PAI-Rec 関連プロダクトの有効化およびサービスの初期化 -

PAI-Rec を使用してレコメンデーションシステムを初めて構築する際は、PAI-Rec インスタンスを購入し、初期環境を構成します。

選定ガイド

インスタンスの選定

PAI-Rec を初めて使用する場合は、レコメンデーションソリューションカスタマイズ機能を備えたスタンダードインスタンスを購入してください。サービスに慣れてきたら、オペレーションツール機能を追加購入できます。

レコメンデーションソリューションカスタマイズにより、特徴量エンジニアリング、リコール戦略、ファインランキング戦略をカスタマイズでき、より柔軟かつ効率的にレコメンデーションシステムを構成できます。
オペレーションツールは運用効率を向上させ、レコメンデーション結果に対する制御性を高めます。

クラウドプロダクトリソースの選定

PAI-Rec レコメンデーションソリューションを構築するには、複数のクラウドプロダクトが必要です。必要なクラウドプロダクトリソースは、ビジネス要件によって異なります。

依存するクラウドプロダクト (クリックして詳細を表示)

クラウドプロダクト	機能	必要なクラウドリソース
モデリング
OSS	モデルのチェックポイント、保存済みモデルファイル、モデル設定ファイルを格納します。	OSS バケットを作成します説明バージョニング機能を有効にしないでください。
MaxCompute	データクレンジング、特徴量エンジニアリング、トレーニングサンプルの準備に使用します。	プロジェクトを作成します PAI-DLC を使用してモデルをトレーニングするには、Data Transmission Service を有効化します。Data Transmission Service は、MaxCompute テーブルからトレーニングデータを読み取る際に必要です。また、PAI-EAS でモデルを初期化する際に、MaxCompute テーブルからアイテム特徴量を初期化するのにも使用されます。
Platform for AI	PAI は PAI-Rec 開発者プラットフォームのエントリーポイントとして機能します。PAI-FeatureStore の関連付け、モデルトレーニング、モデルエクスポート、モデル評価などの機能が含まれます。	PAI ワークスペースを作成します説明 PAI と DataWorks のワークスペースは、基盤レイヤーで相互接続されています。PAI ワークスペースを作成すると、同じ名前のワークスペースが DataWorks に自動生成されます。 DataWorks ワークスペースを手動で作成することも可能です。
DataWorks	データクレンジング、特徴量エンジニアリング、モデルトレーニングと評価、モデル更新、オンラインストアとのデータ同期に使用します。また、すべてのオフラインデータ生成、モデルトレーニング、評価タスクのスケジューリングも行います。	ワークスペースを作成します。基本モードを選択することを強く推奨します。基本モードでは、本番タスクのスケジューリングと実行が簡素化されます。主な DataWorks データソースは、MaxCompute コンピューティングリソースにアタッチされている必要があります。スケジューリングリソースグループを追加し、DataWorks ワークスペースに関連付けます。従量課金のスケジューリングリソースグループを選択してください。Python および Shell スクリプトタスクを実行する際は、最新の dataworks_pairec_task_pod イメージを選択できます。この Pod には eascmd64 ツールおよび PAI-FeatureStore Python SDK が含まれています。詳細については、「方法 1：汎用リソースグループイメージを使用する」をご参照ください。
エンジン
ID and Database of the Hologres Instance	リアルタイム特徴量ストレージエンジンです。 FeatureDB と併用できます。たとえば、Hologres にはベクトルリコールデータ、ユーザーエクスポージャーデータ、u2i2i トリガーデータを格納し、FeatureDB にはユーザーおよびアイテムのオフライン・リアルタイム特徴量を格納します。	Hologres インスタンスを購入しますデータベースを作成します
PAI-FeatureStore の使用	リアルタイム特徴量ストレージエンジンです。	FeatureStore プロジェクトを構成します。オンラインストアを作成します。
ApsaraDB for Redis Instance ID	フォールバックデータを格納します。PAI-FeatureStore の FeatureDB で置き換えることも可能です。	インスタンスを作成します
PAI-EAS Resource Group	レコメンデーションシステムエンジンをデプロイし、リコール、フィルタリング、粗ランキング、ファインランキング、再ランキングなどのプロセスをオーケストレーションします。また、ベクトルリコール用のユーザーサイドベクトル推論サービスや、粗ランキング・ファインランキング用のモデルスコアリングサービスもデプロイします。	リソース構成
モニタリングおよびその他
Log Service	ユーザーは SLS を使用してリクエストログを管理できます。	プロジェクトを作成します
DataHub Project	リアルタイムログを取り込み、モデルトレーニング用にユーザー行動を継続的に更新します。 DataHub の使用を優先することを推奨します。	プロジェクトを作成します
Instance ID and Resource Group of Message Queue for Apache Kafka		インスタンスを購入・デプロイします
Flink VVP Streaming Service	リアルタイムデータを処理し、リアルタイム特徴量統計情報を収集します。結果は FeatureDB データベースに書き込むことができます。	Realtime Compute for Apache Flink を有効化します

