কোনো কোড ছাড়াই Amazon Personalize ব্যবহার করে একটি ব্যাচ সুপারিশ পাইপলাইন তৈরি করুন

ব্যক্তিগতকৃত বিষয়বস্তু গ্রাহকদের সম্পৃক্ততাকে চালিত করার সম্ভাবনা বেশি থাকায়, ব্যবসাগুলি ক্রমাগত তাদের গ্রাহকের প্রোফাইল এবং আচরণের উপর ভিত্তি করে উপযোগী সামগ্রী সরবরাহ করার চেষ্টা করে। বিশেষ করে সুপারিশ সিস্টেমগুলি একটি আইটেমকে একজন শেষ-ব্যবহারকারীর পছন্দের পূর্বাভাস দিতে চায়। কিছু সাধারণ ব্যবহারের ক্ষেত্রে অনলাইন খুচরা দোকানে পণ্যের সুপারিশ, নিউজলেটার ব্যক্তিগতকরণ, সঙ্গীত প্লেলিস্ট সুপারিশ তৈরি করা, এমনকি অনলাইন মিডিয়া পরিষেবাগুলিতে অনুরূপ সামগ্রী আবিষ্কার করা অন্তর্ভুক্ত।

যাইহোক, মডেল প্রশিক্ষণ, অ্যালগরিদম নির্বাচন এবং প্ল্যাটফর্ম পরিচালনায় জটিলতার কারণে একটি কার্যকর সুপারিশ ব্যবস্থা তৈরি করা চ্যালেঞ্জিং হতে পারে। আমাজন ব্যক্তিগতকৃত কোনো মেশিন লার্নিং (ML) দক্ষতার প্রয়োজন ছাড়াই ব্যক্তিগতকৃত পণ্য এবং বিষয়বস্তু সুপারিশের মাধ্যমে ডেভেলপারদের গ্রাহকের সম্পৃক্ততা উন্নত করতে সক্ষম করে। ক্যাপচার করা ব্যবহারকারীর আচরণ ডেটা ব্যবহার করে বিকাশকারীরা অবিলম্বে গ্রাহকদের জড়িত করা শুরু করতে পারে। পর্দার আড়ালে, Amazon Personalize এই ডেটা পরীক্ষা করে, কী অর্থপূর্ণ তা সনাক্ত করে, সঠিক অ্যালগরিদম নির্বাচন করে, আপনার ডেটার জন্য কাস্টমাইজ করা একটি ব্যক্তিগতকরণ মডেলকে ট্রেন এবং অপ্টিমাইজ করে এবং একটি API শেষ পয়েন্টের মাধ্যমে সুপারিশ প্রদান করে৷

যদিও রিয়েল টাইমে সুপারিশ প্রদান করা ব্যস্ততা এবং সন্তুষ্টি বাড়াতে সাহায্য করতে পারে, কখনও কখনও এটির আসলে প্রয়োজন নাও হতে পারে এবং একটি নির্ধারিত ভিত্তিতে ব্যাচে এটি সম্পাদন করা সহজভাবে একটি আরও ব্যয়-কার্যকর এবং পরিচালনাযোগ্য বিকল্প হতে পারে।

এই পোস্টটি আপনাকে দেখায় কিভাবে AWS পরিষেবাগুলি শুধুমাত্র সুপারিশ তৈরি করতেই নয় বরং একটি ব্যাচের সুপারিশ পাইপলাইন চালু করতেও ব্যবহার করতে হয়। আমরা কোডের একটি লাইন ছাড়াই এন্ড-টু-এন্ড সমাধানের মধ্য দিয়ে চলে যাই। আমরা দুটি বিষয়ে বিস্তারিত আলোচনা করি:

সমাধান ওভারভিউ

এই সমাধান, আমরা ব্যবহার মুভিলেন্স ডেটাসেট এই ডেটাসেটে 86,000 ব্যবহারকারীদের থেকে 2,113টি সিনেমার রেটিং রয়েছে। আমরা এই ব্যবহারকারীদের প্রত্যেকের জন্য সুপারিশ তৈরি করতে এই ডেটা ব্যবহার করার চেষ্টা করি।

