Overzicht van Data Science Workspace

NOTE
Houd er rekening mee dat de beschikbaarheid van documentatie over een functie op het Experience League niet gegarandeerd is voor elke klant. Deze functie is alleen beschikbaar voor bestaande klanten die een Adobe Experience Platform- of Adobe Experience Platform Intelligence-licentie hebben aangeschaft. Raadpleeg de officiële productbeschrijving voor meer informatie over functies en andere details van aangeschafte SKU's/producten.

Adobe Experience Platform Data Science Workspace maakt gebruik van machinaal leren en kunstmatige intelligentie om inzichten van uw gegevens te onthullen. Data Science Workspace is geïntegreerd in Adobe Experience Platform en helpt u bij het maken van voorspellingen met behulp van uw inhoud en gegevenselementen voor verschillende Adobe-oplossingen.

Gegevenswetenschappers van alle vaardigheidsniveaus zullen geavanceerde, makkelijk te gebruiken hulpmiddelen vinden die snelle ontwikkeling, opleiding, en het stemmen van machine het leren recepten steunen - alle voordelen van AI technologie, zonder de ingewikkeldheid.

Met Data Science Workspace kunnen gegevenswetenschappers eenvoudig intelligente services-API's maken, aangedreven door machinaal leren. Deze services werken samen met andere Adobe-services, waaronder Adobe Target en Adobe Analytics Cloud, om u te helpen persoonlijke, doelgerichte digitale ervaringen te automatiseren voor web-, desktop- en mobiele apps.

Deze handleiding bevat een overzicht van de belangrijkste concepten die betrekking hebben op Data Science Workspace .

Inleiding

De onderneming van vandaag plaatst een hoge prioriteit op het ontginnen van grote gegevens voor voorspellingen en inzichten die hen zullen helpen klantenervaringen personaliseren en meer waarde aan klanten - en aan de zaken leveren.
Hoe belangrijk het ook is, het overstappen van gegevens naar inzichten kan hoge kosten met zich meebrengen. Meestal vereist het deskundige gegevenswetenschappers die intensief en tijdrovend gegevensonderzoek uitvoeren om machinaal leermodellen te ontwikkelen, of recepten, die intelligente diensten aandrijven. Het proces is lang, de technologie is complex, en deskundige gegevenswetenschappers kunnen moeilijk te vinden zijn.

Met Data Science Workspace kunt u in Adobe Experience Platform op ervaring gerichte AI in de hele onderneming introduceren, zodat u gegevens naar inzichten kunt stroomlijnen en versnellen met:

  • Een framework voor machinetlering en runtime
  • Geïntegreerde toegang tot uw gegevens die in Adobe Experience Platform zijn opgeslagen
  • Geïntegreerd gegevensschema gebaseerd op Experience Data Model (XDM)
  • De verwerkingskracht die essentieel is voor het leren van machines/AI en het beheren van grote datasets
  • Prebuilt machine het leren recepten om de sprong in AI gedreven ervaringen te versnellen
  • Vereenvoudigd ontwerp, hergebruik en wijziging van recepten voor gegevenswetenschappers met verschillende vaardigheidsniveaus
  • Intelligente het de dienstpubliceren en delen in slechts een paar klikken - zonder een ontwikkelaar - en controle en herscholing voor ononderbroken optimalisering van gepersonaliseerde klantenervaringen

Gegevenswetenschappers van alle vaardigheidsniveaus zullen sneller en effectievere digitale ervaringen bereiken.

Aan de slag

Voordat u naar de details van Data Science Workspace gaat, volgt een korte samenvatting van de belangrijkste termen:

Term
Definitie
Data Science Workspace
Met Data Science Workspace in Experience Platform kunnen klanten modellen voor het leren van machines maken met behulp van gegevens over Experience Platform en Adobe-oplossingen om intelligente inzichten en voorspellingen te genereren en prachtige digitale ervaringen voor eindgebruikers te wekken.
Kunstmatige intelligentie
Kunstmatige intelligentie is een theorie en ontwikkeling van computersystemen die taken kunnen uitvoeren die normaal menselijke intelligentie vereisen, zoals visuele waarneming, spraakherkenning, besluitvorming en vertaling tussen talen.
Machine leren
Het leren van de machine is het gebied van studie dat computers de capaciteit toelaat om te leren zonder uitdrukkelijk geprogrammeerd te zijn.
Sensei ML Framework
Sensei ML Framework is een uniform computerleerframework voor de hele Adobe dat gegevens over Experience Platform gebruikt om gegevenswetenschappers in staat te stellen op een snellere, schaalbare en herbruikbare manier computerleergestuurde inlichtingendiensten te ontwikkelen.
Experience Data Model
Experience Data Model (XDM) is de standaardiseringsinspanning die door Adobe wordt geleid om standaardschema's zoals Profile en ExperienceEvent, voor het Beheer van de Ervaring van de Klant te bepalen.
JupyterLab
JupyterLab is een open-source webinterface voor Project Jupyter en is nauw geïntegreerd in Experience Platform .
Ontvangers
Een recept is de term van de Adobe voor een modelspecificatie en is een top-level container die een specifiek machine het leren, AI algoritme of een samenstel van algoritmen, verwerkingslogica, en configuratie vertegenwoordigt die wordt vereist om een opgeleid model te bouwen en uit te voeren en daardoor helpen specifieke bedrijfsproblemen oplossen.
Model
Een model is een geval van een machine het leren recept dat gebruikend historische gegevens en configuraties wordt opgeleid om voor een bedrijfs geval op te lossen.
Training
Training is het proces van leerpatronen en inzichten van gelabelde gegevens.
Gevolgd model
Een getraind model vertegenwoordigt de uitvoerbare output van een model opleidingsproces, waarin een reeks opleidingsgegevens werd toegepast op de modelinstantie. Een getraind model zal een verwijzing naar om het even welke intelligente Webdienst handhaven die van het wordt gecreeerd. Het getrainde model is geschikt voor het scoren en maken van een intelligente webservice. Wijzigingen in een getraind model kunnen als een nieuwe versie worden bijgehouden.
Scores
Scores is het proces om inzichten van gegevens te produceren gebruikend een opgeleid model.
Service
Een geïmplementeerde service stelt functies van een kunstmatige intelligentie, een model voor machinaal leren of een geavanceerd algoritme via een API beschikbaar, zodat het door andere services of toepassingen kan worden gebruikt om intelligente apps te maken.

De volgende grafiek schetst de hiërarchische verhouding tussen Ontvangers, Modellen, de Looppas van de Opleiding, en het Scorelooppas.

Data Science Workspace begrijpen

Met Data Science Workspace kunnen uw gegevenswetenschappers het lastige proces stroomlijnen waarbij inzichten in grote gegevenssets worden opgespoord. Data Science Workspace is gebaseerd op een algemeen computerleerframework en een gemeenschappelijke runtime, en biedt geavanceerd workflowbeheer, modelbeheer en schaalbaarheid. De intelligente diensten steunen hergebruik van machine het leren recepten om een verscheidenheid van toepassingen tot stand te brengen die gebruikend de producten en de oplossingen van de Adobe worden gecreeerd.

Toegang tot gegevens met één stop

Gegevens zijn de hoeksteen van het leren van AI en machines.

Data Science Workspace is volledig geïntegreerd met Adobe Experience Platform, inclusief het Data Lake, Real-Time Customer Profile en Unified Edge . Ontdek al uw organisatorische gegevens die in Adobe Experience Platform tegelijk zijn opgeslagen, samen met veelgebruikte grote gegevens en uitgebreide leerbibliotheken, zoals Spark ML en TensorFlow . Als u niet vindt wat u nodig hebt, neemt uw eigen datasets op gebruikend het XDM gestandaardiseerde schema.

Prebuilt machine het leren recepten

Data Science Workspace bevat vooraf gebouwde recepten voor machinaal leren voor algemene bedrijfsbehoeften, zoals de voorspelling van de detailhandel en anomaliedetectie, zodat wetenschappers en ontwikkelaars van gegevens niet helemaal hoeven te beginnen. Momenteel worden drie recepten aangeboden, {de voorspelling van de 0} productaankoop 🔗, productaanbevelingen, en kleinhandelsverkoop.

