Show Menu
SUJETS×

Présentation de Data Science Workspace

Adobe Experience Platform Data Science Workspace uses machine learning and artificial intelligence to unleash insights from your data. Integrated into Adobe Experience Platform, Data Science Workspace helps you make predictions using your content and data assets across Adobe solutions.
Les spécialistes des données de tout niveau de compétence trouveront des outils sophistiqués et faciles à utiliser qui aident au développement, à la formation et au réglage rapide de recettes d’apprentissage automatique pour vous faire bénéficier de tous les avantages de la technologie IA sans sa complexité.
With Data Science Workspace, data scientists can easily create intelligent services APIs - powered by machine learning. Ces services fonctionnent avec d’autres services Adobe, notamment Adobe Target et Adobe Analytics Cloud, pour vous aider à automatiser les expériences numériques ciblées et personnalisées dans les applications web, de bureau et mobiles.
This guide provides an overview of the key concepts related to Data Science Workspace.

Introduction

Les entreprises d’aujourd’hui accordent une grande priorité à l’exploration du Big Data pour obtenir des prévisions et des informations qui les aideront à personnaliser les expériences client et à offrir plus de valeur aux clients et à l’entreprise. Aussi importante qu’elle soit, la transformation des données en informations peut se révéler très coûteuse. Cela requiert généralement des spécialistes des données compétents qui effectuent des recherches de données intensives et chronophages pour développer des modèles d’apprentissage automatique ou des recettes, qui optimisent les services intelligents. Le processus est long, la technologie est complexe et les spécialistes des données compétents peuvent être difficiles à trouver.
With Data Science Workspace, Adobe Experience Platform allows you to bring experience-focused AI across the enterprise, streamlining and accelerating data-to-insights-to-code with:
  • Une structure et une exécution d’apprentissage automatique
  • Accès intégré à vos données stockées dans Adobe Experience Platform
  • Un schéma de données unifié basé sur Experience Data Model (XDM)
  • La puissance de calcul indispensable à l’apprentissage automatique/IA et à la gestion des jeux de données volumineux
  • Recettes d’apprentissage automatique prédéfinies pour accélérer la transition vers des expériences basées sur l’IA
  • Création, réutilisation et modification simplifiées des recettes pour les spécialistes des données de différents niveaux de compétence
  • Publication et partage de services intelligents en quelques clics seulement (sans développeur), surveillance et nouvelle formation pour une optimisation continue des expériences client personnalisées
Les spécialistes des données de tout niveau de compétence pourront obtenir plus rapidement des informations et des expériences numériques plus efficaces.

Prise en main

Before diving into the details of Data Science Workspace, here is a brief summary of the key terms:
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 d’Adobe et d’analyse afin de générer des prévisions et des aperçus intelligents et de tisser de superbes expériences numériques d’utilisateur final.
Intelligence artificielle
L’intelligence artificielle correspond à une théorie et au 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 des différents langages.
Apprentissage automatique
L’apprentissage automatique est le domaine d’étude qui permet aux ordinateurs d’apprendre sans programmation explicite.
Sensei ML Framework
Sensei ML Framework est un cadre unifié d'apprentissage automatique à l'échelle de 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 l’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, étroitement intégrée à Experience Platform.
Recettes
Une recette est le terme utilisé par Adobe pour désigner une spécification de modèle. Il s’agit d’un conteneur de niveau supérieur qui représente un apprentissage automatique spécifique, un algorithme d’intelligence artificielle ou un ensemble d’algorithmes, une logique de traitement et la configuration nécessaires pour créer et exécuter un modèle formé et ainsi aider à résoudre des problèmes d’entreprise spécifiques.
Modèle
Un modèle est une instance d’une recette d’apprentissage automatique formée à l’aide de données historiques et de configurations dans le but de résoudre un cas d’usage commercial.
Formation
La formation est le processus de formation de modèles et de 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 d’apprentissage 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 à la notation et à la création d’un service web intelligent. Les modifications apportées à un modèle formé peuvent être suivies comme une nouvelle version.
Notation
La notation est le processus de génération d’informations à partir de données en utilisant un modèle formé.
Service
Un service déployé affiche la fonctionnalité d’une intelligence artificielle, d’un modèle d’apprentissage automatique ou d’un algorithme avancé au moyen d’une API afin qu’elle puisse être utilisée par d’autres services ou applications pour créer des applications intelligentes.
Le graphique suivant décrit la relation hiérarchique entre les recettes, les modèles, les opérations de formation et les opérations de notation.