আমরা গ্রাহকদের আচরণের ডেটা এমন একটি বিন্যাসে পাই যা Amazon Personalize-এর জন্য প্রস্তুত তা নিশ্চিত করার জন্য ডেটা প্রস্তুতি খুবই গুরুত্বপূর্ণ। এই পোস্টে বর্ণিত আর্কিটেকচারটি AWS Glue ব্যবহার করে, একটি সার্ভারহীন ডেটা ইন্টিগ্রেশন পরিষেবা, কাঁচা ডেটাকে একটি বিন্যাসে রূপান্তর করতে যা Amazon Personalize-এর জন্য প্রস্তুত। সমাধানটি ব্যাচ ইনফারেন্স ব্যবহার করে সমস্ত ব্যবহারকারীর জন্য ব্যাচ সুপারিশ তৈরি করতে Amazon Personalize ব্যবহার করে। তারপরে আমরা একটি স্টেপ ফাংশন ওয়ার্কফ্লো ব্যবহার করি যাতে স্বয়ংক্রিয় ওয়ার্কফ্লোটি পুনরাবৃত্তিযোগ্য পদ্ধতিতে Amazon Personalize API-কে কল করে চালানো যায়।

নিম্নলিখিত চিত্রটি এই সমাধানটি প্রদর্শন করে।

আমরা নিম্নলিখিত পদক্ষেপগুলির সাথে এই সমাধানটি তৈরি করব:

1. AWS Glue ব্যবহার করে আমাদের কাঁচা ডেটা রূপান্তর করতে একটি ডেটা ট্রান্সফরমেশন কাজ তৈরি করুন।
2. রূপান্তরিত ডেটাসেটের সাথে একটি Amazon ব্যক্তিগতকরণ সমাধান তৈরি করুন।
3. ব্যাচ ইনফারেন্সের জেনারেশন অর্কেস্ট্রেট করতে একটি স্টেপ ফাংশন ওয়ার্কফ্লো তৈরি করুন।

পূর্বশর্ত

এই ওয়াকথ্রুটির জন্য আপনার নিম্নলিখিতগুলি প্রয়োজন:

AWS Glue দিয়ে কাঁচা ডেটা রূপান্তর করতে একটি ডেটা ট্রান্সফরমেশন কাজ তৈরি করুন

Amazon Personalize-এর সাথে, ইনপুট ডেটার একটি নির্দিষ্ট স্কিমা এবং ফাইল ফর্ম্যাট থাকা প্রয়োজন। ব্যবহারকারী এবং আইটেমগুলির মধ্যে ইন্টারঅ্যাকশনের ডেটা নির্দিষ্ট কলাম সহ CSV ফর্ম্যাটে হতে হবে, যেখানে ব্যবহারকারীদের তালিকা যেগুলির জন্য আপনি সুপারিশ তৈরি করতে চান তা অবশ্যই JSON ফর্ম্যাটে হতে হবে৷ এই বিভাগে, আমরা আমাজন ব্যক্তিগতকরণের জন্য প্রয়োজনীয় কাঠামো এবং বিন্যাসে কাঁচা ইনপুট ডেটা রূপান্তর করতে AWS Glue Studio ব্যবহার করি।

AWS Glue Studio একটি গ্রাফিকাল ইন্টারফেস সরবরাহ করে যা সহজে নির্যাস, রূপান্তর এবং লোড (ETL) কাজগুলি তৈরি এবং চালানোর জন্য ডিজাইন করা হয়েছে। আপনি সাধারণ ড্র্যাগ-এন্ড-ড্রপ অপারেশনের মাধ্যমে দৃশ্যত ডেটা ট্রান্সফরমেশন ওয়ার্কলোড তৈরি করতে পারেন।

আমরা প্রথমে আমাদের উত্স ডেটা প্রস্তুত করি আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3), তারপর আমরা কোড ছাড়াই ডেটা রূপান্তর করি।

1. Amazon S3 কনসোলে, তিনটি ফোল্ডার সহ একটি S3 বালতি তৈরি করুন: কাঁচা, রূপান্তরিত এবং কিউরেটেড৷
2. ডাউনলোড মুভিলেন্স ডেটাসেট এবং uncompressed ফাইল আপলোড করুন user_ratingmovies-timestamp.dat নামক আপনার বালতিতে কাঁচা ফোল্ডারের নিচে।
3. AWS গ্লু স্টুডিও কনসোলে, নির্বাচন করুন জবস নেভিগেশন ফলকে।
4. নির্বাচন করা একটি উৎস এবং লক্ষ্য সঙ্গে ভিজ্যুয়াল, তাহলে বেছে নাও সৃষ্টি.
   
