সুপারিশ সিস্টেম

ফুড অর্ডার থেকে ভিডিওতে চাহিদা এবং অডিও স্ট্রিমিং পর্যন্ত ফ্যাশন পর্যন্ত, সুপারিশ সিস্টেমগুলি আজ সর্বাধিক জনপ্রিয় অ্যাপ্লিকেশনগুলিকে শক্তি দেয়। TensorFlow ইকোসিস্টেম থেকে ওপেন সোর্স লাইব্রেরি এবং টুলের সাহায্যে আপনি কীভাবে উৎপাদন-প্রস্তুত সুপারিশ সিস্টেম তৈরি করতে পারেন তা অন্বেষণ করুন।

সুপারিশ সিস্টেমগুলি আপনার অ্যাপের মধ্যে ব্যবহারকারীর ব্যস্ততা বাড়ায় এবং সবচেয়ে পছন্দসই সামগ্রী প্রদান করে ব্যবহারকারীর অভিজ্ঞতা উন্নত করে। আধুনিক সুপারিশকারীরা হল জটিল সিস্টেম যা প্রায়শই উৎপাদনে কম লেটেন্সি অর্জনের জন্য একাধিক পর্যায়ে বিভক্ত হয়। পুনরুদ্ধার, র‌্যাঙ্কিং এবং সম্ভাব্য পোস্ট-র‍্যাঙ্কিং পর্যায়ের মাধ্যমে, অপ্রাসঙ্গিক আইটেমগুলি ধীরে ধীরে প্রার্থীদের একটি বৃহৎ পুল থেকে ফিল্টার করা হয় এবং ব্যবহারকারীদের সাথে যোগাযোগ করার সম্ভাবনা সবচেয়ে বেশি বিকল্পগুলির একটি তালিকা অবশেষে উপস্থাপন করা হয়।

TensorFlow Recommenders দিয়ে তৈরি করা শুরু করুন, একটি সহজে ব্যবহারযোগ্য ফ্রেমওয়ার্ক যা একটি সুপারিশকারী সিস্টেম তৈরি করার সম্পূর্ণ ওয়ার্কফ্লোকে সহজতর করে ডেটা প্রস্তুতি থেকে স্থাপনা পর্যন্ত।

আপনি যখন আপনার মডেলের প্রশিক্ষণ শেষ করেছেন, শেষ ব্যবহারকারীদের কাছে সুপারিশ পরিবেশন করতে সেগুলিকে উৎপাদনে স্থাপন করুন। TensorFlow সার্ভিং উচ্চ কর্মক্ষমতা অনুমানের জন্য আপনার মডেল উত্পাদন করে. এটি মেশিন লার্নিং মডেলগুলির থ্রুপুটকে সর্বাধিক করে তোলার লক্ষ্য রাখে এবং বৃহৎ সুপারিশ মডেলগুলিকে সমর্থন করতে পারে যার জন্য বিতরণ পরিবেশন প্রয়োজন।

# Deploy the retrieval model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
  -v "RETRIEVAL/MODEL/PATH:/models/retrieval" \
  -e MODEL_NAME=retrieval tensorflow/serving &

# Retrieve top movies that user 42 may like
curl -X POST -H "Content-Type: application/json" \
  -d '{"instances":["42"]}'  \
  http://localhost:8501/v1/models/retrieval:predict

# Output
# {
#    "predictions":[
#       {
#          "output_1": [2.032, 1.969, 1.813],
#          "output_2": ["movie1”, “movie2”, “movie3”]
#       }
#    ]
# }

# Deploy the ranking model with TensorFlow Serving
docker run -t --rm -p 8501:8501 \
  -v "RANKING/MODEL/PATH:/models/ranking" \
  -e MODEL_NAME=ranking tensorflow/serving &

# Get the prediction score for user 42 and movie 3
curl -X POST -H "Content-Type: application/json" \
  -d '{"instances":[{"user_id":"42", "movie_title":"movie3"}]}' \
  http://localhost:8501/v1/models/ranking:predict

# Output:
# {"predictions": [[3.66357923]]}
কোড_ব্লক
TensorFlow-এর সাহায্যে কীভাবে একটি সম্পূর্ণ স্ট্যাক সুপারিশ সিস্টেম তৈরি এবং স্থাপন করবেন তা শিখুন

