 명시해야 {EXPERIMENT_ID}
합니다.
요청
curl -X POST \
https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'Content-Type: application/vnd.adobe.platform.sensei+json;profile=experimentRun.v1.json' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-api-key: {API_KEY}' \
-d '{JSON_PAYLOAD}'
{EXPERIMENT_ID}
: 타깃팅하려는 실험에 해당하는 ID입니다. 이는 실험을 생성할 때 응답에서 찾을 수 있습니다.{ORG_ID}
: 고유한 Adobe Experience Platform 통합에서 조직 자격 증명을 찾았습니다.{ACCESS_TOKEN}
: 인증 후 제공한 특정 전달자 토큰 값입니다.{API_KEY}
: 고유한 Adobe Experience Platform 통합에서 특정 API 키 값을 찾았습니다.{JSON_PAYLOAD}
: 교육 실행을 만들려면 본문에 다음을 포함해야 합니다.
{
"mode":"Train"
}
tasks
배열을 포함하여 구성 매개 변수를 재정의할 수도 있습니다.
{
"mode":"Train",
"tasks": [
{
"name": "train",
"parameters": [
{
"key": "numFeatures",
"value": "2"
}
]
}
]
}
{EXPERIMENT_RUN_ID}
과(와) tasks
의 구성을 알려 주는 다음 응답을 받게 됩니다.
응답
{
"id": "{EXPERIMENT_RUN_ID}",
"mode": "train",
"experimentId": "{EXPERIMENT_ID}",
"created": "2018-01-01T11:11:11.903Z",
"updated": "2018-01-01T11:11:11.903Z",
"deleted": false,
"tasks": [
{
"name": "Train",
"parameters": [...]
}
]
}
{EXPERIMENT_RUN_ID}
: 실험 실행을 나타내는 ID.{EXPERIMENT_ID}
: 실험 실행이 진행 중인 실험을 나타내는 ID입니다.
실험 실행 상태 검색
{EXPERIMENT_RUN_ID}
(으)로 실험 실행의 상태를 쿼리할 수 있습니다.
요청
curl -X GET \
https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs/{EXPERIMENT_RUN_ID}/status \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'x-gw-ims-org-id: {ORG_ID}' \
-H 'x-api-key: {API_KEY}'
{EXPERIMENT_ID}
: 실험을 나타내는 ID.{EXPERIMENT_RUN_ID}
: 실험 실행을 나타내는 ID.{ACCESS_TOKEN}
: 인증 후 제공한 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.
응답
GET 호출은 아래와 같이 매개 변수의 state
상태를 제공합니다.
{
"id": "{EXPERIMENT_ID}",
"name": "RunStatus for experimentRunId {EXPERIMENT_RUN_ID}",
"experimentRunId": "{EXPERIMENT_RUN_ID}",
"deleted": false,
"status": {
"tasks": [
{
"id": "{MODEL_ID}",
"state": "DONE",
"tasklogs": [
{
"name": "execution",
"url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
},
{
"name": "stderr",
"url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
},
{
"name": "stdout",
"url": "https://mlbaprod1sapwd7jzid.file.core.windows.net/..."
}
]
}
]
}
}
{EXPERIMENT_RUN_ID}
: 실험 실행을 나타내는 ID입니다.{EXPERIMENT_ID}
: 실험 실행이 있는 실험을 나타내는 ID입니다.
DONE
상태 외에 다른 상태는 다음과 같습니다.
PENDING
RUNNING
FAILED
자세한 정보를 보려면 tasklogs
매개 변수에서 자세한 로그를 찾을 수 있습니다.
훈련된 모델 검색
교육 중에 위에서 만든 훈련된 모델을 가져오려면 다음 요청을 수행합니다.
요청
curl -X GET \
'https://platform.adobe.io/data/sensei/models/?property=experimentRunId=={EXPERIMENT_RUN_ID}' \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'x-gw-ims-org-id: {ORG_ID}'
{EXPERIMENT_RUN_ID}
: 타깃팅하려는 실험 실행에 해당하는 ID입니다. 실험 실행을 만들 때 응답에서 찾을 수 있습니다.{ACCESS_TOKEN}
: 인증 후 제공한 특정 전달자 토큰 값입니다.{ORG_ID}
: 고유한 Adobe Experience Platform 통합에서 조직 자격 증명을 찾았습니다.
응답은 생성된 훈련된 모델을 나타냅니다.
응답
{
"children": [
{
"id": "{MODEL_ID}",
"name": "Tutorial trained Model",
"experimentId": "{EXPERIMENT_ID}",
"experimentRunId": "{EXPERIMENT_RUN_ID}",
"description": "trained model for ID",
"modelArtifactUri": "wasb://test-models@mlpreprodstorage.blob.core.windows.net/{MODEL_ID}",
"created": "2018-01-01T11:11:11.011Z",
"updated": "2018-01-01T11:11:11.011Z",
"deleted": false
}
],
"_page": {
"property": "ExperimentRunId=={EXPERIMENT_RUN_ID},deleted!=true",
"count": 1
}
}
{MODEL_ID}
: 모델에 해당하는 ID입니다.{EXPERIMENT_ID}
: 실험 실행이 속한 실험에 해당하는 ID입니다.{EXPERIMENT_RUN_ID}
: 실험 실행에 해당하는 ID입니다.
예약된 실험 정지 및 삭제
예약된 실험 실행 endTime
을 중지하려면 DELETE 요청을 {EXPERIMENT_ID}
요청
curl -X DELETE \
'https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}' \
-H 'Authorization: Bearer {ACCESS_TOKEN}' \
-H 'x-gw-ims-org-id: {ORG_ID}'
{EXPERIMENT_ID}
: 실험 시 해당 ID입니다.{ACCESS_TOKEN}
: 인증 후 제공된 특정 전달자 토큰 값입니다.{ORG_ID}
: 고유한 Adobe Experience Platform 통합에 있는 조직 자격 증명입니다.
다음은 실험 삭제를 알리는 응답입니다.
응답
{
"title": "Success",
"status": 200,
"detail": "Experiment successfully deleted"
}
다음 단계
이 튜토리얼에서는 API를 사용하여 엔진, 실험, 예약된 실험 실행 및 훈련된 모델을 만드는 방법을 살펴보았습니다. 다음 연습에서는 가장 성과가 좋은 훈련된 모델을 사용하여 새 데이터 세트에 점수를 매겨 예측을 합니다.