Show Menu
SUJETS×

Importation d’une recette empaquetée (interface utilisateur)

Ce tutoriel explique comment configurer et importer une recette empaquetée à l’aide de l’exemple de ventes au détail fourni. Après avoir terminé ce tutoriel, vous serez prêt à créer, à former et à évaluer un modèle dans Adobe Experience Platform Data Science Workspace.

Conditions préalables

Ce didacticiel nécessite une recette empaquetée sous la forme d'une URL d'image Docker. Pour plus d’informations, consultez le tutoriel expliquant comment Former une recette empaquetée à partir de fichiers source .

Workflow de l’interface utilisateur

Importing a packaged recipe into Data Science Workspace requires specific recipe configurations, compiled into a single JavaScript Object Notation (JSON) file, this compilation of recipe configurations is referred to as the configuration file . Une recette empaquetée avec un ensemble particulier de configurations est appelée instance de recette . One recipe can be used to create many recipe instances in Data Science Workspace.
Voici les différentes étapes du workflow d’importation d’une recette empaquetée :

Configuration d’une recette

Every recipe instance in Data Science Workspace is accompanied with a set of configurations that tailor the recipe instance to suit a particular use case. Les fichiers de configuration définissent les comportements de formation et de notation par défaut d’un modèle créé à l’aide de cette instance de recette.
Les fichiers de configuration sont spécifiques à la recette et au cas.
Vous trouverez ci-dessous un échantillon de fichier de configuration présentant les comportements de formation et de notation par défaut de la recette Ventes au détail.
[
    {
        "name": "train",
        "parameters": [
            {
                "key": "learning_rate",
                "value": "0.1"  
            },
            {
                "key": "n_estimators",
                "value": "100"
            },
            {
                "key": "max_depth",
                "value": "3"
            },
            {
                "key": "ACP_DSW_INPUT_FEATURES",
                "value": "date,store,storeType,storeSize,temperature,regionalFuelPrice,markdown,cpi,unemployment,isHoliday"
            },
            {
                "key": "ACP_DSW_TARGET_FEATURES",
                "value": "weeklySales"
            },
            {
                "key": "ACP_DSW_FEATURE_UPDATE_SUPPORT",
                "value": false
            },
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key": "ACP_DSW_TRAINING_XDM_SCHEMA",
                "value": "{SEE BELOW FOR DETAILS}"
            },
            {
                "key": "evaluation.labelColumn",
                "value": "weeklySalesAhead"
            },
            {
                "key": "evaluation.metrics",
                "value": "MAPE,MAE,RMSE,MASE"
            }
        ]
    },
    {
        "name": "score",
        "parameters": [
            {
                "key": "tenantId",
                "value": "_{TENANT_ID}"
            },
            {
                "key":"ACP_DSW_SCORING_RESULTS_XDM_SCHEMA",
                "value":"{SEE BELOW FOR DETAILS}"
            }
        ]
    }
]

Clé paramètre
Type
Description
learning_rate
Nombre
Scalaire pour la multiplication des gradients.
n_estimators
Nombre
Nombre d’arbres dans la forêt pour le classificateur Forêt aléatoire.
max_depth
Nombre
Profondeur maximale d’un arbre dans le classificateur Forêt aléatoire.
ACP_DSW_INPUT_FEATURES
Chaîne
Liste d’attributs de schéma d’entrée séparés par des virgules.
ACP_DSW_TARGET_FEATURES
Chaîne
Liste d’attributs de schéma de sortie séparés par des virgules.
ACP_DSW_FEATURE_UPDATE_SUPPORT
Booléen
Détermine si les fonctionnalités d’entrée et de sortie peuvent être modifiées.
tenantId
Chaîne
Cet identifiant permet de garantir que les ressources que vous créez sont des espaces de noms corrects et contenus dans votre organisation IMS. Suivez ces étapes pour trouver votre identifiant client.
ACP_DSW_TRAINING_XDM_SCHEMA
Chaîne
Le schéma d’entrée utilisé pour la formation d’un modèle. Laissez ce champ vide lors de l’importation dans l’interface utilisateur ; remplacez-le par l’identifiant du schéma de formation lors de l’importation à l’aide de l’API.
evaluation.labelColumn
Chaîne
Libellé de colonne pour visualiser les évaluations.
evaluation.metrics
Chaîne
Liste de mesures d’évaluation séparées par des virgules à utiliser pour l’évaluation d’un modèle.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA
Chaîne
Le schéma de sortie utilisé pour la notation d’un modèle. Laissez ce champ vide lors de l’importation dans l’interface utilisateur ; remplacez-le par l’identifiant du schéma de notation lors de l’importation à l’aide de l’API.
For the purpose of this tutorial, you can leave the default configuration files for Retail Sales recipe in the Data Science Workspace Reference the way they are.

