Platform For AI:フィーチャーストアプロジェクトの構成

前提条件

• オフラインデータソースおよびオンラインストアを作成済みである必要があります。詳細については、「新しいデータソースの作成」をご参照ください。

• ラベルテーブルは、オフラインストアに保存されました。

  ラベルテーブルには、モデルトレーニングで使用されるラベルが含まれます。これには、モデルトレーニングのターゲット属性および特徴量エンティティにリンクする JoinId が含まれます。レコメンデーションシナリオでは、このテーブルは通常、user_id、item_id、または request_id などのフィールドでグループ化された動作テーブルから派生します。

  ラベルテーブルの例（詳細を表示するにはクリック）

  以下の SQL ステートメントはサンプルのラベルテーブルを作成します。ラベルテーブルにおける一般的なフィールドを理解するためにご活用ください。

  CREATE TABLE IF NOT EXISTS rec_sln_demo_fs_rec_sln_demo_sorting_label_table_v3 
  (
      request_id string
      ,user_id string
      ,page string
      ,net_type string
      ,day_h bigint COMMENT '動作が発生した日の時刻'
      ,week_day bigint COMMENT '動作が発生した曜日'
      ,day_min string
      ,event_unix_time bigint
      ,item_id string
      ,playtime double
      ,is_click BIGINT
      ,ln_playtime DOUBLE
      ,is_praise BIGINT
  )
  PARTITIONED BY 
  (
      ds string
  )
  LIFECYCLE 90
  ;

プロジェクトの作成

1. PAI コンソール にログインします。左側のナビゲーションウィンドウで、Data Preparation > FeatureStore をクリックします。ワークスペースを選択し、フィーチャーストアへ移動 をクリックします。

2. Create Project をクリックします。ダイアログボックスでプロジェクトのパラメーターを設定します。

   主なパラメーターを以下に示します。

   パラメーター	説明
   Offline Store	既存のオフラインデータソースを選択します。
   Online Store	既存のオンラインデータソースを選択します。
   Offline Table Lifecycle	FeatureStore が MaxCompute に自動的に作成・保存するテーブルのライフサイクルです。

3. Submit をクリックして、プロジェクトの作成を完了します。

特徴量エンティティの作成

特徴量エンティティは、関連する特徴量テーブルをグループ化します。たとえば、レコメンデーションシステムでは、user および item の 2 つの特徴量エンティティを定義できます。

1. 特徴量プロジェクト一覧で、プロジェクト名をクリックしてプロジェクトの詳細ページを開きます。

2. Feature Entity タブで、エンティティの作成 をクリックします。ダイアログボックスで特徴量エンティティのパラメーターを設定します。

   主なパラメーターの設定ガイドを以下に示します。

   パラメーター	説明
   Feature Entity Name	任意の名前を入力します。レコメンデーションシナリオでは、user および item という名前の 2 つの特徴量エンティティを作成します。
   Join Id	Join Id は、特徴量テーブル内のフィールドであり、特徴量ビューを特徴量エンティティにリンクします。各特徴量エンティティには 1 つの Join Id があります。複数の特徴量ビューを結合する際に使用します。 各特徴量ビューには、その特徴量データをフェッチするためのプライマリキー（インデックスキー）があります。インデックスキーの名前は、Join Id の名前と異なる場合があります。 レコメンデーションシナリオでは、Join Id を user テーブルおよび item テーブルのプライマリキー（user_id および item_id）に設定します。

3. Submit をクリックして、作成を完了します。

特徴量ビューの作成

特徴量ビューは、一連の特徴量およびその派生特徴量を保持します。これは、特徴量エンティティに対する完全な特徴量セットのサブセットを表し、オフラインおよびオンラインの特徴量テーブルの両方にマップされます。

1. プロジェクトの詳細ページで、特徴量ビュー タブに移動し、Create Feature View をクリックします。

2. ダイアログボックスでビューのパラメーターを設定します。Submit をクリックして、作成を完了します。

   • オフライン特徴量ビューの作成：オフライン特徴量データを FeatureStore に登録します。

   • リアルタイム特徴量ビューの作成：リアルタイム特徴量 データを FeatureStore に登録します。

リアルタイム特徴量の概要

FeatureStore におけるリアルタイム特徴量ビュー

リアルタイム特徴量ビューのワークフロー

FeatureStore のリアルタイム特徴量ビューは、リアルタイムで変化する特徴量を処理します。DataHub および Flink を使用して特徴量をオンラインストアに書き込み、EasyRec Processor が特徴量をポーリングするか、FeatureStore SDK が直接読み取ります。これにより、ダウンストリームサービスがミリ秒単位の特徴量変化を検出できます。

エクスポート操作

モデル特徴量の作成には、複数のリアルタイムおよびオフライン特徴量ビューを選択できます。モデル特徴量を作成した後、それらをエクスポートします。FeatureStore は自動エクスポートをサポートしています。リアルタイム特徴量ビューのオフラインテーブルのソースは、お客様の設定によって異なります。

オンラインデータソース	FeatureDB	Hologres/TableStore
レコメンデーションエンジン	両方	PAI-REC（レコメンデーションアルゴリズムのカスタマイズ機能を使用）	その他
エクスポート方法	FeatureStore を使用して直接エクスポートします。	レコメンデーションアルゴリズムのカスタマイズ機能から生成した疑似データを、リアルタイム特徴量ビューのオフラインテーブルにインポートします。その後、FeatureStore を使用してエクスポートします。	リアルタイム特徴量ビューのオフラインテーブルから手動でデータをエクスポートします。その後、FeatureStore を使用してエクスポートします。

同期操作

データの同期には、以下の 2 つの方法があります。

• SDK を使用して書き込みます。詳細については、「フィーチャーストア SDK リファレンス」をご参照ください。

参考文献

フィーチャーストアプロジェクトの構成後は、その使用方法について学習してください。詳細については、「レコメンデーションシステムにおけるフィーチャーストアを用いた特徴量管理」をご参照ください。