All Products
Search

This Product

    :Aktifkan dan inisialisasi layanan

    Document Center

    :Aktifkan dan inisialisasi layanan

    Last Updated:May 10, 2026

    Saat pertama kali menggunakan PAI-Rec untuk membangun sistem rekomendasi, beli instans PAI-Rec dan konfigurasikan lingkungan awal.

    • Panduan pemilihan

      Pemilihan instance

      Saat pertama kali menggunakan PAI-Rec, beli instans standar dengan fitur kustomisasi solusi rekomendasi. Setelah terbiasa dengan layanan ini, Anda dapat membeli fitur alat operasi.

      • Fitur recommendation solution customization memungkinkan Anda menyesuaikan rekayasa fitur, strategi recall, dan strategi fine-ranking untuk mengonfigurasi sistem rekomendasi secara lebih fleksibel dan efisien.

      • Fitur operations tool meningkatkan efisiensi operasional dan memberikan kontrol lebih besar atas hasil rekomendasi.

      Pemilihan sumber daya produk cloud

      Membangun solusi rekomendasi PAI-Rec memerlukan beberapa produk cloud. Sumber daya produk cloud yang diperlukan bervariasi tergantung pada kebutuhan bisnis Anda.

      Produk cloud dependen (klik untuk melihat detail)

      Cloud product

      Function

      Required cloud resources

      Modeling

      OSS

      Menyimpan checkpoint model, file model yang disimpan, dan file konfigurasi model.

      Buat bucket OSS

      Catatan

      Jangan aktifkan fitur Versioning.

      MaxCompute

      Digunakan untuk pembersihan data, rekayasa fitur, dan menyiapkan sampel pelatihan.

      • Buat project

      • Untuk menggunakan PAI-DLC dalam melatih model, aktifkan Data Transmission Service. Anda memerlukan Data Transmission Service untuk membaca data pelatihan dari tabel MaxCompute. Layanan ini juga digunakan untuk menginisialisasi fitur item dari tabel MaxCompute saat Anda menginisialisasi model di PAI-EAS.

      Platform for AI

      PAI berfungsi sebagai titik masuk untuk platform developer PAI-Rec. Platform ini mencakup fitur seperti asosiasi PAI-FeatureStore, pelatihan model, ekspor model, dan evaluasi model.
      Catatan

      Ruang kerja PAI dan DataWorks saling terhubung di lapisan dasar. Saat Anda membuat ruang kerja PAI, ruang kerja dengan nama yang sama akan secara otomatis dibuat di DataWorks.

      Anda juga dapat membuat ruang kerja DataWorks secara manual.

      DataWorks

      Digunakan untuk pembersihan data, rekayasa fitur, pelatihan dan evaluasi model, pembaruan model, serta sinkronisasi data dengan online store. Layanan ini juga menjadwalkan semua tugas produksi data offline, pelatihan model, dan evaluasi.

      Engine

      ID and Database of the Hologres Instance

      Mesin penyimpanan fitur waktu nyata.

      Dapat digunakan bersama FeatureDB. Misalnya, gunakan Hologres untuk menyimpan data vector recall, data eksposur pengguna, dan data pemicu u2i2i. Gunakan FeatureDB untuk menyimpan fitur offline dan waktu nyata pengguna serta item.

      Use PAI-FeatureStore

      Mesin penyimpanan fitur waktu nyata.

      ApsaraDB for Redis Instance ID

      Menyimpan data fallback. Dapat digantikan oleh FeatureDB di PAI-FeatureStore.

      PAI-EAS Resource Group

      Men-deploy engine sistem rekomendasi untuk mengatur proses seperti recall, filtering, coarse-ranking, fine-ranking, dan reranking. Juga men-deploy layanan inferensi vektor sisi pengguna untuk vector recall serta layanan scoring model untuk coarse-ranking dan fine-ranking.

      Monitoring dan lainnya

      Log Service

      Pengguna dapat menggunakan SLS untuk mengelola log permintaan.

      DataHub Project

      Digunakan untuk ingestion log waktu nyata guna memperbarui perilaku pengguna secara berkelanjutan untuk pelatihan model.

      Kami menyarankan Anda memprioritaskan penggunaan DataHub.

      Instance ID and Resource Group of Message Queue for Apache Kafka

      Flink VVP Streaming Service

      Memproses data waktu nyata dan mengumpulkan statistik fitur waktu nyata. Hasilnya dapat ditulis ke database FeatureDB.

