Platform For AI:PAI-Rec modüler algoritma özelleştirmesi için en iyi uygulamalar

Öneri çözümü özelleştirmesini neden modüler hale getirmelisiniz?

• Özellik grupları model yinelemesini basitleştirir.

• Tek tıkla yayınlama, kodu dağıtır ve veri doldurma işlemini otomatik olarak başlatır.

• Yalnızca sıralama modülü tüm gerekli bileşenleri (özellik grupları, örnekler ve özellik oluşturma modülleri) tamamen doldurur; bu durum, özellik mühendisliği hatalarından kaynaklanan yeniden çalışmayı azaltır.

Ön koşullar

Aşağıdaki hazırlıkları tamamlayın:

• OSS'de paket oluşturun.

• PAI'yi etkinleştirin ve varsayılan çalışma alanı oluşturun.

• Bir VPC ve vSwitch oluşturun. IPv4 CIDR bloğu içeren bir VPC oluşturun.

• PAI-FeatureStore'u etkinleştirin (bkz. Veri Kaynağı Oluşturma konusundaki Ön koşullar bölümü). Hologres'i etkinleştirmeyin. Veri kaynağınız olarak FeatureDB'yi seçin (Çevrimiçi Veri Kaynağı Oluşturma: FeatureDB).

• MaxCompute'u etkinleştirin ve MaxCompute projesi oluşturun. Proje adını project_mc olarak belirleyin.

• Satın alma kılavuzu bölümünü inceleyin ve aşağıdaki işlemleri tamamlayın:

  • DataWorks'te çalışma alanı oluşturun.

  • Serverless kaynak grubu satın alın (Serverless kaynak grubu kullanma). Bu kaynak grubu, PAI-FeatureStore için verileri senkronize eder ve PAI-EAS hizmetlerini oluşturup güncellemek üzere eascmd komutlarını çalıştırır.

  • DataWorks veri kaynaklarını yapılandırın:

    • Bir OSS veri kaynağı oluşturun ve bağlayın (Veri Kaynağı Yönetimi).

    • Bir MaxCompute veri kaynağı oluşturun ve bağlayın (MaxCompute hesaplama kaynaklarını bağlama).

• FeatureStore projesi ve özellik varlığı oluşturun (Adım 2: FeatureStore'u oluşturma ve kaydetme). Serverless kaynak grubu kullanıyorsanız bu adımı atlayın. Özel kaynak grubu kullanıyorsanız, FeatureStore Python SDK'sını kaynak grubuna yükleyin (FeatureStore Python SDK'yı yükleme).

• Realtime Compute for Apache Flink'i etkinleştirin. Depolama türü olarak Tamamen yönetilen depolama yerine OSS paket seçeneğini seçin. OSS paketi, PAI-Rec için yapılandırılan paketle eşleşmelidir. Flink, gerçek zamanlı kullanıcı davranışı verilerini kaydeder ve gerçek zamanlı kullanıcı özelliklerini hesaplar.

• TensorFlow tabanlı bir çerçeve olan EasyRec kullanıyorsanız, eğitim varsayılan olarak MaxCompute üzerinde çalışır.

• PyTorch tabanlı bir çerçeve olan TorchEasyRec kullanıyorsanız, eğitim varsayılan olarak PAI-DLC üzerinde çalışır. PAI-DLC'de MaxCompute verilerini indirmek için Veri Aktarım Hizmetini etkinleştirin (Özel Veri Aktarım Hizmeti kaynak grubu satın alma ve kullanma).

1. PAI-Rec örneği oluşturun ve hizmeti başlatın

1. Öneri Sistemi Geliştirme Platformu ana sayfasında oturum açın ve Buy Now öğesine tıklayın.

2. PAI-Rec örneği satın alma sayfasında aşağıdaki anahtar parametreleri yapılandırın ve ardından Buy Now öğesine tıklayın.

   Parametre	Açıklama
   Region and zone	Bulut hizmetinizin dağıtıldığı bölge.
   Service Type	Standard Edition and enable Recommendation Solution Customization seçeneğini seçin.

3. PAI-Rec Yönetim Konsolu üzerinde oturum açın. Üst menü çubuğunun sol üst köşesinde bir bölge seçin.

4. Sol gezinme bölmesinde Instances seçeneğine gidin ve ardından örnek ayrıntıları sayfasını açmak için örnek adına tıklayın.