5. নামক প্রথম নোড নির্বাচন করুন ডেটা উত্স - S3 বালতি. এখানেই আমরা আমাদের ইনপুট ডেটা নির্দিষ্ট করি।
6. উপরে তথ্য উৎস বৈশিষ্ট্য ট্যাব, নির্বাচন করুন S3 অবস্থান এবং আপনার আপলোড করা ফাইল ব্রাউজ করুন।
7. জন্য উপাত্ত বিন্যাসনির্বাচন CSV তে, এবং জন্য বিভেদকনির্বাচন ট্যাব.
   
8. স্কিমা সঠিকভাবে কলামগুলি অনুমান করেছে তা যাচাই করতে আমরা আউটপুট স্কিমা ট্যাবটি বেছে নিতে পারি।
9. স্কিমা যদি আপনার প্রত্যাশার সাথে মেলে না, তাহলে বেছে নিন সম্পাদন করা স্কিমা সম্পাদনা করতে।
   

এরপরে, আমরা Amazon Personalize-এর জন্য স্কিমার প্রয়োজনীয়তা অনুসরণ করতে এই ডেটা রূপান্তর করি।

10. পছন্দ রূপান্তর - ম্যাপিং প্রয়োগ করুন নোড এবং, উপর রুপান্তর ট্যাব, টার্গেট কী এবং ডেটা প্রকার আপডেট করুন।
    Amazon Personalize, সর্বনিম্ন, এর জন্য নিম্নলিখিত কাঠামো আশা করে মিথস্ক্রিয়া ডেটাসেট:

• • user_id (স্ট্রিং)
  • item_id (স্ট্রিং)
  • timestamp (দীর্ঘ, ইউনিক্স যুগের সময় বিন্যাসে)
    

এই উদাহরণে, আমরা ডেটাসেটে খারাপভাবে রেট দেওয়া সিনেমাগুলি বাদ দিই।

11. এটি করার জন্য, S3 বাকেট নামক শেষ নোডটি সরান এবং একটি ফিল্টার নোড যোগ করুন রুপান্তর ট্যাব।
12. বেছে নিন বিজ্ঞাপন শর্ত এবং ডেটা ফিল্টার করুন যেখানে রেটিং <3.5।
    

আমরা এখন আউটপুট আবার Amazon S3 এ লিখি।

13. বিস্তৃত করা লক্ষ্য মেনু এবং নির্বাচন করুন আমাজন S3.
14. জন্য S3 টার্গেট অবস্থান, নামের ফোল্ডারটি নির্বাচন করুন transformed.
15. বেছে নিন CSV তে বিন্যাস এবং প্রত্যয় হিসাবে লক্ষ্যবস্তু সঙ্গে interactions/.

এরপরে, আমরা ব্যবহারকারীদের একটি তালিকা আউটপুট করি যার জন্য আমরা সুপারিশ পেতে চাই।

16. পছন্দ ApplyMapping নোড আবার, এবং তারপর প্রসারিত রুপান্তর মেনু এবং নির্বাচন করুন ApplyMapping.
17. ছাড়া সব ক্ষেত্র ড্রপ user_id এবং সেই ক্ষেত্রের নাম পরিবর্তন করুন userId. Amazon Personalize আশা করে যে সেই ক্ষেত্রটির নামকরণ করা হবে ব্যবহারকারীর প্রমানপত্র.
18. বিস্তৃত করা লক্ষ্য আবার মেনু এবং নির্বাচন করুন আমাজন S3.
19. এই সময়, নির্বাচন করুন তাদেরকে JSON বিন্যাস হিসাবে, এবং তারপর রূপান্তরিত S3 ফোল্ডারটি চয়ন করুন এবং এর সাথে প্রত্যয় করুন batch_users_input/.

