Show Menu
TÓPICOS×

Importar uma receita empacotada (IU)

Este tutorial fornece informações sobre como configurar e importar uma receita empacotada usando o exemplo de Vendas de Varejo fornecido. Até o final deste tutorial, você estará pronto para criar, treinar e avaliar um Modelo no Adobe Experience Platform Data Science Workspace.

Pré-requisitos

Este tutorial requer uma fórmula empacotada na forma de um URL de imagem do Docker. Consulte o tutorial sobre como agrupar arquivos de origem em uma Receita para obter mais informações.

Fluxo de trabalho da interface

A importação de uma fórmula empacotada para Data Science Workspace requer configurações de fórmula específicas, compiladas em um único arquivo JSON (JavaScript Object Notation), essa compilação de configurações de fórmula é chamada de arquivo de configuração. Uma fórmula embalada com um conjunto específico de configurações é chamada de instância da fórmula. Uma fórmula pode ser usada para criar várias instâncias de fórmula em Data Science Workspace.
O fluxo de trabalho para importar uma fórmula de pacote consiste nas seguintes etapas:

Configurar uma fórmula

Cada instância da receita em Data Science Workspace é acompanhada de um conjunto de configurações que adaptam a instância da receita para atender a um caso de uso específico. Os arquivos de configuração definem os comportamentos padrão de treinamento e pontuação de um Modelo criado usando essa instância da fórmula.
Os arquivos de configuração são específicos para cada fórmula e maiúsculas e minúsculas.
Abaixo está um exemplo de arquivo de configuração mostrando os comportamentos padrão de treinamento e pontuação para a receita de vendas de varejo.
[
    {
        "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}"
            }
        ]
    }
]

Tecla Parameter
Tipo
Descrição
learning_rate
Número
Escalar para multiplicação de gradiente.
n_estimators
Número
Número de árvores na floresta para Classificador Random Forest.
max_depth
Número
Profundidade máxima de uma árvore no Classificador Random Forest.
ACP_DSW_INPUT_FEATURES
String
Lista de atributos de schema de entrada separados por vírgulas.
ACP_DSW_TARGET_FEATURES
String
Lista de atributos de schema de saída separados por vírgulas.
ACP_DSW_FEATURE_UPDATE_SUPPORT
Booleano
Determina se os recursos de entrada e saída são modificáveis
tenantId
String
Essa ID garante que os recursos criados sejam devidamente nomeados e estejam contidos em sua Organização IMS. Siga as etapas aqui para localizar sua ID de locatário.
ACP_DSW_TRAINING_XDM_SCHEMA
String
O schema de entrada usado para treinar um Modelo. Deixe isso vazio ao importar na interface do usuário, substitua por SchemaID de treinamento ao importar usando a API.
evaluation.labelColumn
String
Rótulo de coluna para visualizações de avaliação.
evaluation.metrics
String
Lista separada por vírgulas de métricas de avaliação a serem usadas para avaliar um Modelo.
ACP_DSW_SCORING_RESULTS_XDM_SCHEMA
String
O schema de saída usado para marcar um Modelo. Deixe isso vazio ao importar na interface do usuário, substitua por SchemaID de pontuação ao importar usando a API.
Para a finalidade deste tutorial, você pode deixar os arquivos de configuração padrão para a receita de Vendas de varejo na Data Science Workspace Referência da forma como eles são.