5. Procedure bölümünde, System Configuration > Cloud Service Configuration sayfasını açmak için Cloud Service Configuration öğesine tıklayın. Edit öğesine tıklayın, parametreleri Kaynak yapılandırması tablosunda gösterildiği gibi yapılandırın ve ardından Exit öğesine tıklayın.

   Kaynak yapılandırması

   Parametre	Açıklama
   Modelleme
   Machine Learning Platform for AI Workspace	Oluşturduğunuz varsayılan PAI çalışma alanını girin.
   DataWorks Workspace	Otomatik olarak oluşturulan DataWorks çalışma alanını girin.
   MaxCompute Workspace	Oluşturduğunuz MaxCompute projesini girin.
   OSS Bucket	Oluşturduğunuz OSS paketini seçin.
   Motor
   Real-time Recall Engine	Whether to use PAI-FeatureStore seçeneği için Yes değerini seçin.
   Real-time Feature Query	Whether to use PAI-FeatureStore seçeneği için Yes değerini seçin.

6. Sol gezinme bölmesinde System Configuration > Permissions seçeneğine gidin. Services sekmesinde her bir bulut hizmetinin yetkilendirme durumunu doğrulayın.

2. Genel veri kümesini klonlayın

1. Veri tablosunu senkronize edin

İki veri girişi seçeneği mevcuttur:

1. Belirli bir zaman penceresi içinde pai_online_project'ten verileri klonlayın. Bu seçenek zamanlanmış görevleri desteklemez.

2. Veri oluşturmak için bir Python betiği kullanın. Belirtilen bir zaman aralığı için veri oluşturmak üzere görevi DataWorks'te çalıştırabilirsiniz.

Günlük veri oluşturma ve model eğitimi için zamanlanmış görevler kullanmak istiyorsanız bunun yerine bir Python betiği dağıtın. Kod kullanarak veri oluşturma sekmesine bakın.

CREATE TABLE IF NOT EXISTS rec_sln_demo_user_table_v1(
 user_id BIGINT COMMENT 'Unique user ID',
 gender STRING COMMENT 'Gender',
 age BIGINT COMMENT 'Age',
 city STRING COMMENT 'City',
 item_cnt BIGINT COMMENT 'Number of published items',
 follow_cnt BIGINT COMMENT 'Number of followed accounts',
 follower_cnt BIGINT COMMENT 'Number of followers',
 register_time BIGINT COMMENT 'Registration time',
 tags STRING COMMENT 'User tags'
) PARTITIONED BY (ds STRING) STORED AS ALIORC;
INSERT OVERWRITE TABLE rec_sln_demo_user_table_v1 PARTITION(ds)
SELECT *
FROM pai_online_project.rec_sln_demo_user_table
WHERE ds >= "${bizdate_100}" and ds <= "${bizdate}";
CREATE TABLE IF NOT EXISTS rec_sln_demo_item_table_v1(
 item_id BIGINT COMMENT 'Item ID',
 duration DOUBLE COMMENT 'Video duration',
 title STRING COMMENT 'Title',
 category STRING COMMENT 'Primary category',
 author BIGINT COMMENT 'Author',
 click_count BIGINT COMMENT 'Total clicks',
 praise_count BIGINT COMMENT 'Total likes',
 pub_time BIGINT COMMENT 'Publish time'
) PARTITIONED BY (ds STRING) STORED AS ALIORC;
INSERT OVERWRITE TABLE rec_sln_demo_item_table_v1 PARTITION(ds)
SELECT *
FROM pai_online_project.rec_sln_demo_item_table
WHERE ds >= "${bizdate_100}" and ds <= "${bizdate}";
CREATE TABLE IF NOT EXISTS rec_sln_demo_behavior_table_v1(
 request_id STRING COMMENT 'Tracking ID/Request ID',
 user_id STRING COMMENT 'Unique user ID',
 exp_id STRING COMMENT 'Experiment ID',
 page STRING COMMENT 'Page',
 net_type STRING COMMENT 'Network type',
 event_time BIGINT COMMENT 'Event time',
 item_id STRING COMMENT 'Item ID',
 event STRING COMMENT 'Event type',
 playtime DOUBLE COMMENT 'Playback/Reading duration'
) PARTITIONED BY (ds STRING) STORED AS ALIORC;
INSERT OVERWRITE TABLE rec_sln_demo_behavior_table_v1 PARTITION(ds)
SELECT *
FROM pai_online_project.rec_sln_demo_behavior_table
WHERE ds >= "${bizdate_100}" and ds <= "${bizdate}";

2. Bağımlılık düğümlerini yapılandırma

DataWorks projenize kök düğüm üzerinde zamanlama bağımlılığı olan üç sanal düğüm ekleyin ve ardından bunları yayınlayın:

1. Create üzerine gelin ve new node > General-purpose > virtual node seçeneğini belirleyin. Aşağıdaki kaynak yapılandırmasını kullanarak üç sanal düğüm oluşturun ve ardından Confirm öğesini tıklayın.

