En un nivel básico, la tecnología de aprendizaje automático (ML) aprende de los datos para hacer predicciones. Las empresas utilizan sus datos con un servicio de personalización basado en ML para mejorar la experiencia de sus clientes. Este enfoque permite a las empresas utilizar datos para obtener información útil y ayudar a aumentar sus ingresos y su lealtad a la marca.
Amazon Personalize acelera su transformación digital con ML, facilitando la integración de recomendaciones personalizadas en sitios web, aplicaciones, sistemas de marketing por correo electrónico existentes y más. Amazon Personalize permite a los desarrolladores implementar rápidamente un motor de personalización personalizado, sin necesidad de experiencia en aprendizaje automático. Amazon Personalize proporciona la infraestructura necesaria y administra todo el proceso de aprendizaje automático (ML), incluido el procesamiento de datos, la identificación de características, el uso de los algoritmos más adecuados y el entrenamiento, la optimización y el alojamiento de los modelos. Recibe resultados a través de una API y paga solo por lo que usa, sin tarifas mínimas ni compromisos iniciales.
El puesto Diseño de recomendaciones personalizadas casi en tiempo real con Amazon Personalize muestra cómo diseñar recomendaciones personalizadas casi en tiempo real utilizando Amazon Personalize y Servicios de datos personalizados de AWS. En esta publicación, lo guiaremos a través de una implementación de referencia de un sistema de recomendación personalizado en tiempo real utilizando Amazon Personalize.
Resumen de la solución
La solución de recomendaciones personalizadas en tiempo real se implementa utilizando Amazon Personalize, Servicio de almacenamiento simple de Amazon (Amazon S3), Secuencias de datos de Amazon Kinesis, AWS Lambday Puerta de enlace API de Amazon.
La arquitectura se implementa de la siguiente manera:
- Preparación de datos - Comienza por creando un grupo de conjuntos de datos, esquemas y conjuntos de datos que representa sus elementos, interacciones y datos de usuario.
- Entrenar a la modelo – Después de importar sus datos, seleccione la receta que coincida con su caso de uso y luego crear una solución entrenar un modelo mediante creando una versión de la solución. Cuando la versión de su solución esté lista, puede crear una campaña para su versión de solución.
- Obtenga recomendaciones casi en tiempo real – Cuando tienes una campaña, puedes integrar llamadas a la campaña en tu aplicación. Aquí es donde llama a la Obtener recomendaciones or ObtenerClasificaciónPersonalizada Las API están diseñadas para solicitar recomendaciones casi en tiempo real de Amazon Personalize.
Para obtener más información, consulte Diseño de recomendaciones personalizadas casi en tiempo real con Amazon Personalize.
El siguiente diagrama ilustra la arquitectura de la solución.
Implementación
Demostramos esta implementación con un caso de uso sobre cómo hacer recomendaciones de películas en tiempo real a un usuario final en función de sus interacciones con la base de datos de películas a lo largo del tiempo.
La solución se implementa mediante los siguientes pasos:
- Requisito previo (preparación de datos)
- Configure su entorno de desarrollo
- Implementar la solución
- Crear una versión de solución
- Crea una campaña
- Crear un rastreador de eventos
- Obtener recomendaciones
- Ingerir interacciones en tiempo real
- Validar recomendaciones en tiempo real
- Limpiar
Requisitos previos
Antes de comenzar, asegúrese de tener los siguientes requisitos previos:
- Prepara tus datos de entrenamiento – Prepare y cargue los datos en un depósito S3 utilizando el Instrucciones. Para este caso de uso particular, cargará datos de interacciones y datos de elementos. Una interacción es un evento que registra y luego importa como datos de entrenamiento. Amazon Personalize genera recomendaciones basadas principalmente en los datos de interacciones que importa a un conjunto de datos de Interacciones. Puede registrar varios tipos de eventos, como hacer clic, mirar o dar me gusta. Aunque el modelo creado por Amazon Personalize puede sugerir en función de las interacciones pasadas de un usuario, la calidad de estas sugerencias se puede mejorar cuando el modelo posee datos sobre las asociaciones entre usuarios o elementos. Si un usuario ha interactuado con películas categorizadas como Drama en el conjunto de datos del elemento, Amazon Personalize sugerirá películas (elementos) con el mismo género.
- Configure su entorno de desarrollo – Instalar la interfaz de línea de comandos de AWS (AWS CLI).