Importation d’une recette Docker - Python

Début en naviguant et en sélectionnant des Workflows situés dans le coin supérieur gauche de l’ Platform interface utilisateur. Ensuite, sélectionnez Importer la recette et cliquez sur Lancer .
La page Configurer pour le flux de travail Importer une recette s'affiche. Entrez un nom et une description pour la recette, puis sélectionnez Suivant dans le coin supérieur droit.
Dans le tutoriel Former une recette empaquetée à partir de fichiers source , une URL Docker a été fournie à la fin de la création de la recette Ventes au détail à l’aide de fichiers source Python.
Une fois que vous êtes sur la page Sélectionner la source , collez l'URL du Docker correspondant à la recette assemblée générée à l'aide de fichiers Python source dans le champ URL ​source. Importez ensuite le fichier de configuration fourni en le faisant glisser et en le déposant, ou utilisez le Navigateur du système de fichiers. Le fichier de configuration fourni se trouve ici : experience-platform-dsw-reference/recipes/python/retail/retail.config.json . Sélectionnez Python dans la liste déroulante Runtime et Classification dans la liste déroulante Type. Une fois que tout a été renseigné, cliquez sur Suivant dans le coin supérieur droit pour accéder à Gérer les schémas .
Type prend en charge la classification et la régression . Si votre modèle ne tombe pas sous l'un de ces types, sélectionnez Personnalisé .
Next, select the Retail Sales input and output schemas under the section Manage Schemas , they were created using the provided bootstrap script in the create the retail sales schema and dataset tutorial.
Under the Feature Management section, click on your tenant identification in the schema viewer to expand the Retail Sales input schema. Sélectionnez les fonctionnalités d’entrée et de sortie en mettant en surbrillance la fonctionnalité souhaitée, puis sélectionnez Fonctionnalité d’entrée ou Fonctionnalité cible dans la fenêtre Propriétés du champ à droite. Pour les besoins de ce tutoriel, définissez weeklySales en tant que Fonctionnalité cible et tout le reste en tant que Fonctionnalité d’entrée . Cliquez sur Suivant pour consulter votre nouvelle recette configurée.
Vérifiez la recette, ajoutez, modifiez ou supprimez des configurations si nécessaire. Cliquez sur Terminer pour créer la recette.
Proceed to the next steps to find out how to create a Model in Data Science Workspace using the newly created Retail Sales recipe.

Importation d’une recette Docker - R

Début en naviguant et en sélectionnant des Workflows situés dans le coin supérieur gauche de l’ Platform interface utilisateur. Ensuite, sélectionnez Importer la recette et cliquez sur Lancer .
La page Configurer pour le flux de travail Importer une recette s'affiche. Entrez un nom et une description pour la recette, puis sélectionnez Suivant dans le coin supérieur droit.
Dans le tutoriel Former une recette empaquetée à partir de fichiers source , une URL Docker a été fournie à la fin de la création de la recette Ventes au détail à l’aide de fichiers source R.
Une fois que vous êtes sur la page Sélectionner la source , collez l'URL du Docker correspondant à la recette assemblée générée à l'aide des fichiers source R dans le champ URL ​source. Importez ensuite le fichier de configuration fourni en le faisant glisser et en le déposant, ou utilisez le Navigateur du système de fichiers. Le fichier de configuration fourni se trouve ici : experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json . Sélectionnez R dans la liste déroulante Exécution et Classification dans la liste déroulante Type. Une fois que tout a été renseigné, cliquez sur Suivant dans le coin supérieur droit pour accéder à Gérer les schémas .
Type prend en charge la classification et la régression . Si votre modèle ne tombe pas sous l'un de ces types, sélectionnez Personnalisé .
Next, select the Retail Sales input and output schemas under the section Manage Schemas , they were created using the provided bootstrap script in the create the retail sales schema and dataset tutorial.
Under the Feature Management section, click on your tenant identification in the schema viewer to expand the Retail Sales input schema. Sélectionnez les fonctionnalités d’entrée et de sortie en mettant en surbrillance la fonctionnalité souhaitée, puis sélectionnez Fonctionnalité d’entrée ou Fonctionnalité cible dans la fenêtre Propriétés du champ à droite. Pour les besoins de ce tutoriel, définissez weeklySales en tant que Fonctionnalité cible et tout le reste en tant que Fonctionnalité d’entrée . Click Next to review your new Configured recipe.
Vérifiez la recette, ajoutez, modifiez ou supprimez des configurations si nécessaire. Cliquez sur Terminer pour créer la recette.
Proceed to the next steps to find out how to create a Model in Data Science Workspace using the newly created Retail Sales recipe.

