À un niveau basique, la technologie Machine Learning (ML) apprend à partir des données pour faire des prédictions. Les entreprises utilisent leurs données avec un service de personnalisation basé sur le ML pour améliorer leur expérience client. Cette approche permet aux entreprises d'utiliser les données pour obtenir des informations exploitables et contribuer à accroître leurs revenus et leur fidélité à la marque.
Amazon Personnaliser accélère votre transformation numérique avec le ML, facilitant l'intégration de recommandations personnalisées dans les sites Web, applications, systèmes de marketing par e-mail existants, etc. Amazon Personalize permet aux développeurs de mettre en œuvre rapidement un moteur de personnalisation personnalisé, sans nécessiter d'expertise en ML. Amazon Personalize fournit l'infrastructure nécessaire et gère l'ensemble du pipeline d'apprentissage automatique (ML), y compris le traitement des données, l'identification des fonctionnalités, l'utilisation des algorithmes les plus appropriés, ainsi que la formation, l'optimisation et l'hébergement des modèles. Vous recevez des résultats via une API et payez uniquement pour ce que vous utilisez, sans frais minimum ni engagement initial.
Le poste Concevoir des recommandations personnalisées en temps quasi réel avec Amazon Personalize montre comment concevoir des recommandations personnalisées en temps quasi réel à l'aide d'Amazon Personalize et Services de données AWS spécialement conçus. Dans cet article, nous vous présentons une implémentation de référence d'un système de recommandation personnalisé en temps réel utilisant Amazon Personalize.
Vue d'ensemble de la solution
La solution de recommandations personnalisées en temps réel est mise en œuvre à l'aide Amazon Personnaliser, Service de stockage simple Amazon (Amazon S3), Flux de données Amazon Kinesis, AWS Lambdaet la Passerelle d'API Amazon.
L'architecture est implémentée comme suit :
- Préparation des données - Commence par création d'un groupe d'ensembles de données, les schémas et ensembles de données représentant vos éléments, interactions et données utilisateur.
- Former le modèle – Après avoir importé vos données, sélectionnez la recette correspondant à votre cas d'utilisation, puis créer une solution entraîner un modèle en créer une version de solution. Lorsque votre version de solution est prête, vous pouvez créer une campagne pour votre version de solution.
- Obtenez des recommandations en temps quasi réel – Lorsque vous avez une campagne, vous pouvez intégrer les appels à la campagne dans votre application. C'est là que les appels au Recevoir des recommandations or GetPersonnaliséClassement Les API sont conçues pour demander des recommandations en temps quasi réel à Amazon Personalize.
Pour plus d'informations, reportez-vous à Concevoir des recommandations personnalisées en temps quasi réel avec Amazon Personalize.
Le diagramme suivant illustre l'architecture de la solution.
Implémentation
Nous démontrons cette implémentation avec un cas d'utilisation consistant à faire des recommandations de films en temps réel à un utilisateur final en fonction de ses interactions avec la base de données de films au fil du temps.
La solution est mise en œuvre en suivant les étapes suivantes :
- Prérequis (Préparation des données)
- Configurez votre environnement de développement
- Déployez la solution
- Créer une version de solution
- Créer une campagne
- Créer un suivi d'événements
- Obtenir des recommandations
- Ingérer des interactions en temps réel
- Validez les recommandations en temps réel
- Nettoyer
Pré-requis
Avant de commencer, assurez-vous que vous disposez des conditions préalables suivantes:
- Préparez vos données d'entraînement – Préparez et téléchargez les données dans un compartiment S3 à l’aide du Des instructions. Pour ce cas d'utilisation particulier, vous téléchargerez des données d'interactions et des données d'éléments. Une interaction est un événement que vous enregistrez puis importez en tant que données d'entraînement. Amazon Personalize génère des recommandations principalement basées sur les données d'interactions que vous importez dans un ensemble de données Interactions. Vous pouvez enregistrer plusieurs types d'événements, tels que cliquer, regarder ou aimer. Bien que le modèle créé par Amazon Personalize puisse suggérer sur la base des interactions passées d'un utilisateur, la qualité de ces suggestions peut être améliorée lorsque le modèle possède des données sur les associations entre les utilisateurs ou les éléments. Si un utilisateur a interagi avec des films classés comme Drame dans l'ensemble de données d'éléments, Amazon Personalize suggérera des films (éléments) du même genre.
- Configurez votre environnement de développement - Installer l'interface de ligne de commande AWS (AWS CLI).