   Kaynak yapılandırması

   Parameter	Description	Default example
   Node type	Düğüm türünü seçin.	Sanal düğüm
   Path	Geçerli düğüm için yolu seçin.	İş Akışı/İş Akışı/Genel
   Name	İlgili senkronize edilen veri tablosunun adını girin.	rec_sln_demo_user_table_v1 rec_sln_demo_item_table_v1 rec_sln_demo_behavior_table_v1

2. Her bir düğümü seçin ve içeriğini select 1; olarak ayarlayın. Ardından sağ taraftaki Configure Scheduling öğesini tıklayın ve aşağıdaki ayarları tamamlayın:

   • Time attributes bölümünde, Rerun attribute özelliğini Rerun node after success or failure olarak ayarlayın.

   • Scheduling dependencies > Ancestor Nodes bölümünde DataWorks çalışma alanı adını girin, _root son ekine sahip düğümü seçin ve Add öğesini tıklayın.

     Bu bağımlılık yapılandırmasını üç sanal düğümün tümüne uygulayın.

3. Her sanal düğüm için düğümü göndermek üzere simgesini tıklayın.

3. Verileri kaydetme

Özellik mühendisliği, geri çağırma ve sıralamayı yapılandırmadan önce senkronize edilen üç tabloyu PAI-Rec'e kaydedin:

1. PAI-Rec Management Console adresinde oturum açın ve sol üst köşeden bir bölge seçin.

2. Sol gezinme bölmesinde Instances öğesini tıklayın ve ardından ayrıntılar sayfasını açmak için bir örneğin adını tıklayın.

3. Sol gezinme bölmesinde Recommendation Solution Customization > Data Registration konumuna gidin. MaxCompute Table sekmesinde Create Data Table öğesini tıklayın. Aşağıdaki tablodaki yapılandırmayı kullanarak bir kullanıcı tablosu, bir öğe tablosu ve bir davranış tablosu ekleyin. Ardından Import öğesini tıklayın.

   Parameter	Description	Example
   MaxCompute projesi	Oluşturduğunuz MaxCompute projesini seçin.	project_mc
   MaxCompute tablosu	DataWorks çalışma alanınıza senkronize edilen veri tablolarını seçin.	Kullanıcı tablosu: rec_sln_demo_user_table_v1 Öğe tablosu: rec_sln_demo_item_table_v1 Davranış tablosu: rec_sln_demo_behavior_table_v1
   Veri tablosu adı	Özel bir ad girin.	Kullanıcı tablosu Öğe tablosu Davranış tablosu

4. Bir öneri senaryosu oluşturma

Öneri görevlerini yapılandırmadan önce bir öneri senaryosu oluşturun. Temel kavramlar ve trafik kodlaması hakkında bilgi için bkz. Basic Concepts.

Sol gezinme bölmesinde Recommendation Scenario ve ardından Create Scenario öğelerini tıklayın. Aşağıdaki kaynak yapılandırmasıyla bir öneri senaryosu yapılandırın ve Determine öğesini tıklayın.

5. Bir algoritma kurma

Tam bir üretim yapılandırması aşağıdaki geri çağırma ve sıralama ayarlarını içerir:

• Genel popüler geri çağırma: Günlük verilerine göre en popüler K öğeyi alır.

• Gruplanmış popüler geri çağırma: İlgililiği artırmak için şehir veya cinsiyet gibi belirli gruplardan popüler öğe adaylarını alır.

• Etrec u2i geri çağırma: Etrec işbirlikçi filtreleme algoritmasını kullanır.

• Swing u2i geri çağırma (isteğe bağlı): Swing algoritmasını kullanır.

• Vektör geri çağırma (isteğe bağlı): Derin Yapısal Anlamsal Model (DSSM) kullanarak adaylar oluşturur.

• İnce taneli sıralama: Tek amaçlı sıralama için MultiTower modelini ve çok amaçlı sıralama için DBMTL modelini kullanır.

