Show Menu
화제×

데이터 과학 작업 공간 자습서

Adobe Experience Platform 데이터 과학 작업 공간은 머신 러닝과 인공 지능을 사용하여 데이터를 통해 인사이트를 생성합니다. Adobe Experience Platform에 통합된 데이터 과학 작업 공간을 사용하면 Adobe 솔루션 전체에서 컨텐츠와 데이터 자산을 사용하여 예측할 수 있습니다. 모든 기술 수준에 속한 데이터 과학자는 복잡한 AI 기술을 통해 얻을 수 있는 모든 이점을 비롯하여 머신 러닝 레서치의 신속한 개발, 트레이닝 및 조정을 지원하는 세련되고 사용이 간편한 툴을 갖추고 있습니다.

Sensei Machine Learning API

Sensei Machine Learning API는 데이터 과학자들이 알고리즘 온보딩, 실험, 서비스 배포에 이르기까지 머신 러닝 서비스를 구성하고 관리하는 메커니즘을 제공합니다.
다음 API 개발자 가이드를 사용할 수 있습니다.
  • 엔진 - Docker 레지스트리를 조회, 엔진 생성, 기능 파이프라인 엔진 생성, 엔진 정보 검색, 엔진 업데이트 및 엔진 삭제 방법을 알아봅니다.
  • MLInestas(레서피) - MLInestment를 만들고, MLInestment에 대한 정보를 검색하고, MLInestement를 업데이트하고, MLInestment를 삭제하는 방법을 알아봅니다.
  • 실험 - 실험(Experiment) 생성, 실험(Experiment) 또는 실험(Experiment) 실행 정보 검색(Retrieve an Experiment), 실험 업데이트(Experiment) 및 실험(Experiment)을 삭제하는 방법을 학습합니다.
  • 모델 - 자체 모델을 등록하거나, 모델에 대한 정보를 검색하고, 모델을 업데이트하거나, 모델을 삭제하고, 모델에 대한 새로운 트랜스코딩(transcoding) 을 생성하고, 트랜스코딩된 모델의 세부 정보를 검색하는 방법을 알아봅니다.
  • MLServices - MLService를 만들고, MLService에 대한 정보를 검색하고, MLService를 업데이트하고, MLService를 삭제하는 방법을 알아봅니다.
  • 인사이트 - 인사이트에 대한 정보를 검색하고, 새 모델 인사이트를 추가하고, 알고리즘에 대한 기본 지표 목록을 검색하는 방법을 알아봅니다.
Sensei Machine Learning API를 사용하여 CRUD 작업을 수행하는 데 필요한 값을 확인하고 자세한 내용을 보려면 시작 안내서를 참조하십시오 .

JupiterLab 노트북을 사용하는 방법

JupyterLab 는 Adobe Experience Platform에 긴밀하게 통합되어 있고 웹 기반의 유저 인터페이스 Project Jupyter 로 구성되어 있습니다. 데이터 과학자들이 Jupiter 노트북, 코드 및 데이터를 사용하여 작업할 수 있는 인터랙티브한 개발 환경을 제공합니다. 이 문서에서는 일반적인 작업 JupyterLab 을 수행하기 위한 지침뿐만 아니라 기능과 기능에 대한 개요를 제공합니다.
이 가이드는 다음과 같은 도움을 줍니다.
  • 인터페이스에 액세스하고 이해할 수 JupyterLab 있습니다.
  • 코드 셀과 사용 가능한 커널을 파악할 수 JupyterLab있습니다.
  • Python/R에서 GPU 및 메모리 서버 구성을 이해합니다.
  • 전자 필기장을 사용하여 Platform 데이터를 읽고 쿼리합니다.
  • 노트북 데이터 제한 사항을 이해합니다.
자세한 내용은 JupiterLab 사용자 안내서를 참조하십시오 .

Docker 레서피 작성을 위한 소스 파일 패키지

Docker 이미지를 사용하면 애플리케이션을 필요한 모든 요소로 패키지화할 수 있습니다. 여기에는 라이브러리와 기타 종속성이 모두 하나의 패키지에 포함됩니다. 레서피 만들기 작업 과정 중에 제공된 자격 증명을 사용하여 빌드된 Docker 이미지가 Azure 컨테이너 레지스트리로 푸시됩니다.
이 튜토리얼을 통해 다음과 같은 작업을 수행할 수 있습니다.
  • 레서피 작성을 위해 필요한 사전 요구 사항을 다운로드합니다.
  • Docker 기반 모델 작성에 대해 이해합니다.
  • Python, R, PySpark 또는 Scala(Spark)용 Docker 이미지를 만들 수 있습니다.
  • Docker 소스 파일 URL을 얻습니다.

레서피 가져오기

이 자습서에서는 Docker 소스 파일 URL을 필요로 합니다. Docker 소스 파일 URL이 없는 경우 패키지 소스 파일을 레서피 자습서로 방문합니다.
가져오기 레서피 자습서에서는 패키지된 레서피를 구성하고 가져오는 방법에 대한 통찰력을 제공합니다. 이 튜토리얼이 끝나면 Adobe Experience Platform 데이터 과학 작업 공간에서 모델을 생성, 교육 및 평가할 수 있습니다.
이 튜토리얼을 통해 다음과 같은 작업을 수행할 수 있습니다.
  • 레서피에 대한 구성 집합을 만듭니다.
  • Python, R, PySpark 또는 Scala(Spark)의 Docker 기반 레시피를 가져올 수 있습니다.
자세한 내용은 패키지된 레서피 UI 가져오기 자습서 또는 API 자습서를 따르십시오.