Understanding Data Science Workspace

With Data Science Workspace, your data scientists can streamline the cumbersome process of uncovering insights in large datasets. Built on a common machine learning framework and runtime, Data Science Workspace delivers advanced workflow management, model management, and scalability. Les services intelligents permettent de réutiliser des recettes d’apprentissage automatique pour optimiser diverses applications créées à l’aide des produits et solutions Adobe.

Accès unique aux données

Les données sont la pierre angulaire de l’IA et de l’apprentissage automatique.
Data Science Workspace est entièrement intégrée à Adobe Experience Platform, y compris le lac Data, Real-time Customer Profileet Unified Edge. Explore all your organizational data stored in Adobe Experience Platform at once, along with common big data and deep learning libraries, such as Spark ML and TensorFlow. Si vous ne trouvez pas ce dont vous avez besoin, ingérez vos propres jeux de données à l’aide du schéma XDM normalisé.

Recettes d’apprentissage automatique prédéfinies

Data Science Workspace inclut des recettes d’apprentissage automatique prédéfinies pour répondre aux besoins courants de l’entreprise, comme la prévision des ventes au détail et la détection des anomalies, afin que les spécialistes des données et les développeurs n’aient pas à partir de zéro. Actuellement, trois recettes sont proposées : la prévision d’achat de produits , les recommandations de produits et les ventes au détail .
Si vous préférez, vous pouvez adapter une recette prédéfinie à vos besoins, importer une recette ou partir de zéro pour créer une recette personnalisée. Quel que soit votre choix, lorsque vous formez et optimisez une recette, la création d’un service intelligent personnalisé ne nécessite pas de développeur. Il suffit de quelques clics et vous êtes prêt à créer une expérience numérique ciblée et personnalisée.

Processus axé sur le spécialiste des données

Whatever your level of data science expertise, Data Science Workspace helps simplify and accelerate the process of finding insights in data and applying them to digital experiences.

Exploration des données

Trouver les données adéquates et les préparer représente la partie la plus laborieuse de la création d’une recette efficace. Data Science Workspace et Adobe Experience Platform vous permettent de passer plus rapidement des données aux informations.
Sur Adobe Experience Platform, vos données des différents canaux sont centralisées et stockées dans le schéma XDM normalisé. Les données sont donc plus faciles à trouver, à comprendre et à nettoyer. Une seule banque de données basée sur un schéma commun peut vous faire économiser d’innombrables heures d’exploration et de préparation de données.
As you browse, use R, Python, or Scala with the integrated, hosted Jupyter Notebook to browse the catalog of data on Platform. Using one of these languages, you can also take advantage of Spark ML and TensorFlow. Partez de zéro ou utilisez l’un des modèles de notebook fournis pour des problèmes d’entreprise spécifiques.
Dans le cadre du processus d’exploration des données, vous pouvez également ingérer de nouvelles données ou utiliser des fonctionnalités existantes pour faciliter la préparation des données.

Création

With Data Science Workspace, you decide how you want to author recipes.
  • Gagnez du temps en recherchant une recette prédéfinie 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 l’exécution de création du notebook Jupyter pour développer et enregistrer la recette.
  • Upload a recipe authored outside Adobe Experience Platform into Data Science Workspace or import recipe code from a repository, such as Git, using the authentication and integration available between Git and Data Science Workspace.

Expérimentation

Data Science Workspace offre une flexibilité exceptionnelle au processus d’expérimentation. Commencez par votre recette. Créez ensuite une instance distincte, en utilisant le même algorithme principal associé à des caractéristiques uniques, telles que des paramètres d’optimisation. Vous pouvez créer autant d’instances que vous le souhaitez, en formant et en notant chaque instance autant de fois que vous le souhaitez. As you train them, Data Science Workspace tracks recipes, recipe instances, and trained instances, along with evaluation metrics, so you don't have to.

