Selle postituse on kaasautoriks Thomson Reutersi Hesham Fahim.
Thomson Reuters (TR) on üks maailma usaldusväärsemaid teabeorganisatsioone ettevõtetele ja spetsialistidele. See pakub ettevõtetele usaldusväärsete vastuste leidmiseks vajalikku intelligentsust, tehnoloogiat ja inimteadmisi, võimaldades neil kiiremini paremaid otsuseid teha. TR-i kliendid ulatuvad finants-, riski-, õigus-, maksu-, raamatupidamis- ja meediaturgudelt.
Thomson Reuters pakub maksu-, õigus- ja uudistekampaanias turuliidri tooteid, mille kasutajad saavad registreeruda, kasutades abonemendi litsentsimise mudelit. Selle klientide kasutuskogemuse parandamiseks soovis TR luua tsentraliseeritud soovitusplatvormi, mis võimaldas nende müügimeeskonnal soovitada oma klientidele kõige asjakohasemaid tellimuspakette, koostades soovitusi, mis aitavad tõsta teadlikkust toodetest, mis võiksid aidata nende klientidel turgu paremini teenindada. kohandatud tootevalikuid.
Enne selle tsentraliseeritud platvormi loomist oli TR-l pärandreeglitel põhinev mootor uuendamissoovituste loomiseks. Selle mootori reeglid olid eelnevalt määratletud ja kirjutatud SQL-is, mis lisaks haldamise väljakutsele oli hädas ka TR-i erinevatest integreeritud andmeallikatest pärit andmete levikuga. TR-i kliendiandmed muutuvad kiiremini, kui ärireeglid suudavad areneda, et kajastada muutuvaid klientide vajadusi. TR-i uue masinõppel (ML) põhineva isikupärastamismootori põhinõue oli keskendunud täpsele soovitussüsteemile, mis võtab arvesse hiljutisi klientide suundumusi. Soovitav lahendus oleks selline, millel on madalad tegevuskulud, võimalus kiirendada ärieesmärkide saavutamist ja isikupärastamise mootor, mida saaks pidevalt koolitada ajakohaste andmetega, et tulla toime muutuvate tarbijaharjumuste ja uute toodetega.
Uuendussoovituste isikupärastamine lähtuvalt sellest, millised tooted oleksid TR-i klientide jaoks väärtuslikud, oli müügi- ja turundusmeeskonna jaoks oluline äriline väljakutse. TR-l on hulgaliselt andmeid, mida saab kasutada isikupärastamiseks, mis on kogutud klientide suhtlusest ja salvestatud tsentraliseeritud andmelattu. TR on olnud ML-i varajane kasutuselevõtja Amazon SageMaker, ja nende küpsus AI/ML domeenis tähendas, et nad olid andmelaos kogunud olulise andmekogumi asjakohastest andmetest, mille abil meeskond sai treenida isikupärastamismudelit. TR on jätkanud oma AI/ML-i uuendusi ja on hiljuti välja töötanud uuendatud soovitusplatvormi Isikupärastage Amazon, mis on täielikult hallatav ML-teenus, mis kasutab kasutajatele soovituste loomiseks kasutaja interaktsioone ja üksusi. Selles postituses selgitame, kuidas TR kasutas Amazon Personalize'i, et luua skaleeritav mitme rentimisega soovitussüsteem, mis pakub oma klientidele parimaid toodete tellimisplaane ja nendega seotud hindu.
Lahenduse arhitektuur
Lahendus tuli kavandada, võttes arvesse TR-i põhitoiminguid, mis on seotud kasutajate mõistmisega andmete kaudu; Nendele kasutajatele isikupärastatud ja asjakohase sisu pakkumine suurest andmekogust oli missioonikriitiline nõue. Hästi läbimõeldud soovituste süsteem on võtmetähtsusega kvaliteetsete soovituste saamiseks, mis on kohandatud iga kasutaja nõudmistele.