Aşağıdaki adımlar, RECommender (eTREC, a collaborative filtering implementation) bölümündeki genel popüler geri çağırma ve etrec u2i geri çağırmayı ve ayrıca ince taneli sıralamayı kapsar. Adımlar:

1. Sol gezinme bölmesinde Recommendation Solution Customization seçeneğini belirleyin. Oluşturduğunuz bir senaryoyu seçin ve ardından Create Modular Recommendation Solution öğesini tıklayın. Aşağıdaki kaynak yapılandırmalarıyla bir çözüm oluşturun ve ardından Save and Go to Algorithm Solution Configuration öğesini tıklayın.

   Belirtilmeyen parametreleri varsayılan değerlerinde bırakın. Data Table Configuration.

   Kaynak yapılandırması

   Parameter	Description
   Solution Name	Özel bir ad girin.
   Scenario Name	Oluşturduğunuz öneri senaryosunu seçin.
   Offline Data Source	Öneri senaryosuyla ilişkili MaxCompute projesini seçin.
   Algorithm Framework	PyTorch'u seçin. Tercihinize bağlı olarak farklı bir algoritma çerçevesi seçebilirsiniz.
   DataWorks Workspace	Öneri senaryosuyla ilişkili DataWorks çalışma alanını seçin.
   Workflow Name	Öneri çözümü betiği dağıtıldığında DataWorks'te oluşturulan iş akışının adı. Flow gibi özel bir ad girebilirsiniz.
   StorageAPI yapılandırması	Çin anakarası: Çin (Pekin) ve Çin (Şanghay) gibi bölgeler için kullandıkça öde bir veri aktarım hizmeti olan "StorageAPI"yi seçebilirsiniz. Diğer bölgeler: Çin (Hong Kong), Singapur ve Almanya (Frankfurt) gibi bölgeler için öncelikle özel bir Veri Aktarım Hizmeti kaynak grubu satın almanız ve kullanmanız gerekir. Kullandıkça öde seçeneği mevcut değilse abonelik tabanlı bir veri aktarım hizmeti satın almanız gerekir. Satın alma işleminden sonra sayfayı yenileyin ve abonelik tabanlı hizmetinizin adını seçin. DataWorks'teki PAI-DLC TorchEasyRec eğitim işinde aşağıdakine benzer bir biçimde bir parametre ekleyin: -odps_data_quota_name ot_xxxx_p#ot_yyyy.
   slim_mode	DataWorks sürümünüz içe aktarılan kod paketlerinin boyutunu kısıtlıyorsa bunu etkinleştirin. Bu durumda limiti aşan paketleri manuel olarak yüklemeniz gerekir. Bu çözüm için No seçeneğini belirleyin.
   OSS bucket	Öneri senaryosuyla ilişkili OSS paketini seçin.
   Project	Oluşturduğunuz FeatureStore projesini seçin ve çevrimiçi veri kaynağı olarak FeatureDB'yi seçin.
   User Entity	FeatureStore projenizden user özellik varlığını seçin.
   Item Entity	FeatureStore projenizden item özellik varlığını seçin.

2. Configure Table sekmesinde bir veri tablosunun yanındaki Add öğesini tıklayın. İlgili bölüm, olay, özellik ve zaman damgası alanlarını ayarlayarak davranış günlük tablosunu, kullanıcı tablosunu ve öğe tablosunu yapılandırın ve ardından Next öğesini tıklayın.

   Belirtilmeyen parametreleri varsayılan değerlerinde bırakın. Data Table Configuration.

   Davranış günlük tablosu kaynak yapılandırması

   Ayarları gerçek verilerinize göre düzenleyin. Bu öğreticide davranış günlüğü istek kimliğini, benzersiz kullanıcı tanımlayıcısını, sayfayı, olay zaman damgasını ve olay türünü içerir. Tablonuzda ek boyutlar varsa özellik mühendisliğini basitleştirmek için bunları kullanıcı veya öğe bilgisi olarak sınıflandırın.