এটি একটি উৎপন্ন করে তাদেরকে JSON Amazon Personalize-এর জন্য ইনপুট হিসাবে ব্যবহারকারীদের তালিকা। আমাদের এখন একটি ডায়াগ্রাম থাকা উচিত যা নিচের মত দেখায়।

আমরা এখন আমাদের রূপান্তর কাজ চালানোর জন্য প্রস্তুত.

20. IAM কনসোলে, glue-service-role নামে একটি ভূমিকা তৈরি করুন এবং নিম্নলিখিত পরিচালিত নীতিগুলি সংযুক্ত করুন:
    • AWSGlueServiceRole
    • AmazonS3FullAccess

কীভাবে IAM পরিষেবার ভূমিকা তৈরি করতে হয় সে সম্পর্কে আরও তথ্যের জন্য, দেখুন একটি AWS পরিষেবাতে অনুমতি প্রদানের জন্য একটি ভূমিকা তৈরি করা.

21. আপনার AWS গ্লু স্টুডিওতে ফিরে যান এবং বেছে নিন চাকরির বিস্তারিত ট্যাব।
22. কাজের নাম হিসাবে সেট করুন batch-personalize-input-transform-job.
23. সদ্য নির্মিত IAM ভূমিকা চয়ন করুন.
24. অন্য সবকিছুর জন্য ডিফল্ট মান রাখুন।
    
25. বেছে নিন সংরক্ষণ করুন.
26. আপনি প্রস্তুত হলে, চয়ন করুন চালান এবং কাজ নিরীক্ষণ রান ট্যাব।
27. কাজটি সম্পূর্ণ হলে, আপনার আউটপুট ফাইলটি সফলভাবে তৈরি করা হয়েছে তা যাচাই করতে Amazon S3 কনসোলে নেভিগেট করুন।

আমরা এখন আমাদের ডেটাকে ফর্ম্যাট এবং কাঠামোতে রূপ দিয়েছি যা Amazon Personalize-এর জন্য প্রয়োজন। রূপান্তরিত ডেটাসেটের নিম্নলিখিত ক্ষেত্র এবং বিন্যাস থাকা উচিত:

• মিথস্ক্রিয়া ডেটাসেট - ক্ষেত্র সহ CSV বিন্যাস USER_ID, ITEM_ID, TIMESTAMP
• ব্যবহারকারীর ইনপুট ডেটাসেট - উপাদান সহ JSON বিন্যাস userId

রূপান্তরিত ডেটাসেটের সাথে একটি Amazon ব্যক্তিগতকরণ সমাধান তৈরি করুন

আমাদের ইন্টারঅ্যাকশন ডেটাসেট এবং ব্যবহারকারীর ইনপুট ডেটা সঠিক বিন্যাসে, আমরা এখন আমাদের Amazon Personalize সমাধান তৈরি করতে পারি। এই বিভাগে, আমরা আমাদের ডেটাসেট গ্রুপ তৈরি করি, আমাদের ডেটা আমদানি করি এবং তারপর একটি ব্যাচ ইনফারেন্স কাজ তৈরি করি। একটি ডেটাসেট গ্রুপ অ্যামাজন ব্যক্তিগতকৃত উপাদানগুলির জন্য কন্টেইনারগুলিতে সংস্থানগুলি সংগঠিত করে৷

1. অ্যামাজন ব্যক্তিগতকৃত কনসোলে, নির্বাচন করুন সৃষ্টি ডেটাসেট গ্রুপ.
2. জন্য ডোমেইন, নির্বাচন করুন প্রথা.
3. বেছে নিন ডেটাসেট গ্রুপ তৈরি করুন এবং চালিয়ে যান.
   

এরপরে, মিথস্ক্রিয়া ডেটাসেট তৈরি করুন।

4. একটি ডেটাসেটের নাম লিখুন এবং নির্বাচন করুন নতুন স্কিমা তৈরি করুন.
5. বেছে নিন ডেটাসেট তৈরি করুন এবং চালিয়ে যান.
   

