Show Menu
SUJETS×

Présentation de Data Science Workspace

L'Adobe Experience Platform Data Science Workspace utilise l'apprentissage automatique et l'intelligence artificielle pour libérer des connaissances de vos données. Intégrée à l’Adobe Experience Platform, Data Science Workspace vous permet de faire des prédictions à l’aide de vos contenus et de vos ressources de données dans les solutions Adobe.
Les chercheurs en données de tous les niveaux de compétence trouveront des outils sophistiqués et faciles à utiliser qui soutiennent le développement rapide, la formation et l'ajustement des recettes d'apprentissage automatique - tous les avantages de la technologie de l'IA, sans la complexité.
Grâce à Data Science Workspacecette technologie, les chercheurs en données peuvent facilement créer des API de services intelligents - optimisées par l'apprentissage automatique. Ces services fonctionnent avec d’autres services Adobe, dont Adobe Target et Adobe Cloud, pour vous aider à automatiser les expériences numériques ciblées et personnalisées dans les applications Web, de bureau et mobiles.
Ce guide donne un aperçu des concepts clés liés à Data Science Workspace.

Introduction

L'entreprise d'aujourd'hui accorde une grande priorité à l'extraction de données massives pour les prédictions et les analyses qui les aideront à personnaliser les expériences client et à fournir plus de valeur aux clients - et à l'entreprise. Aussi important que cela soit, l'obtention de données à des connaissances peut coûter cher. Il faut généralement des scientifiques spécialisés dans les données qui effectuent des recherches de données intensives et chronophages pour développer des modèles d'apprentissage automatique, ou des recettes, qui génèrent des services intelligents. Le processus est long, la technologie est complexe et les scientifiques spécialisés en données peuvent être difficiles à trouver.
Grâce à Data Science Workspacecet Adobe Experience Platform, vous pouvez apporter une intelligence artificielle axée sur l'expérience à l'échelle de l'entreprise, en rationalisant et en accélérant les conversions de données en données d'analyse en code grâce à :
  • Cadre d’apprentissage automatique et exécution
  • Accès intégré à vos données stockées dans l'Adobe Experience Platform
  • Un schéma de données unifié basé sur Experience Data Model (XDM)
  • Puissance informatique essentielle à l'apprentissage/à l'IA des machines et à la gestion de jeux de données volumineux
  • Recettes d'apprentissage automatique préconçues pour accélérer le saut vers des expériences pilotées par l'IA
  • Création, réutilisation et modification simplifiées de recettes pour les spécialistes des données de différents niveaux de compétences
  • Publication et partage de services intelligents en quelques clics - sans développeur - et surveillance et recyclage pour une optimisation continue des expériences client personnalisées
Les chercheurs en données de tous les niveaux de compétence parviendront plus rapidement à obtenir des informations plus rapides et plus efficaces sur les expériences numériques.