모델 트레이닝 및 평가

Adobe Experience Platform 데이터 과학 작업 공간에서 기계 학습 모델은 모델의 의도에 적합한 기존 레서피를 결합함으로써 만들어집니다. 그런 다음 연관된 하이퍼매개 변수를 세밀하게 조정하여 모델의 운영 효율성과 효과를 최적화하기 위해 교육을 받고 평가합니다. 레서피는 재사용할 수 있습니다. 즉, 하나의 레서피를 사용하여 여러 모델을 생성하고 특정 목적에 맞게 변경할 수 있습니다.
이 튜토리얼을 통해 다음과 같은 작업을 수행할 수 있습니다.
  • 새 모델을 생성합니다.
  • 모델에 대한 교육 실행을 만듭니다.
  • 모델 교육 실행 평가
시작하려면 트레이닝과 모델 API 자습서 평가 또는 UI 자습서를 따르십시오 .

모델 인사이트 프레임워크를 사용하여 모델 최적화

Model Insights Framework는 데이터 과학자에게 실험을 기반으로 최적의 기계 학습 모델을 위한 신속하고 정확한 선택을 할 수 있는 Adobe Experience Platform 데이터 과학 작업 공간의 툴을 제공합니다. 이 프레임워크는 머신 러닝 워크플로우의 속도와 효율성을 향상시키고 데이터 과학자의 사용 용이성을 향상시킵니다. 이 작업은 모델 조정을 지원하기 위해 각 기계 학습 알고리즘 유형에 대한 기본 템플릿을 제공하여 수행됩니다. 최종 결과를 통해 데이터 과학자와 시민 데이터 과학자는 최종 고객을 위한 보다 효과적인 모델 최적화 결정을 내릴 수 있습니다.
이 튜토리얼을 통해 다음과 같은 작업을 수행할 수 있습니다.
  • 레서피 코드를 구성합니다.
  • 사용자 지정 지표를 정의합니다.
  • 사전 빌드된 평가 지표 및 시각화 차트를 사용하십시오.

모델 점수 지정

Adobe Experience Platform 데이터 과학 작업 공간에서 채점하는 방법은 입력 데이터를 기존 트레이닝된 모델에 제공함으로써 달성해야 합니다. 그러면 점수 지정 결과가 저장되고 지정된 출력 데이터 세트에 새로운 일괄 처리로 표시됩니다.
이 튜토리얼을 통해 다음과 같은 작업을 수행할 수 있습니다.
  • 새로운 점수 실행을 만듭니다.
  • 점수 지정 결과를 확인하십시오.
시작하려면 모델 API 자습서 또는 UI 자습서의 점수를 따르십시오.

모델을 서비스로 게시

Adobe Experience Platform 데이터 과학 작업 공간을 사용하면 모델을 서비스로 게시하여 IMS 조직 내의 사용자가 자체 모델을 만들지 않고도 데이터를 평가할 수 있습니다. 이 작업은 Platform 사용자 인터페이스 또는 Sensei Machine Learning API를 사용하여 수행할 수 있습니다.
이 튜토리얼을 통해 다음과 같은 작업을 수행할 수 있습니다.
  • 모델을 서비스로 게시합니다.
  • 서비스 갤러리를 통해 서비스를 사용하여 Platform 점수 데이터를 표시합니다.
시작하려면 모델을 서비스 API 자습서 또는 UI 자습서로 게시하십시오 .

모델의 교육 및 점수 예약

Adobe Experience Platform 데이터 과학 작업 공간을 사용하면 기계 학습 서비스에서 예약된 점수 지정 및 교육 실행을 설정할 수 있습니다. 트레이닝 및 점수 지정 프로세스를 자동화하면 데이터 내의 패턴을 유지하여 시간의 경과에 따라 서비스의 효율성을 유지 관리하고 개선하는 데 도움이 됩니다.
이 튜토리얼을 통해 다음과 같은 작업을 수행할 수 있습니다.
  • 예약된 점수 구성
  • 예약된 교육 구성
시작하려면 모델 UI 예약 자습서에 따르십시오 .

피쳐 파이프라인 만들기

현재 기능 파이프라인은 API를 통해서만 사용할 수 있습니다.
Adobe Experience Platform을 사용하면 Sensei Machine Learning Framework 런타임을 통해 기능 엔지니어링을 규모에 맞게 수행하는 사용자 정의 기능 파이프라인을 만들고 만들 수 있습니다.
이 가이드는 다음과 같은 도움을 줍니다.
  • 기능 파이프라인 클래스 구현
  • API를 사용하여 피쳐 파이프라인 엔진을 만듭니다.
자세한 내용은 튜토리얼을 참조하여 피쳐 파이프라인 을 만듭니다 .

실시간 머신 러닝 애플리케이션 구축(알파)

허브와 에지(Edge) 모두에서 매끄러운 계산으로 인해 관련이 있고 응답성이 높은 고도로 개인화된 경험을 제공하기 위해 전통적으로 관련된 지연이 크게 줄어듭니다. 따라서 실시간 머신 러닝은 동기적 의사 결정을 위한 매우 낮은 지연율을 제공합니다. 예를 들어 맞춤형 웹 페이지 컨텐츠 렌더링, 제안 표시, 이탈률 감소 및 웹 스토어의 구매 전환율 증가를 위한 할인 등이 있습니다.
이 가이드는 다음과 같은 도움을 줍니다.
  • 실시간 머신 러닝 아키텍처를 파악합니다.
  • 실시간 머신 러닝 워크플로우를 파악합니다.
  • 실시간 머신 러닝의 현재 기능을 파악합니다.
  • 자신만의 실시간 기계 학습 모델을 만드는 다음 단계를 제공합니다.