- Configurez CLI avec votre compte Amazon - Configurer l'AWS CLI avec les informations de votre compte AWS.
- Installer et démarrer AWS Cloud Development Kit (AWS CDK)
Déployez la solution
Pour déployer la solution, procédez comme suit :
- Cloner le référentiel dans un nouveau dossier sur votre bureau.
- Déployer la pile à votre environnement AWS.
Créer une version de solution
Une solution fait référence à la combinaison d'une recette Amazon Personalize, de paramètres personnalisés et d'une ou plusieurs versions de solution (modèles entraînés). Lorsque vous déployez le projet CDK à l’étape précédente, une solution avec une recette de personnalisation utilisateur est créée automatiquement pour vous. Une version de solution fait référence à un modèle d’apprentissage automatique entraîné. Créer un version de la solution pour la mise en oeuvre.
Créer une campagne
Une campagne déploie une version de solution (modèle entraîné) avec une capacité de transaction provisionnée pour générer des recommandations en temps réel. Créer un campagne pour la mise en oeuvre.
Créer un suivi d'événements
Amazon Personalize peut formuler des recommandations basées uniquement sur les données d'événements en temps réel, uniquement sur les données d'événements historiques, ou les deux. Enregistrez des événements en temps réel pour développer vos données d'interactions et permettre à Amazon Personalize d'apprendre de l'activité la plus récente de votre utilisateur. Cela permet de conserver vos données à jour et d'améliorer la pertinence des recommandations Amazon Personalize. Avant de pouvoir enregistrer des événements, vous devez créer un outil de suivi des événements. Un outil de suivi d'événements dirige les nouvelles données d'événement vers l'ensemble de données Interactions de votre groupe d'ensembles de données. Créer et suivi d'événements pour la mise en oeuvre.
Obtenir des recommandations
Dans ce cas d'utilisation, l'ensemble de données d'interaction est composé d'ID de film. Par conséquent, les recommandations présentées à l’utilisateur consisteront en des identifiants de films qui correspondent le plus à leurs préférences personnelles, déterminées à partir de leurs interactions historiques. Vous pouvez utiliser le getRecommendations
API pour récupérer des recommandations personnalisées pour un utilisateur en envoyant son associé userID
, le nombre de résultats de recommandations dont vous avez besoin pour l'utilisateur ainsi que l'ARN de la campagne. Vous pouvez trouver l'ARN de la campagne dans le menu de la console Amazon Personalize.
Par exemple, la requête suivante récupérera 5 recommandations pour l'utilisateur dont userId
vaut 429:
La réponse à la demande sera :
Les éléments renvoyés par l'appel API sont les films qu'Amazon Personalize recommande à l'utilisateur en fonction de ses interactions historiques.
Les valeurs de score fournies dans ce contexte représentent des nombres à virgule flottante compris entre zéro et 1.0. Ces valeurs correspondent à la campagne en cours et aux recettes associées pour ce cas d'utilisation. Ils sont déterminés en fonction des scores collectifs attribués à tous les éléments présents dans votre ensemble de données complet.
Ingérer des interactions en temps réel
Dans l'exemple précédent, des recommandations ont été obtenues pour l'utilisateur avec un identifiant de 429 en fonction de ses interactions historiques avec la base de données de films. Pour les recommandations en temps réel, les interactions de l'utilisateur avec les éléments doivent être ingérées dans Amazon Personalize en temps réel. Ces interactions sont ingérées dans le système de recommandation via Amazon Personalize Suivi d'événements. Le type d'interaction, également appelé EventType
, est donné par la colonne du même nom dans l'ensemble de données de données d'interaction (EVENT_TYPE
). Dans cet exemple, les événements peuvent être de type « regarder » ou « cliquer », mais vous pouvez avoir vos propres types d'événements en fonction des besoins de votre application.
Dans cet exemple, l'API exposée qui génère les événements des utilisateurs avec les éléments reçoit le paramètre « interactions » qui correspond au nombre d'événements (interactions
) d'un utilisateur (UserId
) avec un seul élément (itemId
) tout de suite. Le trackingId
Le paramètre se trouve dans la console Amazon Personalize et dans la réponse à la création d'une demande Event Tracker.
Cet exemple montre un putEvent
requête : générer 1 interactions de type clic, avec un identifiant d'élément de "185" pour l'identifiant d'utilisateur "429", en utilisant l'horodatage actuel. Notez qu'en production, « sentAt » doit être défini sur l'heure de l'interaction de l'utilisateur. Dans l'exemple suivant, nous définissons cela sur le moment au format époque où nous avons écrit la requête API pour cette publication. Les événements sont envoyés à Amazon Kinesis Data Streams via une passerelle API. C'est pourquoi vous devez envoyer les paramètres stream-name et PartitionKey.