Prise en main

Avant de vous plonger dans les détails de Data Science Workspacecette publication, voici un bref résumé des termes clés :
Terme
Définition
Data Science Workspace
Data Science Workspace permet Experience Platform aux clients de créer des modèles d’apprentissage automatique en utilisant des données dans les solutions Experience Platform Adobe et pour générer des aperçus et des prédictions intelligents afin de tisser de merveilleuses expériences numériques d’utilisateur final.
Intelligence artificielle
L'intelligence artificielle est une théorie et un développement de systèmes informatiques capables d'exécuter des tâches qui nécessitent normalement l'intelligence humaine, comme la perception visuelle, la reconnaissance vocale, la prise de décision et la traduction entre les langues.
Apprentissage automatique
L'apprentissage automatique est le domaine d'étude qui permet aux ordinateurs d'apprendre sans être explicitement programmés.
Sensei ML Framework
Sensei ML Framework est un cadre unifié d'apprentissage automatique à travers l'Adobe qui utilise les données Experience Platform pour donner aux scientifiques des données les moyens de développer des services de renseignement pilotés par l'apprentissage automatique d'une manière plus rapide, évolutive et réutilisable.
Experience Data Model
Experience Data Model (XDM) est l’effort de normalisation mené par Adobe pour définir des schémas standard tels que Profile et ExperienceEvent, pour la gestion de l’expérience client.
JupyterLab
JupyterLab est une interface web open-source pour Project Jupyter et est étroitement intégrée dans Experience Platform.
Recettes
Une recette est le terme Adobe pour une spécification de modèle et est un conteneur de niveau supérieur qui représente un apprentissage automatique, un algorithme AI ou un ensemble d'algorithmes, une logique de traitement et une configuration nécessaires pour créer et exécuter un modèle formé et aider ainsi à résoudre des problèmes commerciaux spécifiques.
Modèle
Un modèle est l'instance d'une recette d'apprentissage automatique qui est formée à l'aide de données historiques et de configurations pour résoudre un cas d'utilisation commerciale.
Formation
La formation est le processus d’apprentissage des schémas et des connaissances à partir de données étiquetées.
Modèle formé
Un modèle formé représente la sortie exécutable d'un processus de formation de modèle, dans lequel un ensemble de données de formation a été appliqué à l'instance de modèle. Un modèle formé conserve une référence à tout service Web intelligent qui est créé à partir de celui-ci. Le modèle formé est adapté pour le score et la création d'un service web intelligent. Les modifications apportées à un modèle entraîné peuvent être suivies en tant que nouvelle version.
Scores
Le score est le processus de génération d’informations à partir de données à l’aide d’un modèle formé.
Service
Un service déployé expose les fonctionnalités d’une intelligence artificielle, d’un modèle d’apprentissage automatique ou d’un algorithme avancé par le biais d’une API afin de pouvoir être utilisé par d’autres services ou applications pour créer des applications intelligentes.
Le graphique suivant décrit la relation hiérarchique entre les recettes, les modèles, les exécutions de formation et les exécutions de score.

Understanding Data Science Workspace

Grâce à Data Science Workspaceeux, vos spécialistes des données peuvent simplifier le processus encombrant de découverte d'informations dans des jeux de données volumineux. Basé sur un cadre d’apprentissage automatique et un environnement d’exécution communs, Data Science Workspace offre une gestion avancée des processus, une gestion des modèles et une évolutivité. Les services intelligents prennent en charge la réutilisation de recettes d'apprentissage automatique pour alimenter une variété d'applications créées à l'aide de produits et de solutions Adobe.

Accès aux données à guichet unique

Les données sont la pierre angulaire de l'IA et de l'apprentissage automatique.
Data Science Workspace est entièrement intégrée à l'Adobe Experience Platform, y compris le lac Data, Real-time Customer Profileet Unified Edge. Explorez toutes vos données d'entreprise stockées en même temps dans l'Adobe Experience Platform, ainsi que les données massives et les bibliothèques d'apprentissage en profondeur, telles que Spark ML et TensorFlow. Si vous ne trouvez pas ce dont vous avez besoin, ingérez vos propres jeux de données en utilisant le schéma standard XDM.

Recettes d'apprentissage automatique préétablies

Data Science Workspace inclut des recettes d'apprentissage automatique préconçues pour les besoins courants de l'entreprise, comme la prédiction des ventes au détail et la détection des anomalies, de sorte que les scientifiques et les développeurs de données n'ont pas à début de rien. Actuellement, trois recettes sont proposées, la prédiction des achats de produits, les recommandations de produits et les ventes Recette de vente au détail au détail.
Si vous préférez, vous pouvez adapter une recette préconçue à vos besoins, importer une recette ou un début de zéro pour créer une recette personnalisée. Cependant, dès que vous commencez à former et à ajuster une recette, la création d'un service intelligent personnalisé n'a pas besoin d'un développeur - juste quelques clics et vous êtes prêt à construire une expérience numérique ciblée et personnalisée.

Processus axé sur le chercheur en données

Quel que soit votre niveau d’expertise en sciences des données, Data Science Workspace vous pouvez simplifier et accélérer le processus de recherche d’informations dans les données et de les appliquer aux expériences numériques.

