이 페이지에서는 새 추천 모델을 만드는 방법을 설명합니다.
이미 올바른 유형의 추천 모델이 있는데 이를 사이트의 다른 위치에서 예측하려면 새 모델을 만드는 대신 모델의 새 서빙 구성을 만들면 됩니다. 자세히 알아보기
소개
예측을 가져오는 데 새 추천 유형을 사용하려면 새 추천 모델을 만들고 모델이 학습할 수 있는 충분한 사용자 이벤트 데이터를 제공해야 합니다. 새 모델의 서빙 구성을 만들고 모델이 학습을 완료하면 이러한 서빙 구성에서 예측을 요청합니다.
Vertex AI Search for Retail 사용 프로세스에 대한 개요는 Vertex AI Search for Retail 구현을 참조하세요.
추천 모델 만들기
Search for Retail 콘솔 또는 models.Create API 메서드를 사용하여 새 추천 모델을 추가합니다.
프로젝트당 최대 20개의 모델을 만들 수 있으며 언제든지 최대 10개의 모델을 활성화할 수 있습니다(일시중지되지 않음). 모델 일시중지에 대해 자세히 알아보세요.
분당 최대 5개의 모델 작업을 시작할 수 있습니다. 한도가 적용되는 모델 작업에는 생성, 삭제, 일시중지, 다시 시작 등이 있습니다.
새 모델을 만들기 전에 다음을 수행합니다.
- 사용 가능한 추천 모델 유형과 모델 비즈니스 목표를 검토하고 선택합니다. 이를 통해 이 모델을 학습시키기 위해 제공해야 하는 추천의 종류를 결정합니다.
- 모델 조정 빈도를 선택합니다. 조정 및 학습 비용에 대한 자세한 내용은 가격 책정을 참조하세요.
- 새 모델 만들기 요구사항을 충족할 만큼 충분한 데이터가 업로드되었는지 확인합니다. 일부 요구사항은 선택한 모델 유형에 따라 다릅니다.
페이지 수준 최적화 모델을 만들려면 다음 안내를 따르세요.
학습된 모델이 연결된 추천 서빙 구성이 이미 있는지 확인합니다. 페이지 추천을 최적화할 때 페이지 수준 최적화에서 선택할 수 있는 일련의 추천 서빙 구성을 제공해야 합니다.
detail-page-view이벤트 및 페이지 수준 최적화 모델을 배포할 페이지 유형과 일치하는 이벤트에 이벤트 기록을 설정합니다. 예를 들어 홈페이지에 모델을 배포하는 경우home-page-view이벤트의 녹음을 설정해야 합니다. 맞춤형 추천을 개선하려면purchase및add-to-cart이벤트의 이벤트 기록도 설정하는 것이 좋습니다.전환율(CVR) 비즈니스 목표를 선택하면
add-to-cart이벤트의 이벤트 기록이 필요합니다.페이지 수준 최적화 모델을 만든 후에는 모델을 계속 쿼리하여 추천 노출을 만들어야 합니다. 이러한 노출은 페이지 수준 최적화 모델을 학습시키고 제공하는 추천을 개선하는 데 사용됩니다.
새 모델을 만들려면 다음 안내를 따르세요.
Google Cloud 콘솔
Search for Retail 콘솔의 모델 페이지로 이동합니다.
모델 페이지로 이동모델 만들기를 클릭합니다.
모델의 이름을 입력합니다.
이름은 1,024자(영문 기준) 이하여야 하고 영숫자 문자, 밑줄, 하이픈, 공백만 포함할 수 있습니다.
추천 유형을 선택합니다.
페이지 수준 최적화 모델 유형을 선택한 경우 다음을 수행합니다.
'페이지 수준 최적화' 모델에서 최적화할 페이지 유형을 선택합니다.
패널 간에 유사한 서빙 구성 제공을 제한하는 정도를 선택합니다.
고유한 모델 유형: 모델 유형이 같은 서빙 구성 여러 개를 다른 패널에 표시할 수 없습니다.
고유한 모델: 모델이 같은 서빙 구성 여러 개를 다른 패널에 표시할 수 없습니다.
고유한 서빙 구성: 동일한 서빙 구성을 여러 패널에 표시할 수 없습니다.
제한 없음: 패널 수에 관계없이 모든 서빙 구성을 표시할 수 있습니다.
이 모델과 함께 표시하려는 추천 패널마다 다음을 수행합니다.
패널 ID를 입력합니다.
페이지 수준 최적화 모델이 해당 패널의 옵션으로 고려할 수 있는 서빙 구성을 선택합니다.
예를 들어 장바구니에 추가 페이지에는 자주 함께 구매하는 항목 또는 내가 좋아할 만한 기타 항목 추천을 표시할 수 있는 추천 패널이 있습니다. 이 경우 자주 함께 구매하는 항목 모델을 사용하는 서빙 구성과 이 패널에서 고려사항에 내가 좋아할 만한 기타 항목 모델을 사용하는 다른 서빙 구성을 선택합니다. 페이지 수준 최적화 모델을 예측 호출하면 최종 사용자의 활동 내역을 기반으로 해당 패널에 표시해야 하는 추천 유형이 선택됩니다.
