マシンラーニングモデルの作成と公開

次のガイドでは、機械学習モデルの作成と公開に必要な手順を説明します。 各節には、実行する操作の説明と、説明する手順を実行するための UI および API ドキュメントへのリンクが含まれています。

はじめに

このチュートリアルを開始する前に、次の前提条件を満たす必要があります。

  • アクセス先 Adobe Experience Platform. の組織に対するアクセス権がない場合、 Experience Platform続行する前に、システム管理者にお問い合わせください。

  • すべての Data Science Workspace チュートリアルでは、Luma 傾向モデルを使用します。 続行するには、 Luma 傾向モデルのスキーマとデータセット.

データを調べてスキーマを理解する

にログインします。 Adobe Experience Platform を選択し、 データセット をクリックして、既存のすべてのデータセットをリストし、調査するデータセットを選択します。 この場合、 Luma の Web データ データセット。

Luma web データセットを選択します。

データセットアクティビティページが開き、データセットに関する情報が表示されます。 次を選択できます。 データセットをプレビュー 右上付近にあるサンプルレコードを確認します。 また、選択したデータセットのスキーマを表示することもできます。

Luma Web データのプレビュー

右側のパネルでスキーマリンクを選択します。 ポップオーバーが表示され、以下のリンクを選択します。 スキーマ名 スキーマを新しいタブで開きます。

luma web データスキーマのプレビュー

提供された Exploratory Data Analysis(EDA) ノートブックを使用して、データをさらに調査できます。 このノートブックは、Luma データのパターンを理解し、データの整合性を確認し、予測傾向モデルに関連するデータを要約するのに役立ちます。 Exploratory Data Analysis の詳細については、 EDA ドキュメント.

Luma 傾向レシピの作成 author-your-model

の主要なコンポーネント Data Science Workspace ライフサイクルには、レシピとモデルの作成が含まれます。 Luma 傾向モデルは、顧客が Luma から製品を購入する傾向が高いかどうかに関する予測を生成するように設計されています。

Luma の傾向モデルを作成するには、レシピビルダーテンプレートが使用されます。 レシピは、特定の問題を解決するために設計された機械学習アルゴリズムとロジックを含むので、モデルの基礎となります。 さらに重要な点は、レシピを使用すると、組織全体の機械学習を民主化でき、他のユーザーはコードを書かなくても様々な用途のモデルにアクセスできるようになることです。

フォロー: JupyterLab Notebooks を使用してモデルを作成する 後続のチュートリアルで使用する Luma 傾向モデルレシピの作成に関するチュートリアルです。

外部ソース (オプション)

Data Science Workspace で使用するレシピをインポートおよびパッケージ化する場合は、ソースファイルをアーカイブファイルにパッケージ化する必要があります。 フォロー: ソースファイルのレシピへのパッケージ化 チュートリアル このチュートリアルでは、ソースファイルをレシピにパッケージ化する方法を示します。これは、レシピを Data Science Workspace にインポートするための前提条件の手順です。 チュートリアルが完了したら、Azure Container Registry に Docker イメージと、対応するイメージ URL(つまりアーカイブファイル)が提供されます。

このアーカイブファイルを使用して、Data Science Workspace でレシピを作成できます。それには、 UI ワークフロー または API ワークフロー.

モデルのトレーニングと評価 train-and-evaluate-your-model

データの準備が完了し、レシピの準備が整ったので、機械学習モデルをさらに作成、トレーニング、評価できます。 Recipe Builder を使用する場合は、モデルをレシピにパッケージ化する前に、既にトレーニング、スコアリング、評価をおこなっている必要があります。

Data Science Workspace の UI と API を使用すると、レシピをモデルとして公開できます。 さらに、ハイパーパラメーターの追加、削除、変更など、モデルの特定の側面をさらに微調整できます。

モデルの作成

UI を使用したモデルの作成について詳しくは、 Data Science Workspace でトレーニングにアクセスしてモデルを評価してください UI チュートリアル または API チュートリアル. このチュートリアルでは、モデルを微調整するためのハイパーパラメーターの作成、トレーニング、更新方法の例を示します。

NOTE
ハイパーパラメーターは学習できないので、トレーニングを実行する前に割り当てる必要があります。ハイパーパラメーターを調整すると、トレーニング済みモデルの精度が変わる場合があります。 モデルの最適化は反復的なプロセスなので、満足のいく評価を得るには、複数のトレーニング実行が必要になる場合があります。

モデルのスコア付け score-a-model

モデルを作成して公開する次の手順では、モデルを操作できるようにして、データレイクとリアルタイム顧客プロファイルからのインサイトにスコアを付けて利用します。

Data Science Workspace でのスコアリングは、既存のトレーニング済みモデルに入力データを送ることで達成できます。次に、スコアリング結果が保存され、新しいバッチとして指定した出力データセットで表示可能になります。

モデルのスコアリング方法については、モデルのスコアを参照してください UI チュートリアル または API チュートリアル.

スコアリング済みモデルのサービスとしての公開

Data Science Workspace を使用すると、トレーニング済みモデルをサービスとして公開できます。 これにより、組織内のユーザーは、独自のモデルを作成する必要なく、データのスコアを付けることができます。

モデルをサービスとして公開する方法については、 UI チュートリアル または API チュートリアル.

サービスの自動トレーニングのスケジュール設定

モデルをサービスとして公開したら、機械学習サービスのスコアリングおよびトレーニング実行のスケジュールを設定できます。 トレーニングとスコアリングのプロセスを自動化すると、データ内のパターンに追いつくことで、サービスの効率を時間をかけて維持および改善できます。 次にアクセス: Data Science Workspace UI でのモデルのスケジュール チュートリアル

NOTE
UI からは、自動トレーニングとスコアリングのモデルのスケジュールのみ設定できます。

次の手順 next-steps

Adobe Experience Platform Data Science Workspace は、機械学習モデルを作成、評価、利用してデータ予測とインサイトを生成するためのツールとリソースを提供します。 機械学習のインサイトが Profile-enabled データセット。同じデータも Profile 次を使用してセグメント化できるレコード: Adobe Experience Platform Segmentation Service.

プロファイルと時系列データが取り込まれると、リアルタイム顧客プロファイルは、既存のデータと結合して和集合表示を更新する前に、ストリーミングセグメント化と呼ばれる継続的なプロセスを通じて、そのデータをセグメントに含めるか除外するかを自動的に決定します。 その結果、顧客がブランドとやり取りする際に、瞬時に計算を行い、顧客に対して強化された個別的なエクスペリエンスを提供する意思決定を行うことができます。

のチュートリアルを参照してください。 機械学習のインサイトを使用したリアルタイム顧客プロファイルの強化 を参照して、機械学習のインサイトを利用する方法の詳細を確認してください。

recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9