Lahendus nõudis kasutajate käitumisandmete kogumist ja ettevalmistamist, ML-mudeli koolitamist Amazon Personalize'i abil, isikupärastatud soovituste genereerimist koolitatud mudeli kaudu ja turunduskampaaniate juhtimist isikupärastatud soovitustega.
TR soovis võimaluse korral ära kasutada AWS-i hallatavaid teenuseid, et lihtsustada toiminguid ja vähendada eristamata raskuste tõstmist. TR kasutatud AWS Glue DataBrew ja AWS partii tööd ekstraktimise, teisendamise ja laadimise (ETL) tööde tegemiseks ML-konveierites ning SageMaker koos Amazon Personalize'iga soovituste kohandamiseks. Koolitusandmete mahu ja käitusaja vaatenurgast pidi lahendus olema skaleeritav, et töödelda miljoneid kirjeid TR-i ärimeeskondade alltarbijatele juba ette nähtud aja jooksul.
Järgmistes jaotistes selgitatakse lahendusega seotud komponente.
ML koolitustoru
Kasutajate ja sisu vahelisi interaktsioone kogutakse klikivoo andmetena, mis tekivad siis, kui klient sisule klõpsab. TR analüüsib, kas see on osa nende tellimusplaanist või väljaspool liitumisplaani, et nad saaksid anda lisateavet hinna ja plaani registreerimisvõimaluste kohta. Erinevatest allikatest pärit kasutaja interaktsiooniandmed säilitatakse nende andmelaos.
Järgmine diagramm illustreerib ML-i treeningu torujuhtmeid.
Konveier algab AWS-i partiitööga, mis eraldab andmed andmelaost ja teisendab andmed interaktsioonide, kasutajate ja üksuste andmekogumite loomiseks.
Mudeli koolitamiseks kasutatakse järgmisi andmekogumeid:
- Struktureeritud tooteandmed - Tellimused, tellimused, tootekataloog, tehingud ja kliendiandmed
- Poolstruktureeritud käitumisandmed – Kasutajad, kasutus ja suhtlus
Need teisendatud andmed salvestatakse Amazoni lihtne salvestusteenus (Amazon S3) ämber, mis imporditakse Amazon Personalize'i ML-treeningu jaoks. Kuna TR soovib luua oma kasutajatele isikupärastatud soovitusi, kasutavad nad USER_PERSONALIZATION retsept ML-mudelite koolitamiseks nende kohandatud andmete jaoks, mida nimetatakse lahenduse versiooni loomiseks. Pärast lahenduse versiooni loomist kasutatakse seda kasutajatele isikupärastatud soovituste loomiseks.
Kogu töövoog on korraldatud kasutades AWS-i astmefunktsioonid. Märguanded ja teatised jäädvustatakse ja avaldatakse Microsoft Teamsile kasutades Amazoni lihtne teavitusteenus (Amazon SNS) ja Amazon EventBridge.
Isikupärastatud soovituste torustiku loomine: partii järeldus
Kliendi nõuded ja eelistused muutuvad väga sageli ning viimased klikivoo andmetes salvestatud interaktsioonid on võtmeandmepunktiks kliendi muutuvate eelistuste mõistmiseks. Pidevalt muutuvate klientide eelistustega kohanemiseks koostab TR iga päev isikupärastatud soovitusi.
Järgmine diagramm illustreerib isikupärastatud soovituste loomiseks vajalikku konveieri.
