Przejdź do treści

Tutoriale how-to

System rekomendacji na EKS: co wiadomo o Allegro i kosztach

Zaktualizowano: Autor: Andrzej Niemiec10 min czytania

Allegro używa Kubernetesa i systemu Two-Tower, ale publiczne źródła nie potwierdzają EKS. Jak działa wieloetapowy system rekomendacji i za co płaci się w EKS.

System rekomendacji na EKS: co wiadomo o Allegro i kosztach
Spis treści
  1. Czy Allegro uruchomiło system rekomendacji na Amazon EKS?
  2. Jak działa wieloetapowy system rekomendacji?
  3. Czym Two-Tower różni się od pełnego rankingu katalogu?
  4. Ile kosztuje EKS i co wchodzi do rachunku?
  5. Który wariant infrastruktury wybrać?
  6. Jak mierzyć skuteczność rekomendacji?
  7. Jak porównać koszty bez wspólnego mianownika?
  8. Najczęstsze pytania
  9. Źródła

Czy Allegro uruchomiło system rekomendacji na Amazon EKS?

Nie ma publicznego źródła, które potwierdzałoby, że system rekomendacji Allegro działa na Amazon EKS. Wpis Allegro Tech z 11 kwietnia 2024 opisuje dziesięć lat mikroserwisów i migrację infrastruktury z Mesos do Kubernetesa [1]. Opis wystąpienia zaplanowanego na 26 listopada 2025 zapowiada zunifikowany system Two-Tower, który generuje sugestie produktów w czasie rzeczywistym [2]. Ani wpis o migracji, ani opis wystąpienia nie wskazują Amazon EKS jako platformy rekomendacji.

To rozróżnienie ma praktyczne znaczenie. Kubernetes opisuje sposób uruchamiania kontenerów. EKS to zarządzana usługa, która ten Kubernetes hostuje i rozlicza według własnego cennika [3]. System rekomendacji można postawić na klastrze zarządzanym, na własnych serwerach albo na klastrze budowanym samodzielnie. Każda droga ma inny koszt stały i inny koszt rosnący z ruchem.

Jak działa wieloetapowy system rekomendacji?

Wieloetapowy system dzieli jedno trudne zadanie na kilka tańszych. Najpierw zawęża katalog do kilkuset lub kilku tysięcy kandydatów. Potem porządkuje ich prostym modelem. Na końcu dopracowuje kolejność droższym modelem, ale na wąskiej liście.

Skala katalogu wyjaśnia ten podział. Allegro AI Hub wskazuje ranking obejmujący około 300 mln ofert [4]. Pełny ranking całego katalogu przy każdym żądaniu oznacza pracę rosnącą wraz z liczbą ofert. Retrieval i filtrowanie zamieniają ją na stały koszt przybliżenia, a dokładny ranking zostaje przy setkach pozycji. Ten podział opisują też opracowania o systemach rekomendacji w e-commerce [5] i o uczeniu maszynowym w rekomendacjach [6].

Kolejność etapów ma skutek dla infrastruktury. Retrieval pracuje na indeksie wektorowym i wymaga pamięci, a nie dużych modeli. Ranking pracuje na krótkiej liście i wymaga procesora graficznego albo wyspecjalizowanego serwera wnioskowania. Dwa etapy mają więc inne profile obciążenia i inaczej skalują się z ruchem.

Czym Two-Tower różni się od pełnego rankingu katalogu?

Two-Tower liczy osobną reprezentację użytkownika i osobną reprezentację oferty, a potem porównuje je we wspólnej przestrzeni wektorowej. Reprezentacje ofert można policzyć z góry i trzymać w indeksie. Zapytanie użytkownika sprowadza się wtedy do wyszukania najbliższych wektorów, a nie do przeliczenia modelu dla każdej pary użytkownik–oferta.

Allegro opisuje zunifikowany system Two-Tower generujący sugestie w czasie rzeczywistym [2]. Taki model dobrze nadaje się do generowania kandydatów i do wstępnego porządkowania. Dopracowanie kolejności, które uwzględnia cenę, dostępność, dostawę i kontekst sesji, trafia zwykle do osobnego modelu rankingowego. Podział na etapy jest cechą architektury, a nie dodatkiem na końcu. Podobny kierunek widać w zmianach wyszukiwania opisanych w tekście o Google Search z AI.