আমরা এখন আগে তৈরি করা মিথস্ক্রিয়া ডেটা আমদানি করি।

6. S3 বালতিতে নেভিগেট করুন যেখানে আমরা আমাদের ইন্টারঅ্যাকশন CSV ডেটাসেট তৈরি করেছি।
7. উপরে অনুমতিসমূহ ট্যাবে, নিম্নলিখিত বালতি অ্যাক্সেস নীতি যোগ করুন যাতে অ্যামাজন ব্যক্তিগতকৃত অ্যাক্সেস থাকে। আপনার বালতির নাম অন্তর্ভুক্ত করতে নীতি আপডেট করুন।

   {
      "Version":"2012-10-17",
      "Id":"PersonalizeS3BucketAccessPolicy",
      "Statement":[
         {
            "Sid":"PersonalizeS3BucketAccessPolicy",
            "Effect":"Allow",
            "Principal":{
               "Service":"personalize.amazonaws.com"
            },
            "Action":[
               "s3:GetObject",
               "s3:ListBucket",
               "s3:PutObject"
            ],
            "Resource":[
               "arn:aws:s3:::<your-bucket-name>",
               "arn:aws:s3:::<your-bucket-name> /*"
            ]
         }
      ]
   }

Amazon Personalize-এ ফিরে যান এবং বেছে নিন আপনার ডেটাসেট আমদানির কাজ তৈরি করুন. আমাদের ইন্টারঅ্যাকশন ডেটাসেট এখন Amazon Personalize-এ আমদানি করা উচিত। পরবর্তী ধাপে এগিয়ে যাওয়ার আগে সক্রিয় স্থিতি সহ আমদানি কাজটি সম্পূর্ণ হওয়ার জন্য অপেক্ষা করুন৷ এটি প্রায় 8 মিনিট সময় নিতে হবে।

8. অ্যামাজন ব্যক্তিগতকৃত কনসোলে, নির্বাচন করুন সংক্ষিপ্ত বিবরণ নেভিগেশন ফলকে এবং নির্বাচন করুন সমাধান তৈরি করুন.
   
9. একটি সমাধানের নাম লিখুন।
10. জন্য সমাধান প্রকারনির্বাচন আইটেম সুপারিশ.
11. জন্য প্রণালী, পছন্দ করা aws-user-personalization রেসিপি
12. বেছে নিন সমাধান তৈরি করুন এবং প্রশিক্ষণ দিন.
    

সমাধানটি এখন ইন্টারঅ্যাকশন ডেটাসেটের বিরুদ্ধে প্রশিক্ষণ দেয় যা ব্যবহারকারীর ব্যক্তিগতকরণ রেসিপি দিয়ে আমদানি করা হয়েছিল। অধীনে এই প্রক্রিয়ার অবস্থা নিরীক্ষণ সমাধান সংস্করণ. এগিয়ে যাওয়ার আগে এটি সম্পূর্ণ হওয়ার জন্য অপেক্ষা করুন। এটি প্রায় 20 মিনিট সময় নিতে হবে।

আমরা এখন আমাদের ব্যাচ ইনফারেন্স কাজ তৈরি করি, যা JSON ইনপুটে উপস্থিত প্রতিটি ব্যবহারকারীর জন্য সুপারিশ তৈরি করে।

13. নেভিগেশন ফলকে, অধীনে কাস্টম সম্পদনির্বাচন ব্যাচ ইনফারেন্স কাজ.
14. একটি কাজের নাম লিখুন, এবং জন্য সমাধান, আগে তৈরি করা সমাধান নির্বাচন করুন।
15. বেছে নিন ব্যাচ ইনফারেন্স কাজ তৈরি করুন.
    
16. জন্য ইনপুট ডেটা কনফিগারেশন, যেখানে S3 পাথ লিখুন batch_users_input ফাইল অবস্থিত।

এটি হল JSON ফাইল যা রয়েছে userId.

17. জন্য আউটপুট ডেটা কনফিগারেশন পথ, S3 এ কিউরেটেড পাথ বেছে নিন।
18. বেছে নিন ব্যাচ ইনফারেন্স কাজ তৈরি করুন.