Importar fórmula baseada no Docker - Python

Start navegando e selecionando Workflows localizados na parte superior esquerda da Platform interface do usuário. Em seguida, selecione Importar fórmula e clique em Iniciar .
A página Configurar para o fluxo de trabalho da fórmula Importar é exibida. Digite um nome e uma descrição para a fórmula e selecione Próximo no canto superior direito.
No Package source files to a Recipe tutorial (Encapsulamento de arquivos de origem em um tutorial de Recipe), um URL de Docker foi fornecido no final da criação da receita de vendas de varejo usando arquivos de origem Python.
Quando estiver na página Selecionar origem , cole o URL do Docker correspondente à fórmula empacotada criada usando arquivos Python de origem no campo URL de origem. Em seguida, importe o arquivo de configuração fornecido arrastando e soltando ou use o navegador do sistema de arquivos. O arquivo de configuração fornecido pode ser encontrado em experience-platform-dsw-reference/recipes/python/retail/retail.config.json . Selecione Python na lista suspensa Tempo de execução e Classificação na lista suspensa Tipo . Depois que tudo estiver preenchido, clique em Avançar no canto superior direito para prosseguir para Gerenciar schemas .
O tipo suporta Classificação e Regressão . Se o modelo não se enquadrar em um desses tipos, selecione Personalizado .
Em seguida, selecione os schemas de entrada e saída do Retail Sales na seção Gerenciar Schemas , eles foram criados usando o script de inicialização fornecido no tutorial de criação do schema de vendas de varejo e do conjunto de dados .
Na seção Gerenciamento de recursos, clique na identificação do locatário no visualizador de schemas para expandir o schema de entrada Vendas de varejo. Selecione os recursos de entrada e saída destacando o recurso desejado e selecionando Recurso de entrada ou Recurso de Público alvo na janela Propriedades do campo direita. Para a finalidade deste tutorial, defina semanalmenteSales como o Recurso do Público alvo e tudo o mais como Recurso de entrada. Clique em Avançar para revisar sua nova fórmula configurada.
Revise a receita, adicione, modifique ou remova configurações conforme necessário. Clique em Concluir para criar a fórmula.
Vá para as próximas etapas para descobrir como criar um Modelo Data Science Workspace usando a fórmula recém-criada de Vendas de Varejo.

Importar fórmula baseada no Docker - R

Start navegando e selecionando Workflows localizados na parte superior esquerda da Platform interface do usuário. Em seguida, selecione Importar fórmula e clique em Iniciar .
A página Configurar para o fluxo de trabalho da fórmula Importar é exibida. Digite um nome e uma descrição para a fórmula e selecione Próximo no canto superior direito.
No Package source files to a Recipe tutorial (Arquivos de origem do pacote), um URL do Docker foi fornecido no final da criação da receita de vendas de varejo usando arquivos de origem R.
Quando estiver na página Selecionar origem , cole o URL do Docker correspondente à fórmula empacotada criada usando os arquivos de origem R no campo URL de origem. Em seguida, importe o arquivo de configuração fornecido arrastando e soltando ou use o navegador do sistema de arquivos. O arquivo de configuração fornecido pode ser encontrado em experience-platform-dsw-reference/recipes/R/Retail\ -\ GradientBoosting/retail.config.json . Selecione R no menu suspenso Tempo de execução e Classificação no menu suspenso Tipo . Depois que tudo estiver preenchido, clique em Avançar no canto superior direito para prosseguir para Gerenciar schemas .
O tipo suporta Classificação e Regressão . Se o modelo não se enquadrar em um desses tipos, selecione Personalizado .
Em seguida, selecione os schemas de entrada e saída do Retail Sales na seção Gerenciar Schemas , eles foram criados usando o script de inicialização fornecido no tutorial de criação do schema de vendas de varejo e do conjunto de dados .
Na seção Gerenciamento de recursos, clique na identificação do locatário no visualizador de schemas para expandir o schema de entrada Vendas de varejo. Selecione os recursos de entrada e saída destacando o recurso desejado e selecionando Recurso de entrada ou Recurso de Público alvo na janela Propriedades do campo direita. Para a finalidade deste tutorial, defina semanalmenteSales como o Recurso do Público alvo e tudo o mais como Recurso de entrada. Clique em Avançar para revisar sua nova receita configurada.
Revise a receita, adicione, modifique ou remova configurações conforme necessário. Clique em Concluir para criar a fórmula.
Vá para as próximas etapas para descobrir como criar um Modelo Data Science Workspace usando a fórmula recém-criada de Vendas de Varejo.

