Un moteur de recommandation journalise chaque requête d’inférence et chaque recommandation, recueille les retours utilisateurs, capture des instantanés de caractéristiques et calcule des métriques de suivi avec des alertes de dérive.
Comprenez les décisions qui le sous-tendent.
Séparer InferenceRequest, Recommendation et FeedbackEvent pour isoler le service, le classement et la vérité terrain
Suivre ModelVersion et FeatureSnapshot afin de corréler la dérive avec les déploiements et la distribution des entrées
Utiliser MonitoringMetric et DriftAlert pour stocker les KPI calculés et les actions opérationnelles
Utilisez cet ERD pour concevoir un stockage de données destiné au suivi en temps réel des inférences ML, notamment pour les moteurs de recommandation ou de classement nécessitant des boucles de retour et la détection de dérive.