এই প্রক্রিয়াটি প্রায় 30 মিনিট সময় নেয়। কাজ শেষ হলে, ব্যবহারকারীর ইনপুট ফাইলে নির্দিষ্ট প্রতিটি ব্যবহারকারীর জন্য সুপারিশ S3 আউটপুট অবস্থানে সংরক্ষিত হয়।

আমরা সফলভাবে আমাদের সকল ব্যবহারকারীদের জন্য সুপারিশের একটি সেট তৈরি করেছি। যাইহোক, আমরা এখনও পর্যন্ত কনসোল ব্যবহার করে সমাধানটি বাস্তবায়ন করেছি। এই ব্যাচ ইনফারেন্সিংটি সর্বশেষ ডেটা সেটের সাথে নিয়মিতভাবে চলে তা নিশ্চিত করতে, আমাদের একটি অর্কেস্ট্রেশন ওয়ার্কফ্লো তৈরি করতে হবে। পরবর্তী বিভাগে, আমরা আপনাকে দেখাব কিভাবে স্টেপ ফাংশন ব্যবহার করে একটি অর্কেস্ট্রেশন ওয়ার্কফ্লো তৈরি করতে হয়।

ব্যাচ ইনফারেন্স ওয়ার্কফ্লো অর্কেস্ট্রেট করতে একটি স্টেপ ফাংশন ওয়ার্কফ্লো তৈরি করুন

আপনার পাইপলাইন অর্কেস্ট্রেট করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. স্টেপ ফাংশন কনসোলে, নির্বাচন করুন স্টেট মেশিন তৈরি করুন.
2. নির্বাচন করা দৃশ্যত আপনার কর্মপ্রবাহ ডিজাইন, তাহলে বেছে নাও পরবর্তী.
   
3. টানুন CreateDatasetImportJob ক্যানভাসে বাম থেকে নোড (আপনি অনুসন্ধান বাক্সে এই নোডটি অনুসন্ধান করতে পারেন)।
4. নোডটি চয়ন করুন এবং আপনার ডানদিকে কনফিগারেশন API পরামিতিগুলি দেখতে হবে। এআরএন রেকর্ড করুন।
5. আপনার নিজস্ব মান লিখুন API পরামিতি টেক্সট বক্স।

এই কল DatasetImportJob তৈরি করুন আপনার নির্দিষ্ট করা প্যারামিটার মান সহ API।

6. টানুন CreateSolutionVersion ক্যানভাসে নোড।
7. আপনি যে সমাধানটি উল্লেখ করেছেন তার ARN দিয়ে API প্যারামিটার আপডেট করুন।

এটি কল করে নতুন আমদানি করা ডেটা সহ একটি নতুন সমাধান সংস্করণ তৈরি করে সলিউশন সংস্করণ তৈরি করুন API- টি।

8. টানুন CreateBatchInferenceJob ক্যানভাসে নোড করুন এবং একইভাবে প্রাসঙ্গিক মান সহ API প্যারামিটার আপডেট করুন।

আপনি ব্যবহার নিশ্চিত করুন $.SolutionVersionArn পূর্ববর্তী ধাপ থেকে সমাধান সংস্করণ ARN পরামিতি পুনরুদ্ধার করতে সিনট্যাক্স। এই API পরামিতি পাস করা হয় BatchInferenceJob তৈরি করুন API- টি।

ওয়ার্কফ্লো সম্পূর্ণ হওয়ার আগে সুপারিশ ব্যাচ ইনফারেন্স কাজ শেষ হয়েছে তা নিশ্চিত করতে আমাদের স্টেপ ফাংশন ওয়ার্কফ্লোতে একটি অপেক্ষার যুক্তি তৈরি করতে হবে।

9. একটি অপেক্ষা নোডে খুঁজুন এবং টেনে আনুন।
10. এর জন্য কনফিগারেশনে অপেক্ষা করুন, 300 সেকেন্ড লিখুন।

এটি একটি নির্বিচারে মান; আপনার নির্দিষ্ট ব্যবহারের ক্ষেত্রে আপনার এই অপেক্ষার সময়টি পরিবর্তন করা উচিত।

11. পছন্দ CreateBatchInferenceJob আবার নোড এবং নেভিগেট করুন শিল্প খাত ট্যাব।
12. জন্য দঙ্গল ত্রুটিপ্রবেশ করান Personalize.ResourceInUseException.
13. জন্য ফলব্যাক অবস্থানির্বাচন অপেক্ষা করুন.

এই ধাপটি আমাদের পর্যায়ক্রমে কাজের স্থিতি পরীক্ষা করতে সক্ষম করে এবং কাজটি সম্পূর্ণ হলেই এটি লুপ থেকে প্রস্থান করে।

14. জন্য ফলাফলপথপ্রবেশ করান $.errorMessage.

