Esta publicación fue coescrita con Dave Gowel, director ejecutivo de RallyPoint. En sus propias palabras, "Punto de reunión es una red social y profesional en línea para veteranos, miembros del servicio, familiares, cuidadores y otros simpatizantes civiles de las fuerzas armadas de los EE. UU. Con dos millones de miembros en la plataforma, la compañía ofrece un lugar cómodo para que esta población merecedora se conecte entre sí y programas diseñados para apoyarlos.."
Todos aquellos que sirven, y aquellos que los apoyan, a menudo enfrentan una variedad de desafíos laborales cuando un miembro del servicio hace la transición de regreso a la vida civil. RallyPoint ha identificado el período de transición a una carrera civil como una gran oportunidad para mejorar la calidad de vida de esta población mediante la creación de recomendaciones laborales convincentes y automatizadas. Sin embargo, históricamente el equipo empleó un método de curación basado en reglas para recomendar trabajos a lo largo de su experiencia de usuario, lo que no permite que los miembros obtengan recomendaciones de trabajo personalizadas según su experiencia, experiencia e intereses individuales.
“Para mejorar esta experiencia para sus miembros, en RallyPoint queríamos explorar cómo el aprendizaje automático (ML) podría ayudar. No queremos que nuestros miembros del servicio, veteranos y sus seres queridos pierdan el tiempo buscando una carrera civil satisfactoria cuando decidan dejar las fuerzas armadas. Debe ser un proceso fácil. Queremos que nuestros miembros nos cuenten sobre sus experiencias militares, las escuelas a las que hayan asistido y sus preferencias personales. Luego, al aprovechar lo que sabemos de nuestros millones de miembros militares y veteranos, los puestos vacantes relevantes deberían surgir fácilmente en lugar de buscarlos laboriosamente. También se espera que este servicio gratuito para nuestros miembros genere ingresos en al menos siete cifras de los empleadores que buscan el talento militar y veterano adecuado, lo que nos permite desarrollar más capacidades gratuitas para nuestros miembros”.
Esta entrada de blog resume cómo el Laboratorio de soluciones de aprendizaje automático de Amazon (MLSL) se asoció con RallyPoint para impulsar una mejora del 35 % en las recomendaciones profesionales personalizadas y un aumento de 66 veces en la cobertura, entre otras mejoras para los miembros de RallyPoint a partir de la implementación actual basada en reglas.
“MLSL ayudó a RallyPoint a salvar y mejorar la vida de la comunidad militar de EE. UU. Afortunado de trabajar en múltiples proyectos complejos e impactantes con MLSL para apoyar a las poblaciones más merecedoras, RallyPoint aceleró el crecimiento en múltiples métricas organizacionales centrales en el proceso. El talento, la cultura y el enfoque de alto calibre de MLSL para ayudarnos a lograr resultados medibles y convincentes de las inversiones en aprendizaje automático nos permitieron reducir el riesgo de suicidio, mejorar la transición profesional y acelerar conexiones importantes para nuestros miembros del servicio, veteranos y sus familias”.
Las siguientes secciones cubren los desafíos comerciales y técnicos, el enfoque adoptado por los equipos de AWS y RallyPoint, y el rendimiento de la solución implementada que aprovecha Amazon Personalize.
Amazon Personalize facilita a los desarrolladores la creación de aplicaciones capaces de ofrecer una amplia gama de experiencias de personalización, incluidas recomendaciones de productos específicos, reclasificación personalizada de productos y marketing directo personalizado. Amazon Personalize es un servicio de aprendizaje automático totalmente administrado que va más allá de los sistemas de recomendación rígidos y estáticos basados en reglas mediante la capacitación, el ajuste y la implementación de modelos de aprendizaje automático personalizados para ofrecer recomendaciones altamente personalizadas a los clientes de industrias como la venta minorista, los medios y el entretenimiento.
Desafíos comerciales y técnicos
Múltiples desafíos comerciales inspiraron esta asociación. La más pertinente fue la tasa de clics en los 10 mejores trabajos recomendados en el sitio web de RallyPoint. RallyPoint analizó la participación de los usuarios dentro de su plataforma y descubrió que necesitaban aumentar la cantidad de trabajos relevantes en los que los usuarios hacen clic. La idea es que cuanto más relevante sea un trabajo recomendado, mayor será la probabilidad de que los miembros soliciten esos trabajos, lo que lleva a mejores resultados laborales.
