O objetivo é desenvolver pipelines de ML, que são fluxos de trabalho automáticos que pré-processam, treinam, avaliam e registram modelos no registro de modelos do SageMaker.
Tradução DS --> MLE:
um problema de negócio específico pode ser resolvido com ML
Ciência de dados --> Método científico
Problema Científico --> Problema de Negócio
Exploração de dados
Idenficiar Padrões
Sugerir tranformações que facilitem o entedimento do dados pelos modelos
Experimentos de Machine Learning
Final: Cria um método que resolve o problema de negócio
produtizar a solução de ML
O trabalho de ML Engineering é basicamente fazer essa ponte a solução idealizada por DS e o que pode ser implementado no ambiente produtivo.
"interactions": [ { "id": 1, "published_at": "2016-01-02T13:00:00.000-02:00", "social_media": "facebook_messages", "username": "Bruno Ramiro", "user_id": "123456", "message": "Bom dia, podem me mostrar como esse chamado ficaria sendo retornado pela API?", "url": "http://www.facebook.com/", "media_id": "123:1", "user_image": "http://www.facebook.com/123456.png", "attached_image_url": null, "tags": "Inbox, API, Seekr" }, { "id": 2, "published_at": "2016-01-02T16:06:12.000-02:00", "social_media": "facebook_messages", "username": "Seekr", "user_id": "654321", "message": "Claro!", "url": "http://www.facebook.com/", "media_id": "123:2", "user_image": "http://www.facebook.com/654321.png", "attached_image_url": null, "tags": "Inbox, API, Seekr" } ] }]}
interactions: "true" para trazer as interações do chamado.
ticket_interactions Retorna um ticket e as interações do mesmo Parâmetros obrigatórios: search_id: ID do monitoramento ticket_id ou protocol: ID ou Protocolo do chamado Retorno em JSON:
Bem útil pra analises mais expecíficas