Quais são os conceitos básicos da plataforma de recomendação aberta totalmente personalizável - Platform For AI: Central de Documentação do Alibaba Cloud

Cenário de recomendação

Um cenário de recomendação vincula uma posição específica na sua plataforma — como recomendações em cascata na home, sugestões de "você também pode gostar" no carrinho ou itens relacionados em uma página de detalhes do product — a um conjunto de services e experimentos de recomendação.

Nomeie cada cenário conforme a localização na página para facilitar a identificação visual. Por exemplo, o nome "recomendações em cascata na home" indica tanto o padrão de UI ("cascata") quanto a posição ("home").

Traffic Code

O campo Traffic Code controla a divisão das solicitações de recomendação entre os sistemas. Utilize-o ao executar o PAI-Rec com um sistema de recomendação autogerenciado ou de terceiros.

Valor de Traffic Code	Destino do tráfego
`PAI-REC`	Sistema PAI-Rec
`selfhold`	Seu sistema de recomendação autogerenciado
`thirdparty`	Um sistema de recomendação de terceiros

No cenário HomePageRec, por exemplo, o tráfego é roteado para o PAI-Rec por padrão. Para migrar o tráfego gradualmente, comece roteando de 10% a 20% do tráfego do cenário para o PAI-Rec. Após o PAI-Rec atingir os resultados esperados, aumente essa proporção.

Considere um exemplo com seis usuários: o sistema os distribui em diferentes canais de tráfego conforme a lógica de bucketing (implementada por você). Dois usuários recebem resultados do sistema autogerenciado (selfhold), dois do PAI-Rec (PAI-REC) e dois de um sistema de terceiros (thirdparty).

Lab e camada de experimento

O PAI-Rec organiza testes A/B usando uma hierarquia de quatro níveis:

Lab
└── Experiment layer
    └── Experiment group
        └── Experiment

Lab

Um lab é uma coleção de tráfego. O PAI-Rec encaminha as solicitações de recomendação recebidas para labs antes de corresponder a qualquer experimento.

Cada cenário exige pelo menos um lab base. O tráfego é direcionado primeiro aos labs não base; caso nenhum deles corresponda, a solicitação retorna ao lab base. Se você criar apenas um lab, use-o como lab base para fallback. Configure o lab base com lógicas simples de recall e ranking para garantir estabilidade durante picos de tráfego. Também é possível implementar o lab base usando lógicas de fallback populares e aleatórias.

Os labs não base contêm suas principais lógicas de recall e ranking, que são mais complexas. Crie múltiplos labs não base quando precisar testar diferentes estratégias de algoritmo em paralelo.

A tabela a seguir descreve os campos de configuração de um lab base.

Campo	Descrição
Lab Name	Nome personalizado para o lab.
Description	Descrição detalhada do lab.
Lab Type	Base Lab (obrigatório) ou Non-base Lab (opcional).
Runtime Environment	Ambiente de execução do mecanismo de recomendação. Valores válidos: `Daily`, `Staging`, `Production`.
Bucketing Method	Forma como o PAI-Rec atribui usuários aos buckets. Consulte Método de bucketing abaixo.
Buckets	Número total de buckets neste lab (por exemplo, 100).
Traffic Allocation	Números dos buckets atribuídos a este lab. Intervalo válido: 0–99.
Layering	Camada de experimento dentro deste lab. Valores comuns: `recall`, `filter`, `coarse_rank`, `rank`.
Test Users	Usuários cujo tráfego é roteado diretamente para este lab, ignorando a correspondência de buckets.

O campo Test Users aceita dois métodos de entrada:

Manually Enter: Insira um ou mais IDs de usuário separados por vírgulas.
User Group ID: Selecione um grupo de usuários criado na página User Group Management.

Método de bucketing

O PAI-Rec oferece três formas de atribuir usuários aos buckets:

Método	Funcionamento
UID-based Bucketing	Atribui usuários com base nos últimos dígitos de seus UIDs.
Hashed UID-based Bucketing	Distribui usuários conforme os valores de hash de seus UIDs.
Condition-based Bucketing	Classifica usuários a partir de uma expressão chave-valor, como `gender=man`.

Camada de experimento

Uma camada de experimento representa um agrupamento lógico dentro de um lab. Cada lab pode conter várias camadas de experimento. Nomes comuns incluem recall, filter, coarse_rank e rank.

Grupo de experimento e experimento

Grupo de experimento

Um grupo de experimento é uma subdivisão de uma camada de experimento. Crie vários grupos de experimento dentro de uma camada quando múltiplos engenheiros de algoritmo precisarem executar experimentos de recall ou ranking de forma independente.

Experimento

Um experimento consiste em uma única variação de algoritmo ou configuração dentro de um grupo de experimento.

Geralmente, um grupo de experimento contém vários experimentos em execução simultânea. Por exemplo, configure dois experimentos ativos (swing e etrec) juntamente com dssm, que está em teste com proporção de tráfego definida como 0% e estado definido como online. Essa configuração ajuda a obter efeitos de recomendação utilizando a lista de permissões configurada.