Posta en modell med Sensei Machine Learning API

I den här självstudiekursen får du lära dig hur du använder API:erna för att skapa en Experiment och en Experiment Run. En lista över alla slutpunkter i Sensei Machine Learning API finns i det här dokumentet.

Skapa en schemalagd utvärderingsversion för poängberäkning

På samma sätt som schemalagda experiment för utbildning, skapas en schemalagd utvärdering för poängsättning också genom att en template-sektion tas med i body-parametern. Dessutom anges fältet name under tasks i brödtexten som score.

Följande är ett exempel på hur du skapar en expert som körs var 20:e minut från och med startTime och kommer att köras till endTime.

Begäran

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}: Dina organisationsuppgifter hittades i din unika Adobe Experience Platform-integrering.
{ACCESS_TOKEN}: Ditt specifika värde för innehavartoken har angetts efter autentiseringen.
{API_KEY}: Ditt specifika API-nyckelvärde hittades i din unika Adobe Experience Platform-integrering.
{JSON_PAYLOAD}: Objekt för experimentkörning som ska skickas. Exemplet som vi använder i vår självstudiekurs visas här:

{
    "name": "Experiment for Retail",
    "mlInstanceId": "{INSTANCE_ID}",
    "template": {
        "tasks": [{
            "name": "score",
            "parameters": [
                {
                    "key": "modelId",
                    "value": "{MODEL_ID}"
                }
            ],
            "specification": {
                "type": "SparkTaskSpec",
                "executorCores": 5,
                "numExecutors": 5
            }
        }],
        "schedule": {
            "cron": "*/20 * * * *",
            "startTime": "2018-07-04",
            "endTime": "2018-07-06"
        }
    }
}

{INSTANCE_ID}: Det ID som representerar MLInstance.
{MODEL_ID}: Det ID som representerar den tränade modellen.

Följande är svaret efter att den schemalagda experten har skapats.

Svar

{
  "id": "{EXPERIMENT_ID}",
  "name": "Experiment for Retail",
  "mlInstanceId": "{INSTANCE_ID}",
  "created": "2018-11-11T11:11:11.111Z",
  "updated": "2018-11-11T11:11:11.111Z",
  "template": {
    "tasks": [
      {
        "name": "score",
        "parameters": [...],
        "specification": {
          "type": "SparkTaskSpec",
          "executorCores": 5,
          "numExecutors": 5
        }
      }
    ],
    "schedule": {
      "cron": "*\/20 * * * *",
      "startTime": "2018-07-04",
      "endTime": "2018-07-06"
    }
  }
}

{EXPERIMENT_ID}: Det ID som representerar Experimenten.
{INSTANCE_ID}: Det ID som representerar MLInstance.

Skapa en provkörning för poängsättning

Med den tränade modellen kan vi nu skapa en Experiment Run för poängsättning. Värdet för parametern modelId är parametern id som returneras i GET Model-begäran ovan.

Begäran

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}'

{ORG_ID}: Dina organisationsuppgifter hittades i din unika Adobe Experience Platform-integrering.
{ACCESS_TOKEN}: Ditt specifika värde för innehavartoken har angetts efter autentiseringen.
{API_KEY}: Ditt specifika API-nyckelvärde hittades i din unika Adobe Experience Platform-integrering.
{EXPERIMENT_ID}: Det ID som motsvarar den experiment som du vill använda som mål. Det här finns i svaret när du skapar din Experiment.
{JSON_PAYLOAD}: Data som ska bokföras. Exemplet vi använder i vår självstudiekurs är här:

{
   "mode":"score",
    "tasks": [
        {
            "name": "score",
            "parameters": [
                {
                    "key": "modelId",
                    "value": "{MODEL_ID}"
                }
            ]
        }
    ]
}

{MODEL_ID}: Det ID som motsvarar modellen.

Svaret från att skapa en Experiment Run visas nedan:

Svar

{
    "id": "{EXPERIMENT_RUN_ID}",
    "mode": "score",
    "experimentId": "{EXPERIMENT_ID}",
    "created": "2018-01-01T11:11:11.011Z",
    "updated": "2018-01-01T11:11:11.011Z",
    "deleted": false,
    "tasks": [
        {
            "name": "score",
            "parameters": [...]
        }
    ]
}

{EXPERIMENT_ID}: Det ID som motsvarar det experiment som körningen är under.
{EXPERIMENT_RUN_ID}: Det ID som motsvarar den experimentkörning du just skapade.

Hämta en status för experimentell körning för schemalagd experimentell körning

Om du vill hämta Experiment Runs för schemalagda experiment visas frågan nedan:

Begäran

curl -X GET \
  'https://platform.adobe.io/data/sensei/experiments/{EXPERIMENT_ID}/runs' \
  -H 'Authorization: Bearer {ACCESS_TOKEN}' \
  -H 'x-gw-ims-org-id: {ORG_ID}'

{EXPERIMENT_ID}: Det ID som motsvarar det experiment som körningen är under.
{ACCESS_TOKEN}: Ditt specifika värde för innehavartoken har angetts efter autentiseringen.
{ORG_ID}: Dina organisationsuppgifter hittades i din unika Adobe Experience Platform-integrering.

Eftersom det finns flera Experiment Runs för en viss Experiment har det returnerade svaret en array med Run ID:n.

Svar

{
    "children": [
        {
            "id": "{EXPERIMENT_RUN_ID}",
            "experimentId": "{EXPERIMENT_ID}",
            "created": "2018-01-01T11:11:11.011Z",
            "updated": "2018-01-01T11:11:11.011Z"
        },
        {
            "id": "{EXPERIMENT_RUN_ID}",
            "experimentId": "{EXPERIMENT_ID}",
            "created": "2018-01-01T11:11:11.011Z",
            "updated": "2018-01-01T11:11:11.011Z"
        }
    ]
}

{EXPERIMENT_RUN_ID}: Det ID som motsvarar Experiment Run.
{EXPERIMENT_ID}: Det ID som motsvarar det experiment som körningen är under.

Stoppa och ta bort en schemalagd experiment

Om du vill avbryta körningen av en schemalagd experiment innan endTime körs kan du göra det genom att fråga en DELETE-begäran till {EXPERIMENT_ID}

Begäran

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}: ID:t som motsvarar Experiment.
{ACCESS_TOKEN}: Ditt specifika värde för innehavartoken har angetts efter autentiseringen.
{ORG_ID}: Dina organisationsuppgifter hittades i din unika Adobe Experience Platform-integrering.

Här följer ett svar som meddelar att experten har tagits bort.

Svar

{
    "title": "Success",
    "status": 200,
    "detail": "Experiment successfully deleted"
}