El siguiente desafío fue aumentar la participación de los miembros en los servicios de empleo ofrecidos en el sitio. RallyPoint ofrece la oportunidad para que las personas "construyan su marca e involucren a la comunidad militar, anuncien sus productos y servicios, realicen campañas de marketing de reclutamiento, publiquen trabajos y busquen talentos veteranos". Una vez más, identificaron una oportunidad de aplicar AWS Personalize para ayudar a más personas a hacer la transición a la vida civil y buscaron mejorar sus números de conversión de clic a cliente, lo que generó mejores resultados para los clientes directos de RallyPoint.
Desde una perspectiva técnica, como muchos problemas del sistema de recomendación tradicional, la escasez de datos y la cola larga fue un desafío a superar. El conjunto de muestra de datos anonimizados y ya compartidos públicamente incluía miles de perfiles de usuario anónimos, con más de cincuenta puntos de metadatos de usuario, pero muchos tenían metadatos/información de perfil incoherentes o faltantes. Para abordar esto, el equipo aprovechó la funcionalidad de recomendación de inicio en frío de Amazon Personalize para usuarios relevantes.
Resumen de la solución
Para resolver el problema, MLSL colaboró con RallyPoint para construir una canalización personalizada de Amazon Personalize para RallyPoint. Algunos de los servicios utilizados incluyen Servicio de almacenamiento simple de Amazon (Amazon S3), Instancias de cuadernos de Amazon SageMakery Amazon Personalizar. El siguiente diagrama ilustra la arquitectura de la solución.
Los datos sin procesar anonimizados utilizados para la solución consistían en un historial de interacciones con ofertas de trabajo junto con metadatos sobre perfiles de usuario y puestos de trabajo. Esto se almacenó en S3. El equipo de MLSL utilizó instancias de notebook de Amazon SageMaker para preparar los datos como entrada para Amazon Personalize. Este paso incluyó el preprocesamiento de datos, la ingeniería de características y la creación de esquemas y grupos de conjuntos de datos necesarios para Amazon Personalize. Para obtener más información, consulte Creación de un grupo de conjuntos de datos personalizados.
El siguiente paso fue crear una solución en Amazon Personalize. Una solución se refiere a la combinación de una receta de Amazon Personalize, parámetros personalizados y una o más versiones de la solución. Para obtener más información, consulte Creando una solución. El equipo usó el Receta de personalización del usuario para generar recomendaciones de trabajo específicas del usuario para usuarios en un conjunto de validación. Los resultados de Amazon Personalize, incluidas las recomendaciones de trabajo y las métricas de rendimiento, se almacenan en un depósito de Amazon S3 para su posterior análisis.
En el paso final, el equipo usó una instancia de notebook para preparar las recomendaciones de salida para la evaluación externa por parte de anotadores humanos, como se describe en el Uso de expertos en dominios .
Evaluación de los resultados de Amazon Personalize
El rendimiento de una versión de la solución de Amazon Personalize se puede evaluar utilizando métricas fuera de línea, métricas en líneay pruebas A/B. Las métricas sin conexión le permiten ver los efectos de modificar los hiperparámetros y los algoritmos utilizados para entrenar sus modelos, calculados con datos históricos. Las métricas en línea son los resultados empíricos observados en las interacciones de su usuario con recomendaciones en tiempo real proporcionadas en un entorno en vivo (como la tasa de clics). Las pruebas A/B son un método en línea para comparar el rendimiento de varias versiones de la solución con una solución predeterminada. Los usuarios se asignan aleatoriamente al grupo de control (predeterminado) o a uno de los grupos de tratamiento (prueba). Los usuarios del grupo de control reciben recomendaciones de la solución predeterminada (línea de base), mientras que cada uno de los grupos de tratamiento interactúa con una versión de solución diferente. Las pruebas de significación estadística se utilizan para comparar las métricas de rendimiento (como la tasa de clics o la latencia) y las métricas comerciales (como los ingresos) con las de la solución predeterminada.
Amazon Personalize mide las métricas fuera de línea durante el entrenamiento de una versión de la solución. El equipo utilizó métricas fuera de línea como el rango recíproco medio (MRR), la ganancia acumulada descontada normalizada (NCDG@k), Precision@k y Cobertura. Para conocer las definiciones de todas las métricas sin conexión disponibles, consulte Definiciones de métricas.