Import Docker based recipe - PySpark

Début en naviguant et en sélectionnant des Workflows situés dans le coin supérieur gauche de l’ Platform interface utilisateur. Ensuite, sélectionnez Importer la recette et cliquez sur Lancer .
La page Configurer pour le flux de travail Importer une recette s'affiche. Entrez un nom et une description pour la recette, puis sélectionnez Suivant dans le coin supérieur droit pour continuer.
In the Package source files into a Recipe tutorial, a Docker URL was provided at the end of building the Retail Sales recipe using PySpark source files.
Une fois que vous êtes sur la page Sélectionner la source , collez l'URL du Docker correspondant à la recette assemblée générée à l'aide des fichiers source PySpark dans le champ URL ​source. Importez ensuite le fichier de configuration fourni en le faisant glisser et en le déposant, ou utilisez le Navigateur du système de fichiers. Le fichier de configuration fourni se trouve ici : experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json . Sélectionnez PySpark dans la liste déroulante Runtime . Une fois l'exécution de PySpark sélectionnée, l'artefact par défaut est automatiquement renseigné sur Docker . Ensuite, sélectionnez Classification dans la liste déroulante Type . Une fois que tout a été renseigné, cliquez sur Suivant dans le coin supérieur droit pour accéder à Gérer les schémas .
Type prend en charge la classification et la régression . Si votre modèle ne tombe pas sous l'un de ces types, sélectionnez Personnalisé .
Next, select the Retail Sales input and output schemas under the section Manage Schemas , they were created using the provided bootstrap script in the create the retail sales schema and dataset tutorial.
Under the Feature Management section, click on your tenant identification in the schema viewer to expand the Retail Sales input schema. Sélectionnez les fonctionnalités d’entrée et de sortie en mettant en surbrillance la fonctionnalité souhaitée, puis sélectionnez Fonctionnalité d’entrée ou Fonctionnalité cible dans la fenêtre Propriétés du champ à droite. Pour les besoins de ce tutoriel, définissez weeklySales en tant que Fonctionnalité cible et tout le reste en tant que Fonctionnalité d’entrée . Cliquez sur Suivant pour consulter votre nouvelle recette configurée.
Vérifiez la recette, ajoutez, modifiez ou supprimez des configurations si nécessaire. Cliquez sur Terminer pour créer la recette.
Proceed to the next steps to find out how to create a Model in Data Science Workspace using the newly created Retail Sales recipe.

Import Docker based recipe - Scala

Début en naviguant et en sélectionnant des Workflows situés dans le coin supérieur gauche de l’ Platform interface utilisateur. Ensuite, sélectionnez Importer la recette et cliquez sur Lancer .
La page Configurer pour le flux de travail Importer une recette s'affiche. Entrez un nom et une description pour la recette, puis sélectionnez Suivant dans le coin supérieur droit pour continuer.
In the Package source files into a Recipe tutorial, a Docker URL was provided at the end of building the Retail Sales recipe using Scala (Spark) source files.
Une fois que vous êtes sur la page Sélectionner la source , collez l'URL du Docker correspondant à la recette assemblée générée à l'aide des fichiers source Scala dans le champ URL source. Importez ensuite le fichier de configuration fourni en le faisant glisser et en le déposant, ou utilisez le Navigateur du système de fichiers. Le fichier de configuration fourni se trouve ici : experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json . Sélectionnez​ Spark ​dans la liste déroulante Runtime . Une fois l' Spark exécution sélectionnée, l'artefact par défaut est automatiquement renseigné en​ Docker . Ensuite, sélectionnez​ Régression ​dans la liste déroulante Type . Une fois que tout a été renseigné, cliquez sur​ Suivant** dans le coin supérieur droit pour accéder à Gérer les schémas .
Type prend en charge la classification et la régression . Si votre modèle ne tombe pas sous l'un de ces types, sélectionnez Personnalisé .
Next, select the Retail Sales input and output schemas under the section Manage Schemas , they were created using the provided bootstrap script in the create the retail sales schema and dataset tutorial.
Under the Feature Management section, click on your tenant identification in the schema viewer to expand the Retail Sales input schema. Sélectionnez les fonctionnalités d’entrée et de sortie en mettant en surbrillance la fonctionnalité souhaitée, puis sélectionnez Fonctionnalité d’entrée ou Fonctionnalité cible dans la fenêtre Propriétés du champ à droite. Pour les besoins de ce tutoriel, définissez weeklySales en tant que Fonctionnalité cible et tout le reste en tant que Fonctionnalité d’entrée . Cliquez sur Suivant pour consulter votre nouvelle recette configurée.
Vérifiez la recette, ajoutez, modifiez ou supprimez des configurations si nécessaire. Cliquez sur Terminer pour créer la recette.
Proceed to the next steps to find out how to create a Model in Data Science Workspace using the newly created Retail Sales recipe.

Étapes suivantes

This tutorial provided insight on configuring and importing a recipe into Data Science Workspace. Vous pouvez désormais créer, former et évaluer un modèle à l’aide de la nouvelle recette créée.