   Parameter	Description	Default example
   Behavior table name	Kayıtlı davranış tablosunu seçin.	rec_sln_demo_behavior_table_v1
   Time partition	Davranış tablosunun bölüm alanı.	ds yyyymmdd
   Davranış bilgisi yapılandırması
   Request ID	Günlüklerdeki her öneri isteğini tanımlayan kimlik, genellikle program tarafından oluşturulan bir UUID. İsteğe bağlı.	request_id
   Behavior event	Günlüklerde davranış olaylarını kaydeden alan.	event
   Behavior event enum values	Maruz kalma, tıklama, sepete ekleme veya satın alma gibi davranış olayları için numaralandırılmış değerler.	expr,click,praise
   Behavior value	İşlem fiyatı veya izleme süresi gibi bir davranışın derinliğini temsil eden bir alan.	playtime
   Behavior timestamp	Günlük olayının gerçekleştiği zaman, saniye doğruluğunda bir zaman damgası.	event_time
   Timestamp format	Davranış zaman damgasıyla birlikte kullanılır.	unixtime
   Behavior scenario	Günlüğün oluşturulduğu senaryo, örneğin ana sayfa, arama sayfası veya ürün ayrıntıları sayfası.	page
   Scenario enum values	Hangi senaryoların verilerinin kullanılacağını belirtir ve özellik mühendisliğinde senaryo başına özellik istatistiklerini etkinleştirir.	home,detail
   Kullanıcı bilgisi yapılandırması
   User ID	Davranış tablosundaki kullanıcı kimliği alanı.	user_id
   User categorical features	Davranış tablosundaki kategorik kullanıcı özellikleri, örneğin ağ türü, işletim platformu veya cinsiyet.	net_type
   Öğe bilgisi yapılandırması
   Item ID	Davranış tablosundaki öğe kimliği alanı.	item_id

   Kullanıcı tablosu kaynak yapılandırması

   Parameter	Description	Default example
   User table name	Kayıtlı kullanıcı tablosunu seçin.	rec_sln_demo_user_table_v1
   Time partition	Kullanıcı tablosunun zaman bölümü alanı.	ds yyyymmdd
   Kullanıcı bilgisi yapılandırması
   User ID	Kullanıcı tablosundaki kullanıcı kimliği alanı.	user_id
   Registration timestamp	Kullanıcının kayıt olduğu zaman.	register_time
   Timestamp format	Kayıt zaman damgasıyla birlikte kullanılır.	unixtime
   Categorical feature	Kullanıcı tablosundaki kategorik alanlar, örneğin cinsiyet, yaş grubu veya şehir.	gender,city
   Numerical Features	Kullanıcı tablosundaki sayısal alanlar, örneğin oluşturulan öğe sayısı veya puanlar.	age,item_cnt,follow_cnt,follower_cnt
   Tag feature	Etiket özelliği alanının adı.	tags

   Öğe tablosu kaynak yapılandırması

   Parameter	Description	Default example
   Item table name	Kayıtlı öğe tablosunu seçin.	rec_sln_demo_item_table_v1
   Time partition	Öğe tablosunun zaman bölümü alanı.	ds yyyymmdd
   Öğe bilgisi yapılandırması
   Item ID	Öğe tablosundaki öğe kimliği alanı.	item_id
   Author ID	Öğenin yazarı.	author
   Listing timestamp	Öğe listeleme zaman damgası alanının adı.	pub_time
   Timestamp format	Listeleme zaman damgasıyla birlikte kullanılır.	unixtime
   Categorical feature	Öğe tablosundaki kategorik alanlar, örneğin kategori.	category
   Numerical Features	Öğe tablosundaki sayısal alanlar, örneğin fiyat, kümülatif satış veya beğeni sayısı.	click_count,praise_count

3. Feature Group Configuration altında Add öğesini tıklayın. Parametreleri aşağıdaki tabloda gösterildiği gibi yapılandırın. Özellik modülü adını ve sürümünü ayarlayın ve Configure Table sekmesinde yapılandırdığınız kullanıcı tablosunu, öğe tablosunu ve davranış günlük tablosunu seçin.

   Kaynak yapılandırması

   Parameter	Description	Default example
   Statistical Period	Toplu özellik oluşturma için kullanılır. Özellik sayısını sınırlamak için istatistiksel dönemleri 3, 7 ve 15 gün olarak ayarlayın. Bu dönemler, ilgili zaman pencereleri üzerinden kullanıcılar ve öğeler için istatistiksel özellikleri hesaplar. Kullanıcı davranışı seyrekse 21 günlük bir dönem kullanmayı düşünün.	3,7,15
   Behavior	Yapılandırdığınız davranış olaylarını seçin. Bunları şu sırayla eklemenizi öneririz: expr (maruz kalma), click ve praise.	expr,click,praise

