Sistemas de recomendação
De pedidos de alimentos a vídeos on demand e de streaming de áudio à moda, os sistemas de recomendação impulsionam alguns dos apps atuais mais populares. Explore como você pode criar sistemas de recomendação prontos para produção com bibliotecas e ferramentas de código aberto do ecossistema TensorFlow.
Os sistemas de recomendação aumentam o engajamento do usuário dentro do seu app e melhoram a experiência do usuário oferecendo o conteúdo mais atraente. Os recomendadores modernos são sistemas complexos normalmente divididos em várias fases para atingir baixa latência na produção. Usando etapas de recuperação, classificação e potencialmente pós-classificação, os itens irrelevantes são gradualmente filtrados e excluídos de um grande grupo de candidatos, e uma lista de opções com as quais os usuários têm maior chance de interagir é finalmente apresentada.
Comece a criar com a TensorFlow Recommenders, um framework que facilita todo o fluxo de trabalho de criação de um sistema de recomendação, da preparação dos dados à implantação.
Quando terminar de treinar seus modelos, implante-os na produção para oferecer recomendações aos usuários finais. O TensorFlow Serving produz seus modelos para inferências de alto desempenho. Ele tem como objetivo potencializar o rendimento dos modelos de machine learning e oferecer suporte a grandes modelos de recomendação que requerem uma disponibilização distribuída.
# 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]]}
Melhore as fases de recuperação e classificação dos mecanismo de recomendação
Os sistemas de recomendação em larga escala exigem que os itens mais relevantes sejam determinados a partir de milhões de candidatos através das etapas de recuperação e classificação de uma maneira eficaz e eficiente. Complemente os recomendadores do TensorFlow com algoritmos de busca de última geração do vizinho mais próximo aproximado (ANN, na sigla em inglês) na biblioteca do ScaNN e técnicas de aprendizado para classificação (LTR, na sigla em inglês) na biblioteca do TensorFlow Ranking para melhorar as recomendações.
O ScaNN é uma biblioteca para busca de similaridade vetorial em grande escala. Ele aproveita técnicas de rede neural artificial (ANN, na sigla em inglês) de última geração, como hash assimétrico e quantização anisotrópica para acelerar a recuperação dos principais candidatos.
O TensorFlow Ranking é uma biblioteca para desenvolver modelos neurais LTR escaláveis. Ele oferece funcionalidades adicionais para classificar itens de candidatos para ampliar a utilização da classificação.
Otimize embeddings grandes para treinamentos de modelo e inferência
A operação de busca de incorporações é um componente crucial para sistemas de recomendação de larga escala. Use aceleração de hardware e tecnologias de incorporação dinâmicas para superar os gargalos de desempenho que são comuns em grandes tabelas incorporadas.
A API Layers TPUEmbedding ajuda no treinamento e na veiculação de grandes tabelas incorporadas em Unidades de Processamento de Tensor (TPUs).
O TensorFlow Recommenders Addons é um projeto de contribuições da comunidade que usa tecnologias de incorporações dinâmicas e que é muito útil para o aprendizado on-line.
Assegure a privacidade do usuário
Os mecanismos tradicionais de recomendação dependem da coleta de logs de interação do usuário e treinamento de modelos de recomendação baseados nas atividades puras do usuário. Verifique se os dados do usuário continuam particulares integrando as práticas de desenvolvimento da IA responsável.
O TensorFlow Lite oferece uma solução de recomendação no dispositivo que alcança recomendações de baixa latência e alta qualidade, enquanto mantém todos os dados dos usuários nos dispositivos móveis.
O TensorFlow Federated é uma estrutura de aprendizado federado e outros cálculos sobre dados descentralizados. O Federated Reconstruction traz a fatoração de matrizes para a configuração de aprendizado federado e protege melhor a privacidade do usuário para as recomendações.
Use técnicas avançadas para recomendadores mais sofisticados
Enquanto os modelos clássicos de filtragem colaborativa são amplamente utilizados na indústria, há uma tendência crescente na adoção de técnicas avançadas, como o aprendizado de reforço e as Redes Neurais Gráficas (GNNs, na sigla em inglês), para criar sistemas de recomendação.
O TensorFlow Agents Bandits é uma biblioteca abrangente de algoritmos bandidos que pode explorar e aproveitar de forma eficiente a configuração do mecanismo de recomendação.
O TensorFlow GNN é uma biblioteca que pode facilitar de maneira eficiente as recomendações de itens com base em estruturas de rede e ser usada em conjunto com modelos de recuperação e classificação.
Saiba como usar modelos de linguagem grandes (LLMs) como a API PaLM para ampliar seus sistemas de recomendação.
Indique modelos de recomendação de última geração
Para avaliar o desempenho de um modelo conhecido ou construir seus próprios modelos de recomendação, confira as implementações oficiais do TensorFlow de modelos populares, como NCF, DLRM e DCN v2, e conheça as práticas recomendadas.
Recursos educacionais
Saiba mais sobre como criar sistemas de recomendação seguindo cursos e vídeos com instruções detalhadas.
Sistemas de recomendação do mundo real
Explore exemplos e estudos de caso de sistemas de recomendação que potencializam apps em todos os setores.
Saiba como o YouTube cria seu sistema poderoso de recomendação de maneira responsável.
Leia sobre como a Digitec Galaxus treina e fornece milhões de newsletters personalizadas semanalmente com o TFX e Agentes TensorFlow.
Saiba como HarperDB usa o TensorFlow.js para criar um sistema de recomendação baseado em filtragem colaborativa para artigos de mercado.
Saiba como o Spotify usou o ecossistema do TensorFlow para criar um simulador off-line extensível e treinar agentes de aprendizado por reforço para gerar recomendações de playlists.