Apa saja konsep dasar platform rekomendasi terbuka yang sepenuhnya dapat dikustomisasi - Artificial Intelligence Recommendation

Setiap layanan dan eksperimen di PAI-Rec harus dikaitkan dengan skenario rekomendasi. Skenario tersebut memetakan penempatan (placement) pada platform Anda ke satu set lab, lapisan eksperimen, kelompok eksperimen, dan eksperimen.

Skenario rekomendasi

Skenario rekomendasi memetakan penempatan tertentu pada platform Anda—seperti rekomendasi waterfall di halaman utama, saran "Anda mungkin juga suka" di keranjang belanja, atau item terkait pada halaman detail produk—ke satu set layanan dan eksperimen rekomendasi.

Berikan nama setiap skenario berdasarkan lokasi halamannya agar mudah dikenali. Misalnya, nama "rekomendasi waterfall di halaman utama" menggambarkan pola UI ("waterfall") dan penempatannya ("halaman utama").

Traffic Code

Bidang Traffic Code mengontrol pembagian permintaan rekomendasi di antara berbagai sistem. Gunakan fitur ini saat menjalankan PAI-Rec bersama sistem rekomendasi yang dikelola sendiri atau pihak ketiga.

Nilai Traffic Code	Tujuan traffic
`PAI-REC`	Sistem PAI-Rec
`selfhold`	Sistem rekomendasi yang Anda kelola sendiri
`thirdparty`	Sistem rekomendasi pihak ketiga

Sebagai contoh, dalam skenario HomePageRec, traffic dialihkan ke PAI-Rec secara default. Untuk migrasi bertahap, mulailah dengan mengarahkan 10%–20% traffic skenario tersebut ke PAI-Rec. Setelah PAI-Rec mencapai hasil yang diharapkan, tingkatkan proporsinya.

Gambar berikut menunjukkan alokasi traffic untuk enam pengguna. Pengguna a dan b menerima hasil dari sistem yang dikelola sendiri (selfhold), pengguna c dan d dari PAI-Rec (PAI-REC), serta pengguna e dan f dari sistem pihak ketiga (thirdparty).

Lab dan lapisan eksperimen

PAI-Rec mengorganisasi Pengujian A/B menggunakan hierarki empat tingkat:

Lab
└── Lapisan eksperimen
    └── Kelompok eksperimen
        └── Eksperimen

Lab

Lab adalah kumpulan traffic. PAI-Rec mengarahkan permintaan rekomendasi masuk ke lab sebelum pencocokan eksperimen dilakukan.

Setiap skenario memerlukan minimal satu base lab. Traffic pertama-tama dicocokkan ke lab non-base; jika tidak ada lab non-base yang cocok, permintaan akan dialihkan ke base lab. Jika hanya ada satu lab, lab tersebut harus ditetapkan sebagai base lab untuk fallback. Konfigurasikan base lab dengan logika recall dan ranking yang sederhana agar tetap stabil saat terjadi lonjakan lalu lintas. Base lab juga dapat diimplementasikan menggunakan logika fallback berbasis popularitas dan acak.

Lab non-base menyimpan logika recall dan ranking utama yang lebih kompleks. Buat beberapa lab non-base jika perlu menguji strategi algoritma yang berbeda secara paralel.

Gambar berikut menunjukkan bidang konfigurasi untuk base lab.

Bidang	Deskripsi
Lab Name	Nama kustom untuk lab.
Description	Deskripsi detail tentang lab.
Lab Type	Base Lab (wajib) atau Non-base Lab (opsional).
Runtime Environment	Lingkungan runtime mesin rekomendasi. Nilai yang valid: `Daily`, `Staging`, `Production`.
Bucketing Method	Cara PAI-Rec menetapkan pengguna ke bucket. Lihat Bucketing method di bawah.
Buckets	Jumlah total bucket dalam lab ini (misalnya, 100).
Traffic Allocation	Nomor bucket yang ditetapkan untuk lab ini. Rentang valid: 0–99.
Layering	Lapisan eksperimen dalam lab ini. Nilai umum: `recall`, `filter`, `coarse_rank`, `rank`.
Test Users	Pengguna yang traffic-nya langsung diarahkan ke lab ini, melewati pencocokan bucket.

Test Users mendukung dua metode input:

Manually Enter: Masukkan satu atau beberapa ID pengguna yang dipisahkan koma.
User Group ID: Pilih kelompok pengguna yang dibuat di halaman Manajemen Kelompok Pengguna.

Bucketing method

PAI-Rec mendukung tiga cara untuk menetapkan pengguna ke bucket:

Metode	Cara kerja
UID-based Bucketing	Menetapkan pengguna berdasarkan digit terakhir UID mereka.
Hashed UID-based Bucketing	Menetapkan pengguna berdasarkan nilai hash UID mereka.
Condition-based Bucketing	Menetapkan pengguna berdasarkan ekspresi pasangan kunci-nilai, seperti `gender=man`.

Lapisan eksperimen

Lapisan eksperimen merupakan pengelompokan logis dalam sebuah lab. Setiap lab dapat memiliki beberapa lapisan eksperimen. Nama lapisan umum meliputi recall, filter, coarse_rank, dan rank.

Kelompok eksperimen dan eksperimen

Kelompok eksperimen

Kelompok eksperimen adalah subdivisi dari lapisan eksperimen. Buat beberapa kelompok eksperimen dalam satu lapisan ketika beberapa insinyur algoritma perlu menjalankan eksperimen recall atau ranking secara independen.

Eksperimen

Eksperimen adalah variasi algoritma atau konfigurasi tunggal dalam satu kelompok eksperimen.

Satu kelompok eksperimen biasanya berisi beberapa eksperimen yang berjalan secara simultan. Sebagai contoh, gambar berikut menunjukkan dua eksperimen aktif (swing dan etrec) bersama dssm, yang sedang dalam pengujian dengan proporsi traffic-nya diatur ke 0% dan statusnya diatur ke online. Konfigurasi ini membantu memperoleh efek rekomendasi dengan menggunakan daftar putih yang telah dikonfigurasi.