Aunque Amazon Personalize proporciona una extensa lista de métricas fuera de línea que el equipo puede usar para medir objetivamente el rendimiento de las soluciones durante la capacitación, se recomiendan las métricas en línea y las pruebas A/B para rastrear y validar el rendimiento del modelo. Una advertencia para estas pruebas es que requieren que los usuarios interactúen con las recomendaciones de Amazon Personalize en tiempo real. Debido a que el modelo de RallyPoint Amazon Personalize no se implementó antes de esta publicación, el equipo no tenía resultados para informar sobre estas pruebas.
Uso de expertos en dominios
Las pruebas A/B son el método preferido para analizar la calidad de un sistema de recomendaciones; sin embargo, el uso de expertos en el dominio para anotar las recomendaciones es un precursor viable. Dado que las pruebas en línea no eran una opción, para probar la solidez de las recomendaciones, el equipo pidió a los expertos de dominio en RallyPoint que anotaran las recomendaciones generadas por los modelos y contaran la cantidad de puestos de trabajo que los expertos acordaron que se deberían recomendar (dada la información del usuario y preferencias indicadas) como el número de recomendaciones “correctas”. Esta métrica se utilizó para comparar las versiones de la solución. A solución de popularidad (los criterios actuales basados en reglas) se utilizó como referencia que consistía en recomendar los cinco puestos de trabajo más populares a cada usuario. Además, se utilizó una solución con configuraciones predeterminadas como otro modelo de referencia llamado Solución básica de Amazon Personalize.
Resultados
El uso del modelo de mejor rendimiento dio como resultado una mejora del 35 % en la cantidad de recomendaciones "correctas" con respecto a la solución de referencia de Amazon Personalize y una mejora del 54 % con respecto a la solución de popularidad. El equipo también podría lograr una mejora de 66x en la cobertura, una mejora de 30x en MRR y una mejora de 2x en precision@10 en comparación con la solución de popularidad. Además de la solución de popularidad, el equipo observó un aumento de hasta 2 veces en MRR y precision@10 en comparación con la solución de referencia de Amazon Personalize.
Resumen
RallyPoint reconoció una oportunidad de servir mejor a sus clientes con recomendaciones profesionales más personalizadas. Comenzaron su viaje de personalización de usuarios con la obsesión del cliente en mente, asociándose con Machine Learning Solutions Lab. RallyPoint ahora tiene la oportunidad de brindar a sus usuarios recomendaciones profesionales más valiosas a través de esta solución. La incorporación de este sistema de recomendación mejorado en su sitio web dará como resultado que los usuarios de RallyPoint vean trabajos más relevantes en su fuente de carrera, facilitando el camino hacia carreras más satisfactorias y una mejor calidad de vida para sus miembros.
Uso Amazon Personalize para proporcionar una experiencia individualizada para sus usuarios hoy! Si desea colaborar con expertos para llevar soluciones ML a su organización, comuníquese con el Laboratorio de soluciones de Amazon ML.
Recursos adicionales
Para obtener más información sobre Amazon Personalize, consulte lo siguiente:
Acerca de los autores
david gowel es un veterano del ejército y director ejecutivo de RallyPoint. Dave se graduó de West Point y de la Escuela de Guardabosques del Ejército de EE. UU., sirvió en Irak como líder de pelotón de tanques y enseñó como profesor asistente en el programa ROTC del Instituto de Tecnología de Massachusetts. RallyPoint es la tercera empresa de tecnología de la que Dave ha sido director general.
mateo rodas es un científico de datos que trabaja en el Laboratorio de soluciones de aprendizaje automático de Amazon. Se especializa en la creación de canales de aprendizaje automático que involucran conceptos como el procesamiento del lenguaje natural y la visión por computadora.
Amin Tajgardoon es científico aplicado en la Laboratorio de soluciones de aprendizaje automático de Amazon. Tiene una amplia experiencia en informática y aprendizaje automático. En particular, el enfoque de Amin se ha centrado en el aprendizaje profundo y la previsión, los métodos de explicación de la predicción, la detección de la deriva del modelo, los modelos generativos probabilísticos y las aplicaciones de la IA en el ámbito de la atención sanitaria.
Yash Shah es Gerente de Ciencias en el Laboratorio de soluciones de aprendizaje automático de Amazon. Él y su equipo de científicos aplicados e ingenieros de aprendizaje automático trabajan en una variedad de casos de uso de aprendizaje automático de la salud, los deportes, la automoción y la fabricación.