Vous recevrez une réponse de confirmation semblable à la suivante :
Validez les recommandations en temps réel
L’ensemble de données d’interaction ayant été mis à jour, les recommandations seront automatiquement mises à jour pour prendre en compte les nouvelles interactions. Pour valider les recommandations mises à jour en temps réel, vous pouvez appeler à nouveau l'API getRecommendations pour le même identifiant utilisateur 429, et le résultat doit être différent du précédent. Les résultats suivants montrent une nouvelle recommandation avec un identifiant de 594 et les recommandations avec les identifiants de 16, 596, 153 et 261 ont modifié leurs scores. Ces éléments ont introduit un nouveau genre de film (« Animation | Enfants | Drame | Fantastique | Musical ») dans les 5 meilleures recommandations.
Demande:
Réponse:
La réponse montre que la recommandation fournie par Amazon Personalize a été mise à jour en temps réel.
Nettoyer
Pour éviter des frais inutiles, nettoyez l'implémentation de la solution en utilisant Nettoyer les ressources.
Conclusion
Dans cet article, nous vous avons montré comment mettre en œuvre un système de recommandations personnalisées en temps réel à l'aide d'Amazon Personalize. Les interactions avec Amazon Personalize pour ingérer des interactions en temps réel et obtenir des recommandations ont été exécutées via un outil de ligne de commande appelé curl, mais ces appels d'API peuvent être intégrés dans une application métier et obtenir le même résultat.
Pour choisir une nouvelle recette pour votre cas d'utilisation, reportez-vous à Personnalisation en temps réel. Pour mesurer l'impact des recommandations formulées par Amazon Personalize, reportez-vous à Mesurer l’impact des recommandations.
À propos des auteurs
Cristian Márquez est un architecte d'applications cloud senior. Il possède une vaste expérience dans la conception, la création et la fourniture de logiciels d'entreprise, de systèmes distribués et à charge élevée et d'applications cloud natives. Il possède de l'expérience dans les langages de programmation back-end et front-end, ainsi que dans la conception de systèmes et la mise en œuvre de pratiques DevOps. Il aide activement les clients à créer et sécuriser des solutions cloud innovantes, à résoudre leurs problèmes commerciaux et à atteindre leurs objectifs commerciaux.
Anand Komandooru est architecte cloud senior chez AWS. Il a rejoint l'organisation AWS Professional Services en 2021 et aide les clients à créer des applications cloud natives sur le cloud AWS. Il a plus de 20 ans d'expérience dans la création de logiciels et son principe de leadership Amazon préféré est "Les dirigeants ont beaucoup raison."
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/implement-real-time-personalized-recommendations-using-amazon-personalize/
- :possède
- :est
- :où
- $UP
- 1
- 100
- 11
- 150
- 16
- 17
- 20
- 20 ans
- 200
- 2021
- 24
- 49
- 7
- 8
- a
- Qui sommes-nous
- accélère
- Selon
- Compte
- la réalisation de
- passible d'action
- activement
- activité
- Après
- encore
- algorithmes
- aligner
- Tous
- permettre
- permet
- aussi
- Bien que
- Amazon
- Amazon Kinésis
- Amazon Personnaliser
- Amazon Web Services
- parmi
- an
- ainsi que le
- api
- Apis
- Application
- applications
- une approche
- approprié
- architecture
- SONT
- AS
- attribué
- aide
- associé
- associations
- At
- Tentatives
- automatiquement
- éviter
- AWS
- Services professionnels AWS
- backend
- basé
- Essentiel
- BE
- était
- before
- jusqu'à XNUMX fois
- Bootstrap
- tous les deux
- brand
- Apporté
- construire
- Développement
- la performance des entreprises
- entreprises
- mais
- by
- Appelez-nous
- appelé
- Appels
- Campagne
- CAN
- Compétences
- maisons
- modifié
- des charges
- Selectionnez
- espace extérieur plus propre,
- cliquez
- étroitement
- le cloud
- Collective
- Colonne
- combinaison
