ระบบแนะนำ

ตั้งแต่การสั่งอาหารไปจนถึงวิดีโอออนดีมานด์และการสตรีมเสียงไปจนถึงแฟชั่น ระบบการแนะนำช่วยขับเคลื่อนแอปพลิเคชันที่ได้รับความนิยมมากที่สุดในปัจจุบัน สำรวจวิธีที่คุณสามารถสร้างระบบการแนะนำที่พร้อมสำหรับการผลิตด้วยไลบรารีโอเพ่นซอร์สและเครื่องมือจากระบบนิเวศ TensorFlow

ระบบการแนะนำช่วยเพิ่มการมีส่วนร่วมของผู้ใช้ภายในแอปของคุณและยกระดับประสบการณ์ผู้ใช้ด้วยการมอบเนื้อหาที่เป็นที่ต้องการมากที่สุด ผู้แนะนำสมัยใหม่คือระบบที่ซับซ้อนซึ่งมักจะถูกแบ่งออกเป็นหลายขั้นตอนเพื่อให้เกิดเวลาแฝงในการผลิตที่ต่ำ ผ่านขั้นตอนการดึงข้อมูล การจัดอันดับ และความเป็นไปได้หลังการจัดอันดับ รายการที่ไม่เกี่ยวข้องจะถูกค่อยๆ กรองออกจากกลุ่มผู้สมัครจำนวนมาก และรายการตัวเลือกที่ผู้ใช้มีแนวโน้มที่จะโต้ตอบด้วยมากที่สุดจะถูกนำเสนอในที่สุด

เริ่มต้นสร้างด้วย TensorFlow Recommenders ซึ่งเป็นเฟรมเวิร์กที่ใช้งานง่ายซึ่งอำนวยความสะดวกในขั้นตอนการทำงานเต็มรูปแบบในการสร้างระบบผู้แนะนำตั้งแต่การเตรียมข้อมูลไปจนถึงการใช้งาน

เมื่อคุณฝึกฝนโมเดลของคุณเสร็จแล้ว ให้ปรับใช้โมเดลดังกล่าวในการใช้งานจริงเพื่อให้คำแนะนำแก่ผู้ใช้ปลายทาง TensorFlow Serving สร้างแบบจำลองของคุณเพื่อการอนุมานที่มีประสิทธิภาพสูง โดยมีจุดมุ่งหมายเพื่อเพิ่มปริมาณงานของโมเดลการเรียนรู้ของเครื่องให้สูงสุด และสามารถรองรับโมเดลคำแนะนำขนาดใหญ่ที่ต้องมีการให้บริการแบบกระจาย

# 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]]}
code_blocks
เรียนรู้วิธีสร้างและปรับใช้ระบบการแนะนำสแต็กแบบเต็มด้วย TensorFlow

ปรับปรุงขั้นตอนการดึงข้อมูลและการจัดอันดับของกลไกการแนะนำ

ระบบการแนะนำขนาดใหญ่จำเป็นต้องมีการพิจารณารายการที่เกี่ยวข้องมากที่สุดจากผู้สมัครหลายล้านคนผ่านขั้นตอนการดึงข้อมูลและการจัดอันดับอย่างมีประสิทธิภาพและประสิทธิผล เสริมผู้แนะนำ TensorFlow ด้วยอัลกอริธึมการค้นหา Approximate Nearest Neighbor (ANN) ที่ล้ำสมัยและเทคนิคการเรียนรู้อันดับ (LTR) เพื่อปรับปรุงคำแนะนำ

Google ScanNN

ScaNN เป็นไลบรารีสำหรับการค้นหาความคล้ายคลึงกันของเวกเตอร์ในขนาดต่างๆ โดยใช้ประโยชน์จากเทคนิค ANN ที่ล้ำสมัย เช่น การแฮชแบบอสมมาตรและการหาปริมาณแบบแอนไอโซทรอปิก เพื่อเร่งการดึงข้อมูลผู้สมัครอันดับต้นๆ

อันดับเทนเซอร์โฟลว์

TensorFlow Ranking เป็นไลบรารีสำหรับการพัฒนาโมเดล LTR แบบนิวรัลที่ปรับขนาดได้ มีฟังก์ชันเพิ่มเติมเพื่อจัดอันดับรายการผู้สมัครเพื่อเพิ่มยูทิลิตี้การจัดอันดับให้สูงสุด

ปรับการฝังขนาดใหญ่ให้เหมาะสมสำหรับการฝึกโมเดลและการอนุมาน

การดำเนินการค้นหาแบบฝังเป็นองค์ประกอบที่สำคัญสำหรับระบบการแนะนำขนาดใหญ่ ใช้ประโยชน์จากการเร่งด้วยฮาร์ดแวร์และเทคโนโลยีการฝังแบบไดนามิกเพื่อเอาชนะปัญหาคอขวดด้านประสิทธิภาพที่พบบ่อยในตารางการฝังขนาดใหญ่

การฝัง TensorFlow TPU

API เลเยอร์ TPUEmbedding อำนวยความสะดวกในการฝึกอบรมและให้บริการตารางการฝังขนาดใหญ่บน Tensor Processing Units (TPU)