Ile kosztuje EKS i co wchodzi do rachunku?

EKS kosztuje 0,10 USD za klaster na godzinę przy standardowym wsparciu wersji Kubernetes. Stawka obowiązywała w cenniku AWS na 8 października 2026 [3]. To opłata za płaszczyznę zarządzania, nie za moc obliczeniową. Do rachunku dochodzą instancje EC2 lub Fargate, wolumeny EBS, adresy IPv4, transfer danych, load balancery i obserwowalność [3].

Dlatego koszt liczy się end-to-end. System rekomendacji płaci za trening modeli, za serwowanie online, za bazę i cache, za replikację, za autoskalowanie i za monitoring. Opłata za klaster jest w tym zestawieniu najmniejszą pozycją. Największa pozycja to zwykle ta, która rośnie razem z ruchem.

Który wariant infrastruktury wybrać?

Tabela zestawia trzy drogi według kryteriów, które decydują o rachunku. Wartości liczbowe podano tylko tam, gdzie wynikają z cennika [3].

KryteriumEKS (klaster zarządzany)Kubernetes na własnych serwerachFunkcje serverless
Koszt stały0,10 USD za klaster na godzinę, plus węzły [3]koszt serwerów i pracy administracyjnejbrak opłaty za bezczynność
Koszt rosnący z ruchemwęzły, transfer, load balancer [3]zależny od zakupionej puli maszynza wywołania i czas wykonania
Kontrola środowiskawysoka, konfiguracja węzłów i cache po stronie zespołupełnaograniczona
Stale działający serwistak, pody pracują bez przerwytakwymaga obejścia modelu wywołań
Nakład utrzymaniowyśredninajwyższynajniższy

EKS przenosi na dostawcę utrzymanie płaszczyzny zarządzania i zostawia zespołowi węzły oraz ich konfigurację [3]. Własny klaster daje pełną kontrolę i pełną odpowiedzialność za aktualizacje. Serverless pasuje do krótkich zadań, a nie do serwisu rankingowego, który odpowiada na każde żądanie.

Kolejność wdrożenia też wpływa na koszt. Najpierw warto uruchomić retrieval z prostym rankingiem i zmierzyć opóźnienie na realnym ruchu. Dopiero potem dochodzi model rankingu i warstwa cech. Każdy etap ma własny rachunek, więc decyzję o następnym kroku można podjąć po pomiarze, a nie przed nim.

Jak mierzyć skuteczność rekomendacji?

Skuteczność mierzy się na dwóch poziomach. Offline liczy się recall@K, NDCG i MRR na odłożonym zbiorze. Online patrzy się na CTR, dodania do koszyka, konwersję i wpływ na wartość sprzedaży. Do tego dochodzi opóźnienie na percentylach p95 i p99 oraz świeżość rekomendacji.

Bez tych liczb zdanie o podobnej skuteczności do innego serwisu pozostaje nieweryfikowalne. Publikacja Netflix z 2015 roku podaje, że rekomendacje odpowiadały za około dwie trzecie odkrywania treści na stronie głównej, a personalizacja oszczędzała firmie ponad 1 mld USD rocznie [7]. To wyniki Netflixa, nie wspólny benchmark z Allegro. Netflix opisuje też w centrum pomocy, jakich danych używa do personalizacji [9]. Porównanie wymaga wspólnego zbioru danych i wspólnej metryki. O tym, jak odróżnić rzetelny benchmark od marketingu, piszemy w tekście o Benchmarki AI: dlaczego Nvidia postawiła na OpenClaw.

Jak porównać koszty bez wspólnego mianownika?

Porównanie wymaga tego samego obciążenia, regionu, poziomu SLA i zakresu obserwowalności. Inaczej zestawia się systemy, które robią co innego.

Budżet warto rozbić na pozycje: węzły treningowe, węzły serwujące, baza online, cache, storage, sieć, monitoring i praca zespołu. Pozycje treningowe da się przenieść do zadań wsadowych. Serwujące muszą działać stale. Ten podział pokazuje, co skaluje się z liczbą użytkowników, a co z liczbą eksperymentów.