- engagements
- composé
- complet
- confirmation
- par conséquent
- Considérer
- Console
- contexte
- correspond
- engendrent
- créée
- création
- Courant
- des clients
- expérience client
- Clients
- sont adaptées
- données
- Préparation des données
- Base de données
- livrer
- démontrer
- déployer
- déploie
- dériver
- Conception
- conception
- à poser
- déterminé
- mobiles
- Développement
- différent
- numérique
- Transformation numérique
- dirige
- distribué
- systèmes distribués
- do
- Films dramatique
- plus facilement
- élément
- LE NIVEAU SUPÉRIEUR
- Campagnes e-mailing
- permet
- fin
- engagé
- Moteur
- améliorée
- niveau entreprise
- Tout
- Environment
- époque
- événement
- événements
- exemple
- réalisé
- existant
- d'experience
- nous a permis de concevoir
- exposé
- Favori
- Fonctionnalités:
- Frais
- Trouvez
- Abonnement
- suit
- Pour
- le format
- trouvé
- fraiche entreprise
- De
- L'extrémité avant
- porte
- générer
- génère
- générateur
- genre
- obtenez
- donné
- Objectifs
- Réservation de groupe
- Croître
- Vous avez
- he
- vous aider
- aide
- Haute
- sa
- historique
- hébergement
- Comment
- How To
- HTML
- HTTPS
- ID
- identifier
- ids
- if
- illustre
- Impact
- Mettre en oeuvre
- la mise en oeuvre
- mis en œuvre
- importer
- l'importation
- améliore
- in
- Y compris
- d'information
- Infrastructure
- technologie innovante
- idées.
- intégrer
- des services
- l'interaction
- interactions
- Interfaces
- développement
- IT
- articles
- SES
- rejoint
- jpg
- Conserve
- Flux de données Kinesis
- Langues
- Leadership
- APPRENTISSAGE
- apprentissage
- apprend
- Niveau
- comme
- Gamme
- charge
- Lot
- Fidélité
- click
- machine learning
- LES PLANTES
- a prendre une
- Fabrication
- gère
- Stratégie
- assorti
- mesurer
- Menu
- message
- minimum
- ML
- modèle
- numériques jumeaux (digital twin models)
- PLUS
- (en fait, presque toutes)
- film
- Films
- plusieurs
- must
- prénom
- indigène
- Près
- nécessaire
- Besoin
- Besoins
- Nouveauté
- aucune
- maintenant
- nombre
- numéros
- obtenu
- of
- on
- ONE
- uniquement
- l'optimisation
- or
- organisation
- ande
- Résultat
- plus de
- propre
- paramètre
- paramètres
- particulier
- passé
- Payer
- personnel
- Personnalisation
- Personnaliser
- Personnalisé
- pipeline
- Platon
- Intelligence des données Platon
- PlatonDonnées
- Point
- possède
- Post
- pratiques
- Prédictions
- préférences
- préparation
- Préparer
- conditions préalables
- représentent
- présenté
- précédent
- qui se déroulent
- principe
- d'ouvrabilité
- traitement
- Vidéo
- professionels
- Programmation
- langages de programmation
- Projet
- à condition de
- qualité
- vite.
- gamme
- solutions
- en temps réel
- recevoir
- reçoit
- récent
- recette
- Recommandation
- recommandations
- recommande
- record
- reportez-vous
- référence
- se réfère
- pertinence
- dépôt
- représentent
- représentation
- nécessaire
- réponse
- résultat
- Résultats
- de revenus
- bon
- même
- But
- sécurisé
- envoyer
- envoi
- supérieur
- envoyé
- service
- Services
- set
- devrait
- montrer
- montré
- Spectacles
- similaires
- étapes
- unique
- Logiciels
- sur mesure
- Solutions
- Résoudre
- empiler
- Commencer
- j'ai commencé
- étapes
- Étapes
- storage
- flux
- Avec succès
- tel
- suggérer
- sûr
- combustion propre
- Système
- Technologie
- qui
- Les
- leur
- puis
- Ces
- l'ont
- this
- Avec
- fiable
- horodatage
- à
- outil
- top
- haut 5
- Train
- qualifié
- Formation
- transaction
- De La Carrosserie
- type
- types
- inutile
- a actualisé
- Téléchargement
- utilisé
- cas d'utilisation
- Utilisateur
- utilisateurs
- en utilisant
- VALIDER
- Valeurs
- Vaste
- version
- versions
- marcher
- était
- Montres
- we
- web
- services Web
- sites Internet
- WELL
- ont été
- Quoi
- quand
- qui
- dont
- why
- sera
- comprenant
- sans
- écrit
- années
- Vous n'avez
- Votre
- zéphyrnet
- zéro