U kunt desgewenst een vooraf samengesteld recept aanpassen aan uw behoeften, een recept importeren of helemaal opnieuw beginnen om een aangepast recept te maken. Maar als je eenmaal begint met het trainen en afstemmen van een recept, is het maken van een aangepaste intelligente service geen ontwikkelaar nodig - slechts een paar klikken en je bent klaar om een gerichte, gepersonaliseerde digitale ervaring op te bouwen.

Werkschema gericht op de gegevenswetenschapper

Wat uw expertise op het gebied van gegevenswetenschap ook is, Data Science Workspace helpt u het zoeken naar inzichten in gegevens te vereenvoudigen en te versnellen en deze toe te passen op digitale ervaringen.

Gegevensexploratie

Het vinden van de juiste gegevens en het voorbereiden ervan is het meest arbeidsintensieve onderdeel van het opbouwen van een effectief recept. Data Science Workspace en Adobe Experience Platform helpen u sneller van gegevens naar inzichten te gaan.

Op Adobe Experience Platform worden uw gegevens over meerdere kanalen gecentraliseerd en opgeslagen in het gestandaardiseerde XDM-schema, zodat gegevens eenvoudiger te vinden, te begrijpen en schoon zijn. Één enkele opslag van gegevens die op een gemeenschappelijk schema worden gebaseerd kan u ontelbare uren van gegevensexploratie en voorbereiding besparen.

Terwijl u bladert, gebruikt u R, Python of Scala met de geïntegreerde, gehoste Jupyter Notebook om door de gegevenscatalogus op Platform te bladeren. Als u een van deze talen gebruikt, kunt u ook gebruikmaken van Spark ML en TensorFlow. Begin helemaal opnieuw of gebruik een van de laptopsjablonen voor specifieke bedrijfsproblemen.

Als onderdeel van de workflow voor gegevensverkenning kunt u ook nieuwe gegevens invoeren of bestaande functies gebruiken voor de voorbereiding van gegevens.

Authoring

Met Data Science Workspace bepaalt u hoe u recepten wilt ontwerpen.

  • Bespaar tijd door te bladeren naar een vooraf samengesteld recept dat aan uw bedrijfsbehoeften voldoet, dat u kunt gebruiken zoals is of vormen om aan uw specifieke vereisten te voldoen.
  • Maak een geheel nieuw recept en gebruik de ontwerpruntime in Jupyter Notebook om het recept te ontwikkelen en te registreren.
  • Upload een recept dat buiten Adobe Experience Platform is geschreven naar Data Science Workspace of importeer recept-code uit een opslagplaats, zoals Git , met behulp van de verificatie en integratie die beschikbaar zijn tussen Git en Data Science Workspace .

Experimentatie

Data Science Workspace biedt een enorme flexibiliteit aan het experimentatieproces. Begin met je recept. Maak vervolgens een aparte instantie met hetzelfde kernalgoritme en unieke kenmerken, zoals hyper-tuning-parameters. U kunt zo veel instanties maken als u nodig hebt, elke instantie zo vaak trainen en scoren als u wilt. Terwijl u ze traint, houdt Data Science Workspace recepten, receptenvarianten en getrainde varianten bij, samen met evaluatiemetriek, zodat u dat niet hoeft te doen.

Operationalisatie

Als je tevreden bent met je recept, is het slechts een paar klikken om een intelligente dienst te creëren. Geen codering vereist - u kunt het zelf doen zonder een ontwikkelaar of technicus in te schrijven. Tot slot publiceert u de intelligente service naar Adobe IO en is deze klaar voor gebruik door uw team voor digitale ervaring.

Voortdurende verbetering

Data Science Workspace houdt bij waar de intelligente diensten worden aangehaald en hoe zij presteren. Terwijl de gegevens worden doorgegeven, kunt u de nauwkeurigheid van de intelligente service beoordelen om de lus te sluiten en de recepten zo nodig opnieuw trainen om de prestaties te verbeteren. Het resultaat is een voortdurende verfijning van de nauwkeurigheid van klantpersonalisatie.

