Aktifkan dan inisialisasi PAI-Rec serta produk terkait - Artificial Intelligence Recommendation

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

Panduan pemilihan

Pemilihan instans

Saat pertama kali menggunakan PAI-Rec, beli instans standar dengan fitur recommendation solution customization. Setelah terbiasa dengan layanan ini, Anda dapat membeli fitur operations tool.

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 yang diperlukan bervariasi tergantung pada kebutuhan bisnis Anda.

Produk cloud dependensi (klik untuk melihat detail)

Produk cloud	Fungsi	Sumber daya cloud yang diperlukan
Modeling
Object Storage Service (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 proyek MaxCompute. Untuk menggunakan PAI-DLC dalam melatih model, aktifkan Data Transmission Service.
Platform For AI (PAI)	PAI berfungsi sebagai titik masuk platform developer PAI-Rec. Fitur-fiturnya mencakup asosiasi PAI-FeatureStore, pelatihan model, ekspor model, dan evaluasi model.	Buat ruang kerja PAI. Catatan Ruang kerja PAI dan DataWorks saling terhubung di lapisan dasar. Saat Anda membuat ruang kerja PAI, ruang kerja dengan nama yang sama akan dibuat secara otomatis 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 offline, pelatihan model, dan evaluasi.	Buat ruang kerja. Kami sangat menyarankan Anda memilih basic mode. Basic mode menyederhanakan penjadwalan dan eksekusi tugas produksi. Sumber data utama DataWorks harus disambungkan ke sumber daya komputasi MaxCompute. Tambahkan kelompok sumber daya penjadwalan dan sambungkan ke ruang kerja DataWorks. Pilih kelompok sumber daya penjadwalan pay-as-you-go. Saat menjalankan tugas skrip Python dan Shell, Anda dapat memilih image dataworks_pairec_task_pod terbaru. Pod tersebut berisi eascmd64 dan PAI-FeatureStore Python SDK.
Engine
Hologres instance ID and database	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.	Beli instans Hologres dan buat database.
Use PAI-FeatureStore	Mesin penyimpanan fitur waktu nyata.	Konfigurasikan proyek FeatureStore. Buat online store.
ApsaraDB for Redis instance ID	Menyimpan data fallback. Dapat digantikan oleh FeatureDB di PAI-FeatureStore.	Buat instans.
PAI-EAS Resource Group	Men-deploy engine sistem rekomendasi untuk mengoordinasikan proses seperti recall, filtering, coarse-ranking, fine-ranking, dan reranking. Layanan ini juga men-deploy layanan inferensi vektor sisi pengguna untuk vector recall serta layanan scoring model untuk coarse-ranking dan fine-ranking.	Konfigurasi sumber daya.
Monitoring dan lainnya
Simple Log Service (SLS)	Pengguna dapat menggunakan SLS untuk mengelola log permintaan.	Buat proyek.
DataHub Project	Digunakan untuk ingestion log waktu nyata guna memperbarui perilaku pengguna secara berkelanjutan untuk pelatihan model. Kami menyarankan Anda memprioritaskan penggunaan DataHub.	Buat proyek
Message Queue for Apache Kafka instance ID and resource group		Beli dan deploy instans.
Flink VVP Streaming Service	Memproses data waktu nyata dan mengumpulkan statistik fitur waktu nyata. Hasilnya dapat ditulis ke database FeatureDB.	Aktifkan Realtime Compute for Apache Flink.

Saran solusi

Saran berdasarkan kompleksitas sistem rekomendasi (klik untuk melihat detail)

Catatan

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

Tahapan	Deskripsi	Saran model recall	Saran ranking dan reranking
Tahap awal	Gunakan Customized Recommendation Solution untuk membangun seluruh pipeline rekomendasi. Untuk informasi lebih lanjut, lihat Praktik terbaik untuk menyesuaikan algoritma rekomendasi PAI-Rec.	Gunakan collaborative filtering (etrec), alat algoritma Swing, dan pengambilan 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 berobjektif 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-objektif.	Tambahkan vector recall. Indeks item tidak perlu diperbarui karena indeks disimpan di dalam processor. Untuk informasi lebih lanjut, lihat bagian indeks Faiss dalam dokumentasi TorchEasyRec Processor.	Untuk beberapa target prediksi seperti klik, pembelian, dan suka, gunakan model ranking multi-objektif DBMTL.
Bisnis perlu cepat merespons perubahan item	Implementasikan 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 skenario modeling offline sebagai contoh. Skenario ini memerlukan sumber daya produk cloud berikut. Untuk informasi lebih lanjut tentang sumber daya produk cloud lainnya, lihat Pemilihan sumber daya produk cloud.

Beli instans PAI-Rec dan konfigurasikan produk cloud

Di halaman pembelian instans, atur Region, Recommendation Solution Customization, Operations Tool, dan Subscription Duration. Klik Buy Now, konfirmasi pesanan, dan selesaikan pembayaran.
Di Konsol manajemen PAI-Rec, alihkan ke wilayah tujuan. Di panel navigasi sebelah kiri, pilih System Configuration > Cloud Product Configuration.
Di tab Modeling, klik Edit, pilih sumber daya produk cloud yang telah Anda buat, lalu klik Exit.
Pengaturan parameter di tab Engine dan Monitoring and Others serupa. Pertama, konfigurasikan sumber daya cloud yang sesuai, lalu asosiasikan di Konsol PAI-Rec.

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

Anda harus menggunakan Akun Alibaba Cloud, juga dikenal sebagai akun root, untuk mengakses System Configuration > Cloud Product Configuration. Akun root berbeda dari pengguna Resource Access Management (RAM). Untuk informasi lebih lanjut, lihat Quick Start: Buat dan otorisasi pengguna RAM. Anda harus menggunakan akun root karena konfigurasi produk cloud melibatkan beberapa langkah. Anda perlu mengaktifkan produk terkait PAI-Rec, seperti PAI, DataWorks, MaxCompute, OSS, Flink, PAI-FeatureStore, dan Data Transmission Service. Anda juga perlu membuat proyek atau ruang kerja di produk-produk tersebut. Terakhir, Anda harus menambahkan peran terkait layanan PAI-Rec (aliyunserviceroleforpairec) ke proyek dan ruang kerja tersebut. Jika peran `aliyunserviceroleforpairec` tidak ditambahkan dengan benar, operasi selanjutnya akan gagal karena izin tidak mencukupi.