Auf einer grundlegenden Ebene lernt die Technologie des maschinellen Lernens (ML) aus Daten, um Vorhersagen zu treffen. Unternehmen nutzen ihre Daten mit einem ML-gestützten Personalisierungsdienst, um ihr Kundenerlebnis zu verbessern. Dieser Ansatz ermöglicht es Unternehmen, Daten zu nutzen, um umsetzbare Erkenntnisse abzuleiten und ihren Umsatz und ihre Markentreue zu steigern.
Amazon personalisieren beschleunigt Ihre digitale Transformation mit ML und erleichtert die Integration personalisierter Empfehlungen in bestehende Websites, Anwendungen, E-Mail-Marketingsysteme und mehr. Mit Amazon Personalize können Entwickler schnell eine individuelle Personalisierungs-Engine implementieren, ohne dass ML-Kenntnisse erforderlich sind. Amazon Personalize stellt die erforderliche Infrastruktur bereit und verwaltet die gesamte Pipeline für maschinelles Lernen (ML), einschließlich der Verarbeitung der Daten, der Identifizierung von Funktionen, der Verwendung der am besten geeigneten Algorithmen sowie der Schulung, Optimierung und Hosting der Modelle. Sie erhalten Ergebnisse über eine API und zahlen nur für das, was Sie nutzen, ohne Mindestgebühren oder Vorabverpflichtungen.
Die Post Erstellen Sie personalisierte Empfehlungen nahezu in Echtzeit mit Amazon Personalize zeigt, wie man mithilfe von Amazon Personalize und nahezu in Echtzeit personalisierte Empfehlungen erstellt Von AWS speziell entwickelte Datendienste. In diesem Beitrag führen wir Sie durch eine Referenzimplementierung eines personalisierten Echtzeit-Empfehlungssystems mit Amazon Personalize.
Lösungsüberblick
Die Lösung für personalisierte Empfehlungen in Echtzeit wird mithilfe von implementiert Amazon personalisieren, Einfacher Amazon-Speicherdienst (Amazon S3), Amazon Kinesis-Datenströme, AWS Lambda und Amazon API-Gateway.
Die Architektur ist wie folgt implementiert:
- Datenaufbereitung - Beginnen Sie mit Erstellen einer Datensatzgruppe, Schemata und Datensätze Darstellung Ihrer Artikel, Interaktionen und Benutzerdaten.
- Trainiere das Modell – Wählen Sie nach dem Import Ihrer Daten das Rezept aus, das zu Ihrem Anwendungsfall passt, und dann eine Lösung erstellen um ein Modell zu trainieren Erstellen einer Lösungsversion. Wenn Ihre Lösungsversion fertig ist, können Sie eine Kampagne für Ihre Lösungsversion erstellen.
- Erhalten Sie Empfehlungen nahezu in Echtzeit – Wenn Sie eine Kampagne haben, können Sie Aufrufe zur Kampagne in Ihre Anwendung integrieren. Hier rufen Sie an Empfehlungen abrufen or GetPersonalizedRanking APIs dienen dazu, nahezu in Echtzeit Empfehlungen von Amazon Personalize anzufordern.
Weitere Informationen finden Sie unter Erstellen Sie personalisierte Empfehlungen nahezu in Echtzeit mit Amazon Personalize.
Das folgende Diagramm zeigt die Lösungsarchitektur.
Sytemimplementierung
Wir demonstrieren diese Implementierung anhand eines Anwendungsfalls, in dem es darum geht, einem Endbenutzer in Echtzeit Filmempfehlungen zu geben, die auf seinen Interaktionen mit der Filmdatenbank im Laufe der Zeit basieren.