Mise en œuvre

Lorsque vous êtes satisfait de votre recette, il suffit de quelques clics pour créer un service intelligent. Aucun codage n’est nécessaire, vous pouvez le faire vous-même, sans faire appel à un développeur ou à un ingénieur. Enfin, publiez le service intelligent sur Adobe IO et il est prêt à être utilisé 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. À mesure que les données arrivent, vous pouvez évaluer la précision des services intelligents afin de fermer la boucle et de reformer les recettes en fonction des besoins pour améliorer les performances. La précision de la personnalisation des clients est ainsi sans cesse améliorée.

Accès aux nouvelles fonctionnalités et aux nouveaux jeux de données

Les spécialistes des données peuvent tirer parti des nouvelles technologies et des nouveaux jeux de données dès qu’ils sont disponibles via les services Adobe. Grâce à des mises à jour fréquentes, nous nous chargeons d’intégrer les jeux de données et les technologies dans la plateforme, afin 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 produit dans Admin Console, liant les utilisateurs à des autorisations et des environnements de test. Pour plus d’informations, consultez la présentation du contrôle d’accès .
In order to use Data Science Workspace, the "Manage Data Science Workspace" permission must be enabled.
Le tableau suivant décrit les effets de l’activation ou de la désactivation de cette autorisation :
Autorisation
Activé
Désactivé
Manage Data Science Workspace
Provides access to all services in Data Science Workspace.
API and UI access to all services within Data Science Workspace are disabled. While disabled, routing to the Data Science Workspace Models and Services pages are prevented.

Sécurité et tranquillité d’esprit

La protection de vos données est une priorité absolue pour Adobe. Adobe protège vos données à l’aide de processus et de contrôles de sécurité développés 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 d’Adobe SPLC (Secure Product Lifecycle). Pour en savoir plus sur la sécurité des données et des logiciels Adobe, la conformité, etc., consultez la page de sécurité à l’adresse https://www.adobe.com/fr/security.html.

Prise en charge des environnements de test

Sandboxes are virtual partitions within a single instance of Experience Platform. Each Platform instance supports one production sandbox and multiple non-production sandboxes, each maintaining its own library of Platform resources. Les environnements de test hors production vous permettent de tester des fonctionnalités, d’exécuter des expériences et de créer des configurations personnalisées sans affecter votre environnement de test de production. Pour plus d’informations sur les environnements de test, consultez la présentation des environnements de test .
Currently, Data Science Workspace has a couple sandbox limitations:
  • Les ressources de calcul sont partagées entre les environnements de test de production et les environnements de test hors production. L’isolation des environnements de test de production devrait être assurée à l’avenir.
  • Scala/Spark and PySpark workloads for both notebooks and recipes are currently only supported in the production sandbox. La prise en charge des environnements de test hors production devrait être assurée à l’avenir.

Data Science Workspace en action

Les prévisions et les insights 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’appel ou participe à d’autres expériences numériques. Here's how your day-to-day work happens with Data Science Workspace.

Définition du problème

Tout commence par un problème d’entreprise. Par exemple, un centre d’appel en ligne a besoin de contexte pour l’aider à transformer une opinion négative d’un client en une opinion positive.
Les données sur le client sont nombreuses. Il a consulté le site, placé des articles dans son panier et même passé des commandes. Il a peut-être déjà reçu des courriers électroniques, utilisé des bons de réduction ou contacté le centre d’appel. 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.
Lorsqu’il contacte le centre d’appel, le client dispose encore de deux paires de chaussures dans le panier, mais a retiré une chemise. Sur la base de ces informations, le service intelligent peut recommander à l’agent du centre d’appel d’offrir un bon de réduction de 20 % sur les chaussures pendant l’appel. Si le client utilise le bon de réduction, ces informations sont ajoutées au jeu de données et les prévisions s’améliorent davantage lors du prochain appel du client.

