Platform For AI:Activation et initialisation du service

Lorsque vous utilisez PAI-Rec pour la première fois afin de construire un système de recommandation, achetez une instance PAI-Rec et configurez l'environnement initial.

• Guide de sélection

  Sélection d'instance

  Lors de votre première utilisation de PAI-Rec, achetez une instance standard dotée de la fonctionnalité personnalisation de la solution de recommandation. Une fois que vous maîtrisez le service, vous pouvez acquérir la fonctionnalité outil d'exploitation.

  • La personnalisation de la solution de recommandation vous permet d'adapter l'ingénierie des fonctionnalités, les stratégies de rappel et les stratégies de classement fin, offrant ainsi une plus grande flexibilité et efficacité dans la configuration de votre système de recommandation.

  • L'outil d'exploitation améliore l'efficacité opérationnelle et offre un meilleur contrôle sur les résultats des recommandations.

  Sélection des ressources de produit cloud

  La construction d'une solution de recommandation PAI-Rec nécessite plusieurs produits cloud. Les ressources spécifiques requises varient en fonction de vos besoins métier.

  Produits cloud dépendants (cliquez pour afficher les détails)

  

  Produit cloud	Fonction	Ressources cloud requises
  Modélisation
  OSS	Stocke les points de contrôle des modèles, les fichiers de modèles enregistrés et les fichiers de configuration des modèles.	Créer un compartiment OSS Remarque N'activez pas la fonctionnalité Versioning.
  MaxCompute	Utilisé pour le nettoyage des données, l'ingénierie des fonctionnalités et la préparation des échantillons d'entraînement.	Créer un projet Pour utiliser PAI-DLC afin d'entraîner des modèles, activez Data Transmission Service. Vous avez besoin de Data Transmission Service pour lire les données d'entraînement depuis les tables MaxCompute. Ce service est également utilisé pour initialiser les fonctionnalités des éléments depuis les tables MaxCompute lors de l'initialisation d'un modèle dans PAI-EAS.
  Platform for AI	PAI sert de point d'entrée pour la plateforme de développement PAI-Rec. Il inclut des fonctionnalités telles que l'association PAI-FeatureStore, l'entraînement de modèles, l'exportation de modèles et l'évaluation de modèles.	Créer un espace de travail PAI Remarque Les espaces de travail PAI et DataWorks sont interconnectés au niveau sous-jacent. Lorsque vous créez un espace de travail PAI, un espace de travail portant le même nom est automatiquement généré dans DataWorks. Vous pouvez également créer manuellement un espace de travail DataWorks.
  DataWorks	Utilisé pour le nettoyage des données, l'ingénierie des fonctionnalités, l'entraînement et l'évaluation des modèles, les mises à jour de modèles et la synchronisation des données avec les magasins en ligne. Il planifie également toutes les tâches hors ligne de production de données, d'entraînement de modèles et d'évaluation.	Créer un espace de travail. Nous vous recommandons vivement de sélectionner le mode basique. Le mode basique simplifie la planification et l'exécution des tâches de production. La source de données principale de DataWorks doit être associée à une ressource de calcul MaxCompute. Ajouter un groupe de ressources de planification et l'associer à un espace de travail DataWorks. Sélectionnez un groupe de ressources de planification en paiement à l'utilisation. Lors de l'exécution de tâches de script Python et Shell, vous pouvez sélectionner la dernière image dataworks_pairec_task_pod. Le pod inclut l'outil eascmd64 et le SDK Python PAI-FeatureStore. Pour plus d'informations, consultez la Méthode 1 : Utiliser une image de groupe de ressources polyvalent.
  Moteur
  ID and Database of the Hologres Instance	Un moteur de stockage de fonctionnalités en temps réel. Il peut être utilisé avec FeatureDB. Par exemple, utilisez Hologres pour stocker les données de rappel vectoriel, les données d'exposition des utilisateurs et les données de déclenchement u2i2i. Utilisez FeatureDB pour stocker les fonctionnalités hors ligne et en temps réel des utilisateurs et des éléments.	Acheter une instance Hologres créer une base de données
  Use PAI-FeatureStore	Un moteur de stockage de fonctionnalités en temps réel.	Configurer un projet FeatureStore. Créer un magasin en ligne.
  ApsaraDB for Redis Instance ID	Stocke les données de secours. Peut être remplacé par FeatureDB dans PAI-FeatureStore.	Créer une instance
  PAI-EAS Resource Group	Déploie le moteur du système de recommandation pour orchestrer des processus tels que le rappel, le filtrage, le classement grossier, le classement fin et le reclassement. Il déploie également le service d'inférence vectorielle côté utilisateur pour le rappel vectoriel et le service de notation de modèle pour le classement grossier et fin.	Configuration des ressources
  Surveillance et autres
  Log Service	Les utilisateurs peuvent utiliser SLS pour gérer les journaux de requêtes.	Créer un projet
  DataHub Project	Utilisé pour l'ingestion de journaux en temps réel afin de mettre à jour continuellement le comportement des utilisateurs pour l'entraînement des modèles. Nous vous recommandons de privilégier l'utilisation de DataHub.	Créer un projet
  Instance ID and Resource Group of Message Queue for Apache Kafka		Acheter et déployer une instance
  Flink VVP Streaming Service	Traite les données en temps réel et collecte les statistiques de fonctionnalités en temps réel. Les résultats peuvent être écrits dans une base de données FeatureDB.	Activer Realtime Compute for Apache Flink