Toegang tot nieuwe functies en datasets

Gegevenswetenschappers kunnen profiteren van nieuwe technologieën en datasets zodra deze beschikbaar zijn via Adobe-services. Door regelmatige updates, doen wij het werk om datasets en technologieën in het platform te integreren, zodat moet u niet.

Veiligheid en gemoedsrust

Het beveiligen van uw gegevens is een topprioriteit voor Adobe. De Adobe beschermt uw gegevens met veiligheidsprocessen en controles die worden ontwikkeld helpen aan industrie-erkende normen, verordeningen, en certificatie voldoen.

De veiligheid wordt ingebouwd in software en de diensten als deel van de Veilige Levenscyclus van het Product van de Adobe.
Ga naar de beveiligingspagina op https://www.adobe.com/security.html voor meer informatie over Adobe- en softwarebeveiliging, compatibiliteit en meer.

Data Science Workspace in handeling

De voorspellingen en de inzichten verstrekken de informatie u nodig hebt om een hoogst gepersonaliseerde ervaring aan elke klant te leveren die uw website bezoekt, uw callcenter contacteert, of aan andere digitale ervaringen aangaat. Dit is hoe uw dagelijkse werk met Data Science Workspace gebeurt.

Het probleem definiëren

Het begint allemaal met een bedrijfsprobleem. Bijvoorbeeld, heeft een online callcenter context nodig om hen te helpen een negatief klantensentiment positief veranderen.

Er zijn genoeg gegevens over de klant. Ze hebben op de site gebladerd, items in hun winkelwagentje gezet en zelfs bestellingen geplaatst. Ze hebben mogelijk eerder e-mails ontvangen, coupons gebruikt of contact opgenomen met het callcenter. Het recept moet dan de beschikbare gegevens over de klant en zijn activiteiten gebruiken om te bepalen of hij geneigd is een aanbod te kopen en aan te bevelen dat de klant waarschijnlijk zal waarderen en gebruiken.

Op het tijdstip van het contact van het callcenter, heeft de klant nog twee paar schoenen in de kar, maar verwijder een shirt. Met deze informatie, zou de intelligente dienst kunnen adviseren dat de agent van het vraagcentrum een coupon voor 20% van schoenen tijdens de vraag aanbiedt. Als de klant de coupon gebruikt, wordt die informatie toegevoegd aan de dataset en worden de voorspellingen nog beter de volgende keer de klantenvraag.

De gegevens verkennen en voorbereiden

Op basis van het gedefinieerde bedrijfsprobleem weet u dat het recept alle webtransacties van de klant moet bekijken, zoals bezoeken op de site, zoekopdrachten, paginaweergaven, geklikte koppelingen, cartacties, ontvangen aanbiedingen, ontvangen e-mails, interacties tussen callcenters enzovoort.

Een gegevenswetenschapper besteedt doorgaans tot 75% van de tijd die nodig is om een recept te maken voor het verkennen en transformeren van de gegevens. De gegevens komen vaak uit veelvoudige bewaarplaatsen en worden bewaard in verschillende schema's - het moet worden gecombineerd en in kaart gebracht alvorens het kan worden gebruikt om een recept tot stand te brengen.

Als u van kras begint of een bestaand recept vormt, begint u uw gegevensonderzoek in een gecentraliseerde en gestandaardiseerde gegevenscatalogus voor uw organisatie, die de jacht aanzienlijk vereenvoudigt. Misschien zult u zelfs zien dat een andere gegevenswetenschapper in uw organisatie al een vergelijkbare dataset heeft geïdentificeerd, en verkiest om die dataset te verfijnen eerder dan van kras te beginnen.
Alle gegevens in Adobe Experience Platform voldoen aan een gestandaardiseerd XDM-schema, waardoor het niet nodig is om een complex model te maken voor het samenvoegen van gegevens of hulp te krijgen van een gegevensengineer.