Exploration des données

Trouver les données appropriées et les préparer est la partie la plus exigeante en main-d'oeuvre de la construction d'une recette efficace. Data Science Workspace et l'Adobe Experience Platform vous aidera à obtenir plus rapidement des données vers des statistiques.
Sur l’Adobe Experience Platform, vos données entre canaux sont centralisées et stockées dans le schéma standard XDM, de sorte que les données sont plus faciles à trouver, à comprendre et à nettoyer. Un seul magasin de données basé sur un schéma commun peut vous faire économiser d'innombrables heures d'exploration et de préparation de données.
Lorsque vous parcourez, utilisez R, Pythonou Scala avec le catalogue de données intégré hébergé Jupyter Notebook pour parcourir le catalogue de données Platform. En utilisant l'une de ces langues, vous pouvez également profiter de Spark ML et de TensorFlow. Début à partir de zéro, ou utilisez l'un des modèles d'ordinateurs portables fournis pour résoudre des problèmes commerciaux spécifiques.
Dans le cadre du processus d’exploration des données, vous pouvez également assimiler de nouvelles données ou utiliser les fonctionnalités existantes pour faciliter la préparation des données.

Création

Avec Data Science Workspace, vous décidez comment créer des recettes.
  • Gagnez du temps en recherchant une recette préconçue qui répond aux besoins de votre entreprise, que vous pouvez utiliser en l'état ou configurer pour répondre à vos besoins spécifiques.
  • Créez une recette à partir de zéro, en utilisant le runtime de création dans Jupyter Notebook pour développer et enregistrer la recette.
  • Transférez une recette créée en dehors de l'Adobe Experience Platform dans Data Science Workspace ou importez le code de recette d'un référentiel, par exemple Git, en utilisant l'authentification et l'intégration disponibles entre Git et Data Science Workspace.

Expérimentation

Data Science Workspace apporte une flexibilité considérable au processus d’expérimentation. Début avec ta recette. Créez ensuite une instance distincte, en utilisant le même algorithme principal associé à des caractéristiques uniques, telles que des paramètres d’hyperréglage. Vous pouvez créer autant d’instances que vous le souhaitez, former et marquer chaque instance autant de fois que vous le souhaitez. Lorsque vous les formez, vous Data Science Workspace effectuez le suivi des recettes, des instances de recettes et des instances de formation, ainsi que des mesures d'évaluation, afin de ne pas avoir à effectuer ce suivi.

Opérationalisation

Quand vous êtes satisfait de votre recette, ce ne sont que quelques clics pour créer un service intelligent. Aucun code requis - vous pouvez le faire vous-même, sans avoir à recruter un développeur ou un ingénieur. Enfin, publiez le service intelligent sur les E/S Adobe et il est prêt à être consommé par votre équipe d'expérience numérique.

Amélioration continue

Data Science Workspace effectue le suivi de l’endroit où les services intelligents sont appelés et de leur fonctionnement. Au fur et à mesure que les données se déploient, vous pouvez évaluer la précision des services intelligents pour fermer la boucle et recycler les recettes en fonction des besoins afin d'améliorer les performances. Le résultat est un raffinement continu de la précision de la personnalisation client.

Accès aux nouvelles fonctionnalités et aux nouveaux jeux de données

Les chercheurs en données peuvent tirer parti des nouvelles technologies et des jeux de données dès qu'ils sont disponibles par le biais des services Adobe. Grâce à des mises à jour fréquentes, nous faisons le travail d'intégration des jeux de données et des technologies dans la plate-forme, pour que vous n'ayez pas à le faire.

Contrôle d'accès dans Data Science Workspace

Access control for Experience Platform is administered through the Adobe Admin Console . Cette fonctionnalité exploite les profils de produits en Admin Console, qui lient les utilisateurs avec des autorisations et des sandbox. See the access control overview for more information.
Pour pouvoir utiliser Data Science Workspace, l’ autorisation "Gérer l’espace de travail Data Science" doit être activée.
Le tableau suivant décrit les effets de l’activation ou de la désactivation de cette autorisation :
Autorisation
Activé
Désactivé
Manage Data Science Workspace
Fournit l’accès à tous les services dans Data Science Workspace.
L'accès à l'API et à l'interface utilisateur de tous les services Data Science Workspace est désactivé. Bien que désactivé, le routage aux pages Data Science Workspace Modèles et Services n’est pas autorisé.

