Ezt a bejegyzést Hesham Fahim társírója a Thomson Reuters-től.
Thomson Reuters (TR) a világ egyik legmegbízhatóbb információs szervezete vállalkozások és szakemberek számára. Ez biztosítja a vállalatok számára azt az intelligenciát, technológiát és emberi szakértelmet, amelyre szükségük van a megbízható válaszok megtalálásához, lehetővé téve számukra, hogy gyorsabban hozzanak jobb döntéseket. A TR ügyfelei a pénzügyi, kockázati, jogi, adózási, számviteli és médiapiacokon ívelnek fel.
A Thomson Reuters piacvezető termékeket kínál az Adó-, Jogi- és Hír-kampányban, amelyekre a felhasználók előfizetési licencmodell segítségével regisztrálhatnak. Ügyfeleik ezen élményének javítása érdekében a TR egy olyan központosított ajánlási platformot akart létrehozni, amely lehetővé tette értékesítési csapata számára, hogy a legrelevánsabb előfizetési csomagokat ajánlja ügyfelei számára, és olyan javaslatokat generáljon, amelyek elősegítik az olyan termékek ismertségét, amelyek segíthetnek ügyfeleiknek a piac jobb kiszolgálásában. személyre szabott termékválaszték.
A központosított platform felépítése előtt a TR rendelkezett egy örökölt szabályokon alapuló motorral, amely megújítási ajánlásokat generált. Ennek a motornak a szabályait előre definiálták és SQL-ben írták meg, ami amellett, hogy kihívást jelentett a kezelésben, a TR különféle integrált adatforrásaiból származó adatok burjánzásával is küzdött. A TR-ügyféladatok gyorsabban változnak, mint ahogyan az üzleti szabályok a változó ügyféligényeknek megfelelően fejlődni tudnak. A TR új, gépi tanuláson (ML) alapuló személyre szabó motorjával szemben támasztott legfontosabb követelmény egy pontos ajánlási rendszer köré épült, amely figyelembe veszi a legújabb vásárlói trendeket. A kívánt megoldás egy alacsony működési költséggel, az üzleti célok elérésének felgyorsításával és egy olyan személyre szabott motorral lenne, amelyet folyamatosan képezhetnének naprakész adatokkal a változó fogyasztói szokások és új termékek kezelésére.
A megújítási javaslatok személyre szabása a TR ügyfelei számára értékes termékek alapján fontos üzleti kihívás volt az értékesítési és marketing csapat számára. A TR rengeteg olyan adattal rendelkezik, amelyeket az ügyfelek interakcióiból gyűjtöttek össze, és egy központi adattárházban tároltak a személyre szabáshoz. A TR az ML korai alkalmazója volt Amazon SageMaker, és az AI/ML tartományban való érettségük azt jelentette, hogy jelentős mennyiségű releváns adatot gyűjtöttek össze egy adattárházban, amellyel a csapat személyre szabott modellt tudott kifejleszteni. A TR folytatta az AI/ML innovációt, és a közelmúltban kifejlesztett egy megújított ajánlási platformot Az Amazon testreszabása, amely egy teljesen felügyelt ML-szolgáltatás, amely felhasználói interakciókat és elemeket használ ajánlások létrehozásához a felhasználók számára. Ebben a bejegyzésben elmagyarázzuk, hogyan használta a TR az Amazon Personalize-t egy méretezhető, több bérelt ajánlórendszer felépítéséhez, amely a legjobb termék-előfizetési terveket és a kapcsolódó árakat biztosítja ügyfelei számára.
Megoldás architektúra
A megoldást a TR alapműveleteinek figyelembevételével kellett megtervezni a felhasználók adatokon keresztüli megértése körül; A nagy adathalmazból személyre szabott és releváns tartalom biztosítása ezeknek a felhasználóknak a küldetés szempontjából kritikus követelmény volt. A jól megtervezett ajánlási rendszer kulcsfontosságú az egyes felhasználók igényeihez szabott minőségi ajánlások megszerzéséhez.
A megoldáshoz szükség volt a felhasználói viselkedési adatok gyűjtésére és előkészítésére, egy ML-modell betanítására az Amazon Personalize segítségével, személyre szabott ajánlások generálására a betanított modellen keresztül, valamint marketingkampányok vezetésére a személyre szabott ajánlásokkal.