DataBrew'i töö eraldab andmed TR-i andmelaost nende kasutajate jaoks, kellel on praeguse liitumisplaani ja hiljutiste tegevuste alusel uuendamise ajal soovitusi anda. DataBrew'i visuaalsete andmete ettevalmistamise tööriist muudab TR-andmete analüütikutel ja andmeteadlastel andmete puhastamise ja normaliseerimise lihtsaks, et neid analüüsiks ja ML-i jaoks ette valmistada. Oluline funktsioon oli võimalus valida visuaalses andmete ettevalmistamise tööriistas enam kui 250 eelehitatud teisenduse hulgast, et automatiseerida andmete ettevalmistamise ülesandeid, ilma et oleks vaja koodi kirjutada. DataBrew töö loob interaktsioonide ja pakettsoovituste töö sisendi jaoks täiendava andmestiku ning salvestab väljundi S3 ämbrisse. Äsja loodud järkjärguline andmestik imporditakse interaktsioonide andmekogumisse. Kui andmestiku järkjärguline importimine õnnestub, käivitatakse sisendandmetega Amazon Personalize'i pakettsoovituste töö. Amazon Personalize loob sisendandmetes esitatud kasutajatele uusimad soovitused ja salvestab need soovituste S3 ämbrisse.
Hinna optimeerimine on viimane samm enne, kui vastloodud soovitused on kasutusvalmis. TR teostab loodud soovituste põhjal kulude optimeerimise tööd ja kasutab SageMakerit, et selle viimase sammuna käitada soovituste alusel kohandatud mudeleid. AWS-i liimitöö kureerib Amazon Personalize'i loodud väljundi ja muudab selle SageMakeri kohandatud mudeli jaoks nõutavasse sisendvormingusse. TR suudab ära kasutada AWS-i pakutavate teenuste laiust, kasutades soovitusplatvormis nii Amazon Personalize'i kui ka SageMakerit, et kohandada soovitusi kliendiettevõtte ja lõppkasutajate tüübi alusel.
Kogu töövoog lahutatakse ja korraldatakse sammufunktsioonide abil, mis annab torujuhtme skaleerimise paindlikkuse sõltuvalt andmetöötlusnõuetest. Hoiatused ja märguanded salvestatakse Amazon SNS-i ja EventBridge'i abil.
Meilikampaaniate juhtimine
Koos hinnakujundustulemustega koostatud soovitusi kasutatakse meilikampaaniate suunamiseks TR klientideni. AWS-i partiitööd kasutatakse iga kliendi soovituste kureerimiseks ja optimeeritud hinnateabe rikastamiseks. Need soovitused sisestatakse TR-i kampaaniasüsteemidesse, mis juhivad järgmisi meilikampaaniaid:
- Tellimuse automaatne uuendamine või kampaaniate täiendamine uute toodetega, mis võivad klienti huvitada
- Keskmise lepingu pikendamise kampaaniad paremate pakkumiste ning asjakohasemate toodete ja legaalse sisuga materjalidega
Selle protsessi teave kopeeritakse ka kliendiportaali, et kliendid, kes oma praegust tellimust üle vaatavad, näevad uusi pikendamissoovitusi. TR on pärast uue soovitusplatvormi kasutuselevõttu näinud meilikampaaniate kõrgemat konversioonimäära, mis on suurendanud müügitellimusi.
Mis edasi: reaalajas soovituste konveier
Klientide nõuded ja ostlemiskäitumine muutuvad reaalajas ning soovituste kohandamine reaalajas toimuvate muutustega on õige sisu esitamise võti. Pärast seda, kui TR on näinud suurt edu pakettsoovitussüsteemi juurutamisel, kavatseb TR nüüd viia selle lahenduse järgmisele tasemele, rakendades reaalajas soovituste torustiku, et luua soovitusi Amazon Personalize'i abil.
Järgmine diagramm illustreerib arhitektuuri, et pakkuda reaalajas soovitusi.
