Sistemas de recomendação de sessão utilizando NLP aplicados à indústria 4.0

Abstract

O presente trabalho tem como objetivo identificar e explorar o uso da tecnologia de processamento de linguagem natural (NLP) em sistemas de recomendação baseadas em sessão e sua aplicabilidade à Indústria 4.0. Neste sentido, foi implementado o modelo Transformers4rec, baseado em transformers, utilizando a plataforma Vertex AI da Google para realizar os testes. Inicialmente, foi criado um projeto na plataforma e o kernel Merlin PyTorch foi utilizado para desenvolver os notebooks de teste. Foi selecionado um subconjunto do conjunto de dados de comércios eletrônicos referente ao mês de outubro de 2019. Foi utilizada uma GPU NVIDIA Tesla A100 disponibilizada gratuitamente pela plataforma Vertex AI. Foram exploradas duas abordagens diferentes: o uso do modelo GRU e o uso do modelo XLNet com e sem informações adicionais, bem como as métricas NDCG@10, NDCG@20, Recall10 e Recall20. Modelos mais avançados, como o XLNet com informações adicionais, incluindo metadados de itens e contexto do usuário, pode levar a resultados de recomendação mais precisos e personalizados. Esses modelos podem contribuir para a eficiência e otimização dos processos industriais na Indústria 4.0 e podem nortear futuras pesquisas nessa área, impulsionando ainda mais a eficiência e a otimização dos referidos processos. No entanto, também identificamos desafios associados a essas abordagens, como a utilização de GPUs mais potentes para treinamento de modelos de recomendação baseados em sessão que requerem um maior consumo de energia, o que pode ter um impacto negativo na sustentabilidade ambiental, além dos elevados recursos financeiros e infraestrutura. Tais desafios podem representar um obstáculo para a implementação generalizada dessas técnicas, especialmente para empresas com recursos financeiros limitados.

The present work aims to identify and explore the use of natural language processing technology (NLP) in session-based recommendation systems and its applicability to Industry 4.0. In this regard, the Transformers4rec model, based on transformers, was implemented using Google's Vertex AI platform to perform the tests. Initially, a project was created on the platform and the Merlin PyTorch kernel was used to develop the test notebook. A subset of the e-commerce data set from the month of October 2019 was selected. It was used an NVIDIA Tesla A100 GPU available for free on Vertex AI platform. Two different approaches were explored: using the GRU model and using the XLNet model with and without additional information, as well as the metrics NDCG@10, NDC G@20, Recall10 and Recall20. More advanced models such as XLNet with additional information, such as item metadata and user context, can lead to more accurate and personalized recommendation results, which can contribute to the efficiency and optimization of industrial processes in Industry 4.0, and can guide future research in this area, further boosting the effectiveness and optimization of Industrial Processes in Industries 4.0. However, we also identified challenges associated with these approaches, such as using more powerful GPUs for training session-based recommendation models that require higher energy consumption, which can have a negative impact on environmental sustainability, in addition to high financial resources and infrastructure. Such challenges may represent an obstacle to the widespread implementation of these techniques, especially for companies with limited financial resources.