A TR szerette volna kihasználni az AWS által felügyelt szolgáltatásokat, ahol lehetséges, a műveletek egyszerűsítése és a differenciálatlan nehézemelés csökkentése érdekében. TR használt AWS ragasztó DataBrew és a AWS köteg feladatok az ML-folyamatokban lévő kibontási, átalakítási és betöltési (ETL) feladatok végrehajtásához, a SageMaker és az Amazon Personalize pedig az ajánlások testreszabásához. A betanítási adatmennyiség és a futási idő szempontjából a megoldásnak méretezhetőnek kell lennie rekordok millióinak feldolgozásához a TR üzleti csapataiban a későbbi fogyasztók számára már lekötött időkereten belül.
A következő szakaszok a megoldásban részt vevő összetevőket ismertetik.
ML képzési csővezeték
A felhasználók és a tartalom közötti interakciókat kattintási adatok formájában gyűjtjük össze, amelyek akkor jönnek létre, amikor az ügyfél rákattint a tartalomra. A TR elemzi, hogy ez az előfizetési terv része-e, vagy túlmutat az előfizetési csomagon, hogy további részleteket tudjon nyújtani az árakról és az előfizetési lehetőségekről. A különböző forrásokból származó felhasználói interakciós adatok az adattárházukban megmaradnak.
A következő diagram az ML képzési folyamatot szemlélteti.
A folyamat egy AWS Batch-feladattal kezdődik, amely kivonja az adatokat az adattárházból, és átalakítja az adatokat interakciók, felhasználók és cikkek adatkészletek létrehozásához.
A következő adatkészleteket használják a modell betanításához:
- Strukturált termékadatok – Előfizetések, megrendelések, termékkatalógus, tranzakciók és ügyféladatok
- Félig strukturált viselkedési adatok – Felhasználók, használat és interakciók
Ezeket az átalakított adatokat egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör, amely az Amazon Personalize-ba importálva ML képzéshez. Mivel a TR személyre szabott ajánlásokat szeretne generálni felhasználóinak, a USER_PERSONALIZATION recept az ML-modellek egyéni adataihoz való betanításához, amelyet megoldásverzió létrehozásának neveznek. A megoldás verziójának létrehozása után személyre szabott ajánlásokat generál a felhasználók számára.
A teljes munkafolyamatot a segítségével irányítjuk AWS lépésfunkciók. A riasztások és értesítések rögzítése és közzététele a Microsoft Teams számára a használatával történik Amazon Simple Notification Service (Amazon SNS) és Amazon EventBridge.
Személyre szabott ajánlási folyamat létrehozása: Kötegelt következtetés
Az ügyfelek igényei és preferenciái nagyon gyakran változnak, és a clickstream adatokban rögzített legújabb interakciók kulcsfontosságú adatpontként szolgálnak az ügyfél változó preferenciáinak megértéséhez. Az ügyfelek folyamatosan változó preferenciáihoz való alkalmazkodás érdekében a TR naponta személyre szabott ajánlásokat készít.
A következő diagram szemlélteti a személyre szabott ajánlások generálásához szükséges folyamatot.
A DataBrew-feladat kivonja az adatokat a TR adattárházból azon felhasználók számára, akik jogosultak javaslatokat tenni a megújítás során az aktuális előfizetési terv és a legutóbbi tevékenység alapján. A DataBrew vizuális adat-előkészítő eszköz megkönnyíti a TR adatelemzők és adattudósok számára az adatok tisztítását és normalizálását, hogy előkészítsék azokat az elemzéshez és az ML-hez. Fontos funkció volt, hogy a vizuális adat-előkészítő eszközön belül több mint 250 előre beépített átalakítás közül lehetett választani az adat-előkészítési feladatok automatizálása érdekében, mindezt kód írása nélkül. A DataBrew-feladat növekményes adatkészletet hoz létre az interakciókhoz és a kötegelt ajánlási feladat bemenetéhez, és a kimenetet egy S3 tárolóban tárolja. Az újonnan generált növekményes adatkészlet importálásra kerül az interakciós adatkészletbe. Amikor a növekményes adatkészlet-importálási feladat sikeres, a bemeneti adatokkal egy Amazon Personalize kötegelt ajánlási feladat indul el. Az Amazon Personalize a bemeneti adatokban megadott legfrissebb ajánlásokat generálja a felhasználók számára, és egy ajánlási S3 tárolóban tárolja.