Die Lösung wird in folgenden Schritten umgesetzt:
- Voraussetzung (Datenvorbereitung)
- Richten Sie Ihre Entwicklungsumgebung ein
- Stellen Sie die Lösung bereit
- Erstellen Sie eine Lösungsversion
- Erstellen Sie eine Kampagne
- Erstellen Sie einen Event-Tracker
- Holen Sie sich Empfehlungen
- Nehmen Sie Interaktionen in Echtzeit auf
- Validieren Sie Empfehlungen in Echtzeit
- Aufräumen
Voraussetzungen:
Bevor Sie beginnen, stellen Sie sicher, dass die folgenden Voraussetzungen erfüllt sind:
- Bereiten Sie Ihre Trainingsdaten vor – Bereiten Sie die Daten mit vor und laden Sie sie in einen S3-Bucket hoch Anleitung. Für diesen speziellen Anwendungsfall laden Sie Interaktionsdaten und Artikeldaten hoch. Eine Interaktion ist ein Ereignis, das Sie aufzeichnen und dann als Trainingsdaten importieren. Amazon Personalize generiert Empfehlungen hauptsächlich basierend auf den Interaktionsdaten, die Sie in einen Interaktionsdatensatz importieren. Sie können mehrere Ereignistypen aufzeichnen, z. B. Klicken, Ansehen oder „Gefällt mir“. Obwohl das von Amazon Personalize erstellte Modell auf der Grundlage früherer Interaktionen eines Benutzers Vorschläge machen kann, kann die Qualität dieser Vorschläge verbessert werden, wenn das Modell Daten über die Assoziationen zwischen Benutzern oder Elementen enthält. Wenn sich ein Benutzer mit Filmen beschäftigt hat, die im Artikeldatensatz als „Drama“ kategorisiert sind, schlägt Amazon Personalize Filme (Artikel) mit demselben Genre vor.
- Richten Sie Ihre Entwicklungsumgebung ein - Installieren die AWS Command Line Interface (AWS CLI).
- Konfigurieren Sie CLI mit Ihrem Amazon-Konto - Konfigurieren Sie die AWS CLI mit Ihren AWS-Kontoinformationen.
- AWS Cloud Development Kit (AWS CDK) installieren und booten
Stellen Sie die Lösung bereit
Gehen Sie wie folgt vor, um die Lösung bereitzustellen:
- Clone das Repository in einen neuen Ordner auf Ihrem Desktop.
- Deploy den Stack in Ihre AWS-Umgebung.
Erstellen Sie eine Lösungsversion
Eine Lösung bezieht sich auf die Kombination aus einem Amazon Personalize-Rezept, benutzerdefinierten Parametern und einer oder mehreren Lösungsversionen (trainierte Modelle). Wenn Sie das CDK-Projekt im vorherigen Schritt bereitstellen, wird automatisch eine Lösung mit einem Benutzerpersonalisierungsrezept für Sie erstellt. Eine Lösungsversion bezieht sich auf ein trainiertes maschinelles Lernmodell. Ein ... kreieren Lösungsversion für die Umsetzung.
Erstellen Sie eine Kampagne
Eine Kampagne stellt eine Lösungsversion (trainiertes Modell) mit einer bereitgestellten Transaktionskapazität zur Generierung von Echtzeitempfehlungen bereit. Ein ... kreieren Kampagne für die Umsetzung.
Erstellen Sie einen Event-Tracker
Amazon Personalize kann Empfehlungen nur basierend auf Echtzeit-Ereignisdaten, nur historischen Ereignisdaten oder beidem abgeben. Zeichnen Sie Echtzeitereignisse auf, um Ihre Interaktionsdaten zu erweitern und Amazon Personalize zu ermöglichen, aus den letzten Aktivitäten Ihres Benutzers zu lernen. Dadurch bleiben Ihre Daten aktuell und die Relevanz der Amazon Personalize-Empfehlungen wird verbessert. Bevor Sie Ereignisse aufzeichnen können, müssen Sie einen Ereignis-Tracker erstellen. Ein Ereignis-Tracker leitet neue Ereignisdaten an den Interaktionsdatensatz in Ihrer Datensatzgruppe weiter. Erstellen und Ereignistracker für die Umsetzung.
Holen Sie sich Empfehlungen
In diesem Anwendungsfall besteht der Interaktionsdatensatz aus Film-IDs. Folglich bestehen die dem Benutzer präsentierten Empfehlungen aus Film-IDs, die am ehesten seinen persönlichen Vorlieben entsprechen, die aus seinen historischen Interaktionen ermittelt werden. Du kannst den ... benutzen getRecommendations
API zum Abrufen personalisierter Empfehlungen für einen Benutzer durch Senden der zugehörigen userID
, die Anzahl der Ergebnisse für Empfehlungen, die Sie für den Benutzer benötigen, sowie den Kampagnen-ARN. Sie finden den Kampagnen-ARN im Menü der Amazon Personalize-Konsole.