기본 서빙 구성을 선택합니다.
Google 서버 중단이 발생하더라도 페이지 수준 최적화 모델은 기본 서빙 구성에서 결과를 계속 제공할 수 있습니다.
추가 패널을 만들어야 하는 경우 새 패널마다 패널 추가를 클릭하고 새 패널 세부정보를 입력합니다.
선택한 모델 유형에 사용할 수 있으면 비즈니스 목표를 선택합니다.
자주 함께 구매하는 항목 모델 유형을 선택한 경우 컨텍스트 제품 유형을 선택합니다.
- 여러 컨텍스트 제품: 1개 이상의 항목을 이 모델의 추천에 대한 컨텍스트로 사용합니다.
- 단일 컨텍스트 제품: 항목 1개를 이 모델의 추천에 대한 컨텍스트로 사용합니다.
데이터 요구사항이 충족되었나요? 목록을 검토하여 선택한 모델 유형에 충분한 데이터를 업로드했는지 확인합니다.
충족되지 않은 데이터 요구사항으로 인해 모델을 만들 수 없는 경우 X cancel 아이콘이 요구사항 옆에 나타나고 추천 모델 만들기 창 하단에 있는 만들기 버튼이 중지됩니다.
더 많은 데이터를 업로드해야 하는 경우 나열된 데이터 요구사항을 신중히 검토하여 해당 모델에 대해 일부 또는 전부를 충족해야 하는지 확인한 후 모델을 만드는 데 필요한 사용자 이벤트나 제품을 가져옵니다.
가져오는 방법은 이전 사용자 이벤트 가져오기 및 카탈로그 정보 가져오기를 참조하세요.
모델 조정 빈도를 선택합니다. 조정 비용에 대한 자세한 내용은 가격 책정을 참조하세요.
- 3개월마다: 모델이 3개월마다 자동으로 조정됩니다.
- 수동 조정만: 모델을 수동으로 조정하는 경우에만 모델이 조정됩니다.
(공개 미리보기 기능) 필터링할 태그를 자동으로 생성할지 여부를 선택합니다.
- 태그 자동 생성: 이 옵션을 사용 설정하면 이 모델의 추천 결과를 필터링할 수 있습니다. 이 옵션을 사용 설정하면 학습 시간이 늘어날 수 있습니다. 학습 비용에 대한 자세한 내용은 가격 책정을 참조하세요.
- 태그 생성 안함: 이 옵션을 사용 중지하면 이 모델에서 필터링된 추천을 가져올 수 없습니다.
만들기를 클릭하여 새 추천 모델을 만듭니다.
필요한 유형의 사용자 이벤트 데이터를 충분히 업로드하면 초기 모델 학습 및 조정이 시작됩니다. 초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸리지만 데이터 세트가 대규모일 경우에는 더 오래 걸릴 수 있습니다.
학습이 완료되기 전에 새 모델의 서빙 구성을 생성할 수 있지만 초기 학습 및 미세 조정이 완료되고 모델이 활성화될 때까지는 예측 '테스트 실행'만 지원됩니다.
curl
요청 본문에 Model의 인스턴스를 사용하여 v2 API에 대한 Models.create 요청을 실행합니다. Models.create API 참조를 참조하세요.
모든 Models 필드에 대한 자세한 내용은 Models API 참조를 확인하세요.
curl -X POST \ -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \ -H "Content-Type: application/json; charset=utf-8" \ --data '{ "name": "FULL_MODEL_NAME", "displayName": "DISPLAY_NAME", "trainingState": "TRAINING_STATE", "type": "MODEL_TYPE", "optimizationObjective": "OPTIMIZATION_OBJECTIVE", "periodicTuningState": "TUNING_STATE", "filteringOption": "FILTERING_STATE", "modelTypeConfig" { "contextProductsType": "CONTEXT_PRODUCTS_TYPE" } }' \ "https://retail.googleapis.com/v2beta/projects/PROJECT_NUMBER/locations/global/catalogs/default_catalog/models"
필요한 유형의 사용자 이벤트 데이터를 충분히 업로드하면 초기 모델 학습 및 조정이 시작됩니다. 초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸리지만 데이터 세트가 대규모일 경우에는 더 오래 걸릴 수 있습니다.
학습이 완료되기 전에 새 모델의 서빙 구성을 생성할 수 있지만 초기 학습 및 미세 조정이 완료되고 모델이 활성화될 때까지는 예측 '테스트 실행'만 지원됩니다.
새 추천 모델을 만들기 위한 요구사항
사이트에 특정 추천 유형을 처음 사용할 때는 새로운 머신러닝 모델을 학습시키고 미세 조정하는 데 시간이 걸리며 충분한 학습 데이터도 필요합니다. 새 추천 유형의 사용을 시작하려면 다음 단계를 수행해야 합니다.
- 아직 가져오지 않았으면 Vertex AI Search for Retail로 카탈로그를 가져오고 업로드된 카탈로그를 최신 상태로 유지하는 프로세스를 구현합니다.