   Determine öğesini tıklayın. Bu işlem hem kullanıcılar hem de öğeler için çeşitli istatistiksel özellikler oluşturur. Doğrulama özelliklerini görüntülemek için bu özellik grubunun Configure Feature öğesini tıklayın. Bu çözüm için türetilmiş özellikleri düzenlemeyin ve varsayılan ayarları koruyun. Türetilmiş özellikleri iş ihtiyaçlarınıza uygun şekilde düzenleyebilirsiniz (Feature Configuration). Bu özellik grubu için Publish öğesini tıklayın, görev çalıştırma tarihi olarak en son veri bölümü tarihini seçin, maksimum görev paralelliğini 10 olarak ayarlayın ve diğer ayarları varsayılanlarında bırakın. Ardından Determine öğesini tıklayın. Bu işlem bir düğüm oluşturur, onu DataWorks'e dağıtır ve tarihe göre verileri geriye dönük olarak doldurur. Bir sonraki adıma geçmeden önce modülün durumunun Published olarak değişmesini bekleyin. Modülle ilgili daha fazla bilgiyi görüntülemek için Online Details öğesini tıklayın. Data Refill Task List bölümünde her görevin çalışma durumunu kontrol edebilirsiniz. Bir görev başarısız olursa ayrıntılı hata bilgilerini görüntülemek üzere DataWorks'e gitmek için View Task Node öğesini tıklayın. Sorunu giderdikten sonra Data Refill Task List bölümünde düğümü bulun ve Rerun öğesini tıklayın. Görev başarılı olduktan sonra devam edebilirsiniz.

4. Label Table Configuration altında bu modül davranış tablosundan örnek hedefler oluşturur. Add öğesini tıklayın, modül türü olarak Label Module seçeneğini belirleyin, etiket modülü için bir ad girin ve önceki adımda yapılandırdığınız özellik modülünü seçin. Fine-grained ranking target settings (labels) öğesinin yanındaki Create öğesini tıklayın ve aşağıdaki iki etiketi ekleyin:

   • Hedef 1: Fine-grained ranking target name öğesini is_click olarak ayarlayın, Fine-grained ranking target expression öğesini max(if(event='click',1,0)) olarak ayarlayın ve Target type için CLASSIFICATION seçeneğini belirleyin.

   • Hedef 2 ('ln' içindeki 'l' harfinin küçük olduğuna dikkat edin): Fine-grained ranking target name öğesini ln_playtime olarak ayarlayın, Fine-grained ranking target expression öğesini ln(sum(playtime)+1) olarak ayarlayın, Fine-grained ranking target dependency öğesini is_click olarak ayarlayın ve Target type için REGRESSION seçeneğini belirleyin. Ardından OK öğesini tıklayın.

   • Determine öğesini tıkladıktan sonra modülü özellik modülünü yayınladığınız şekilde yayınlayın. Bir sonraki adıma geçmeden önce durumun Published olarak değişmesini bekleyin.

5. Sample Configuration altında bu modül örnek hedef tablolarını özelliklerle ilişkilendirir ve FeatureStore'da model özellikleri oluşturur. Add öğesini tıklayın, modül türü olarak Sample Module seçeneğini belirleyin, model özelliğine bir ad verin ve önceki adımlardaki özellik ve etiket modüllerini seçin. Modülü yayınlayın ve bir sonraki adıma geçmeden önce durumun Published olarak değişmesini bekleyin.

6. Feature Generation Configuration altında bu modül örnek tablodaki tüm özelliklerden ek özellikler türetir. Özel yapılandırma şu anda desteklenmemektedir. Add öğesini tıklayın, modül türü olarak Feature Generation seçeneğini belirleyin, özellik oluşturma türü olarak Ranking seçeneğini belirleyin ve önceki örnek yapılandırma adımındaki model özellik modülünü seçin. Bir sonraki adıma geçmeden önce durumun Published olarak değişmesini bekleyin.

7. Configure Sorting Method altında ince taneli sıralama bölümünde Add öğesini tıklayın. Özellik modülü çıktısı için önceki adımdaki özellik oluşturma modülünü seçin. Diğer seçenekleri varsayılan değerlerinde bırakın ve Determine öğesini tıklayın. Ardından modülü yayınlayın. Durum Published olarak değiştikten sonra model hizmeti PAI-EAS'a dağıtılır.

8. Retrieval Configuration altında hedef kategorinin yanındaki Add öğesini tıklayın, parametreleri yapılandırın, Confirm ve ardından yapılandırmayı Publish edin. Bu belgede birkaç geri çağırma yapılandırma yöntemi yer almaktadır. Dağıtımı hızlıca tamamlamak için yalnızca Global Hot Recall ve etrec u2i Recall yöntemlerini yapılandırmanız yeterlidir. Vektör geri çağırma ve işbirlikçi ölçüm geri çağırma gibi diğer yöntemler yalnızca referans amaçlıdır.