Mit der folgenden Anfrage werden beispielsweise 5 Empfehlungen für den Benutzer abgerufen, dessen userId
ist 429:
Die Antwort auf die Anfrage lautet:
Die vom API-Aufruf zurückgegebenen Elemente sind die Filme, die Amazon Personalize dem Benutzer basierend auf seinen historischen Interaktionen empfiehlt.
Die in diesem Zusammenhang bereitgestellten Score-Werte stellen Gleitkommazahlen dar, die zwischen null und 1.0 liegen. Diese Werte entsprechen der aktuellen Kampagne und den zugehörigen Rezepten für diesen Anwendungsfall. Sie werden auf der Grundlage der kollektiven Bewertungen ermittelt, die allen in Ihrem umfassenden Datensatz vorhandenen Elementen zugewiesen sind.
Nehmen Sie Interaktionen in Echtzeit auf
Im vorherigen Beispiel wurden Empfehlungen für den Benutzer mit der ID 429 basierend auf seinen historischen Interaktionen mit der Filmdatenbank erhalten. Für Echtzeitempfehlungen müssen die Benutzerinteraktionen mit den Artikeln in Echtzeit in Amazon Personalize aufgenommen werden. Diese Interaktionen werden über Amazon Personalize in das Empfehlungssystem aufgenommen Ereignisprotokoll. Die Art der Interaktion, auch genannt EventType
, wird durch die gleichnamige Spalte im Interaktionsdatendatensatz (EVENT_TYPE
). In diesem Beispiel können die Ereignisse vom Typ „Beobachten“ oder „Klicken“ sein, Sie können jedoch je nach den Anforderungen Ihrer Anwendung Ihre eigenen Ereignistypen verwenden.
In diesem Beispiel empfängt die offengelegte API, die die Ereignisse der Benutzer mit den Elementen generiert, den Parameter „Interaktionen“, der der Anzahl der Ereignisse entspricht (interactions
) eines Benutzers (UserId
) mit einem einzelnen Element (itemId
) im Augenblick. Der trackingId
Der Parameter kann in der Amazon Personalize-Konsole und in der Antwort auf die Erstellung der Event Tracker-Anfrage gefunden werden.
Dieses Beispiel zeigt a putEvent
Anfrage: Generieren Sie 1 Interaktion vom Typ „Klick“ mit der Element-ID „185“ für die Benutzer-ID „429“ unter Verwendung des aktuellen Zeitstempels. Beachten Sie, dass in der Produktion „sentAt“ auf den Zeitpunkt der Benutzerinteraktion festgelegt werden sollte. Im folgenden Beispiel legen wir dies auf den Zeitpunkt im Epochenzeitformat fest, als wir die API-Anfrage für diesen Beitrag geschrieben haben. Die Ereignisse werden über ein API-Gateway an Amazon Kinesis Data Streams gesendet, weshalb Sie die Parameter „stream-name“ und „PartitionKey“ senden müssen.
Sie erhalten eine Bestätigungsantwort ähnlich der folgenden:
Validieren Sie Empfehlungen in Echtzeit
Da der Interaktionsdatensatz aktualisiert wurde, werden die Empfehlungen automatisch aktualisiert, um die neuen Interaktionen zu berücksichtigen. Um die in Echtzeit aktualisierten Empfehlungen zu validieren, können Sie die getRecommendations-API erneut für dieselbe Benutzer-ID 429 aufrufen. Das Ergebnis sollte sich vom vorherigen unterscheiden. Die folgenden Ergebnisse zeigen eine neue Empfehlung mit der ID 594 und die Empfehlungen mit den IDs 16, 596, 153 und 261 haben ihre Bewertungen geändert. Diese Artikel brachten das neue Filmgenre („Animation|Kinder|Drama|Fantasy|Musical“) in die Top 5 der Empfehlungen.
Request:
Antwort:
Die Antwort zeigt, dass die von Amazon Personalize bereitgestellte Empfehlung in Echtzeit aktualisiert wurde.
Aufräumen
Um unnötige Kosten zu vermeiden, bereinigen Sie die Lösungsimplementierung mithilfe von Ressourcen bereinigen.