Reaalajas integreerimine algab reaalajas kasutaja kaasamisandmete kogumisest ja nende voogesitusest Amazon Personalize'i. Kuna kasutajad suhtlevad TR-i rakendustega, genereerivad nad klikivoo sündmusi, mis avaldatakse Amazon Kinesise andmevood. Seejärel sisestatakse sündmused TR-i tsentraliseeritud voogesitusplatvormi, mis on üles ehitatud Amazoni hallatav voogesitus Kafka jaoks (Amazon MSK). Amazon MSK teeb täielikult hallatava Apache Kafka abil lihtsaks voogesituse andmete reaalajas allaneelamise ja töötlemise. Selles arhitektuuris toimib Amazon MSK voogedastusplatvormina ja teostab sissetulevate toores klikivoo sündmuste jaoks vajalikke andmete teisendusi. Siis an AWS Lambda funktsioon käivitub, et filtreerida sündmused Amazon Personalize'i andmestikuga ühilduvasse skeemi ja suunata need sündmused Amazon Personalize'i sündmuste jälgijasse, kasutades putEvent
API. See võimaldab Amazon Personalize'il õppida teie kasutaja viimasest käitumisest ja lisada soovitustesse asjakohased üksused.
TR-i veebirakendused kutsuvad esile juurutatud API Amazon API värav soovituste saamiseks, mis käivitab Lambda funktsiooni, mis kutsub esile a GetRecommendations
API-kõne rakendusega Amazon Personalize. Amazon Personalize pakub uusimaid kasutaja käitumisele kureeritud isikupärastatud soovitusi, mis edastatakse veebirakendustele Lambda ja API Gateway kaudu.
Selle reaalajas arhitektuuriga saab TR teenindada oma kliente isikupärastatud soovitustega, mis on koostatud nende uusima käitumise järgi, ja rahuldada nende vajadusi paremini.
Järeldus
Selles postituses näitasime teile, kuidas TR kasutas Amazon Personalize'i ja muid AWS-i teenuseid soovitusmootori rakendamiseks. Amazon Personalize võimaldas TR-l kiirendada suure jõudlusega mudelite väljatöötamist ja juurutamist, et pakkuda oma klientidele soovitusi. TR suudab uue tootekomplekti kasutusele võtta mõne nädala jooksul, võrreldes kuude varasemaga. Amazon Personalize'i ja SageMakeriga suudab TR tõsta kliendikogemust oma klientide jaoks paremate sisu tellimisplaanide ja hindadega.
Kui teile meeldis selle ajaveebi lugemine ja soovite rohkem teada saada Amazon Personalize'i kohta ja selle kohta, kuidas see aitab teie organisatsioonil soovitussüsteeme luua, vaadake arendaja juhend.
Autoritest
Hisham Fahim on Thomson Reutersi juhtiv masinõppeinsener ja personaliseerimismootori arhitekt. Ta on töötanud akadeemiliste ringkondade ja tööstuse organisatsioonidega alates suurettevõtetest kuni keskmise suurusega idufirmadeni. Keskendudes skaleeritavatele süvaõppearhitektuuridele, on tal kogemusi nii mobiilse robootika, biomeditsiinilise kujutise analüüsi kui ka soovitussüsteemide alal. Arvutitest eemal naudib ta astrofotograafiat, lugemist ja pikamaa rattasõitu.
Srinivasa Shaik on Bostonis asuva AWS-i lahenduste arhitekt. Ta aitab ettevõtte klientidel kiirendada nende teekonda pilve poole. Ta on kirglik konteinerite ja masinõppetehnoloogiate vastu. Vabal ajal veedab ta meelsasti perega aega, teeb süüa ja reisib.
Vamshi Krishna Enabothala on AWS-i rakendusliku tehisintellekti spetsialist arhitekt. Ta teeb koostööd erinevatest sektoritest pärit klientidega, et kiirendada suure mõjuga andmete, analüütika ja masinõppe algatusi. Ta on kirglik AI ja ML soovitussüsteemide, NLP ja arvutinägemise valdkondade vastu. Väljaspool tööd on Vamshi RC-entusiast, kes ehitab RC-seadmeid (lennukid, autod ja droonid) ning naudib ka aiatööd.
