文件 Experience Platform Data Science Workspace 指南

使用Sensei機器學習API匯入封裝的配方

Last update: Fri Apr 04 2025 00:00:00 GMT+0000 (Coordinated Universal Time)

主題：
資料科學工作區

建立對象：

使用者
開發人員

NOTE

Data Science Workspace已無法購買。

本檔案旨在供先前有權使用Data Science Workspace的現有客戶使用。

此教學課程使用Sensei Machine Learning API來建立引擎，也稱為使用者介面中的配方。

在開始使用之前，請務必注意，Adobe Experience Platform Data Science Workspace使用不同的辭彙來參照API和UI中的類似元素。在本教學課程中使用API辭彙，下表概述相關辭彙：

UI詞語

API詞語

配方

模型

訓練與評估

服務

引擎包含用於解決特定問題的機器學習演演算法和邏輯。下圖提供顯示Data Science Workspace中API工作流程的視覺效果。本教學課程著重於建立引擎，即機器學習模型的大腦。

快速入門

本教學課程需要採用Docker URL格式的封裝配方檔案。依照將來源檔案封裝到配方教學課程中，以建立封裝的配方檔案或提供您自己的檔案。

{DOCKER_URL}：智慧型服務Docker映像的URL位址。

此教學課程需要您完成對Adobe Experience Platform的驗證教學課程，才能成功呼叫Experience Platform API。完成驗證教學課程會提供所有 Experience Platform API 呼叫中每個必要標頭的值，如下所示：

{ACCESS_TOKEN}：驗證後提供您的特定持有人權杖值。
{ORG_ID}：您在唯一Adobe Experience Platform整合中找到的組織認證。
{API_KEY}：您在唯一Adobe Experience Platform整合中找到的特定API金鑰值。

建立引擎

可以透過向/engines端點發出POST請求來建立引擎。已根據API請求中必須包含之封裝配方檔案的形式，來設定建立的引擎。

使用Docker URL建立引擎 create-an-engine-with-a-docker-url

若要使用儲存在Docker容器中的封裝配方檔案建立引擎，您必須提供封裝配方檔案的Docker URL。

CAUTION

如果您使用Python或R，請使用以下要求。如果您使用PySpark或Scala，請使用位於Python/R範例下方的PySpark/Scala要求範例。

API格式

POST /engines

要求Python/R

curl -X POST \
    https://platform.adobe.io/data/sensei/engines \
    -H 'Authorization: {ACCESS_TOKEN}' \
    -H 'X-API-KEY: {API_KEY}' \
    -H 'content-type: multipart/form-data' \
    -H 'x-gw-ims-org-id: {ORG_ID}' \
    -H `x-sandbox-name: {SANDBOX_NAME}` \
    -F 'engine={
        "name": "Retail Sales Engine Python",
        "description": "A description for Retail Sales Engine, this Engines execution type is Python",
        "type": "Python"
        "artifacts": {
            "default": {
                "image": {
                    "location": "{DOCKER_URL}",
                    "name": "retail_sales_python",
                    "executionType": "Python"
                }
            }
        }
    }'

屬性

說明

engine.name

Engine所需的名稱。與此引擎對應的配方將繼承此值，以在Data Science Workspace使用者介面中顯示為配方名稱。

engine.description

「引擎」的選擇性說明。與此引擎對應的配方將繼承此值，以在Data Science Workspace使用者介面中顯示配方說明。請勿移除此屬性，如果您選擇不提供說明，請將此值設為空字串。

engine.type

引擎的執行型別。此值對應於在其中開發Docker映像的語言。當提供Docker URL以建立引擎時，type是Python、R、PySpark、Spark (Scala)或Tensorflow。

artifacts.default.image.location

您的{DOCKER_URL}將移至此處。完整的Docker URL具有以下結構： your_docker_host.azurecr.io/docker_image_file:version

artifacts.default.image.name

Docker影像檔案的額外名稱。請勿移除此屬性，如果您選擇不提供額外的Docker影像檔案名稱，請將此值設為空字串。

artifacts.default.image.executionType

此引擎的執行型別。此值對應於在其中開發Docker映像的語言。當提供Docker URL以建立引擎時，executionType是Python、R、PySpark、Spark (Scala)或Tensorflow。