Als u niet onmiddellijk de gegevens vindt u wenst, maar het bestaat buiten Adobe Experience Platform, is het een vrij eenvoudige taak om extra datasets in te voeren, die ook in het gestandaardiseerde XDM schema zal omzetten.
U kunt Jupyter Notebook gebruiken om de verwerking van gegevens te vereenvoudigen, mogelijk te beginnen met een laptopsjabloon of een laptop die u eerder hebt gebruikt voor koopkracht.

Auteur van het recept

Als u al een recept hebt gevonden dat aan al uw behoeften voldoet, kunt u verdergaan met experimenteren. Of u kunt het recept een beetje wijzigen of er een maken, waarbij u kunt profiteren van de Data Science Workspace -ontwerpruntime in Jupyter Notebook . Als u de ontwerpruntime gebruikt, weet u zeker dat u de Data Science Workspace -workflow voor training en scoring kunt gebruiken en het recept later kunt omzetten, zodat het kan worden opgeslagen en hergebruikt door anderen in uw organisatie.

U kunt ook een recept importeren in Data Science Workspace en profiteren van de workflows voor experimenten wanneer u de intelligente service maakt.

Experimenteer met het recept

Met een recept dat uw kernalgoritmen voor machinaal leren omvat, kunnen vele recept instanties met één enkel recept worden gecreeerd. Deze recept-varianten worden modellen genoemd. Een model vereist training en evaluatie om de operationele efficiëntie en effectiviteit ervan te optimaliseren, een proces dat meestal bestaat uit vallen en fouten.

Tijdens het trainen van uw modellen worden trainingsreeksen en evaluaties gegenereerd. Data Science Workspace houdt de evaluatiemetriek voor elk uniek model en hun trainingslooppas bij. De metriek van de evaluatie die door experimentatie wordt geproduceerd zal u toestaan om de trainingslooppas te bepalen die het best presteert.

Bezoek of APIof UIleerprogramma op hoe te om modellen in Data Science Workspace te trainen en te evalueren.

Het model opereren

Wanneer u het best opgeleide recept hebt geselecteerd om aan uw bedrijfsbehoeften te voldoen, kunt u een intelligente dienst in Data Science Workspace zonder hulp van de ontwikkelaar tot stand brengen. Het is slechts een paar klikken - geen codering vereist. Een gepubliceerde intelligente dienst is toegankelijk voor andere leden van uw organisatie zonder de behoefte om het model te ontspannen.

Een gepubliceerde intelligente dienst is configureerbaar om zich van tijd tot tijd automatisch op te leiden gebruikend nieuwe gegevens aangezien zij beschikbaar worden. Dit zorgt ervoor dat uw service efficiënt en efficiënt blijft wanneer de tijd doorgaat.

Volgende stappen

Data Science Workspace helpt de workflow voor gegevenswetenschap te stroomlijnen en te vereenvoudigen, van gegevensverzameling tot algoritmen en intelligente services voor gegevenswetenschappers van alle vaardigheidsniveaus. Met de geavanceerde gereedschappen die Data Science Workspace biedt, kunt u de tijd aanzienlijk verkorten van gegevens naar inzichten.

Nog belangrijker is dat Data Science Workspace de mogelijkheden voor gegevenswetenschap en algoritmische optimalisatie van het toonaangevende marketingplatform van Adobe in handen legt van wetenschappers op het gebied van bedrijfsgegevens. Voor het eerst kunnen bedrijven bedrijfseigen algoritmen aan het platform aanbieden, waarbij ze profiteren van de krachtige computervaardigheden van Adobe en AI-mogelijkheden om op grote schaal zeer persoonlijke klantervaringen te bieden.

Met het huwelijk van merkenkennis en het machineonderwijs van Adobe en AI-processen hebben bedrijven de macht om meer bedrijfswaarde en merktrouw te drijven door klanten te geven wat ze willen, voordat ze erom vragen.

Voor extra informatie, zoals een volledig dagelijks werkschema, gelieve te beginnen door de looppas-doordocumentatie van Workspace van de Wetenschap van Gegevens te lezen.

Aanvullende bronnen

De volgende video is ontworpen om uw begrip van Data Science Workspace te steunen.

recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9