AI & Analytics

Databricks: real-time aanbevelingssysteem bouwen

Databricks Blog
Databricks: real-time aanbevelingssysteem bouwen

Samenvatting

Databricks Feature Views bouwen een real-time aanbevelingssysteem met live klantgedrag en 34 ms p95-latentie.

Databricks Feature Views combineren batch en streaming

Databricks beschrijft een open-source Solution Accelerator voor een next-best-offer-aanbevelingssysteem voor financiële dienstverlening. De accelerator gebruikt Feature Views om features één keer te definiëren voor training en serving, met een uitbreiding voor streamingdata en sessie-intentie.

Het systeem rangschikt aanbiedingen op basis van actueel klantgedrag, zoals het bekijken van rekeningen, creditcards of een leningcalculator. De beschreven implementatie haalt een p95-latentie van 34 milliseconden.

Waarom Databricks Feature Views belangrijk zijn

Een aanbevelingsmodel heeft historische featurewaarden nodig voor training en actuele waarden voor voorspellingen. Traditioneel vereisen die taken een batchpijplijn en een afzonderlijke streamingjob. Dubbele logica kan na verloop van tijd uiteenlopen, met train-serve skew en een lagere modelnauwkeurigheid als gevolg.

Feature Views centraliseren de definitie. Batchfeatures gaan naar offline Delta-tabellen voor point-in-time-correcte training en naar een online store voor snelle serving. Streamingfeatures worden continu geaggregeerd in de online store. De create_training_set-API haalt voor elk gelabeld event de waarden op die op dat moment bestonden, zodat toekomstige data niet in de training terechtkomt.

Databricks positioneert de Solution Accelerator als een uitvoerbaar vertrekpunt: de notebooks kunnen worden gekloond en end-to-end op Databricks worden uitgerold. Daarmee biedt het voorbeeld een concreet alternatief voor afzonderlijke featurelogica in batch- en streamingomgevingen, zonder dat de bron een vergelijking met andere platforms maakt.

Concrete takeaway voor Databricks Feature Views

Gebruik de accelerator als technische referentie wanneer je een aanbevelingssysteem bouwt. Controleer vooral of dezelfde Feature Views voor training en serving gelden, of historische waarden point-in-time correct blijven en of de online store de gewenste responstijd haalt.

Lees het volledige artikel
Meer over AI & Analytics →