Exploration et préparation des données

En fonction du problème d’entreprise défini, vous savez que la recette doit tenir compte de toutes les transactions web du client, y compris les visites sur le site, les recherches, les pages vues, les liens utilisés, les actions liées au panier, les offres reçues, les courriers électroniques reçus, les interactions avec le centre d’appel, etc.
En règle générale, un spécialiste des données passe jusqu’à 75 % du temps nécessaire à la création d’une recette à explorer et à transformer les données. Les données proviennent souvent de plusieurs référentiels et sont enregistrées dans différents schémas. Elles doivent être combinées et mappées avant de pouvoir être utilisées pour créer une recette.
Si vous partez de zéro ou configurez une recette existante, vous commencez votre recherche de données dans un catalogue de données centralisé et normalisé pour votre organisation, ce qui simplifie considérablement la recherche. Vous pourriez même découvrir qu’un autre spécialiste des données de votre organisation a déjà identifié un jeu de données similaire, et choisir d’optimiser ce jeu de données plutôt que de partir de zéro. Toutes les données d’Adobe Experience Platform sont conformes au schéma XDM normalisé, ce qui élimine la nécessité de créer un modèle complexe pour associer les données ou d’obtenir de l’aide d’un ingénieur en données.
Si vous ne trouvez pas immédiatement les données dont vous avez besoin, mais qu’elles existent en dehors d’Adobe Experience Platform, il est relativement simple d’ingérer des jeux de données supplémentaires, qui se transformeront également en schéma XDM normalisé. You can use Jupyter Notebook to simplify data pre-processing - possibly starting with a notebook template or a notebook you've used previously for propensity to buy.

Création de la recette

Si vous avez déjà trouvé une recette qui répond à tous vos besoins, vous pouvez passer à l’expérimentation. Or, you can modify the recipe a bit or create one from scratch - taking advantage of the Data Science Workspace authoring runtime in Jupyter Notebook. Using the authoring runtime ensures that you can both use the Data Science Workspace training and scoring workflow and convert the recipe later so it can be stored and reused by others in your organization.
You can also import a recipe in to Data Science Workspace and take advantage of the experimentation workflows as you create your intelligent service.

Expérience avec la recette

Une recette qui intègre vos principaux algorithmes d’apprentissage automatique permet de créer de nombreuses instances de recette à l’aide d’une seule recette. Ces instances de recette sont appelées modèles. Un modèle nécessite une formation et une évaluation pour optimiser son fonctionnement et son efficacité, un processus généralement constitué d’essais et d’erreurs.
Lorsque vous formez vos modèles, des opérations et des évaluations de formation sont générées. Data Science Workspace effectue le suivi des mesures d’évaluation pour chaque modèle unique et de leurs opérations de formation. Les mesures d’évaluation générées par l’expérimentation vous permettent de déterminer l’opération de formation la plus performante.
Visitez le didacticiel API ou IU pour découvrir comment former et évaluer des modèles dans Data Science Workspace.

Mise en œuvre du modèle

When you've selected the best trained recipe to address your business needs, you can create an intelligent service in Data Science Workspace without developer assistance. Il suffit de quelques clics et aucun codage n’est nécessaire. Les autres membres de votre organisation peuvent accéder à un service intelligent publié sans devoir en recréer le modèle.
Un service intelligent publié peut être configuré pour se former automatiquement de temps en temps à l’aide de nouvelles données dès qu’elles sont disponibles. Vous garantissez ainsi l’efficacité de votre service 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. With the sophisticated tools Data Science Workspace provides, you can significantly shorten the time from data to insights.
More importantly, Data Science Workspace puts the data science and algorithmic optimization capabilities of Adobe's leading marketing platform in the hands of enterprise data scientists. Pour la première fois, les entreprises peuvent intégrer des algorithmes propriétaires à la plateforme, en tirant parti des puissantes fonctionnalités d’apprentissage machine et d’IA d’Adobe pour offrir des expériences client hautement personnalisées à grande échelle.
L’alliance de l’expertise en matière de marques et des prouesses d’Adobe en matière d’apprentissage automatique et d’IA permet aux entreprises de développer la valeur de l’entreprise et la fidélité à la marque en donnant aux clients ce qu’ils veulent, avant qu’ils ne le demandent.
Pour plus d’informations, comme un processus quotidien complet, commencez par lire la documentation de présentation de Data Science Workspace .

Ressources supplémentaires

The following video is designed to support your understanding of Data Science Workspace.