要求PySpark

curl -X POST \
  https://platform.adobe.io/data/sensei/engines \
    -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}' \
    -H 'content-type: multipart/form-data' \
    -F 'engine={
    "name": "PySpark retail sales recipe",
    "description": "A description for this Engine",
    "type": "PySpark",
    "mlLibrary":"databricks-spark",
    "artifacts": {
        "default": {
            "image": {
                "name": "modelspark",
                "executionType": "PySpark",
                "packagingType": "docker",
                "location": "v1d2cs4mimnlttw.azurecr.io/sarunbatchtest:0.0.1"
            }
        }
    }
}'

屬性

說明

name

Engine所需的名稱。對應至此引擎的配方將繼承此值，以作為配方名稱顯示在UI中。

description

「引擎」的選擇性說明。對應至此引擎的配方將繼承此值，以作為配方說明顯示在UI中。此屬性為必要項。如果您不想要提供說明，請將其值設為空字串。

type

引擎的執行型別。此值對應於在「PySpark」上構建Docker映像的語言。

mlLibrary

建立PySpark和Scala配方引擎時所需的欄位。

artifacts.default.image.location

Docker URL所連結之Docker影像的位置。

artifacts.default.image.executionType

引擎的執行型別。此值對應於在「Spark」上構建Docker影象的語言。

要求Scala

curl -X POST \
  https://platform.adobe.io/data/sensei/engines \
    -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}' \
    -H 'content-type: multipart/form-data' \
    -F 'engine={
    "name": "Spark retail sales recipe",
    "description": "A description for this Engine",
    "type": "Spark",
    "mlLibrary":"databricks-spark",
    "artifacts": {
        "default": {
            "image": {
                "name": "modelspark",
                "executionType": "Spark",
                "packagingType": "docker",
                "location": "v1d2cs4mimnlttw.azurecr.io/sarunbatchtest:0.0.1"
            }
        }
    }
}'

屬性

說明

name

Engine所需的名稱。對應至此引擎的配方將繼承此值，以作為配方名稱顯示在UI中。

description

type

引擎的執行型別。此值對應於在「Spark」上構建Docker影象的語言。

mlLibrary

建立PySpark和Scala配方引擎時所需的欄位。

artifacts.default.image.location

Docker URL所連結之Docker影像的位置。

artifacts.default.image.executionType

引擎的執行型別。此值對應於在「Spark」上構建Docker影象的語言。

回應

成功的回應會傳回承載，其中包含新建立之引擎的詳細資料，包括其唯一識別碼(id)。下列範例回應適用於Python引擎。 executionType和type金鑰會根據提供的POST變更。

{
    "id": "{ENGINE_ID}",
    "name": "A name for this Engine",
    "description": "A description for this Engine",
    "type": "Python",
    "algorithm": "Classification",
    "created": "2019-01-01T00:00:00.000Z",
    "createdBy": {
        "userId": "Jane_Doe@AdobeID"
    },
    "updated": "2019-01-01T00:00:00.000Z",
    "artifacts": {
        "default": {
            "image": {
                "location": "{DOCKER_URL}",
                "name": "An additional name for the Docker image",
                "executionType": "Python",
                "packagingType": "docker"
            }
        }
    }
}

成功的回應會顯示JSON裝載，其中包含新建立之引擎的相關資訊。 id索引鍵代表唯一的Engine識別碼，在下一個教學課程中是建立MLInstance的必要專案。繼續後續步驟之前，請確定已儲存引擎識別碼。

後續步驟 next-steps

您已使用API建立引擎，且已取得唯一引擎識別碼作為回應本文的一部分。當您瞭解如何使用API建立、訓練及評估模型時，可以在下一個教學課程中使用此引擎識別碼。

recommendation-more-help

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