Uporaba modelov, ki temeljijo na strojnem učenju Azure

Združeni podatki v storitvi Dynamics 365 Customer Insights so vir za gradnjo modelov strojnega učenja, ki lahko ustvarijo dodatne vpoglede v poslovanje. Customer Insights se integrira s studiom za strojno učenje (klasični način) in storitvijo Strojno učenje Azure, da lahko uporabljate lastne modele po meri. Glejte Eksperimentiranje s studiom za strojno učenje (klasični način) za primere poskusov, ustvarjenih v studiu za strojno učenje (klasični način).

Zahteve

Nastavitev delovnega prostora za strojno učenje Azure

  1. Glejte razdelek za ustvarjanje delovnega prostora za strojno učenje Azure, če želite spoznati različne možnosti ustvarjanja delovnega prostora. Za najboljšo zmogljivost ustvarite delovni prostor v območju Azure, ki je geografsko najbližje vašemu okolju Customer Insights.

  2. Dostopajte do delovnega prostora prek studia za strojno učenje Azure. Obstaja več načinov interakcije z delovnim prostorom.

Delo z oblikovalnikom za strojno učenje Azure

Oblikovalnik za strojno učenje Azure ponuja vizualno delovno območje, kamor lahko povlečete in spustite nabore podatkov in module, podobno kot pri studiu za strojno učenje (klasični način). Prodajni lijak paketa, ustvarjen v oblikovalniku, je mogoče integrirati s storitvijo Customer Insights, če sta ustrezno konfigurirana.

Delo s SDK-jem za strojno učenje Azure

Podatkovni znanstveniki in razvijalci umetne inteligence uporabljajo SDK za strojno učenje Azure za ustvarjanje potekov dela za strojno učenje. Trenutno modelov, naučenih z uporabo SDK-ja, ni mogoče neposredno integrirati s storitvijo Customer Insights. Za integracijo s storitvijo Customer Insights je potreben prodajni lijak za sklepanje glede paketov, ki uporablja ta model.

Zahteve za prodajni lijak paketa za namene integracije s storitvijo Customer Insights

Konfiguracija nabora podatkov

Ustvariti morate nabore podatkov, da boste lahko uporabili podatke entitete iz storitve Customer Insights v prodajnem lijaku za sklepanje glede paketov. Te nabore podatkov je treba registrirati v delovnem prostoru. Trenutno podpiramo samo tabelarične nabore podatkov v obliki .csv. Nabore podatkov, ki ustrezajo podatkom entitete, je treba razvrstiti kot parametre prodajnega lijaka.

  • Parametri nabora podatkov v oblikovalniku

    V oblikovalniku odprite možnost Izbira stolpcev v naboru podatkov in izberite Nastavi kot parameter prodajnega lijaka, pri čemer navedete ime parametra.

    Razvrstitev parametrov nabora podatkov v oblikovalniku

  • Parameter nabora podatkov v SDK-ju (Python)

    HotelStayActivity_dataset = Dataset.get_by_name(ws, name='Hotel Stay Activity Data')
    HotelStayActivity_pipeline_param = PipelineParameter(name="HotelStayActivity_pipeline_param", default_value=HotelStayActivity_dataset)
    HotelStayActivity_ds_consumption = DatasetConsumptionConfig("HotelStayActivity_dataset", HotelStayActivity_pipeline_param)
    

Prodajni lijak za sklepanje glede paketov

  • V oblikovalniku se lahko za ustvarjanje ali posodabljanje prodajnega lijaka za sklepanje uporablja prodajni lijak za usposabljanje. Trenutno so podprti samo prodajni lijaki za sklepanje glede paketov.

  • Z uporabo SDK-ja lahko objavite prodajni lijak pri končni točki. Trenutno se Customer Insights integrira s privzetim prodajnim lijakom pri končni točki prodajnega lijaka glede paketov v delovnem prostoru za strojno učenje.

    published_pipeline = pipeline.publish(name="ChurnInferencePipeline", description="Published Churn Inference pipeline")
    pipeline_endpoint = PipelineEndpoint.get(workspace=ws, name="ChurnPipelineEndpoint") 
    pipeline_endpoint.add_default(pipeline=published_pipeline)
    

Uvoz podatkov prodajnega lijaka v Customer Insights

  • Oblikovalnik zagotavlja modul za izvoz podatkov, ki omogoča izvoz izhoda prodajnega lijaka v shrambo Azure. Trenutno mora modul uporabljati vrsto shrambe podatkov Shramba zbirke dvojiških podatkov Azure in nastaviti parameter Shramba podatkov in relativno pot. Customer Insights preglasi oba parametra med izvajanjem prodajnega lijaka s shrambo podatkov in potjo, ki je dostopna izdelku.

    Konfiguracija modula za izvoz podatkov

  • Ob zapisu izhodnih podatkov za sklepanje s kod, lahko izhodne podatke naložite v pot znotraj registrirane shrambe podatkov v delovnem prostoru. Če so določeni parametri poti in shrambe podatkov v prodajnem lijaku, bo lahko Customer Insights prebral in uvozil izhodne podatke za sklepanje. Trenutno je podprt en sam niz tabelaričnih izhodnih podatkov v obliki zapisa csv. Pot mora vsebovati imenik in ime datoteke.

    # In Pipeline setup script
        OutputPathParameter = PipelineParameter(name="output_path", default_value="HotelChurnOutput/HotelChurnOutput.csv")
        OutputDatastoreParameter = PipelineParameter(name="output_datastore", default_value="workspaceblobstore")
    ...
    # In pipeline execution script
        run = Run.get_context()
        ws = run.experiment.workspace
        datastore = Datastore.get(ws, output_datastore) # output_datastore is parameterized
        directory_name =  os.path.dirname(output_path)  # output_path is parameterized.
    
        # Datastore.upload() or Dataset.File.upload_directory() are supported methods to uplaod the data
        # datastore.upload(src_dir=<<working directory>>, target_path=directory_name, overwrite=False, show_progress=True)
        output_dataset = Dataset.File.upload_directory(src_dir=<<working directory>>, target = (datastore, directory_name)) # Remove trailing "/" from directory_name
    

Opomba

Ali nam lahko poveste, kateri je vaš prednostni jezik za dokumentacijo? Izpolnite kratko anketo. (upoštevajte, da je v angleščini)

Z anketo boste porabili približno sedem minut. Ne zbiramo nobenih osebnih podatkov (izjava o zasebnosti).