      Saran solusi

      Saran berdasarkan kompleksitas sistem rekomendasi (klik untuk melihat detail)

      Catatan

      Kompleksitas proses recall, filtering, model, dan reranking dalam sistem rekomendasi berkaitan erat dengan kebutuhan bisnis. Kami membagi pengembangan sistem menjadi empat tahap: awal, menengah, peningkatan performa, dan intervensi operasional.

      Fase

      Deskripsi

      Saran model recall

      Saran ranking dan reranking

      Tahap awal

      Gunakan Customized Recommendation Solution untuk membangun seluruh pipeline rekomendasi. Untuk informasi lebih lanjut, lihat PAI-Rec: Menyesuaikan algoritma rekomendasi.

      Gunakan collaborative filtering (etrec), alat algoritma Swing, dan recall item populer berbasis kelompok.

      Gunakan FeatureDB untuk menyimpan data filter eksposur pengguna, data recall, dan data fitur.

      Gunakan konfigurasi fitur (perhatikan penggunaan fitur sekuens waktu nyata) dan konfigurasi sorting untuk menyiapkan model multi-tower dengan tujuan tunggal. Model ini menawarkan inferensi cepat, performa baik, dan hemat sumber daya PAI-EAS.

      Gunakan konfigurasi reranking berbasis diversitas.

      Tahap menengah

      Tambahkan vector recall dan model ranking multi-tujuan.

      Tambahkan vector recall. Indeks item tidak perlu diperbarui karena indeks disimpan di dalam processor. Untuk informasi lebih lanjut, lihat bagian indeks Faiss pada dokumentasi TorchEasyRec Processor.

      Untuk beberapa target prediksi seperti klik, pembelian, dan suka, gunakan model ranking multi-tujuan DBMTL.

      Bisnis perlu cepat merespons perubahan item

      Terapkan cold start untuk item.

      Berikan umpan balik fitur item waktu nyata ke model ranking.

      Gunakan algoritma cold-start item. Untuk informasi lebih lanjut, lihat Solusi cold-start rekomendasi.

      Buat solusi rekomendasi kustom baru. Di konfigurasi fitur, siapkan statistik waktu nyata. Lalu, di PAI-FeatureStore, buat tampilan fitur baru dan fitur model baru. Ekspor sampel pelatihan baru dan latih model baru.

      Intervensi operasional

      Tentukan rasio eksposur untuk pengguna dan kategori item yang berbeda.

      Pastikan jumlah minimum eksposur untuk item baru.

      Saran lainnya (klik untuk melihat detail)

      • PAI-EAS: Konfigurasikan scale-out terjadwal untuk jam sibuk dan scale-in otomatis untuk mengurangi sumber daya selama jam sepi. Pertimbangkan menggabungkan sumber daya langganan dengan sumber daya skalabilitas elastis.

    Prasyarat

    Topik ini menggunakan contoh skenario modeling offline. Skenario ini memerlukan sumber daya produk cloud berikut. Untuk informasi lebih lanjut mengenai sumber daya produk cloud lainnya, lihat Pemilihan sumber daya produk cloud.

    Beli instans PAI-Rec dan konfigurasikan produk cloud

    1. Di halaman pembelian instans, atur Region, Recommendation Solution Customization, Operations Tool, dan Subscription Duration. Klik Buy Now, konfirmasi pesanan, dan selesaikan pembayaran.

    2. Di Konsol manajemen PAI-Rec, alihkan ke wilayah target. Di panel navigasi sebelah kiri, pilih System Configuration > Cloud Service Configuration.

    3. Di tab Data Modeling, klik Edit, pilih sumber daya produk cloud yang telah Anda buat, lalu klik Exit.

      Pengaturan di tab Engine dan Monitoring and others serupa. Pertama, konfigurasikan sumber daya cloud yang diperlukan, lalu asosiasikan di konsol PAI-Rec.

    Mengapa saya perlu menggunakan Akun Alibaba Cloud untuk mengakses Cloud Product Configuration?

    • Anda harus menggunakan akun root untuk mengakses System Configuration > Cloud Service Configuration karena Pengguna RAM tidak memiliki izin yang cukup. Untuk penjelasan mengenai jenis akun, lihat Quick start: Buat dan otorisasi Pengguna RAM. Proses konfigurasi melibatkan tindakan yang memerlukan izin tingkat root, termasuk: mengaktifkan beberapa layanan (seperti PAI, DataWorks, MaxCompute, dan OSS), membuat project atau ruang kerja, serta menetapkan peran terkait layanan PAI-Rec (aliyunserviceroleforpairec). Kegagalan dalam menetapkan peran ini dengan benar akan menyebabkan operasi selanjutnya gagal.