Az ároptimalizálás az utolsó lépés, mielőtt az újonnan kialakított ajánlások használatra készek lesznek. A TR költségoptimalizálási feladatot futtat a generált ajánlásokon, és a SageMaker segítségével egyéni modelleket futtat az ajánlásokon az utolsó lépés részeként. Egy AWS ragasztófeladat kurzorálja az Amazon Personalize által generált kimenetet, és átalakítja azt a SageMaker egyéni modell által megkövetelt bemeneti formátumba. A TR képes kihasználni az AWS által nyújtott szolgáltatások széles körű előnyeit, az Amazon Personalize és a SageMaker segítségével az ajánlási platformban, hogy az ügyfélcég és a végfelhasználó típusa alapján személyre szabhassa az ajánlásokat.
A teljes munkafolyamat szétválasztása és összehangolása a Step Functions segítségével történik, amely rugalmasságot biztosít a folyamat skálázásához az adatfeldolgozási követelményektől függően. A riasztások és értesítések rögzítése az Amazon SNS és az EventBridge segítségével történik.
E-mail kampányok irányítása
Az árképzési eredményekkel együtt generált ajánlásokat arra használjuk, hogy az e-mail kampányokat eljuttassák a TR ügyfeleihez. Egy AWS Batch-feladatot használnak az egyes ügyfelek ajánlásainak összegyűjtésére és az optimalizált árinformációkkal való gazdagítására. Ezeket az ajánlásokat beépítik a TR kampányrendszerei, amelyek a következő e-mail kampányokat hajtják végre:
- Előfizetések automatikus megújítása vagy frissítési kampányok olyan új termékekkel, amelyek érdekelhetik az ügyfelet
- Félidőben megújító kampányok jobb ajánlatokkal, relevánsabb termékekkel és jogi tartalommal
Az ebből a folyamatból származó információkat az ügyfélkapun is átmásolják, így az aktuális előfizetésüket áttekintő ügyfelek láthatják az új megújítási javaslatokat. Az új ajánlási platform bevezetése óta a TR magasabb konverziós arányt tapasztalt az e-mail kampányokból, ami megnövekedett értékesítési rendelésekhez vezetett.
Mi a következő lépés: Valós idejű ajánlások folyamata
Az ügyfelek igényei és vásárlási szokásai valós időben változnak, és az ajánlások valós idejű változásokhoz való igazítása kulcsfontosságú a megfelelő tartalom kiszolgálásához. Miután azt tapasztalta, hogy a kötegelt ajánlási rendszer bevezetése nagy sikert aratott, a TR most azt tervezi, hogy ezt a megoldást a következő szintre emeli egy valós idejű ajánlási folyamat bevezetésével, amely ajánlásokat generál az Amazon Personalize használatával.
A következő diagram az architektúrát szemlélteti, hogy valós idejű ajánlásokat adjon.
A valós idejű integráció az élő felhasználói elköteleződési adatok összegyűjtésével és az Amazon Personalize szolgáltatásba való streamelésével kezdődik. Miközben a felhasználók interakcióba lépnek a TR alkalmazásaival, clickstream eseményeket generálnak, amelyeket közzétesznek Amazon Kinesis adatfolyamok. Ezután az események bekerülnek a TR központosított streaming platformjába, amely erre épül Amazon által felügyelt streamelés a Kafka számára (Amazon MSK). Az Amazon MSK megkönnyíti a streaming adatok valós idejű feldolgozását és feldolgozását a teljesen felügyelt Apache Kafka segítségével. Ebben az architektúrában az Amazon MSK streaming platformként szolgál, és végrehajtja a szükséges adatátalakításokat a nyers bejövő kattintási stream eseményeken. Aztán egy AWS Lambda funkció aktiválódik, hogy az eseményeket az Amazon Personalize adatkészlettel kompatibilis sémára szűrje, és az eseményeket egy Amazon Personalize eseménykövetőbe küldje egy putEvent
API. Ez lehetővé teszi az Amazon Personalize számára, hogy tanuljon a felhasználó legutóbbi viselkedéséből, és belefoglalja a releváns elemeket az ajánlásokba.
A TR webes alkalmazásai egy telepített API-t hívnak meg Amazon API átjáró ajánlások lekéréséhez, ami elindítja a Lambda függvényt az a GetRecommendations
API-hívás az Amazon Personalize szolgáltatással. Az Amazon Personalize a felhasználói viselkedéshez igazodó, személyre szabott ajánlások legújabb készletét kínálja, amelyeket a Lambda és az API Gateway segítségével juttatnak el a webes alkalmazásokhoz.