ส่วนเสริมผู้แนะนำ TensorFlow

ส่วนเสริมผู้แนะนำ TensorFlow เป็นโปรเจ็กต์ที่สนับสนุนโดยชุมชนซึ่งใช้ประโยชน์จากเทคโนโลยีการฝังแบบไดนามิกซึ่งมีประโยชน์อย่างยิ่งสำหรับการเรียนรู้ออนไลน์

รักษาความเป็นส่วนตัวของผู้ใช้

กลไกการแนะนำแบบดั้งเดิมอาศัยการรวบรวมบันทึกการโต้ตอบของผู้ใช้และโมเดลคำแนะนำการฝึกอบรมตามกิจกรรมของผู้ใช้ดิบ ตรวจสอบให้แน่ใจว่าข้อมูลผู้ใช้ยังคงเป็นส่วนตัวโดยผสมผสานหลักปฏิบัติในการพัฒนา AI อย่างมีความรับผิดชอบ

คำแนะนำบนอุปกรณ์ TensorFlow Lite

TensorFlow Lite นำเสนอโซลูชันการแนะนำบนอุปกรณ์ที่ได้รับคำแนะนำที่มีความหน่วงต่ำและมีคุณภาพสูง ในขณะเดียวกันก็เก็บข้อมูลผู้ใช้ทั้งหมดไว้ในอุปกรณ์เคลื่อนที่

การสร้างใหม่แบบรวมศูนย์ด้วย TensorFlow Federated

TensorFlow Federated เป็นเฟรมเวิร์กสำหรับการเรียนรู้แบบรวมศูนย์และการคำนวณอื่นๆ บนข้อมูลแบบกระจายอำนาจ การสร้างใหม่แบบรวมศูนย์นำการแยกตัวประกอบแบบเมทริกซ์มาสู่การตั้งค่าการเรียนรู้แบบรวมศูนย์ และปกป้องความเป็นส่วนตัวของผู้ใช้สำหรับคำแนะนำได้ดียิ่งขึ้น

ใช้เทคนิคขั้นสูงสำหรับผู้แนะนำที่ซับซ้อนมากขึ้น

แม้ว่าโมเดลการกรองการทำงานร่วมกันแบบคลาสสิกจะใช้กันอย่างแพร่หลายในอุตสาหกรรม แต่ก็มีแนวโน้มเพิ่มขึ้นในการนำเทคนิคขั้นสูงมาใช้ เช่น การเรียนรู้แบบเสริมกำลังและโครงข่ายประสาทเทียมแบบกราฟ (GNN) เพื่อสร้างระบบการแนะนำ

โจรตัวแทน TensorFlow

TensorFlow Agents Bandits เป็นคลังอัลกอริธึมโจรที่ครอบคลุมซึ่งสามารถสำรวจและใช้ประโยชน์ได้อย่างมีประสิทธิภาพในการตั้งค่ากลไกการแนะนำ

เทนเซอร์โฟลว์ GNN

TensorFlow GNN เป็นไลบรารีที่สามารถอำนวยความสะดวกในการแนะนำรายการตามโครงสร้างเครือข่ายได้อย่างมีประสิทธิภาพ และใช้ร่วมกับแบบจำลองการดึงข้อมูลและการจัดอันดับ

AI กำเนิด

เรียนรู้วิธีใช้โมเดลภาษาขนาดใหญ่ (LLM) เช่น PaLM API เพื่อเพิ่มระบบการแนะนำของคุณ

อ้างอิงโมเดลคำแนะนำที่ล้ำสมัย

หากต้องการเปรียบเทียบประสิทธิภาพสำหรับโมเดลที่เป็นที่รู้จักหรือสร้างโมเดลแนะนำของคุณเอง โปรดดูการใช้งาน TensorFlow อย่างเป็นทางการของโมเดลยอดนิยม เช่น NCF, DLRM และ DCN v2 เพื่อดูแนวทางปฏิบัติที่ดีที่สุด

ทรัพยากรทางการศึกษา

เรียนรู้เพิ่มเติมเกี่ยวกับการสร้างระบบการแนะนำโดยทำตามหลักสูตรและวิดีโอทีละขั้นตอน

ระบบการแนะนำในโลกแห่งความเป็นจริง

สำรวจตัวอย่างและกรณีศึกษาของระบบการแนะนำที่ขับเคลื่อนการใช้งานในทุกอุตสาหกรรม

วิดีโอออนไลน์

เรียนรู้ว่า YouTube สร้างระบบการแนะนำที่มีประสิทธิภาพในลักษณะที่มีความรับผิดชอบได้อย่างไร

อีคอมเมิร์ซ

อ่านเกี่ยวกับวิธีที่ Digitec Galaxus ฝึกอบรมและให้บริการจดหมายข่าวส่วนบุคคลหลายล้านฉบับต่อสัปดาห์กับตัวแทน TFX และ TensorFlow

ร้านขายของชำ

เรียนรู้วิธีที่ HarperDB ใช้ TensorFlow Recommenders และ TensorFlow.js เพื่อสร้างระบบการแนะนำที่อิงการกรองแบบร่วมมือกันสำหรับสินค้าในร้านขายของชำ

การสตรีมเสียง

เรียนรู้ว่า Spotify ใช้ประโยชน์จากระบบนิเวศ TensorFlow เพื่อออกแบบโปรแกรมจำลองออฟไลน์ที่ขยายได้ และฝึกอบรมตัวแทน RL เพื่อสร้างคำแนะนำเพลย์ลิสต์ได้อย่างไร