Skala biznesowa pokazuje rząd wielkości, nie rachunek. W wynikach za drugi kwartał 2026 Allegro raportowało 20,9 mln aktywnych kupujących w grupie i 15,6 mln w Polsce [8]. Publiczne materiały Allegro nie podają liczby rekomendacji generowanych na godzinę; ani prezentacja wyników, ani AI Hub takiej wartości nie zawierają [4][8]. Warstwa danych i treningu to osobny koszt: przygotowanie cech, wersjonowanie modeli i przetwarzanie logów. O oszczędnościach i ograniczeniach pracy z asystentem w tym obszarze piszemy w tekście o Codex w data science.

Najczęstsze pytania

Czy Amazon EKS jest tańszy od własnego klastra?

Nie ma jednej odpowiedzi. EKS kosztuje 0,10 USD za klaster na godzinę i przenosi na dostawcę utrzymanie płaszczyzny zarządzania [3]. Własny klaster usuwa tę opłatę, ale dodaje koszt serwerów i pracy administracyjnej. Przy małym zespole zarządzana usługa zwykle wygrywa kosztem czasu. Przy dużym wolumenie rachunek trzeba przeliczyć na własnych danych, bo proporcje zmieniają się wraz ze skalą.

Czy system Two-Tower wystarcza jako cały system rekomendacji?

Zwykle nie. Two-Tower dobrze generuje kandydatów i wstępnie porządkuje listę, bo reprezentacje ofert można policzyć z góry [2]. Ostateczna kolejność wymaga modelu, który widzi cenę, dostępność, dostawę i kontekst sesji. Bez tego etapu rekomendacje bywają trafne tematycznie i nieprzydatne zakupowo, co widać w metrykach online, a nie w wynikach offline.

Ile kosztuje miesięcznie sam klaster EKS?

Przy 730 godzinach w miesiącu opłata za klaster wynosi około 73 USD, bez węzłów, transferu i storage [3]. To koszt płaszczyzny zarządzania. Rzeczywisty rachunek zależy od liczby i typu instancji, od wolumenów EBS, adresów IPv4, load balancerów i obserwowalności [3]. Kwota za klaster jest więc punktem wyjścia, a nie prognozą budżetu.

Jakie metryki pokazują, że rekomendacje działają?

Offline: recall@K, NDCG i MRR. Online: CTR, dodania do koszyka, konwersja i wpływ na sprzedaż. Do tego opóźnienie p95 i p99 oraz świeżość rekomendacji. Test A/B prowadzi się z jedną zmianą naraz i grupą kontrolną. Wynik bez grupy kontrolnej opisuje korelację, a nie efekt. Dopiero zestaw tych miar pozwala powiedzieć, że system działa lepiej niż poprzedni.

Czy system rekomendacji musi działać na Kubernetesie?

Nie musi. Kubernetes ułatwia uruchamianie wielu usług i skalowanie, ale system rekomendacji da się postawić na maszynach wirtualnych z prostym orkiestratorem. Allegro migrowało mikroserwisy do Kubernetesa [1], co nie oznacza, że każdy zespół potrzebuje tej warstwy. Wybór zależy od liczby usług, tempa zmian i tego, kto utrzymuje infrastrukturę.

Źródła

  1. Ten Years and Counting: My Affair with Microservices (Allegro Tech, 2024)
  2. allegro Tech — wydarzenia (Allegro Tech, 2025)
  3. Amazon EKS Pricing (AWS, 2026)
  4. Allegro AI Hub (Allegro, 2026)
  5. Jak zbudować prosty system rekomendacji w e-commerce z użyciem uczenia maszynowego (hdspomorskie.pl)
  6. Budowanie systemu rekomendacji za pomocą uczenia maszynowego (Unite.AI)
  7. The Netflix Recommender System: Algorithms, Business Value, and Innovation (ACM, 2015)
  8. Allegro.eu Q2 2026 results presentation (Allegro, 2026)
  9. Jak działa system rekomendacji Netflix (Netflix Help Center)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji