Dokumentation Experience Platform Användarhandbok om Data Science Workspace

Publish en modell som en tjänst med Sensei Machine Learning API

Last update: Tue Jul 16 2024 00:00:00 GMT+0000 (Coordinated Universal Time)

Ämnen:
Data Science Workspace

Skapat för:

Användare
Utvecklare

I den här självstudien beskrivs processen att publicera en modell som en tjänst med hjälp av Sensei Machine Learning API.

Komma igång

Den här självstudiekursen kräver en fungerande förståelse för Adobe Experience Platform Data Science Workspace. Innan du börjar med den här självstudiekursen bör du gå igenom Workspace-översikten för datavetenskap för att få en introduktion till tjänsten på hög nivå.

Om du vill följa med i den här självstudiekursen måste du ha en befintlig ML-motor, ML-instans och Experiment. Anvisningar om hur du skapar dessa i API:t finns i självstudiekursen Importera ett paketerat recept.

Innan du startar den här självstudiekursen bör du gå igenom avsnittet Komma igång i utvecklarhandboken för att få viktig information som du behöver känna till för att kunna anropa API:t för Sensei Machine Learning, inklusive de rubriker som krävs som används i den här självstudiekursen:

{ACCESS_TOKEN}
{ORG_ID}
{API_KEY}

Alla förfrågningar från POST, PUT och PATCH kräver ytterligare en rubrik:

Content-Type: application/json

Nyckeltermer

I följande tabell beskrivs några vanliga termer som används i den här självstudiekursen:

Villkor

Definition

Instans för maskininlärning (ML-instans)

En instans av en Sensei-motor för en viss klientorganisation som innehåller specifika data, parametrar och Sensei-kod.

Experimentera

En paraplyenhet för utbildning Experiment Runs, Scoring Experiment Runs, eller båda.

Schemalagd experiment

En term som beskriver automatiseringen av kurser eller poängsättning i Experiment Runs som styrs av ett användardefinierat schema.

Experimentkörning

Ett särskilt fall av utbildning eller poängsättningsexperiment. Multipla Experiment körs från en viss Experiment och kan skilja sig åt när det gäller datamängder som används för utbildning eller poängsättning.

Utbildad modell

En maskininlärningsmodell som har skapats genom att experimentera och använda konstruktion innan den levereras till en validerad, utvärderad och färdigställd modell.

Publicerad modell

En färdig och versionshanterad modell som tagits fram efter utbildning, validering och utvärdering.

Maskinininlärningstjänst (ML-tjänst)

En ML-instans distribuerad som en tjänst för att stödja on-demand-begäranden om utbildning och poängsättning med en API-slutpunkt. En ML-tjänst kan också skapas med befintliga utbildade Experiment Runs.

Skapa en ML-tjänst med en befintlig övningsexperimentell körning och schemalagd poängsättning

När du publicerar en utbildningsexperimentell körning som en ML-tjänst kan du schemalägga betygsättning genom att ange information för bedömningsförsöket Kör nyttolasten för en POST. Detta resulterar i att en schemalagd experimententitet för poängsättning skapas.

API-format

POST /mlServices

Begäran

curl -X POST
  https://platform.adobe.io/data/sensei/mlServices
  -H 'Authorization: {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -H 'Content-Type: application/json'
  -d '{
        "name": "Service name",
        "description": "Service description",
        "trainingExperimentId": "c4155146-b38f-4a8b-86d8-1de3838c8d87",
        "trainingExperimentRunId": "5c5af39c73fcec153117eed1",
        "scoringDataSetId": "5c5af39c73fcec153117eed1",
        "scoringTimeframe": "20000",
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'

Egenskap

Beskrivning

mlInstanceId

Befintlig ML-instans-identifiering, ska den träningsutvärderingsrunda som används för att skapa ML-tjänsten motsvara den här speciella ML-instansen.

trainingExperimentId

Experimentera-ID som motsvarar ML-instansidentifieringen.

trainingExperimentRunId

En särskild utbildning Experiment Run som ska användas för att publicera ML-tjänsten.

scoringDataSetId

Identifiering som refererar till den specifika datauppsättning som ska användas för schemalagda poängsättningsförsök.

scoringTimeframe

Ett heltalsvärde som representerar minuter för filtrering av data som ska användas för poängsättning av Experiment Runs. Värdet 10080 innebär till exempel att data från de senaste 10080 minuterna eller 168 timmar kommer att användas för varje schemalagd bedömningsutvärderingskörning. Observera att värdet 0 inte kommer att filtrera data. Alla data i datauppsättningen används för poängsättningen.

scoringSchedule

Innehåller information om schemalagda poängsättningsförsök.

scoringSchedule.startTime

Datum och tid som anger när poängsättningen ska börja.

scoringSchedule.endTime

Datum och tid som anger när poängsättningen ska börja.

scoringSchedule.cron

Kroniskt värde som anger intervallet för när Experiment Runs ska poängsättas.

Svar

Ett lyckat svar returnerar information om den nyligen skapade ML-tjänsten, inklusive dess unika id och scoringExperimentId för motsvarande poängsättningsexperiment.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingExperimentRunId": "string",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "scoringSchedule": {
    "startTime": "2019-03-13T00:00",
    "endTime": "2019-03-14T00:00",
    "cron": "30 * * * *"
  },
  "created": "2019-04-08T14:45:25.981Z",
  "updated": "2019-04-08T14:45:25.981Z"
}

Skapa en ML-tjänst från en befintlig ML-instans

Beroende på ditt specifika användningsfall och dina specifika krav är det flexibelt att skapa en ML-tjänst med en ML-instans när det gäller schemaläggning av kurser och poängsättning i Experiment Runs. Den här självstudiekursen handlar om följande specialfall:

Du behöver ingen schemalagd utbildning, men du måste göra en schemalagd poängsättning.
Du behöver schemalagda utvärderingsversioner för både utbildning och poängsättning.

Observera att en ML-tjänst kan skapas med en ML-instans utan schemaläggning av några utbildnings- eller poängsättningsexperiment. Sådana ML-tjänster kommer att skapa vanliga experimentenheter och en enda Experimentrunda för utbildning och poängsättning.

ML-tjänst med schemalagd utvärdering för bedömning ml-service-with-scheduled-experiment-for-scoring

Du kan skapa en ML-tjänst genom att publicera en ML-instans med schemalagda Experiment Runs för bedömning, som skapar en vanlig Experimentenhet för utbildning. En utbildnings-Experimentkörning genereras och kommer att användas för alla schemalagda poängsättningsutvärderingsutvärderingsprocesser. Kontrollera att du har mlInstanceId, trainingDataSetId och scoringDataSetId som krävs för att skapa ML-tjänsten och att de finns och är giltiga värden.

API-format

POST /mlServices

Begäran

curl -X POST
  https://platform.adobe.io/data/sensei/mlServices
  -H 'Authorization: {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -H 'x-sandbox-name: {SANDBOX_NAME}'
  -d '{
        "name": "Service name",
        "description": "Service description",
        "mlInstanceId": "c4155146-b38f-4a8b-86d8-1de3838c8d87",
        "trainingDataSetId": "5c5af39c73fcec153117eed1",
        "trainingTimeframe": "10000",
        "scoringDataSetId": "5c5af39c73fcec153117eed1",
        "scoringTimeframe": "20000",
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'

JSON-tangent

Beskrivning

mlInstanceId

Befintlig ML-instans-ID, som representerar ML-instansen som används för att skapa ML-tjänsten.

trainingDataSetId

Identifiering som avser den specifika datauppsättning som ska användas för utbildningsexperiment.

trainingTimeframe

Ett heltalsvärde som representerar minuter för filtrering av data som ska användas för utbildning av Experiment. Värdet "10080" innebär till exempel att data från de senaste 10080 minuterna eller 168 timmar kommer att användas för att utbilda Experiment Run. Observera att värdet "0" inte filtrerar data. Alla data i datauppsättningen används för utbildning.

scoringDataSetId

Identifiering som refererar till den specifika datauppsättning som ska användas för schemalagda poängsättningsförsök.

scoringTimeframe

Ett heltalsvärde som representerar minuter för filtrering av data som ska användas för poängsättning av Experiment Runs. Värdet "10080" innebär till exempel att data från de senaste 10080 minuterna eller 168 timmar kommer att användas för varje schemalagd bedömningsutvärderingskörning. Observera att värdet "0" inte kommer att filtrera data. Alla data i datauppsättningen används för poängsättningen.

scoringSchedule

Innehåller information om schemalagda poängsättningsförsök.

scoringSchedule.startTime

Datum och tid som anger när poängsättningen ska börja.

scoringSchedule.endTime

Datum och tid som anger när poängsättningen ska börja.

scoringSchedule.cron

Kroniskt värde som anger intervallet för när Experiment Runs ska poängsättas.

Svar

Ett lyckat svar returnerar information om den nyligen skapade ML-tjänsten. Detta inkluderar tjänstens unika id samt trainingExperimentId och scoringExperimentId för motsvarande utbildning och poängsättningsexperiment.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T08:58:10.956Z"
}

ML-tjänst med schemalagda experiment för utbildning och poängsättning ml-service-with-scheduled-experiments-for-training-and-scoring

Om du vill publicera en befintlig ML-instans som en ML-tjänst med schemalagda kurser och poängsättningsprovperioder måste du tillhandahålla både utbildnings- och poängscheman. När en ML-tjänst av den här konfigurationen skapas skapas även schemalagda experimentenheter för både utbildning och poängsättning. Observera att kursplaner och poängscheman inte behöver vara desamma. Under ett poängsättningsjobb kommer den senaste utbildningsmodellen som skapats av schemalagda kurser i Experiment Runs att hämtas och användas för den schemalagda poängsättningen.