Zusammenfassung
In diesem Beitrag haben wir Ihnen gezeigt, wie Sie mit Amazon Personalize ein personalisiertes Echtzeit-Empfehlungssystem implementieren. Die Interaktionen mit Amazon Personalize zur Aufnahme von Echtzeitinteraktionen und zum Erhalten von Empfehlungen wurden über ein Befehlszeilentool namens Curl ausgeführt. Diese API-Aufrufe können jedoch in eine Geschäftsanwendung integriert werden und zum gleichen Ergebnis führen.
Informationen zur Auswahl eines neuen Rezepts für Ihren Anwendungsfall finden Sie unter Personalisierung in Echtzeit. Informationen zum Messen der Auswirkungen der Empfehlungen von Amazon Personalize finden Sie unter Messung der Wirkung von Empfehlungen.
Über die Autoren
Cristian Marquez ist Senior Cloud Application Architect. Er verfügt über umfangreiche Erfahrung im Entwerfen, Erstellen und Bereitstellen von Unternehmenssoftware, verteilten Hochlastsystemen und nativen Cloud-Anwendungen. Er verfügt über Erfahrung in Backend- und Frontend-Programmiersprachen sowie im Systemdesign und der Implementierung von DevOps-Praktiken. Er unterstützt Kunden aktiv beim Aufbau und der Sicherung innovativer Cloud-Lösungen, bei der Lösung ihrer Geschäftsprobleme und beim Erreichen ihrer Geschäftsziele.
Anand Komandooru ist Senior Cloud Architect bei AWS. Er trat 2021 der AWS Professional Services-Organisation bei und unterstützt Kunden beim Aufbau cloudnativer Anwendungen in der AWS-Cloud. Er verfügt über mehr als 20 Jahre Erfahrung in der Entwicklung von Software und sein Lieblingsführungsprinzip bei Amazon ist „Führungskräfte haben oft recht."
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/implement-real-time-personalized-recommendations-using-amazon-personalize/
- :hast
- :Ist
- :Wo
- $UP
- 1
- 100
- 11
- 150
- 16
- 17
- 20
- 20 Jahre
- 200
- 2021
- 24
- 49
- 7
- 8
- a
- Über uns
- beschleunigt
- Nach
- Konto
- Erreichen
- umsetzbar
- aktiv
- Aktivität
- Nach der
- aufs Neue
- Algorithmen
- ausrichten
- Alle
- erlauben
- erlaubt
- ebenfalls
- Obwohl
- Amazon
- Amazon Kinesis
- Amazon personalisieren
- Amazon Web Services
- unter
- an
- und
- Bienen
- APIs
- Anwendung
- Anwendungen
- Ansatz
- angemessen
- Architektur
- SIND
- AS
- zugewiesen
- Vorlagen
- damit verbundenen
- Verbände
- At
- Versuche
- Im Prinzip so, wie Sie es von Google Maps kennen.
- vermeiden
- AWS
- Professionelle AWS-Services
- Backend
- basierend
- basic
- BE
- war
- Bevor
- zwischen
- Bootstrap
- beide
- Marke
- gebracht
- bauen
- Building
- Geschäft
- Unternehmen
- aber
- by
- rufen Sie uns an!