Importar fórmula baseada no Docker - PySpark

Start navegando e selecionando Workflows localizados na parte superior esquerda da Platform interface do usuário. Em seguida, selecione Importar fórmula e clique em Iniciar .
A página Configurar para o fluxo de trabalho da fórmula Importar é exibida. Insira um nome e uma descrição para a receita e selecione Próximo no canto superior direito para prosseguir.
No Package source files to a Recipe tutorial (Arquivos de origem do pacote), um URL de Docker foi fornecido no final da criação da receita de vendas de varejo usando arquivos de origem PySpark.
Quando estiver na página Selecionar origem , cole o URL do Docker correspondente à fórmula empacotada criada usando os arquivos de origem do PySpark no campo URL de origem. Em seguida, importe o arquivo de configuração fornecido arrastando e soltando ou use o navegador do sistema de arquivos. O arquivo de configuração fornecido pode ser encontrado em experience-platform-dsw-reference/recipes/pyspark/retail/pipeline.json . Selecione PySpark no menu suspenso Runtime . Depois que o tempo de execução PySpark é selecionado, o artefato padrão é preenchido automaticamente para o Docker . Em seguida, selecione Classificação no menu suspenso Tipo . Depois que tudo estiver preenchido, clique em Avançar no canto superior direito para prosseguir para Gerenciar schemas .
O tipo suporta Classificação e Regressão . Se o modelo não se enquadrar em um desses tipos, selecione Personalizado .
Em seguida, selecione os schemas de entrada e saída do Retail Sales na seção Gerenciar Schemas , eles foram criados usando o script de inicialização fornecido no tutorial de criação do schema de vendas de varejo e do conjunto de dados .
Na seção Gerenciamento de recursos, clique na identificação do locatário no visualizador de schemas para expandir o schema de entrada Vendas de varejo. Selecione os recursos de entrada e saída destacando o recurso desejado e selecionando Recurso de entrada ou Recurso de Público alvo na janela Propriedades do campo direita. Para a finalidade deste tutorial, defina semanalmenteSales como o Recurso do Público alvo e tudo o mais como Recurso de entrada. Clique em Avançar para revisar sua nova fórmula configurada.
Revise a receita, adicione, modifique ou remova configurações conforme necessário. Clique em Concluir para criar a fórmula.
Vá para as próximas etapas para descobrir como criar um Modelo Data Science Workspace usando a fórmula recém-criada de Vendas de Varejo.

Importar fórmula baseada no Docker - Scala

Start navegando e selecionando Workflows localizados na parte superior esquerda da Platform interface do usuário. Em seguida, selecione Importar fórmula e clique em Iniciar .
A página Configurar para o fluxo de trabalho da fórmula Importar é exibida. Insira um nome e uma descrição para a receita e selecione Próximo no canto superior direito para prosseguir.
No Package source files to a Recipe tutorial (Encapsulamento de arquivos de origem em um tutorial de Receita), um URL de Docker foi fornecido no final da criação da receita de Vendas de Varejo usando arquivos de origem Scala (Spark).
Quando estiver na página Selecionar origem , cole o URL do Docker correspondente à fórmula empacotada criada usando os arquivos de origem do Scala no campo URL de origem. Em seguida, importe o arquivo de configuração fornecido arrastando e soltando ou use o navegador do sistema de arquivos. O arquivo de configuração fornecido pode ser encontrado em experience-platform-dsw-reference/recipes/scala/retail/pipelineservice.json . Selecione Spark no menu suspenso Runtime . Depois que o tempo de execução é selecionado, o artefato padrão é preenchido automaticamente para o Spark Docker . Em seguida, selecione Regressão no menu suspenso Tipo . Depois que tudo estiver preenchido, clique em Avançar no canto superior direito para prosseguir para Gerenciar schemas .
O tipo suporta Classificação e Regressão . Se o modelo não se enquadrar em um desses tipos, selecione Personalizado .
Em seguida, selecione os schemas de entrada e saída do Retail Sales na seção Gerenciar Schemas , eles foram criados usando o script de inicialização fornecido no tutorial de criação do schema de vendas de varejo e do conjunto de dados .
Na seção Gerenciamento de recursos, clique na identificação do locatário no visualizador de schemas para expandir o schema de entrada Vendas de varejo. Selecione os recursos de entrada e saída destacando o recurso desejado e selecionando Recurso de entrada ou Recurso de Público alvo na janela Propriedades do campo direita. Para a finalidade deste tutorial, defina semanalmenteSales como o Recurso do Público alvo e tudo o mais como Recurso de entrada. Clique em Avançar para revisar sua nova fórmula configurada.
Revise a receita, adicione, modifique ou remova configurações conforme necessário. Clique em Concluir para criar a fórmula.
Vá para as próximas etapas para descobrir como criar um Modelo Data Science Workspace usando a fórmula recém-criada de Vendas de Varejo.

Próximas etapas

Este tutorial forneceu informações sobre como configurar e importar uma receita para Data Science Workspace. Agora você pode criar, treinar e avaliar um Modelo usando a fórmula recém-criada.