  Suggestions de solutions

  Suggestions basées sur la complexité du système de recommandation (cliquez pour afficher les détails)

  Remarque

  La complexité des processus de rappel, de filtrage, de modélisation et de reclassement d'un système de recommandation est étroitement liée aux exigences métier. Nous divisons le développement du système en plusieurs étapes : initiale, intermédiaire, amélioration des performances et intervention opérationnelle.

  Phases	Description	Suggestions de modèle de rappel	Suggestions de classement et de reclassement
  Étape initiale	Utilisez la Solution de recommandation personnalisée pour construire l'intégralité du pipeline de recommandation. Pour plus d'informations, consultez PAI-Rec : Personnalisation des algorithmes de recommandation.	Utilisez le filtrage collaboratif (etrec) et la récupération des éléments populaires par groupe. Utilisez FeatureDB pour stocker les données de filtre d'exposition des utilisateurs, les données de rappel et les données de fonctionnalités.	Utilisez la configuration des fonctionnalités (notez l'utilisation des fonctionnalités de séquence en temps réel) et la configuration du tri pour configurer un modèle multi-tours mono-objectif. Ce modèle offre une inférence rapide, de bonnes performances et économise les ressources PAI-EAS.
  Étape intermédiaire	Ajoutez le rappel vectoriel et un modèle de classement multi-objectifs.	Ajoutez le rappel vectoriel. L'index des éléments n'a pas besoin d'être mis à jour car l'index est stocké à l'intérieur du processeur. Pour plus d'informations, consultez la section sur l'index Faiss de la documentation du processeur TorchEasyRec.	Pour plusieurs objectifs de prédiction tels que les clics, les achats et les mentions J'aime, utilisez le modèle de classement multi-objectifs DBMTL.
  L'entreprise doit percevoir rapidement les changements d'éléments	Mettez en œuvre le démarrage à froid pour les éléments. Fournissez un retour d'information en temps réel sur les fonctionnalités des éléments au modèle de classement.	Utilisez l'algorithme de démarrage à froid des éléments. Pour plus d'informations, consultez la Solution de démarrage à froid pour la recommandation.	Créez une nouvelle personnalisation de solution de recommandation. Dans la configuration des fonctionnalités, configurez les statistiques en temps réel. Ensuite, dans PAI-FeatureStore, créez une nouvelle vue de fonctionnalité et une nouvelle fonctionnalité de modèle. Exportez les nouveaux échantillons d'entraînement et entraînez un nouveau modèle.
  Intervention opérationnelle	Définissez des ratios d'exposition pour différents utilisateurs et catégories d'éléments. Assurez un nombre minimum d'expositions pour les nouveaux éléments.

  Autres suggestions (cliquez pour afficher les détails)

  • PAI-EAS : Configurez une mise à l'échelle planifiée pour les heures de pointe et une réduction automatique des ressources pendant les heures creuses. Envisagez de combiner des ressources par abonnement avec des ressources de mise à l'échelle élastique.