Simone Zucchet on AWSi vanemlahenduste arhitekt. Üle 6-aastase pilvearhitekti kogemusega Simone naudib töötamist uuenduslike projektidega, mis aitavad muuta organisatsioonide lähenemist äriprobleemidele. Ta aitab toetada AWS-is suurettevõtete kliente ja on osa masinõppe TFC-st. Väljaspool tööelu naudib ta autode kallal töötamist ja fotograafiat.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- võime
- Võimalik
- MEIST
- Academia
- kiirendama
- konto
- raamatupidamine
- täpne
- üle
- tegevus
- kohandama
- Täiendavad lisad
- ADEelis
- pärast
- AI
- AI / ML
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- juba
- Amazon
- Isikupärastage Amazon
- analüüs
- Analüütikud
- analytics
- analüüse
- ja
- vastuseid
- Apache
- API
- rakendused
- rakendatud
- Rakenduslik AI
- lähenemine
- arhitektuur
- valdkondades
- ümber
- seotud
- automatiseerima
- teadlikkus
- AWS
- AWS liim
- tagasi
- põhineb
- alus
- sest
- enne
- BEST
- Parem
- vahel
- Peale
- biomeditsiiniline
- Blogi
- boston
- laius
- ehitama
- Ehitus
- ehitatud
- äri
- ettevõtted
- helistama
- Kampaania
- kampaaniate korraldamine
- Kampaaniad
- autod
- kataloog
- keskele
- tsentraliseeritud
- väljakutse
- muutma
- Vaidluste lahendamine
- muutuv
- Vali
- Cloud
- kood
- Kollektsioneerimine
- toime pandud
- Ettevõtted
- võrreldes
- kokkusobiv
- komponendid
- arvuti
- Arvuti visioon
- arvutid
- arvestades
- pidevalt
- tarbija
- Tarbijad
- Konteinerid
- sisu
- jätkas
- Konverteerimine
- tuum
- Maksma
- võiks
- looma
- loodud
- loomine
- kureeritud
- kuraatorid
- Praegune
- tava
- klient
- kliendi andmed
- Kliendi kogemus
- Kliendid
- iga päev
- andmed
- Andmete ettevalmistamine
- andmetöötlus
- andmekogumid
- tegelema
- otsused
- sügav
- sügav õpe
- edastamine
- annab
- Olenevalt
- lähetatud
- juurutamine
- kasutuselevõtu
- kavandatud
- detailid
- arenenud
- & Tarkvaraarendus
- erinev
- kaugus
- domeen
- ajam
- sõidu
- Drones
- ajal
- iga
- Ajalugu
- Varajane
- ELEVATE
- abikõlblik
- lubatud
- võimaldades
- tegevus
- Mootor
- insener
- rikastab
- ettevõte
- ettevõtete
- entusiast
- Kogu
- seadmed
- sündmus
- sündmused
- pidevalt muutuv
- arenema
- kogemus
- teadmised
- Selgitama
- väljavõte
- Väljavõtted
- pere
- kiiremini
- tunnusjoon
- filtreerida
- lõplik
- finants-
- leidma
- Firma
- Paindlikkus
- Keskenduma
- Järel
- vorm
- formaat
- moodustatud
- FRAME
- Alates
- täielikult
- funktsioon
- funktsioonid
- värav
- tekitama
- loodud
- genereerib
- teeniva
- saama
- saamine
- annab
- Eesmärgid
- suur
- võttes
- aitama
- aitab
- suur jõudlus
- rohkem
- Kuidas
- HTML
- HTTPS
- inim-
- pilt
- rakendada
- rakendamisel
- import
- oluline
- in
- sisaldama
- Sissetulev
- kasvanud
- tööstus
- info
- algatused
- Innovatsioon
- uuenduslik
