:Ativar e inicializar o serviço

Ao usar o PAI-Rec pela primeira vez para criar um sistema de recomendação, adquira uma instância do PAI-Rec e configure o ambiente inicial.

• Guia de seleção

  Seleção de instância

  Na primeira utilização do PAI-Rec, adquira uma instância padrão com o recurso de personalização da solução de recomendação. Após familiarizar-se com o serviço, adquira o recurso de ferramenta de operações.

  • A personalização da solução de recomendação permite customizar a engenharia de features, as estratégias de recall e as estratégias de classificação fina, proporcionando maior flexibilidade e eficiência na configuração do seu sistema de recomendação.

  • A ferramenta de operações aumenta a eficiência operacional e oferece mais controle sobre os resultados das recomendações.

  Seleção de recursos de produtos em nuvem

  A construção de uma solução de recomendação com PAI-Rec exige diversos produtos em nuvem. Os recursos específicos necessários variam conforme as necessidades do seu negócio.

  Produtos em nuvem dependentes (clique em visualizar detalhes)

  

  Produto em nuvem	Função	Recursos em nuvem necessários
  Modelagem
  OSS	Armazena checkpoints de modelo, arquivos de modelo salvos e arquivos de configuração de modelo.	Crie um bucket do OSS Nota Não ative o recurso Versioning.
  MaxCompute	Realiza limpeza de dados, engenharia de features e preparação de amostras de treinamento.	Crie um projeto Para treinar modelos com o PAI-DLC, ative o Data Transmission Service. O Data Transmission Service é necessário para ler dados de treinamento de tabelas do MaxCompute. Ele também serve para inicializar features de itens a partir de tabelas do MaxCompute durante a inicialização de um modelo no PAI-EAS.
  Platform for AI	O PAI funciona como ponto de entrada para a plataforma de desenvolvedores do PAI-Rec. Inclui funcionalidades como associação ao PAI-FeatureStore, treinamento, exportação e avaliação de modelos.	Crie um workspace do PAI Nota Os workspaces do PAI e do DataWorks são interconectados na camada subjacente. Ao criar um workspace do PAI, um workspace com o mesmo nome é gerado automaticamente no DataWorks. Também é possível criar manualmente um workspace do DataWorks.
  DataWorks	Realiza limpeza de dados, engenharia de features, treinamento, avaliação e atualização de modelos, além da sincronização de dados com stores online. Também agenda todas as tarefas de produção de dados offline, treinamento e avaliação de modelos.	Crie um workspace. Recomendamos fortemente selecione o basic mode. O modo básico simplifica o agendamento e a execução de tarefas de produção. A source de dados principal do DataWorks deve estar vinculada a um recurso de computação do MaxCompute. Adicionar um grupo de recursos de agendamento e vinculá-lo a um workspace do DataWorks. Selecione um grupo de recursos de agendamento com pagamento conforme o uso. Ao executar tarefas de script Python e Shell, escolha a imagem mais recente do dataworks_pairec_task_pod. O pod inclui a ferramenta eascmd64 e o SDK Python do PAI-FeatureStore. Para mais informações, consulte Método 1: Usar uma imagem de grupo de recursos de uso geral.
  Engine
  ID and Database of the Hologres Instance	Um mecanismo de armazenamento de features em tempo real. Pode ser usado em conjunto com o FeatureDB. Por exemplo, utilize o Hologres para armazenar dados de recall vetorial, dados de exposição de usuários e dados de gatilho u2i2i. Use o FeatureDB para armazenar features offline e em tempo real de usuários e itens.	Adquirir uma instância do Hologres crie um banco de dados
  Use PAI-FeatureStore	Um mecanismo de armazenamento de features em tempo real.	Configure um projeto do FeatureStore. Crie um store online.
  ApsaraDB for Redis Instance ID	Armazena dados de fallback. Pode ser substituído pelo FeatureDB no PAI-FeatureStore.	Crie uma instância
  PAI-EAS Resource Group	Implanta o mecanismo do sistema de recomendação para orquestrar processos como recall, filtragem, pré-classificação, classificação fina e reclassificação. Também implanta o serviço de inferência vetorial do lado do usuário para recall vetorial e o serviço de pontuação de modelos para pré-classificação e classificação fina.	Configuração de recursos
  Monitoramento e outros
  Log Service	Permite gerencie logs de requisição por meio do SLS.	Crie um projeto
  DataHub Project	Realiza ingestão de logs em tempo real para atualize continuamente o comportamento do usuário destinado ao treinamento de modelos. Recomendamos priorizar o uso do DataHub.	Crie um projeto
  Instance ID and Resource Group of Message Queue for Apache Kafka		Adquirir e implantar uma instância
  Flink VVP Streaming Service	Processa dados e coleta estatísticas de features em tempo real. Os resultados podem ser gravados em um banco de dados FeatureDB.	Ative o Realtime Compute for Apache Flink

  Sugestões de soluções

  Sugestões baseadas na complexidade do sistema de recomendação (clique em visualizar detalhes)

  Nota

  A complexidade dos processos de recall, filtragem, modelagem e reclassificação de um sistema de recomendação está diretamente ligada aos requisitos do negócio. Dividimos o desenvolvimento do sistema nas seguintes etapas: inicial, intermediária, melhoria de desempenho e intervenção operacional.

  Fases	Descrição	Sugestões de modelo de recall	Sugestões de classificação e reclassificação
  Fase inicial	Utilize a Solução de Recomendação Personalizada para construir todo o pipeline de recomendação. Para mais informações, consulte PAI-Rec: Personalizando algoritmos de recomendação.	Empregue filtragem colaborativa (etrec), a ferramenta de algoritmo Swing e recuperação de itens populares baseada em grupos. Use o FeatureDB para armazenar dados de filtro de exposição do usuário, dados de recall e dados de features.	Configure um modelo multi-tower de objetivo único utilizando a configuração de features (atente-se ao uso de features de sequência em tempo real) e a configuração de ordenação. Este modelo oferece inferência rápida, bom desempenho e economia de recursos do PAI-EAS. Aplique uma configuração de reclassificação de diversidade.
  Fase intermediária	Adicione recall vetorial e um modelo de classificação multiobjetivo.	Incorpore o recall vetorial. Não é necessário atualize o índice de itens, pois ele fica armazenado dentro do processador. Para mais detalhes, consulte a seção sobre índices Faiss na documentação do TorchEasyRec Processor.	Para múltiplos alvos de previsão, como cliques, compras e curtidas, utilize o modelo de classificação multiobjetivo DBMTL.
  Necessidade de percepção rápida de mudanças nos itens	Implemente cold start para itens. Forneça feedback de features de itens em tempo real para o modelo de classificação.	Utilize o algoritmo de cold start de itens. Para mais informações, consulte Solução de cold start para recomendação.	Crie uma nova personalização de solução de recomendação. Na configuração de features, defina estatísticas em tempo real. Em seguida, no PAI-FeatureStore, crie uma nova visualização de features e uma nova feature de modelo. Exporte as novas amostras de treinamento e treine um novo modelo.
  Intervenção operacional	Defina proporções de exposição para diferentes usuários e categorias de itens. Garanta um número mínimo de exposições para novos itens.

  Outras sugestões (clique em visualizar detalhes)

  • PAI-EAS: Configure o scale-out agendado para horários de pico e o scale-in automático para reduzir recursos fora desses períodos. Considere combinar recursos de assinatura com recursos de dimensionamento elástico.