AIML Acceleratorを開始する ​

プロジェクト > ホーム > AIML Acceleratorに移動します。

次のフォルダ内のすべてのレシピを、以下の順序で開始します:

1. APIエンドポイント
2. AWS S3
3. AWS Sagemaker
4. Functions

Workatoで、プロジェクト > ホーム > AIML Accelerator > Bootstrapに移動します。

AIML | REC-009 | Load Model Schemaを選択します。

ステップ2で入力フィールドを設定します。

入力フィールドの設定

model_Identifier

機械学習モデルを識別するための、一意でユーザーが分かりやすい名前を指定します。

headers

スキーマの列名をスペースなしのCSV形式で指定します。

prediction_col_name

予測列の名前を指定します。

datetime_format

データに日時値が含まれている場合、Workatoがそれらを解析できるように形式を指定します。 Workatoがサポートする形式の一覧については、日時形式を参照してください。

ステップ3で、データモデルが使用するサンプルCSVデータを指定します。

例:

id,first_name,last_name,email,ip_address
1,Lucy,Carrigan,[email protected],123.45.678.900
2,Jude,Feeney,[email protected],987.65.43.210.012
3,Sadie,Simmons,[email protected],345.67.890.100

テストをクリックして、レシピを1回実行します。

更新された値を確認するには、AIML|Data Fieldsルックアップ テーブルに移動します。

入力フィールドを設定して、検証ルールを手動で指定します。

Workatoデータ型

フィールドのデータ型を指定します。 Workatoがサポートするデータ型の一覧については、Workatoがサポートするデータ型を参照してください。

必須（true/false）

フィールドが必須フィールドの場合はtrueに設定します。 フィールドが必須でない場合はfalseに設定するか、空白のままにします。

一意（true/false）

モデルのトレーニングに使用するデータセット内でフィールドの値が一意である必要がある場合は、trueに設定します。 値が一意である必要がない場合は、falseに設定するか、空白のままにします。

正規表現パターン

Workatoはこのパターンに照らしてデータをチェックします。

Workatoで、ツール > ルックアップ テーブルに移動し、利用可能なルックアップ テーブルのリストからAIML|Model Profileルックアップ テーブルを選択します。

ルックアップ テーブルにエントリを追加し、モデルのModel Identifierを指定します。 このModel Identifierは、AIML|Data Fieldsルックアップ テーブルで指定したModel Identifierと一致する必要があります。

AIML | コネクションプロファイルをJSON形式で指定します。 Workatoは、機械学習モデルに接続するためにこれらのパラメータを必要とします。

Sagemaker向けに次の例を設定しています:

{
	"endpoint_name":"{Unique Endpoint_name}",
	"role_arn":"arn:aws:iam::xxxx:role/service-role/AmazonSageMaker-xxxxRole-xxxx"
}

ストレージソースコネクションプロファイルをJSON形式で指定します。 Workatoは、ソースデータストレージロケーションに接続するためにこれらのパラメータを必要とします。

AWS S3向けに次の例を設定しています:

{
	"accelerate": "false",
	"region": "xx-xxx-x",
	"bucket": "xxxx",
	"object_name": "xxxxx_training_data.csv"
}

ストレージターゲットコネクションプロファイルをJSON形式で指定します。 これは、Workatoが検証後にターゲットデータを移動し、SageMakerに渡す場所です。 Workatoは、ストレージロケーションに接続するためにこれらのパラメータを必要とします。

AWS S3向けに次の例を設定しています:

{
	"accelerate": "false",
	"region": "xx-xxx-x",
	"bucket": "xxxx",
	"object_name": "xxxxx_training_data.csv"
}

MLモデル数を指定します。 この数値は、機械学習モデルが作成するモデルの数を定義します。