- 아직 기록을 시작하지 않았다면 Vertex AI Search for Retail에 사용자 이벤트 기록을 시작하고 사용자 이벤트 데이터 기록 권장사항을 따라야 합니다.
- 사용할 추천 유형과 최적화 목표를 식별합니다.
- 원하는 추천 유형 및 목표에 대한 사용자 이벤트 데이터 요구사항을 확인합니다.
- 최소 이벤트 데이터 요구사항을 충족하기 위해 이전 사용자 이벤트 데이터 가져오기를 수행하거나 사용자 이벤트 데이터 수집이 최소 요구사항을 충족할 때까지 기다립니다.
-
이제 Vertex AI Search for Retail이 모델 학습 및 조정을 시작합니다. 초기 모델 학습 및 미세 조정을 완료하는 데 2~5일이 걸리지만 데이터 세트가 대규모일 경우에는 더 오래 걸릴 수 있습니다.
예측 미리보기를 사용하여 모델이 제대로 작동하는지 확인합니다.
A/B 실험을 만듭니다.
모델 유형 최소 데이터 요구사항
가져오는 사용자 이벤트 유형과 필요한 데이터 양은 추천 (모델) 유형과 최적화 목표에 따라 다릅니다. 최소 데이터 요구사항에 도달하면 모델 학습을 시작할 수 있습니다.
데이터 수집 기간은 사용자 이벤트 기간을 나타냅니다. 이전 데이터를 더 많이 가져와도 모델 품질에 영향을 주지 않습니다.
실제 사용자 이벤트와 실제 카탈로그 데이터를 사용해야 합니다. 합성 데이터로는 좋은 품질의 모델을 빌드할 수 없습니다.
| 모델 유형 | 최적화 목표 | 지원되는 사용자 이벤트 유형 | 최소 데이터 요구사항 | 데이터 수집 기간 |
|---|---|---|---|---|
| 추천 서비스 | 클릭률 |
detail-page-viewhome-page-view
|
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안 10,000건의 |
3개월 |
| 추천 서비스 | 전환율 |
add-to-cartdetail-page-viewhome-page-view
|
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안 10,000건의 |
3개월 |
| 추천 서비스 | 세션당 수익 |
add-to-cartdetail-page-viewhome-page-view
|
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안 10,000건의 |
3개월 |
| 내가 좋아할 만한 기타 항목 | 클릭률 |
detail-page-view
|
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 |
3개월 |
| 내가 좋아할 만한 기타 항목 | 전환율 |
add-to-cartdetail-page-view
|
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 |
3개월 |
| 내가 좋아할 만한 기타 항목 | 세션당 수익 |
add-to-cartdetail-page-view
|
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 |
3개월 |
| 자주 함께 구매하는 항목 | 세션당 수익 |
purchase-complete
|
카탈로그 항목당 평균(1년 기간) 10회의
지난 1년 동안
지난 1년 동안 1,000건의 |
3개월 우수한 데이터 품질을 유지하려면 이벤트를 최소한 매일 업로드하는 것이 좋습니다. 이전 이벤트를 가져오는 동안에 데이터 분포에서 최근 타임스탬프로 편향되는지 확인합니다. 마지막 타임스탬프 날짜의 이벤트 수는 평균 일일 이벤트 수와 같거나 더 많아야 합니다. |
| 할인 판매 중 | 클릭률 |
detail-page-viewhome-page-view
|
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안 10,000건의 |
3개월 |
| 할인 판매 중 | 전환율 |
add-to-cartdetail-page-viewhome-page-view
|
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안
지난 90일 동안 10,000건의 AND
지난 90일 동안 7일간의
지난 90일 동안 10,000건의 |
3개월 |
| 유사 항목 | 해당 사항 없음 | 필요 사항 없음 |
제품 SKU 100개가 일부 브랜치에 있어야 함 |
해당 사항 없음 |
| 페이지 수준 최적화 | 모두 |
detail-page-viewadd-to-cartpurchase-completehome-page-view
|
페이지 수준 최적화는 가능한 여러 모델 중에서 선택하여 추천 패널을 최적화합니다. 페이지 수준 최적화 옵션으로 선택한 모델의 데이터 요구사항을 참조하세요. |
해당 사항 없음 |
| 다시 구매하기 | 해당 사항 없음 |
purchase-complete
|
카탈로그 항목당 평균(90일 기간) 10회의
지난 90일 동안
지난 90일 동안 1,000건의 제품 SKU 100개가 일부 브랜치에 있어야 함 |
해당 사항 없음 우수한 데이터 품질을 유지하려면 이벤트를 최소한 매일 업로드하는 것이 좋습니다. 이전 이벤트를 가져오는 동안에 데이터 분포에서 최근 타임스탬프로 편향되는지 확인합니다. 마지막 타임스탬프 날짜의 이벤트 수는 평균 일일 이벤트 수와 같거나 더 많아야 합니다. |
다음 단계
- 모델의 서빙 구성 만들기
- 모델 학습 일시중지 및 재개 방법 알아보기
- 모델 학습이 완료되면 추천 요청 시작