- Configure CLI con su cuenta de Amazon – Configurar la CLI de AWS con la información de su cuenta de AWS.
- Instalar y arrancar el kit de desarrollo en la nube de AWS (AWS CDK)
Implementar la solución
Para implementar la solución, haga lo siguiente:
- Clon el repositorio a una nueva carpeta en su escritorio.
- Despliegue la pila a su entorno de AWS.
Crear una versión de solución
Una solución se refiere a la combinación de una receta de Amazon Personalize, parámetros personalizados y una o más versiones de solución (modelos entrenados). Cuando implementa el proyecto CDK en el paso anterior, se crea automáticamente una solución con una receta de personalización del usuario. Una versión de solución se refiere a un modelo de aprendizaje automático entrenado. Crear un versión de la solución para la implementación.
Crea una campaña
Una campaña implementa una versión de la solución (modelo entrenado) con una capacidad de transacción aprovisionada para generar recomendaciones en tiempo real. Crear un campaña para la implementación.
Crear un rastreador de eventos
Amazon Personalize puede hacer recomendaciones basadas únicamente en datos de eventos en tiempo real, solo en datos de eventos históricos o en ambos. Registre eventos en tiempo real para desarrollar sus datos de interacciones y permita que Amazon Personalize aprenda de la actividad más reciente de su usuario. Esto mantiene sus datos actualizados y mejora la relevancia de las recomendaciones de Amazon Personalize. Antes de poder registrar eventos, debe crear un rastreador de eventos. Un rastreador de eventos dirige nuevos datos de eventos al conjunto de datos Interacciones en su grupo de conjuntos de datos. Crear y rastreador de eventos para la implementación.
Obtener recomendaciones
En este caso de uso, el conjunto de datos de interacción se compone de ID de películas. En consecuencia, las recomendaciones presentadas al usuario consistirán en identificaciones de películas que se alineen más estrechamente con sus preferencias personales, determinadas a partir de sus interacciones históricas. Puedes usar el getRecommendations
API para recuperar recomendaciones personalizadas para un usuario enviando su asociado userID
, la cantidad de resultados para las recomendaciones que necesita para el usuario, así como el ARN de la campaña. Puede encontrar el ARN de la campaña en el menú de la consola de Amazon Personalize.
Por ejemplo, la siguiente solicitud recuperará 5 recomendaciones para el usuario cuyo userId
es 429:
La respuesta de la solicitud será:
Los elementos devueltos por la llamada API son las películas que Amazon Personalize recomienda al usuario en función de sus interacciones históricas.
Los valores de puntuación proporcionados en este contexto representan números de punto flotante que oscilan entre cero y 1.0. Estos valores corresponden a la campaña actual y las recetas asociadas para este caso de uso. Se determinan en función de las puntuaciones colectivas asignadas a todos los elementos presentes en su conjunto de datos completo.
Ingerir interacciones en tiempo real
En el ejemplo anterior, se obtuvieron recomendaciones para el usuario con un ID de 429 en función de sus interacciones históricas con la base de datos de películas. Para obtener recomendaciones en tiempo real, las interacciones del usuario con los artículos deben incorporarse a Amazon Personalize en tiempo real. Estas interacciones se incorporan al sistema de recomendaciones a través de Amazon Personalize. Rastreador de eventos. El tipo de interacción, también llamada EventType
, viene dado por la columna del mismo nombre en el conjunto de datos de interacción (EVENT_TYPE
). En este ejemplo, los eventos pueden ser del tipo “ver” o “hacer clic”, pero puedes tener tus propios tipos de eventos según las necesidades de tu aplicación.
En este ejemplo, la API expuesta que genera los eventos de los usuarios con los ítems recibe el parámetro “interacciones” que corresponde al número de eventos (interactions
) de un usuario (UserId
) con un solo elemento (itemId
) ahora mismo. El trackingId
El parámetro se puede encontrar en la consola de Amazon Personalize y en la respuesta a la solicitud de creación de Event Tracker.
Este ejemplo muestra un putEvent
solicitud: genere 1 interacción de tipo clic, con una identificación de elemento de '185' para la identificación de usuario '429', utilizando la marca de tiempo actual. Tenga en cuenta que en producción, 'sentAt' debe establecerse en el momento de la interacción del usuario. En el siguiente ejemplo, configuramos esto en el momento en el formato de época en el que escribimos la solicitud de API para esta publicación. Los eventos se envían a Amazon Kinesis Data Streams a través de una puerta de enlace API, por lo que debe enviar los parámetros stream-name y PartitionKey.