- namens
- Aufrufe
- Kampagnen (Campaign)
- CAN
- Kapazität
- Häuser
- geändert
- Gebühren
- Auswählen
- reinigen
- klicken Sie auf
- eng
- Cloud
- Collective
- Kolonne
- Kombination
- Verbindlichkeiten
- zusammengesetzt
- umfassend
- Bestätigung
- Folglich
- Geht davon
- Konsul (Console)
- Kontext
- entspricht
- erstellen
- erstellt
- Schaffung
- Strom
- Kunde
- Customer Experience
- Kunden
- maßgeschneiderte
- technische Daten
- Datenaufbereitung
- Datenbase
- liefern
- zeigen
- einsetzen
- setzt ein
- ableiten
- Design
- Entwerfen
- Desktop
- entschlossen
- Entwickler
- Entwicklung
- anders
- digital
- Digitale Transformation
- leitet
- verteilt
- verteilte Systeme
- do
- Drama
- einfacher
- Element
- ELEVATE
- E-Mail-Marketing
- ermöglicht
- Ende
- beschäftigt
- Motor
- verbesserte
- Unternehmensebene
- Ganz
- Arbeitsumfeld
- Epoche
- Event
- Veranstaltungen
- Beispiel
- ausgeführt
- vorhandenen
- ERFAHRUNGEN
- Expertise
- ausgesetzt
- Favorit
- Eigenschaften
- Honorare
- Finden Sie
- Folgende
- folgt
- Aussichten für
- Format
- gefunden
- frisch
- für
- Frontend
- Tor
- erzeugen
- erzeugt
- Erzeugung
- Geschlecht
- bekommen
- gegeben
- Ziele
- Gruppe an
- Wachsen Sie über sich hinaus
- Haben
- he
- Hilfe
- hilft
- GUTE
- seine
- historisch
- Hosting
- Ultraschall
- Hilfe
- HTML
- HTTPS
- ID
- Identifizierung
- ids
- if
- zeigt
- Impact der HXNUMXO Observatorien
- implementieren
- Implementierung
- umgesetzt
- importieren
- Einfuhr
- verbessert
- in
- Einschließlich
- Information
- Infrastruktur
- innovativ
- Einblicke
- integrieren
- integriert
- Interaktion
- Interaktionen
- Schnittstelle
- in
- IT
- Artikel
- SEINE
- beigetreten
- jpg
- hält
- Kinesis-Datenströme
- Sprachen
- Leadership
- LERNEN
- lernen
- lernt
- Niveau
- Gefällt mir
- Line
- Belastung
- Los
- Loyalty
- Maschine
- Maschinelles Lernen
- gemacht
- um
- Making
- Managed
- Marketing
- Abstimmung
- messen
- MENÜ
- Nachricht
- Minimum
- ML
- Modell
- für
- mehr
- vor allem warme
- Film
- Filme
- mehrere
- sollen
- Name
- nativen
- In der Nähe von
- notwendig,
- Need
- Bedürfnisse
- Neu
- nicht
- jetzt an
- Anzahl
- Zahlen
- erhalten
- of
- on
- EINEM
- einzige
- Optimierung
- or
- Organisation
- Ergebnis
- übrig
- besitzen
- Parameter
- Parameter
- besondere
- passt
- AUFMERKSAMKEIT
- persönliche
- Personalisierung
- personalisieren
- Personalisiert
- Pipeline
- Plato
- Datenintelligenz von Plato
- PlatoData
- Points
- besitzt
- Post
- Praktiken
- Prognosen
- Vorlieben
- Vorbereitung
- Danach
- Voraussetzungen
- Gegenwart
- vorgeführt
- früher
- in erster Linie
- Prinzip
- Probleme
- Verarbeitung
- Produktion
- Professionell
- Programmierung
- Programmiersprachen
- Projekt
- vorausgesetzt
- Qualität
- schnell
- Angebot
- bereit
- Echtzeit
- erhalten
- erhält
- kürzlich
- Rezept
- Software Empfehlungen
- Empfehlungen
- empfiehlt
- Rekord
- siehe
- Referenz
- bezieht sich
- Relevanz
- Quelle
- vertreten
- Darstellen
- Anforderung
- Antwort
- Folge
- Die Ergebnisse
- Einnahmen
- Recht
- gleich
- Ergebnis
- Verbindung
- senden
- Sendung
- Senior
- geschickt
- Dienstleistungen
- kompensieren
- sollte
- erklären
- zeigte
- Konzerte
- ähnlich
- Einfacher
- Single
- Software
- Lösung
- Lösungen
- Auflösung
- Stapel
- Anfang
- begonnen
- Schritt
- Shritte
- Lagerung
- Ströme
- Erfolgreich
- so
- vorschlagen
- sicher
- System
- Systeme und Techniken
- Technologie
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- dann
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- Durch
- Zeit
- Zeitstempel
- zu
- Werkzeug
- Top
- top 5
- Training
- trainiert
- Ausbildung
- Transaktion
- Transformation
- tippe
- Typen
- unnötig
- aktualisiert
- Uploading
- -
- Anwendungsfall
- Mitglied
- Nutzer
- Verwendung von
- BESTÄTIGEN
- Werte
- riesig
- Version
- Versionen
- Spaziergang
- wurde
- Ansehen
- we
- Netz
- Web-Services
- Webseiten
- GUT
- waren
- Was
- wann
- welche
- deren
- warum
- werden wir
- mit
- ohne
- schrieb
- Jahr
- Du
- Ihr
- Zephyrnet
- Null