সুপারিশ ইঞ্জিনের পুনরুদ্ধার এবং র‌্যাঙ্কিং পর্যায়ে উন্নতি করুন

বৃহৎ-স্কেল সুপারিশ সিস্টেমের জন্য লক্ষ লক্ষ প্রার্থীদের থেকে একটি কার্যকর এবং দক্ষ পদ্ধতিতে পুনরুদ্ধার এবং র‌্যাঙ্কিং পর্যায়ের মাধ্যমে সবচেয়ে প্রাসঙ্গিক আইটেমগুলি নির্ধারণ করা প্রয়োজন। প্রস্তাবনাগুলিকে উন্নত করতে অত্যাধুনিক আনুমানিক নিকটতম প্রতিবেশী (ANN) অনুসন্ধান অ্যালগরিদম এবং লার্নিং-টু-র‍্যাঙ্ক (LTR) কৌশলগুলির সাথে TensorFlow সুপারিশকারীদের পরিপূরক করুন৷

Google ScaNN

ScaNN স্কেলে ভেক্টর মিল অনুসন্ধানের জন্য একটি লাইব্রেরি। এটি শীর্ষস্থানীয় প্রার্থীদের পুনরুদ্ধারকে ত্বরান্বিত করার জন্য অত্যাধুনিক ANN কৌশলগুলি, যেমন অ্যাসিমেট্রিক হ্যাশিং এবং অ্যানিসোট্রপিক কোয়ান্টাইজেশন ব্যবহার করে।

টেনসরফ্লো র‍্যাঙ্কিং

টেনসরফ্লো র‌্যাঙ্কিং হল স্কেলেবল, নিউরাল এলটিআর মডেল তৈরির জন্য একটি লাইব্রেরি। এটি র‍্যাঙ্কিং ইউটিলিটিগুলিকে সর্বাধিক করার জন্য প্রার্থী আইটেমগুলিকে র‌্যাঙ্ক করার জন্য অতিরিক্ত কার্যকারিতা সরবরাহ করে।

মডেল প্রশিক্ষণ এবং অনুমানের জন্য বড় এম্বেডিং অপ্টিমাইজ করুন

এমবেডিং লুকআপ অপারেশন বড় আকারের সুপারিশ সিস্টেমের জন্য একটি গুরুত্বপূর্ণ উপাদান। হার্ডওয়্যার ত্বরণ এবং ডাইনামিক এম্বেডিং প্রযুক্তি লিভারেজ বৃহৎ এম্বেডিং টেবিলে সাধারণ পারফরম্যান্সের বাধা দূর করতে।

টেনসরফ্লো TPUEmbedding

TPUEmbedding লেয়ার API টেনসর প্রসেসিং ইউনিটে (TPUs) প্রশিক্ষণ এবং বৃহৎ এম্বেডিং টেবিল পরিবেশন করার সুবিধা দেয়।

টেনসরফ্লো সুপারিশকারী অ্যাডনস

TensorFlow Recommenders Addons হল একটি কমিউনিটি-কন্ট্রিবিউটেড প্রোজেক্ট যেটি ডাইনামিক এম্বেডিং প্রযুক্তির ব্যবহার করে যা অনলাইন শেখার জন্য বিশেষভাবে উপযোগী।

ব্যবহারকারীর গোপনীয়তা রক্ষা করুন

ঐতিহ্যগত সুপারিশ ইঞ্জিনগুলি ব্যবহারকারীর মিথস্ক্রিয়া লগ সংগ্রহ এবং কাঁচা ব্যবহারকারীর কার্যকলাপের উপর ভিত্তি করে প্রশিক্ষণের সুপারিশ মডেল সংগ্রহের উপর নির্ভর করে। দায়িত্বশীল এআই বিকাশের অনুশীলনগুলি অন্তর্ভুক্ত করে ব্যবহারকারীর ডেটা ব্যক্তিগত থাকে তা নিশ্চিত করুন।

টেনসরফ্লো লাইট অন-ডিভাইস সুপারিশ

টেনসরফ্লো লাইট একটি ডিভাইস সুপারিশ সমাধান সরবরাহ করে যা মোবাইল ডিভাইসে সমস্ত ব্যবহারকারীর ডেটা রাখার সময় স্বল্প-লেটেন্সি এবং উচ্চ-মানের সুপারিশ অর্জন করে।