Recibirá una respuesta de confirmación similar a la siguiente:
Validar recomendaciones en tiempo real
Debido a que el conjunto de datos de interacción se actualizó, las recomendaciones se actualizarán automáticamente para considerar las nuevas interacciones. Para validar las recomendaciones actualizadas en tiempo real, puede volver a llamar a la API getRecommendations para el mismo ID de usuario 429 y el resultado debería ser diferente al anterior. Los siguientes resultados muestran una nueva recomendación con un ID de 594 y las recomendaciones con ID de 16, 596, 153 y 261 cambiaron sus puntuaciones. Estos elementos trajeron a los nuevos géneros de películas ('Animación|Niños|Drama|Fantasía|Musical') las 5 recomendaciones principales.
Solicitud:
Respuesta:
La respuesta muestra que la recomendación proporcionada por Amazon Personalize se actualizó en tiempo real.
Limpiar
Para evitar cargos innecesarios, limpie la implementación de la solución utilizando Limpiando recursos.
Conclusión
En esta publicación, le mostramos cómo implementar un sistema de recomendaciones personalizadas en tiempo real utilizando Amazon Personalize. Las interacciones con Amazon Personalize para ingerir interacciones en tiempo real y obtener recomendaciones se ejecutaron a través de una herramienta de línea de comandos llamada curl, pero estas llamadas API se pueden integrar en una aplicación empresarial y obtener el mismo resultado.
Para elegir una nueva receta para su caso de uso, consulte Personalización en tiempo real. Para medir el impacto de las recomendaciones hechas por Amazon Personalize, consulte Medir el impacto de las recomendaciones.
Acerca de los autores
Cristian Marquez es un arquitecto senior de aplicaciones en la nube. Tiene una amplia experiencia en el diseño, construcción y entrega de software de nivel empresarial, sistemas distribuidos y de alta carga y aplicaciones nativas de la nube. Tiene experiencia en lenguajes de programación backend y frontend, así como en diseño de sistemas e implementación de prácticas DevOps. Ayuda activamente a los clientes a crear y proteger soluciones innovadoras en la nube, resolviendo sus problemas comerciales y logrando sus objetivos comerciales.
Anand Komandooru es arquitecto sénior de la nube en AWS. Se unió a la organización de servicios profesionales de AWS en 2021 y ayuda a los clientes a crear aplicaciones nativas de la nube en la nube de AWS. Tiene más de 20 años de experiencia en la creación de software y su principio de liderazgo favorito de Amazon es "Los líderes tienen mucha razón."
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/implement-real-time-personalized-recommendations-using-amazon-personalize/
- :posee
- :es
- :dónde
- $ UP
- 1
- 100
- 11
- 150
- 16
- 17
- 20
- 20 años
- 200
- 2021
- 24
- 49
- 7
- 8
- a
- Nuestra Empresa
- acelera
- Conforme
- Mi Cuenta
- el logro de
- procesable
- activamente
- actividad
- Después
- de nuevo
- algoritmos
- alinear
- Todos
- permitir
- permite
- también
- Aunque
- Amazon
- Kinesis amazónica
- Amazon Personalize
- Amazon Web Services
- entre
- an
- y
- abejas
- API
- Aplicación
- aplicaciones
- enfoque
- adecuado
- arquitectura
- somos
- AS
- asigna
- asistencias
- asociado
- asociaciones
- At
- Los intentos
- automáticamente
- evitar
- AWS
- Servicios profesionales de AWS
- Backend
- basado
- básica
- BE
- esto
- antes
- entre
- Bootstrap
- ambas
- marca
- Traído
- build
- Construir la
- negocios
- pero
- by
- llamar al
- , que son
- Calls
- Campaña
- PUEDEN
- Capacidad
- case
- cambiado
- cargos
- Elige
- limpia
- clic
- de cerca
- Soluciones
- Colectivo
- Columna
- combinación
- compromisos
- compuesto
- exhaustivo
- confirmación