Sécurité et tranquillité d'esprit

La sécurisation de vos données est une priorité pour l’Adobe. Adobe protège vos données grâce à des processus et des contrôles de sécurité élaborés pour vous aider à vous conformer aux normes, réglementations et certifications reconnues par le secteur.
La sécurité est intégrée aux logiciels et services dans le cadre du cycle de vie des produits Adobe Secure. Pour en savoir plus sur la sécurité des données et des logiciels Adobe, la conformité, etc., visitez la page de sécurité à l’adresse https://www.adobe.com/security.html.

Prise en charge de sandbox

Les sandbox sont des partitions virtuelles au sein d'une seule instance de Experience Platform. Chaque Platform instance prend en charge un sandbox de production et plusieurs sandbox hors production, chacun conservant sa propre bibliothèque de Platform ressources. Les sandbox hors production vous permettent de tester des fonctionnalités, d’exécuter des expériences et de créer des configurations personnalisées sans affecter votre sandbox de production. Pour plus d’informations sur les sandbox, voir l’aperçu des sandbox.
Actuellement, Data Science Workspace il existe deux limitations de sandbox :
  • Les ressources de calcul sont partagées dans le sandbox de production et les sandbox hors production. L'isolation des sandbox de production est prévue pour l'avenir.
  • Les charges de travail Scala/Spark et PySpark pour les cahiers de travail et les recettes ne sont actuellement prises en charge que dans le sandbox de production. La prise en charge des sandbox hors production est prévue pour l’avenir.

Data Science Workspace en action

Les prédictions et les statistiques fournissent les informations dont vous avez besoin pour offrir une expérience hautement personnalisée à chaque client qui visite votre site Web, contacte votre centre d’appels ou participe à d’autres expériences numériques. Voici comment se passe votre travail quotidien Data Science Workspace.

Définir le problème

Tous les débuts ont un problème commercial. Par exemple, un centre d’appels en ligne a besoin de contexte pour les aider à exprimer une opinion négative des clients.
Il y a beaucoup de données sur le client. Ils ont parcouru le site, mis des articles dans leur panier, et même passé des commandes. Ils ont peut-être reçu des courriels, utilisé des bons ou contacté le centre d’appels précédemment. La recette doit donc utiliser les données disponibles sur le client et ses activités pour déterminer la propension à acheter et recommander une offre que le client est susceptible d'apprécier et d'utiliser.
Au moment du contact du centre d'appel, le client a toujours deux paires de chaussures dans le panier, mais a retiré une chemise. Grâce à ces informations, le service intelligent peut recommander que l'agent du centre d'appels offre un coupon de 20 % sur les chaussures pendant l'appel. Si le client utilise le bon, ces informations sont ajoutées au jeu de données et les prévisions s’améliorent encore la prochaine fois que le client appelle.

Explorer et préparer les données

En fonction du problème d'entreprise défini, vous savez que la recette doit examiner toutes les transactions Web du client, y compris les visites sur le site, les recherches, les vues de page, les liens sur lesquels l'utilisateur a cliqué, les actions de panier, les offres reçues, les courriels reçus, les interactions du centre d'appels, etc.
En règle générale, un chercheur en données consacre jusqu'à 75 % du temps nécessaire à la création d'une recette qui explore et transforme les données. Les données proviennent souvent de plusieurs référentiels et sont enregistrées dans différents schémas. Elles doivent être combinées et mises en correspondance avant de pouvoir être utilisées pour créer une recette.
Si vous commencez à zéro ou configurez une recette existante, vous commencez votre recherche de données dans un catalogue de données centralisé et standardisé pour votre entreprise, ce qui simplifie considérablement la recherche. Il se peut même qu’un autre chercheur de données de votre organisation ait déjà identifié un jeu de données similaire et ait choisi de le raffiner plutôt que de le début de zéro. Toutes les données de l'Adobe Experience Platform sont conformes à un schéma XDM standardisé, ce qui évite d'avoir à créer un modèle complexe pour joindre des données ou obtenir de l'aide d'un ingénieur de données.
Si vous ne trouvez pas immédiatement les données dont vous avez besoin, mais qu'elles existent en dehors de l'Adobe Experience Platform, il s'agit d'une tâche relativement simple d'assimiler des jeux de données supplémentaires, qui se transformeront également en schéma XDM standardisé. Vous pouvez l'utiliser Jupyter Notebook pour simplifier le prétraitement des données, en commençant par un modèle de bloc-notes ou un bloc-notes que vous avez utilisé précédemment pour la propension à acheter.