এর কার্যকরী অর্থ হল যখন "ব্যবহারের সংস্থান" ব্যতিক্রমটি প্রাপ্ত হয়, একই ইনপুটগুলির সাথে আবার চেষ্টা করার আগে কাজটি x সেকেন্ডের জন্য অপেক্ষা করে।

15. বেছে নিন সংরক্ষণ করুন, এবং তারপর নির্বাচন করুন মৃত্যুদন্ড শুরু করুন.

আমরা সফলভাবে Amazon Personalize-এর জন্য আমাদের ব্যাচ সুপারিশ পাইপলাইন সাজিয়েছি। একটি ঐচ্ছিক পদক্ষেপ হিসাবে, আপনি ব্যবহার করতে পারেন অ্যামাজন ইভেন্টব্রিজ নিয়মিতভাবে এই কর্মপ্রবাহের একটি ট্রিগার নির্ধারণ করতে। আরো বিস্তারিত জানার জন্য, পড়ুন ইভেন্টব্রিজ (ক্লাউডওয়াচ ইভেন্ট) স্টেপ ফাংশন এক্সিকিউশন স্ট্যাটাস পরিবর্তনের জন্য.

পরিষ্কার কর

ভবিষ্যতের চার্জ এড়াতে, এই ওয়াকথ্রুটির জন্য আপনার তৈরি করা সংস্থানগুলি মুছুন।

উপসংহার

এই পোস্টে, আমরা দেখিয়েছি কিভাবে AWS Glue, Amazon Personalize, এবং Step Functions এর সমন্বয় ব্যবহার করে একটি ব্যাচ রেকমেন্ডেশন পাইপলাইন তৈরি করা যায়, কোন এক লাইন কোড বা ML অভিজ্ঞতা ছাড়াই। Amazon Personalize এর জন্য যে বিন্যাসে আমাদের ডেটা প্রস্তুত করতে আমরা AWS Glue ব্যবহার করেছি। তারপরে আমরা ডেটা আমদানি করতে, ব্যবহারকারীর ব্যক্তিগতকরণের রেসিপি দিয়ে একটি সমাধান তৈরি করতে এবং অতীতের মিথস্ক্রিয়াগুলির উপর ভিত্তি করে প্রতিটি ব্যবহারকারীর জন্য 25টি সুপারিশের একটি ডিফল্ট তৈরি করে এমন একটি ব্যাচ ইনফারেন্সিং কাজ তৈরি করতে Amazon Personalize ব্যবহার করেছি৷ তারপরে আমরা স্টেপ ফাংশন ব্যবহার করে এই পদক্ষেপগুলি সাজিয়েছি যাতে আমরা এই কাজগুলি স্বয়ংক্রিয়ভাবে চালাতে পারি।

পরবর্তী পদক্ষেপগুলি বিবেচনা করার জন্য, ব্যবহারকারী বিভাজন হল Amazon Personalize-এর একটি নতুন রেসিপি, যা আপনি ইনপুট ডেটার প্রতিটি সারির জন্য ব্যবহারকারীর বিভাগ তৈরি করতে অন্বেষণ করতে চাইতে পারেন৷ আরো বিস্তারিত জানার জন্য, পড়ুন ব্যাচের সুপারিশ এবং ব্যবহারকারীর অংশগুলি পাচ্ছেন.

---

লেখক সম্পর্কে

ম্যাক্সিন উই একজন AWS ডেটা ল্যাব সলিউশন আর্কিটেক্ট। Maxine গ্রাহকদের সাথে তাদের ব্যবহারের ক্ষেত্রে কাজ করে, তাদের ব্যবসায়িক সমস্যা সমাধানের জন্য সমাধান ডিজাইন করে এবং স্কেলযোগ্য প্রোটোটাইপ তৈরির মাধ্যমে তাদের গাইড করে। AWS এর সাথে তার যাত্রার আগে, Maxine গ্রাহকদের অস্ট্রেলিয়াতে BI, ডেটা গুদামজাতকরণ এবং ডেটা লেক প্রকল্প বাস্তবায়নে সহায়তা করেছিল।