Vamshi Krishna Enabothala es Arquitecto Sr. Especialista en IA Aplicada en AWS. Trabaja con clientes de diferentes sectores para acelerar iniciativas de datos, análisis y aprendizaje automático de alto impacto. Le apasionan los sistemas de recomendación, la PNL y las áreas de visión por computadora en IA y ML. Fuera del trabajo, Vamshi es un entusiasta de RC, construye equipos de RC (aviones, automóviles y drones) y también disfruta de la jardinería.
greg tolmie es administrador de cuentas en el equipo de socios ISV del sector público de AWS. Greg respalda una cartera de socios ISV del sector público de AWS para ayudarlos a crecer y madurar su adopción de los servicios de AWS mientras maximiza los beneficios de la red de socios de AWS.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/how-rallypoint-and-aws-are-personalizing-job-recommendations-to-help-military-veterans-and-service-providers-transition-back-into-civilian-life-using-amazon-personalize/
- :posee
- :es
- :no
- $ UP
- 10
- 100
- 35%
- 7
- a
- Nuestra Empresa
- acelerar
- acelerado
- Mi Cuenta
- Lograr
- a través de
- adición
- Adopción
- Publicidad
- en contra
- AI
- algoritmos
- Todos
- Permitir
- a lo largo de
- ya haya utilizado
- también
- Amazon
- Amazon Personalize
- Amazon SageMaker
- entre
- an
- análisis
- Analytics
- el análisis de
- y
- Otra
- cualquier
- aplicaciones
- aplicada
- IA aplicada
- Aplicá
- La aplicación de
- enfoque
- arquitectura
- somos
- áreas
- armado
- Ejército
- Formación
- AS
- asigna
- Legal
- At
- Confirmación de Viaje
- automotor
- Hoy Disponibles
- AWS
- Atrás
- fondo
- Base
- BE
- porque
- esto
- comenzó
- beneficios
- MEJOR
- mejores
- Más allá de
- Blog
- marca
- llevar
- build
- Construir la
- pero
- by
- calculado
- , que son
- Campañas
- PUEDEN
- capacidades
- capaz
- Propósito
- carreras
- carros
- cases
- ceo
- Reto
- retos
- colaboran
- colaborado
- combinación
- cómodo
- vibrante e inclusiva
- compañía
- comparar
- en comparación con
- comparar
- irresistible
- integraciones
- computadora
- Ciencias de la Computación
- Visión por computador
- conceptos
- Contacto
- Conexiones
- construir
- contacte
- control
- Conversión
- Core
- podría
- Protectora
- cobertura
- Para crear
- Creamos
- criterios
- Cultura
- curaduría
- Current
- personalizado
- cliente
- Clientes
- se adaptan
- datos
- científico de datos
- David
- decidir
- profundo
- deep learning
- Predeterminado
- entregamos
- entregar
- desplegado
- Desplegando
- descrito
- diseñado
- Detección
- desarrolladores
- una experiencia diferente
- de reservas
- descuento
- descubierto CRISPR
- No
- dominio
- No
- el lado de la transmisión
- Drones
- durante
- cada una
- pasan fácilmente
- aliviando
- los efectos
- ya sea
- empleadores
- empleo
- facilita
- y conseguir de esta manera
- de su negocio.
