AIMLアクセラレータの開始

レシピの開始

1

Projects > Home > AIML Acceleratorに移動します。

2

以下のフォルダ内のすべてのレシピを次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. 関数

スキーマの読み込み

AIML|Data Fieldsルックアップテーブルには、SageMakerに展開されたデータモデルのスキーマが保存されます。WorkatoはデータをSagemakerに送信してデータモデルを作成およびトレーニングします。SagemakerはこのデータをAIML | Data Fieldsルックアップテーブルで定義されたルールに基づいて検証します。

データフィールドルックアップテーブル

AIML | Data Fieldsルックアップテーブルを設定する方法は2つあります。最初のオプションはAdd Entryをクリックして各データフィールドを手動で設定することです。2番目のオプションは、AIML|REC-009|Load Model Schemaレシピを使用してこのプロセスを自動化することです。このレシピはまた、AIML | Model Profileルックアップテーブルにエントリを追加します。

AIML | REC-009 | Load Model Schemaレシピを使用する手順は次のとおりです：

1

WorkatoでProjects > Home > AIML Accelerator > Bootstrapに移動します。

2

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

3

Step 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わ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が解析するための形式を指定します。Workatoがサポートする形式のリストについては、日時の形式を参照してください。

4

Step 3で、データモデルが使用するサンプルCSVデータを提供します。

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

5

Testをクリックしてレシピを1回実行します。

6

AIML|Data Fieldsルックアップテーブルに更新された値があるかどうかを確認するために移動します。

7

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リストについては、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）

フィールドの値がモデルのトレーニングに使用されるデータセット内で一意である必要がある場合はtrueに設定します。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はデータをこのパターンに対してチェックします。

モデルプロファイルの定義

AIML|Model Profileルックアップテーブルには、ソリューションで使用される機械学習モデルのモデルプロファイルが保存されます。レシピはこれらのプロファイルを使用してデータを読み取り、機械学習プラットフォームに接続します。

モデルプロファイルを定義するための手順は次のとおりです。AIML|REC-009|Load Model Schemaレシピを使用した場合は、Step 3にスキップできます：

1

WorkatoでTools > Lookup tables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。

2

ルックアップテーブルにエントリを追加し、モデルのための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。

3

JSON形式でAIML | Connection Profileを指定します。Workatoはこれらのパラメータを使用して機械学習モデルに接続するために必要です。

以下はSagemakerの例です：

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

4

JSON形式でStorage Source Connection Profileを指定します。Workatoはこれらのパラメータを使用してソースデータの保存場所に接続するために必要です。

以下はAWS S3の例です：

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

5

JSON形式でStorage Target Connection Profileを指定します。Workatoはこれらのパラメータを使用して検証後のターゲットデータの保存場所に接続し、Sageに渡します。Maker. Workatoは、ストレージ場所との接続にこれらのパラメータを必要とします。

以下の例では、AWS S3に対して次のように設定されています。

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

6

MLモデルの数を指定してください。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。

MLモデルの数

MLモデルの数が多いほど、計算リソースが増え、ジョブの実行時間が長くなります。また、一般的には、モデルの品質が向上します。