ソリューションに関する提案

レコメンデーションシステムの複雑さに基づく提案 (クリックして詳細を表示)

説明

レコメンデーションシステムのリコール、フィルタリング、モデル、再ランキングプロセスの複雑さは、ビジネス要件と密接に関連しています。システム開発を以下の段階に分類します：初期段階、中間段階、パフォーマンス改善段階、オペレーション介入段階。

フェーズ	説明	リコールモデルの提案	ランキングおよび再ランキングの提案
初期段階	カスタマイズレコメンデーションソリューションを使用して、レコメンデーションパイプライン全体を構築します。詳細については、「PAI-Rec：レコメンデーションアルゴリズムのカスタマイズ」をご参照ください。	協調フィルタリング (etrec)、Swing アルゴリズムツール、グループベースのホットアイテム取得を使用します。 FeatureDB を使用して、ユーザーエクスポージャーフィルターデータ、リコールデータ、特徴量データを格納します。	特徴量構成（リアルタイムシーケンス特徴量の使用に注意）およびソート構成を使用して、単一目的のマルチタワーモデルをセットアップします。このモデルは、高速な推論、優れたパフォーマンスを提供し、PAI-EAS リソースを節約します。多様性を考慮した再ランキング構成を使用します。
中間段階	ベクトルリコールおよび多目的ランキングモデルを追加します。	ベクトルリコールを追加します。インデックスはプロセッサ内部に格納されるため、アイテムインデックスを更新する必要はありません。詳細については、TorchEasyRec プロセッサドキュメントの Faiss インデックスのセクションをご参照ください。	クリック、購入、および「いいね！」などの複数の予測ターゲットに対しては、DBMTL マルチ目的ランキングモデルを使用します。
ビジネスでアイテムの変更を迅速に把握する必要がある場合	アイテムのコールドスタートを実装します。ランキングモデルにリアルタイムのアイテム特徴量フィードバックを提供します。	アイテムコールドスタートアルゴリズムを使用します。詳細については、「レコメンデーションコールドスタートソリューション」をご参照ください。	新しいレコメンデーションソリューションカスタマイズを作成します。特徴量構成でリアルタイム統計情報をセットアップし、次に PAI-FeatureStore で新しい特徴量ビューおよび新しいモデル特徴量を作成します。新しいトレーニングサンプルをエクスポートし、新しいモデルをトレーニングします。
オペレーション介入	異なるユーザーおよびアイテムカテゴリごとにエクスポージャー比率を設定します。新規アイテムの最小エクスポージャー数を保証します。

その他の提案 (クリックして詳細を表示)

PAI-EAS：ピーク時間帯にスケジュールされたスケールアウトを設定し、オフピーク時間帯に自動スケールインしてリソースを削減します。サブスクリプションリソースと弾力的スケーリングリソースを組み合わせることを検討してください。

前提条件

このトピックでは、オフラインモデリングシナリオを例として使用します。このシナリオでは、以下のクラウドプロダクトリソースが必要です。その他のクラウドプロダクトリソースについては、「クラウドプロダクトリソースの選定」をご参照ください。

PAI-Rec インスタンスの購入とクラウドプロダクトの構成

インスタンス購入ページで、Region、Recommendation Solution Customization、Operations Tool、購入期間を設定します。今すぐ購入 をクリックし、注文を確認して支払いを完了します。
PAI-Rec 管理コンソールで、対象のリージョンに切り替えます。左側のナビゲーションウィンドウで、System Configuration > Cloud Service Configuration を選択します。
Data Modeling タブで、[編集] をクリックし、作成したクラウドプロダクトリソースを選択してから、Exit をクリックします。

Engine タブおよび Monitoring and others タブの設定も同様です。まず必要なクラウドリソースを構成し、次に PAI-Rec コンソールでそれらを関連付けます。

Alibaba Cloud アカウントでのみクラウドサービス構成にアクセスできるのはなぜですか？

System Configuration > Cloud Service Configuration へのアクセスには、ルートアカウントが必要です。RAM ユーザーには十分な権限がないためです。アカウントタイプの詳細については、「クイックスタート：RAM ユーザーの作成と権限付与」をご参照ください。構成プロセスには、ルートレベルの権限を必要とする以下の操作が含まれます：複数サービス（PAI、DataWorks、MaxCompute、OSS など）の有効化、プロジェクトまたはワークスペースの作成、PAI-Rec サービスリンクロール (aliyunserviceroleforpairec) の割り当て。このロールを正しく割り当てないと、後続の操作が失敗します。