- En consecuencia
- Considerar
- Consola
- contexto
- corresponde
- Para crear
- creado
- creación
- Current
- cliente
- experiencia del cliente
- Clientes
- se adaptan
- datos
- Preparación de datos
- Base de datos
- entregar
- demostrar
- desplegar
- despliega
- derivar
- Diseño
- diseño
- computadora de escritorio
- determina
- desarrolladores
- Desarrollo
- una experiencia diferente
- digital
- Transformación Digital
- directo
- distribuidos
- sistemas distribuidos
- do
- Drama
- más fácil
- elementos
- ELEVATE
- Campañas de emailing
- permite
- final
- comprometido
- Motor
- mejorado
- Nivel de Empresa
- Todo
- Entorno
- época
- Evento
- Eventos
- ejemplo
- ejecutado
- existente
- experience
- Experiencia
- expuesto
- Favoritos
- Caracteristicas
- Costes
- Encuentre
- siguiendo
- siguiente
- formato
- encontrado
- fresco
- Desde
- Frontend
- puerta
- generar
- genera
- la generación de
- género
- obtener
- dado
- Goals
- Grupo procesos
- Crecer
- Tienen
- he
- ayuda
- ayuda
- Alta
- su
- histórico
- hosting
- Cómo
- Como Hacer
- HTML
- HTTPS
- ID
- identificar
- ids
- if
- ilustra
- Impacto
- implementar
- implementación
- implementado
- importar
- importador
- mejora
- in
- Incluye
- información
- EN LA MINA
- originales
- Insights
- integrar
- COMPLETAMENTE
- interacción
- interacciones
- Interfaz
- dentro
- IT
- artículos
- SUS
- se unió a
- jpg
- mantiene
- Flujos de datos de Kinesis
- Idiomas
- Liderazgo
- APRENDE:
- aprendizaje
- aprende
- Nivel
- como
- línea
- carga
- Lote
- Lealtad
- máquina
- máquina de aprendizaje
- hecho
- para lograr
- Realizar
- gestiona
- Marketing
- pareo
- medir
- Menú
- mensaje
- mínimo
- ML
- modelo
- modelos
- más,
- MEJOR DE TU
- película
- Películas
- múltiples
- debe
- nombre
- nativo
- Cerca
- necesario
- ¿ Necesita ayuda
- Nuevo
- no
- ahora
- número
- números
- obtenido
- of
- on
- ONE
- , solamente
- optimizando
- or
- organización
- salir
- Resultado
- Más de
- EL DESARROLLADOR
- parámetro
- parámetros
- particular
- pasado
- Pagar
- con
- personalización
- personalizar
- Personalizado
- industrial
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- punto
- posee
- Publicación
- prácticas
- Predicciones
- preferencias
- preparación
- Preparar
- requisitos previos
- presente
- presentó
- anterior
- las cuales
- principio
- problemas
- tratamiento
- Producción
- Profesional
- Programación
- lenguajes de programación
- proyecto
- previsto
- calidad
- con rapidez
- distancia
- ready
- en tiempo real
- recepción
- recibe
- reciente
- recetas
- Recomendación
- recomendaciones
- de CFP.
- grabar
- remitir
- referencia
- se refiere
- la relevancia
- repositorio
- representar
- que representa
- solicita
- respuesta
- resultado
- Resultados
- ingresos
- Derecho
- mismo
- Puntuación
- seguro
- envío
- enviando
- mayor
- expedido
- de coches
- Servicios
- set
- tienes
- Mostrar
- mostró
- Shows
- similares
- sencillos
- soltero
- Software
- a medida
- Soluciones
- Resolver
- montón
- comienzo
- fundó
- paso
- pasos
- STORAGE
- corrientes
- Con éxito
- tal
- sugieren
- seguro
- te
- Todas las funciones a su disposición
- Tecnología
- esa
- La
- su
- luego
- Estas
- ellos
- así
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- fecha y hora
- a
- del IRS
- parte superior
- top 5
- Entrenar
- entrenado
- Formación
- transaccional
- tipo
- tipos
- innecesario
- actualizado
- ¿Cómo subir tu libro?
- utilizan el
- caso de uso
- Usuario
- usuarios
- usando
- VALIDAR
- Valores
- Vasto
- versión
- versiones
- caminar
- fue
- Ver ahora
- we
- web
- servicios web
- sitios web
- WELL
- tuvieron
- ¿
- cuando
- que
- cuyo
- porque
- seguirá
- sin
- escribí
- años
- Usted
- tú
- zephyrnet
- cero