Platform For AI:PAI-Rec と既存システムの連携：きめ細かいソートの置換

前提条件

開始する前に、以下が完了していることを確認してください。

• PAI-FeatureStore でユーザー特徴量とアイテム特徴量が設定されていること

• EasyRec プロセッサ (TensorFlow) または TorchEasyRec プロセッサ (PyTorch) を介して、きめ細かいソートモデルがデプロイされていること

• 特徴量エンジニアリングとモデルデプロイのコードが生成され、DataWorks にデプロイされていること

アーキテクチャ概要

既存のシステムでリコールとフィルタリングを処理し、候補リストを PAI-Rec に渡します。PAI-Rec はきめ細かいソートを実行し、ランク付けされたリストをシステムに返します。

1. リコールとフィルタリング：既存のシステムでリコールとフィルタリングを実行し、アイテムの候補リストを生成します。

2. トラフィック分割と API コール：ユーザー ID または他の方法でトラフィックの一部を分割し、PAI-Rec 推薦エンジン API を呼び出します。候補のアイテムリストを item_list パラメーターで渡します。

3. PAI-Rec によるきめ細かいソート：PAI-Rec は item_list をリコールソースとして使用します。エンジンはユーザーとアイテムの特徴量を取得し、デプロイされたきめ細かいソートモデルを使用してアイテムのスコアリングとソートを行い、その後、再ソートを適用することもできます。

4. 結果の返却とロギング：PAI-Rec はソートされたアイテムリストを、実験 ID (exp_id) とリクエスト ID (request_id) とともに返します。クライアント側で両方の値を記録してください。

   • exp_id：結果がどの実験に属するかを識別します。実験アトリビューションとパフォーマンス分析に必要です。

   • request_id：リクエストを一意に識別します。データ診断とトラブルシューティングに必要です。

PAI-Rec の設定

PAI-FeatureStore を使用して特徴量を管理する PAI-Rec ソリューションでは、以下を設定します。

モデルスコアリングサービス

モデルのフレームワークに一致するプロセッサを選択します。

PAI-Rec エンジンの設定

PAI-Rec エンジンで以下を設定します。

1. ユーザー特徴量：FeatureStore からユーザー特徴量を取得するように設定します。詳細については、「PAI-FeatureStore feature configuration」をご参照ください。

2. ContextItemRecall：エンジン設定で ContextItemRecall を設定します。この機能が設定されると、エンジンは API を介して渡された item_list をリコールソースとして使用します。

   {
       "SceneConfs": {
           "${scene_name}": {
               "default": {
                   "RecallNames": [
                       "ContextItemRecall"
                   ]
               }
           }
       }
   }

3. きめ細かいソートモデル：エンジン設定ファイルで、きめ細かいソートモデルの呼び出しを設定します。詳細については、「Fine-grained sorting configuration」をご参照ください。

4. A/B テスト：A/B テストサービスを使用して、内部の A/B テストを管理します。ユーザー ID によるバケット化を使用して、複数のソートモデルを設定します。

ユーザー側の変更

既存のシステムは、すべてのリコール、フィルタリング、および露出の操作を保持します。PAI-Rec と連携するには、以下の 2 つの変更が必要です。

1. PAI-Rec エンジン API の呼び出し

推薦リクエストのロジックを修正して、PAI-Rec エンジン API を呼び出してください。リクエストで、以下を渡してください。

• item_list：リコールおよびフィルタリング段階からのアイテム ID

• ユーザー ID とユーザー特徴量

• フィルタリングルール

2. ログフィールドの記録

露出・行動ログに、各 PAI-Rec の API レスポンスから以下のフィールドを記録してください。