Créer la recette

Si vous avez déjà trouvé une recette qui répond à tous vos besoins, vous pouvez passer à l'expérimentation. Vous pouvez également modifier un peu la recette ou en créer une à partir de zéro - en profitant de l'exécution de Data Science Workspace création dans Jupyter Notebook. L’exécution de création vous permet d’utiliser à la fois le processus de formation et le processus de notation et de convertir ultérieurement la recette afin qu’elle puisse être stockée et réutilisée par d’autres membres de votre organisation. Data Science Workspace
Vous pouvez également importer une recette dans Data Science Workspace et profiter des workflows d'expérimentation pendant que vous créez votre service intelligent.

Testez la recette

Avec une recette qui intègre vos algorithmes d'apprentissage automatique de base, de nombreuses instances de recette peuvent être créées avec une seule recette. Ces instances de recette sont appelées modèles. Un modèle nécessite de la formation et de l'évaluation pour optimiser son efficacité et son efficacité opérationnelles, un processus généralement constitué d'essais et d'erreurs.
Lorsque vous formez vos modèles, des sessions de formation et des évaluations sont générées. Data Science Workspace effectue le suivi des mesures d’évaluation pour chaque modèle unique et de leurs exécutions de formation. Les mesures d’évaluation générées par l’expérimentation vous permettent de déterminer la période de formation la plus performante.
Consultez cette section pour obtenir des didacticiels sur la manière de former et d'évaluer des modèles dans Data Science Workspace.

Opérationnaliser le modèle

Lorsque vous avez sélectionné la recette la mieux formée pour répondre à vos besoins commerciaux, vous pouvez créer un service intelligent Data Science Workspace sans aide des développeurs. Il ne s'agit que de quelques clics - aucun codage n'est requis. Un service intelligent publié est accessible aux autres membres de votre organisation sans avoir à recréer le modèle.
Un service intelligent publié est configurable pour s'entraîner automatiquement de temps en temps à l'utilisation de nouvelles données au fur et à mesure de leur disponibilité. Ainsi, votre service conserve son efficacité et son efficience au fil du temps.

Étapes suivantes

Data Science Workspace permet de rationaliser et de simplifier le flux de données scientifiques, de la collecte de données aux algorithmes en passant par les services intelligents, pour les spécialistes des données de tous les niveaux de compétences. Grâce aux outils sophistiqués Data Science Workspace fournis, vous pouvez réduire considérablement le temps passé des données aux informations.
Plus important encore, Data Science Workspace met les capacités de science des données et d'optimisation algorithmique de l'Adobe sur les plates-formes de marketing de pointe entre les mains des spécialistes des données d'entreprise. Pour la première fois, les entreprises peuvent apporter des algorithmes propriétaires à la plate-forme, en tirant parti de l'Adobe qui de puissantes capacités d'apprentissage automatique et d'IA pour fournir des expériences client hautement personnalisées à grande échelle.
Grâce à l'alliance de l'expertise de la marque et de l'apprentissage automatique Adobe et des prouesses de l'IA, les entreprises ont le pouvoir d'augmenter la valeur commerciale et la fidélité de la marque en donnant aux clients ce qu'ils veulent, avant de le demander.
Pour plus d’informations, par exemple un flux de travail complet au quotidien, lisez la documentation de présentation de Data Science Workspace.

Ressources supplémentaires

La vidéo suivante est conçue pour vous aider à comprendre Data Science Workspace.