すべてのプロダクト
Search

このプロダクト

    Artificial Intelligence Recommendation:サービスの有効化と初期化

    ドキュメントセンター

    Artificial Intelligence Recommendation:サービスの有効化と初期化

    最終更新日:Nov 27, 2025

    初めて PAI-Rec を使用してレコメンデーションシステムを構築する際は、PAI-Rec インスタンスを購入し、初期環境を設定します。

    • 選択ガイド

      インスタンスの選択

      初めて PAI-Rec を使用する際は、[レコメンデーションソリューションのカスタマイズ] 機能を備えた標準インスタンスを購入することを推奨します。サービスに慣れた後、[運用ツール] 機能を購入できます。

      • レコメンデーションソリューションのカスタマイズにより、特徴量エンジニアリング、リコール戦略、ファインランキング戦略をカスタマイズして、より柔軟かつ効率的にレコメンデーションシステムを設定できます。

      • 運用ツールは、運用効率を向上させ、レコメンデーション結果をより詳細に制御できます。

      クラウドプロダクトリソースの選択

      PAI-Rec レコメンデーションソリューションの構築には、複数のクラウドプロダクトが必要です。必要となる具体的なクラウドプロダクトリソースは、ビジネスニーズによって異なります。

      依存するクラウドプロダクト (クリックして詳細を表示)

      image

      クラウドプロダクト

      機能

      必要なクラウドリソース

      モデリング

      Object Storage Service (OSS)

      モデルのチェックポイント、保存済みモデルファイル、モデル設定ファイルを保存します。

      OSS バケットの作成。

      説明

      [バージョニング] 機能を有効にしないでください。

      MaxCompute

      データクレンジング、特徴量エンジニアリング、トレーニングサンプルの準備に使用します。

      MaxCompute プロジェクトの作成。

      PAI-DLC を使用してモデルをトレーニングするには、します。

      Platform For AI (PAI)

      PAI は PAI-Rec 開発者プラットフォームのエントリーポイントとして機能します。PAI-FeatureStore の関連付け、モデルトレーニング、モデルのエクスポート、モデル評価などの機能が含まれます。

      PAI ワークスペースの作成。

      説明

      PAI と DataWorks のワークスペースは、基盤となるレイヤーで相互接続されています。PAI ワークスペースを作成すると、DataWorks に同じ名前のワークスペースが自動的に生成されます。

      DataWorks ワークスペースを手動で作成することもできます。

      DataWorks

      データクレンジング、特徴量エンジニアリング、モデルのトレーニングと評価、モデルの更新、オンラインストアとのデータ同期に使用されます。また、すべてのオフラインデータ生成、モデルトレーニング、評価タスクをスケジュールします。

      エンジン

      Hologres インスタンス ID とデータベース

      リアルタイム特徴量ストレージエンジンです。

      FeatureDB と組み合わせて使用できます。たとえば、Hologres を使用してベクターリコールデータ、ユーザーエクスポージャーデータ、u2i2i トリガーデータを保存し、FeatureDB を使用してユーザーとアイテムのオフラインおよびリアルタイム特徴量を保存します。

      Hologres インスタンスの購入とデータベースの作成。

      PAI-FeatureStore の使用

      リアルタイム特徴量ストレージエンジンです。

      ApsaraDB For Redis インスタンス ID

      フォールバックデータを保存します。PAI-FeatureStore の FeatureDB で置き換え可能です。

      インスタンスの作成。

      PAI-EAS リソースグループ

      レコメンデーションシステムエンジンをデプロイし、リコール、フィルタリング、コースランキング、ファインランキング、リランキングなどのプロセスをオーケストレーションします。また、ベクターリコール用のユーザーサイドのベクター推論サービスや、コースランキングとファインランキング用のモデルスコアリングサービスもデプロイします。

      リソース設定。

      モニタリングおよびその他

      Simple Log Service (SLS)

      SLS を使用してリクエストログを管理します。

      プロジェクトの作成。

      DataHub プロジェクト

      リアルタイムログの取り込みに使用し、モデルトレーニングのためにユーザー行動を継続的に更新します。

      DataHub を優先的に使用することを推奨します。

      プロジェクトの作成

      Message Queue For Apache Kafka インスタンス ID とリソースグループ

      インスタンスの購入とデプロイ。

      Flink VVP Streaming Service

      リアルタイムデータを処理し、リアルタイム特徴量の統計を収集します。結果は FeatureDB データベースに書き込むことができます。

      Realtime Compute for Apache Flink の有効化。

      ソリューションに関する提案

      レコメンデーションシステムの複雑度に基づく提案 (クリックして詳細を表示)

      説明

      レコメンデーションシステムのリコール、フィルタリング、モデル、リランキングプロセスの複雑度は、ビジネス要件と密接に関連しています。システムの開発を、初期段階、中間段階、パフォーマンス向上段階、運用介入段階に分けます。