- Ingeniería
- certificados
- Entretenimiento
- entusiasta
- Entorno
- equipo
- evaluado
- evaluación
- Cada
- esperado
- experience
- Experiencias
- Experiencia
- expertos
- explicación
- explorar
- en los detalles
- externo
- Cara
- familias
- familia
- miembros de la familia
- Feature
- Figuras
- final
- Focus
- siguiendo
- Fuerzas
- afortunado
- Gratuito
- Desde
- completamente
- a la fatiga
- promover
- Obtén
- generar
- generado
- generativo
- obtener
- Donar
- dado
- Va
- graduados
- Grupo procesos
- Grupo
- Crecer
- Crecimiento
- Tienen
- he
- la salud
- ayuda
- ayudado
- Alta
- más alto
- altamente
- histórico
- históricamente
- historia
- Cómo
- Sin embargo
- HTML
- http
- HTTPS
- humana
- idea
- no haber aun identificado una solucion para el problema
- impactante
- implementación
- implementado
- importante
- mejorar
- mejorado
- es la mejora continua
- mejoras
- in
- incluir
- incluido
- Incluye
- incorporando
- aumente
- indicado
- INSTRUMENTO individual
- industrias
- información
- iniciativas
- Las opciones de entrada
- inspirado
- ejemplo
- Innovadora
- interactuar
- interacciones
- intereses
- dentro
- Inversiones
- involucrar
- Irak
- IT
- SUS
- Trabajos
- Empleo
- jpg
- Saber
- el lab
- idioma
- Estado latente
- líder
- líder
- aprendizaje
- Abandonar
- apalancamientos
- aprovechando
- Vida
- como
- Lista
- para vivir
- Vidas
- Largo
- ser querido
- máquina
- máquina de aprendizaje
- gran
- HACE
- gestionado
- gerente
- Fabricación
- muchos
- Marketing
- Massachusetts
- Instituto de Tecnología de Massachusetts
- un estudiante adulto
- medir
- medidas
- Medios
- Miembros
- metadatos
- Método
- métodos
- métrico
- Métrica
- Militares
- millones
- millones
- mente
- que falta
- ML
- modelo
- modelos
- más,
- Por otra parte
- MEJOR DE TU
- Más popular
- múltiples
- Natural
- Procesamiento natural del lenguaje
- del sistema,
- Next
- nlp
- cuaderno
- ahora
- número
- números
- of
- Ofrecido
- Ofertas
- digital fuera de línea.
- on
- ONE
- en línea
- habiertos
- Oportunidad
- Optión
- or
- organización
- organizativo
- Otro
- nuestros
- salida
- afuera
- Más de
- Superar
- EL DESARROLLADOR
- parámetros
- particular
- Socio
- red de socios
- asociado
- Asociación
- socios
- Consorcio
- apasionado
- camino
- Personas
- actuación
- realizar
- período
- con
- personalización
- personalizar
- Personalizado
- la perspectiva
- industrial
- Colocar
- plataforma
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- punto
- puntos
- Popular
- popularidad
- población
- poblaciones
- portafolio
- abiertas
- Publicación
- precursor
- predicción
- preferencias
- preferido
- Preparar
- Anterior
- Problema
- problemas
- tratamiento
- Producto
- Productos
- Profesional
- Profesor
- Perfiles
- Programa
- Programas
- proyecta
- proporcionar
- previsto
- los proveedores
- proporciona un
- público
- Publicación
- en público
- calidad
- distancia
- Rate
- Crudo
- real
- en tiempo real
- realización
- recepción
- recetas
- reconocido
- recomiendan
- Recomendación
- recomendaciones
- recomendado
- recomendando
- reclutamiento
- reducir
- se refiere
- reporte
- exigir
- Requisitos
- resultado
- Resultados
- el comercio minorista
- ingresos
- rígido
- Riesgo
- robustez
- Ejecutar
- sabio
- Guardar
- Escuela
- Escuelas
- Ciencia:
- Científico
- los científicos
- Buscar
- búsqueda
- Sección
- (secciones)
- sector
- Sectores
- ver
- la búsqueda de
- ayudar
- de coches
- proveedores de servicios
- Servicios
- set
- ajustes
- siete
- compartido
- tienes
- significado
- sencillos
- desde
- página web
- Social
- a medida
- Soluciones
- RESOLVER
- algo
- especialista
- se especializa
- soluciones y
- velocidad
- Deportes
- comienzo
- estadístico
- paso
- STORAGE
- almacenados
- tal
- SOPORTE
- partidarios
- soportes
- te
- Todas las funciones a su disposición
- Talent
- tanque
- equipo
- equipos
- Técnico
- Tecnología
- les digas
- test
- Pruebas
- pruebas
- que
- esa
- El proyecto
- su
- Les
- Estas
- ellos
- Código
- así
- aquellos
- miles
- 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.
- a lo largo de
- equipo
- a
- parte superior
- Top 10
- seguir
- tradicional
- Entrenar
- Formación
- transición
- transiciones
- del mismo día
- us
- us army
- Militar de Estados Unidos
- utilizan el
- usado
- Usuario
- experiencia como usuario
- usuarios
- usando
- VALIDAR
- validación
- Valioso
- variedad
- versión
- veterano
- Veteranos
- y
- Ver
- visión
- deseado
- fue
- Residuos
- we
- Página web
- West
- ¿
- que
- mientras
- QUIENES
- amplio
- seguirá
- dentro de
- palabras
- Actividades:
- trabajando
- funciona
- Usted
- tú
- zephyrnet