- sisend
- integreeritud
- integratsioon
- Intelligentsus
- suhtlevad
- interaktsioonid
- huvi
- seotud
- IT
- kirjed
- töö
- Tööturg
- teekond
- Võti
- suur
- viimane
- hiljemalt
- viima
- juhtivate
- Õppida
- õppimine
- Pärand
- Õigus
- Tase
- litsentsimine
- elu
- tõstmine
- elama
- koormus
- Pikk
- Madal
- masin
- masinõpe
- tegema
- TEEB
- juhtima
- juhitud
- Turg
- turu juhtiv
- Turundus
- turud
- tähtaeg
- Meedia
- Microsoft
- microsoft meeskonnad
- võib
- miljonid
- ML
- mobiilne
- mudel
- mudelid
- kuu
- rohkem
- kõige
- Vajadus
- vajadustele
- Uus
- uute toodete
- uudised
- järgmine
- nlp
- teade
- teated
- Pakkumised
- Pardal
- ONE
- töökorras
- Operations
- optimeerimine
- optimeeritud
- Valikud
- tellimuste
- organisatsioon
- organisatsioonid
- Muu
- väljaspool
- pakette
- osa
- kirglik
- täitma
- täidab
- Isikupärastamine
- personaliseerida
- Isikliku
- perspektiiv
- fotograafia
- torujuhe
- kava
- planeerimine
- plaanid
- inimesele
- Platon
- Platoni andmete intelligentsus
- PlatoData
- palun
- Punkt
- Portal
- võimalik
- post
- eelistusi
- Valmistama
- ettevalmistamisel
- hind
- Hinnad
- hinnapoliitika
- probleeme
- protsess
- töötlemine
- Toode
- Toodet
- professionaalne
- spetsialistid
- projektid
- anda
- tingimusel
- annab
- pakkudes
- avaldatud
- Lükkama
- kvaliteet
- kiiresti
- tõstma
- alates
- määr
- Töötlemata
- Lugemine
- valmis
- reaalne
- reaalajas
- hiljuti
- hiljuti
- retsept
- Soovitus
- soovitused
- andmed
- vähendama
- nimetatud
- kajastama
- asjakohane
- kopeerida
- nõutav
- nõue
- Nõuded
- Tulemused
- Reuters
- läbivaatamine
- Oht
- robootika
- eeskirjade
- jooks
- salveitegija
- müük
- skaalautuvia
- Skaala
- ketendamine
- teadlased
- lõigud
- Sektorid
- nägemine
- vanem
- teenima
- teenib
- teenus
- Teenused
- teenindavad
- komplekt
- ostud
- kirjutama
- märkimisväärne
- lihtne
- lihtsustama
- alates
- So
- lahendus
- Lahendused
- allikas
- Allikad
- spetsialist
- Kulutused
- algab
- Alustavatel
- Samm
- ladustamine
- ladustatud
- kauplustes
- streaming
- tellimine
- tellimuste
- edu
- edukas
- komplekt
- toetama
- süsteem
- süsteemid
- kohandatud
- Võtma
- võtab
- ülesanded
- maks
- meeskond
- meeskonnad
- Tehnoloogiad
- Tehnoloogia
- .
- oma
- Thomson Reuters
- Läbi
- aeg
- et
- tööriist
- ülemine
- Rong
- koolitatud
- koolitus
- Tehingud
- Muutma
- muundumised
- ümber
- Reisimine
- Trends
- vallandas
- Usaldatud
- mõistma
- mõistmine
- ajakohane
- upgrade
- Kasutus
- kasutama
- Kasutaja
- Kasutajad
- väärtuslik
- eri
- versioon
- kaudu
- nägemus
- maht
- tagaotsitav
- Jõukus
- web
- veebirakendused
- nädalat
- M
- mis
- WHO
- jooksul
- ilma
- Töö
- töötas
- töö
- töötab
- maailma
- oleks
- kirjutama
- kirjalik
- aastat
- sa
- Sinu
- sephyrnet