      フェーズ

      説明

      リコールモデルの提案

      ランキングとリランキングの提案

      初期段階

      カスタマイズされたレコメンデーションソリューションを使用して、レコメンデーションパイプライン全体を構築します。詳細については、「PAI-Rec レコメンデーションアルゴリズムをカスタマイズするためのベストプラクティス」をご参照ください。

      協調フィルタリング (etrec)、Swing アルゴリズムツール、およびグループベースの人気アイテム取得を使用します。

      FeatureDB を使用して、ユーザーエクスポージャーフィルターデータ、リコールデータ、特徴量データを保存します。

      特徴量設定 (リアルタイムシーケンス特徴量の使用に注意) とソート設定を使用して、単一目的のマルチタワーモデルを設定します。このモデルは高速な推論、優れたパフォーマンスを提供し、PAI-EAS リソースを節約します。

      ダイバーシティリランキング設定を使用します。

      中間段階

      ベクターリコールと多目的ランキングモデルを追加します。

      ベクターリコールを追加します。インデックスはプロセッサ内部に保存されるため、アイテムインデックスを更新する必要はありません。詳細については、TorchEasyRec プロセッサドキュメントの Faiss インデックスのセクションをご参照ください。

      クリック、購入、いいねなどの複数の予測ターゲットに対して、DBMTL 多目的ランキングモデルを使用します。

      ビジネスがアイテムの変更を迅速に感知する必要がある場合

      アイテムのコールドスタートを実装します。

      ランキングモデルにリアルタイムのアイテム特徴量フィードバックを提供します。

      アイテムのコールドスタートアルゴリズムを使用します。詳細については、「レコメンデーションのコールドスタートソリューション」をご参照ください。

      新しいレコメンデーションソリューションのカスタマイズを作成します。特徴量設定で、リアルタイム統計を設定します。次に、PAI-FeatureStore で新しい特徴量ビューと新しいモデル特徴量を作成します。新しいトレーニングサンプルをエクスポートし、新しいモデルをトレーニングします。

      運用介入

      異なるユーザーとアイテムカテゴリに対してエクスポージャー比率を設定します。

      新しいアイテムの最小エクスポージャー数を確保します。

      その他の提案 (クリックして詳細を表示)

      • PAI-EAS：ピーク時間帯にはスケジュールされたスケールアウトを設定し、オフピーク時間帯には自動スケールインでリソースを削減します。サブスクリプションリソースと弾性スケーリングリソースの組み合わせを検討してください。

    前提条件

    このトピックでは、オフラインモデリングシナリオを例として使用します。このシナリオには、以下のクラウドプロダクトリソースが必要です。その他のクラウドプロダクトリソースの詳細については、「クラウドプロダクトリソースの選択」をご参照ください。

    PAI-Rec インスタンスの購入とクラウドプロダクトの設定

    1. インスタンス購入ページで、[リージョン]、[レコメンデーションソリューションのカスタマイズ]、[運用ツール]、[サブスクリプション期間] を設定します。[今すぐ購入] をクリックし、注文を確認して支払いを完了します。

    2. PAI-Rec 管理コンソールで、ターゲットリージョンに切り替えます。左側のナビゲーションウィンドウで、[システム設定] > [クラウドプロダクト設定] を選択します。

    3. [モデリング] タブで [編集] をクリックし、作成したクラウドプロダクトリソースを選択してから [終了] をクリックします。

      [エンジン] タブと [モニタリングおよびその他] タブのパラメーター設定も同様です。まず、対応するクラウドリソースを設定し、その後 PAI-Rec コンソールでそれらを関連付けます。

    「クラウドプロダクト設定」へのアクセスに Alibaba Cloud アカウントが必要な理由

    • [システム設定] > [クラウドプロダクト設定] にアクセスするには、ルートアカウントとも呼ばれる Alibaba Cloud アカウントを使用する必要があります。ルートアカウントは Resource Access Management (RAM) ユーザーとは異なります。詳細については、「クイックスタート：RAM ユーザーの作成と権限付与」をご参照ください。クラウドプロダクトの設定にはいくつかの手順が含まれるため、ルートアカウントを使用する必要があります。PAI、DataWorks、MaxCompute、OSS、Flink、PAI-FeatureStore、Data Transmission Service などの PAI-Rec 関連プロダクトを有効化する必要があります。また、これらのプロダクトでプロジェクトやワークスペースを作成する必要もあります。最後に、PAI-Rec のサービスリンクロール (aliyunserviceroleforpairec) をこれらのプロジェクトやワークスペースに追加する必要があります。`aliyunserviceroleforpairec` ロールが正しく追加されない場合、権限不足により後続の操作が失敗します。