টেনসরফ্লো ফেডারেটেড সহ ফেডারেটেড পুনর্গঠন

টেনসরফ্লো ফেডারেটেড ফেডারেটেড লার্নিং এবং বিকেন্দ্রীভূত ডেটাতে অন্যান্য গণনার জন্য একটি কাঠামো। ফেডারেটেড পুনর্গঠন ফেডারেটেড লার্নিং সেটিংয়ে ম্যাট্রিক্স ফ্যাক্টরাইজেশন নিয়ে আসে এবং সুপারিশের জন্য ব্যবহারকারীর গোপনীয়তা আরও ভালভাবে রক্ষা করে।

আরো পরিশীলিত সুপারিশকারীদের জন্য উন্নত কৌশল ব্যবহার করুন

যদিও ক্লাসিকাল সহযোগী ফিল্টারিং মডেলগুলি শিল্পে ব্যাপকভাবে ব্যবহৃত হয়, তবে সুপারিশ সিস্টেমগুলি তৈরির জন্য রিইনফোর্সমেন্ট লার্নিং এবং গ্রাফ নিউরাল নেটওয়ার্কগুলি (জিএনএনএস) এর মতো উন্নত কৌশলগুলি গ্রহণ করার ক্রমবর্ধমান প্রবণতা রয়েছে।

টেনসরফ্লো এজেন্টস দস্যু

টেনসরফ্লো এজেন্টস ব্যান্ডিটস হ'ল দস্যু অ্যালগরিদমের একটি বিস্তৃত গ্রন্থাগার যা সুপারিশ ইঞ্জিন সেটিংয়ে কার্যকরভাবে অন্বেষণ এবং কাজে লাগাতে পারে।

টেনসরফ্লো জিএনএন

টেনসরফ্লো জিএনএন এমন একটি গ্রন্থাগার যা নেটওয়ার্ক স্ট্রাকচারের উপর ভিত্তি করে আইটেমের সুপারিশগুলি দক্ষতার সাথে সহজতর করতে পারে এবং পুনরুদ্ধার এবং র‌্যাঙ্কিং মডেলের সাথে একত্রে ব্যবহৃত হতে পারে।

জেনারেটিভ এআই

আপনার সুপারিশ সিস্টেমগুলিকে বাড়ানোর জন্য PaLM API-এর মতো বড় ভাষা মডেল (LLMs) কীভাবে ব্যবহার করবেন তা শিখুন।

রেফারেন্স অত্যাধুনিক সুপারিশ মডেল

একটি সুপরিচিত মডেলের জন্য বেঞ্চমার্ক পারফরম্যান্স বা আপনার নিজস্ব সুপারিশ মডেল তৈরি করতে, সেরা অনুশীলনের জন্য জনপ্রিয় মডেলগুলির অফিসিয়াল TensorFlow বাস্তবায়ন দেখুন - যেমন NCF, DLRM, এবং DCN v2 -।

শিক্ষাগত সম্পদ

ধাপে ধাপে কোর্স এবং ভিডিও অনুসরণ করে সুপারিশ সিস্টেম তৈরির বিষয়ে আরও জানুন।

রিয়েল-ওয়ার্ল্ড সুপারিশ সিস্টেম

প্রতিটি শিল্পে অ্যাপ্লিকেশন পাওয়ারিং সুপারিশ সিস্টেমের উদাহরণ এবং কেস স্টাডি অন্বেষণ করুন।

অনলাইন ভিডিও

YouTube কীভাবে দায়িত্বশীলভাবে তাদের শক্তিশালী সুপারিশ সিস্টেম তৈরি করে তা জানুন।

ইকমার্স

কিভাবে Digitec Galaxus প্রশিক্ষণ দেয় এবং TFX এবং TensorFlow এজেন্টদের সাথে প্রতি সপ্তাহে লক্ষ লক্ষ ব্যক্তিগত নিউজলেটার পরিবেশন করে সে সম্পর্কে পড়ুন।

মুদি

মুদি দোকানের আইটেমগুলির জন্য একটি সহযোগী-ফিল্টারিং-ভিত্তিক সুপারিশ সিস্টেম তৈরি করতে HarperDB TensorFlow Recommenders এবং TensorFlow.js কীভাবে ব্যবহার করে তা জানুন।

অডিও স্ট্রিমিং

স্পটিফাই কীভাবে একটি প্রসারিত অফলাইন সিমুলেটর ডিজাইন করতে এবং প্লেলিস্টের সুপারিশ তৈরি করতে RL এজেন্টদের প্রশিক্ষিত করতে TensorFlow ইকোসিস্টেম ব্যবহার করেছে তা জানুন।