Sensei 머신 러닝 API를 사용하여 패키지된 레시피 가져오기
이 튜토리얼에서는 Sensei Machine Learning API 다음을 만들려면: 엔진사용자 인터페이스에서 레시피라고도 합니다.
시작하기 전에 Adobe Experience Platform을 참고하십시오 Data Science Workspace 에서는 API 및 UI 내의 유사한 요소를 지칭하기 위해 다른 용어를 사용합니다. API 용어는 이 자습서 전체에서 사용되며 다음 표에서 상관 관계를 설명합니다.
엔진은 특정 문제를 해결하기 위한 기계 학습 알고리즘과 논리를 포함합니다. 아래 다이어그램은에서 API 워크플로를 보여주는 시각화를 제공합니다. Data Science Workspace. 이 자습서에서는 머신 러닝 모델의 두뇌인 엔진 을 만드는 데 중점을 둡니다.
시작하기
이 자습서에서는 도커 URL 형태로 패키지된 레시피 파일이 필요합니다. 다음 소스 파일을 레시피에 패키징 패키지된 레시피 파일을 만들거나 직접 제공하는 튜토리얼입니다.
{DOCKER_URL}: 지능형 서비스의 도커 이미지에 대한 URL 주소입니다.
이 자습서를 사용하려면 다음을 완료해야 합니다. Adobe Experience Platform에 대한 인증 자습서 을(를) 성공적으로 호출하기 위해 Platform API. 인증 자습서를 완료하면 모든 항목에서 필요한 각 헤더에 대한 값이 제공됩니다 Experience Platform 아래와 같이 API 호출:
{ACCESS_TOKEN}: 인증 후 제공된 특정 전달자 토큰 값입니다.{ORG_ID}: 고유한 Adobe Experience Platform 통합에서 찾은 조직 자격 증명입니다.{API_KEY}: 고유한 Adobe Experience Platform 통합에서 찾은 특정 API 키 값.
엔진 만들기
엔진은 /engines 끝점에 POST 요청을 하여 만들 수 있습니다. 작성된 엔진은 API 요청의 일부로 포함되어야 하는 패키지된 레시피 파일의 양식을 기반으로 구성됩니다.
도커 URL을 사용하여 엔진 만들기 create-an-engine-with-a-docker-url
Docker 컨테이너에 저장된 패키지된 레시피 파일이 있는 엔진을 만들려면 패키지된 레시피 파일에 도커 URL을 제공해야 합니다.
API 형식
POST /engines
Python/R 요청
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"
}
}
}
}'
engine.nameengine.descriptionengine.typetype 다음 중 하나 Python, R, PySpark, Spark (Scala) 또는 Tensorflow.artifacts.default.image.location{DOCKER_URL} 여기 로 이동합니다. 전체 도커 URL의 구조는 다음과 같습니다. your_docker_host.azurecr.io/docker_image_file:versionartifacts.default.image.nameartifacts.default.image.executionTypeexecutionType 다음 중 하나 Python, R, PySpark, Spark (Scala) 또는 Tensorflow.PySpark 요청
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"
}
}
}
}'
namedescriptiontypemlLibraryartifacts.default.image.locationartifacts.default.image.executionTypeScala 요청
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"
}
}
}
}'
namedescriptiontypemlLibraryartifacts.default.image.locationartifacts.default.image.executionType응답
성공적인 응답은 고유 식별자( )를 포함하여 새로 생성된 엔진의 세부 사항이 포함된 페이로드를 반환합니다id). 다음 예제 응답은 Python 엔진. 다음 executionType 및 type 제공된 POST에 따라 키가 변경됩니다.
{
"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"
}
}
}
}
성공적인 응답은 새로 생성된 엔진에 대한 정보와 함께 JSON 페이로드를 보여 줍니다. 다음 id 키는 고유한 엔진 식별자를 나타내며 다음 튜토리얼에서 MLInstance를 만드는 데 필요합니다. 다음 단계를 계속하기 전에 엔진 식별자가 저장되었는지 확인하십시오.
다음 단계 next-steps
API를 사용하여 엔진을 만들었고 고유한 엔진 식별자가 응답 본문의 일부로 가져왔습니다. 방법을 배울 때 다음 자습서에서 이 엔진 식별자를 사용할 수 있습니다. API를 사용하여 모델 만들기, 교육 및 평가.