API-format

POST /mlServices

Begäran

curl -X POST 'https://platform.adobe.io/data/sensei/mlServices'
  -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}'
  -d '{
        "name": "string",
        "description": "string",
        "mlInstanceId": "string",
        "trainingDataSetId": "string",
        "trainingTimeframe": "string",
        "scoringDataSetId": "string",
        "scoringTimeframe": "string",
        "trainingSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        },
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-10T00:00",
          "cron": "10 * * * *"
        }
      }'

JSON-tangent

Beskrivning

mlInstanceId

Befintlig ML-instans-ID, som representerar ML-instansen som används för att skapa ML-tjänsten.

trainingDataSetId

Identifiering som avser den specifika datauppsättning som ska användas för utbildningsexperiment.

trainingTimeframe

scoringDataSetId

Identifiering som refererar till den specifika datauppsättning som ska användas för schemalagda poängsättningsförsök.

scoringTimeframe

trainingSchedule

Innehåller information om schemalagda kurser i Experimentprogram.

scoringSchedule

Innehåller information om schemalagda poängsättningsförsök.

scoringSchedule.startTime

Datum och tid som anger när poängsättningen ska börja.

scoringSchedule.endTime

Datum och tid som anger när poängsättningen ska börja.

scoringSchedule.cron

Kroniskt värde som anger intervallet för när Experiment Runs ska poängsättas.

Svar

Ett lyckat svar returnerar information om den nyligen skapade ML-tjänsten. Detta inkluderar tjänstens unika id, samt trainingExperimentId och scoringExperimentId för motsvarande utbildnings- och poängsättningsexperiment. I exempelsvaret nedan tyder närvaron av trainingSchedule och scoringSchedule på att Experimententiteterna för utbildning och poängsättning är schemalagda experiment.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",,
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T08:58:10.956Z"
}

Söka efter en ML-tjänst retrieving-ml-services

Du kan söka efter en befintlig ML-tjänst genom att göra en GET-begäran till /mlServices och ange den unika id för ML-tjänsten i sökvägen.

API-format

GET /mlServices/{SERVICE_ID}

Parameter

Beskrivning

{SERVICE_ID}

Den unika id för ML-tjänsten som du söker efter.

Begäran

curl -X GET 'https://platform.adobe.io/data/sensei/mlServices/{SERVICE_ID}'
  -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}'

Svar

Ett godkänt svar returnerar information om ML-tjänsten.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-10T00:00",
    "cron": "10 * * * *"
  },
  "created": "2019-05-13T23:46:03.478Z",
  "updated": "2019-05-13T23:46:03.478Z"
}

NOTE

Hämtning av olika ML-tjänster kan returnera ett svar med fler eller färre nyckelvärdepar. Ovanstående svar är en representation av en ML-tjänst med både schemalagda utbildnings- och poängsättningsutvärderingsversioner.

Schemalägg utbildning eller poängsättning

Om du vill schemalägga poängsättning och utbildning för en ML-tjänst som redan har publicerats kan du göra det genom att uppdatera den befintliga ML-tjänsten med en PUT-begäran /mlServices.

API-format

PUT /mlServices/{SERVICE_ID}

Parameter

Beskrivning

{SERVICE_ID}

Den unika id för ML-tjänsten som du uppdaterar.

Begäran

Följande begäran schemalägger utbildning och poängsättning för en befintlig ML-tjänst genom att lägga till nycklarna trainingSchedule och scoringSchedule med respektive tangent startTime, endTime och cron.

curl -X PUT 'https://platform.adobe.io/data/sensei/mlServices/{SERVICE_ID}'
  -H 'Authorization: {ACCESS_TOKEN}'
  -H 'x-api-key: {API_KEY}'
  -H 'x-gw-ims-org-id: {ORG_ID}'
  -H 'x-sandbox-name: {SANDBOX_NAME}'
  -d '{
        "name": "string",
        "description": "string",
        "mlInstanceId": "string",
        "trainingExperimentId": "string",
        "trainingDataSetId": "string",
        "trainingTimeframe": "integer",
        "scoringExperimentId": "string",
        "scoringDataSetId": "string",
        "scoringTimeframe": "integer",
        "trainingSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-11T00:00",
          "cron": "20 * * * *"
        },
        "scoringSchedule": {
          "startTime": "2019-04-09T00:00",
          "endTime": "2019-04-11T00:00",
          "cron": "20 * * * *"
        }
      }'

WARNING

Försök inte ändra startTime för befintliga schemalagda utbildnings- och poängsättningsjobb. Om startTime måste ändras bör du överväga att publicera samma modell och schemalägga om utbildnings- och bedömningsjobb.

Svar

Ett godkänt svar returnerar information om den uppdaterade ML-tjänsten.

{
  "id": "string",
  "name": "string",
  "description": "string",
  "mlInstanceId": "string",
  "trainingExperimentId": "string",
  "trainingDataSetId": "string",
  "trainingTimeframe": "integer",
  "scoringExperimentId": "string",
  "scoringDataSetId": "string",
  "scoringTimeframe": "integer",
  "trainingSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-11T00:00",
    "cron": "20 * * * *"
  },
  "scoringSchedule": {
    "startTime": "2019-04-09T00:00",
    "endTime": "2019-04-11T00:00",
    "cron": "20 * * * *"
  },
  "created": "2019-04-09T08:58:10.956Z",
  "updated": "2019-04-09T09:43:55.563Z"
}

recommendation-more-help

cc79fe26-64da-411e-a6b9-5b650f53e4e9