Ezzel a valós idejű architektúrával a TR személyre szabott ajánlásokkal tudja kiszolgálni ügyfeleit a legutóbbi viselkedésüknek megfelelően, és jobban ki tudja szolgálni az igényeiket.
Következtetés
Ebben a bejegyzésben megmutattuk, hogyan használta a TR az Amazon Personalize-t és más AWS-szolgáltatásokat egy ajánlómotor megvalósításához. Az Amazon Personalize lehetővé tette a TR-nek, hogy felgyorsítsa a nagy teljesítményű modellek fejlesztését és bevezetését, hogy ajánlásokat tegyen ügyfelei számára. A TR már heteken belül képes új termékcsomagot bevezetni a hónapokkal korábbihoz képest. Az Amazon Personalize és a SageMaker segítségével a TR jobb tartalom-előfizetési csomagokkal és árakkal tudja javítani az ügyfelek élményét.
Ha szívesen olvasta ezt a blogot, és szeretne többet megtudni az Amazon Personalize-ről, és arról, hogyan segítheti szervezetét ajánlási rendszerek felépítésében, kérjük, tekintse meg a fejlesztői útmutató.
A szerzőkről
Hisham Fahim a Thomson Reuters vezető gépi tanulási mérnöke és személyre szabott motorépítésze. Dolgozott tudományos és ipari szervezetekkel, a nagyvállalatoktól a közepes méretű startupokig. A skálázható mély tanulási architektúrákra összpontosítva tapasztalattal rendelkezik a mobil robotikában, az orvosbiológiai képelemzésben, valamint az ajánlórendszerekben. A számítógépektől távol szereti az asztrofotózást, az olvasást és a hosszú távú kerékpározást.
Srinivasa Shaik a bostoni székhelyű AWS megoldások építésze. Segít az Enterprise ügyfeleknek, hogy felgyorsítsák útjukat a felhő felé. Szenvedélyes a konténerek és a gépi tanulási technológiák iránt. Szabadidejében szívesen tölt időt a családjával, főz és utazik.
Vamshi Krishna Enabothala Sr. Applied AI Specialist Architect az AWS-nél. Különböző ágazatokból származó ügyfelekkel dolgozik a nagy hatású adatok, elemzések és gépi tanulási kezdeményezések felgyorsítása érdekében. Szenvedélyesen rajong az ajánlórendszerekért, az NLP-ért és a számítógépes látási területekért az AI és az ML területén. A munkán kívül Vamshi RC-rajongó, RC-berendezéseket (repülőket, autókat és drónokat) épít, és a kertészkedést is szereti.
Simone Zucchet az AWS vezető megoldási építésze. Több mint 6 éves felhőépítészként szerzett tapasztalattal Simone szívesen dolgozik olyan innovatív projekteken, amelyek segítenek átalakítani a szervezetek üzleti problémákhoz való hozzáállását. Segít a nagyvállalati ügyfelek támogatásában az AWS-nél, és része a Machine Learning TFC-nek. Szakmai életén kívül szívesen foglalkozik autókkal és fotózással.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- képesség
- Képes
- Rólunk
- Akadémia
- gyorsul
- Fiók
- számvitel
- pontos
- át
- tevékenység
- alkalmazkodni
- További
- Előny
- Után
- AI
- AI / ML
- Minden termék
- lehetővé teszi, hogy
- már
- amazon
- Az Amazon testreszabása
- elemzés
- Az elemzők
- analitika
- elemzések
- és a
- válaszok
- Apache
- api
- alkalmazások
- alkalmazott
- Alkalmazott AI
- megközelítés
- építészet
- területek
- körül
- társult
- automatizált
- tudatosság
- AWS
- AWS ragasztó
- vissza
- alapján
- alap
- mert
- előtt
- BEST
- Jobb
- között
- Túl
- orvosbiológiai
- Blog
- Boston
- szélesség
- épít
- Épület
- épült
- üzleti
- vállalkozások
- hívás
- Kampány
- kampány
- Kampányok
- autók
- katalógus
- központú
- központosított
- kihívás
- változik
- Változások
- változó
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- felhő
- kód
- Gyűjtő
- elkötelezett
- Companies
- képest
- összeegyeztethető
- alkatrészek
- számítógép
- Számítógépes látás
- számítógépek
- figyelembe véve
- állandóan
- fogyasztó
- Fogyasztók
- Konténerek
- tartalom
- tovább
- Átalakítás
- Mag
- Költség
- tudott
- teremt
- készítette
- létrehozása
- a válogatott
- kurátorok
- Jelenlegi
- szokás
- vevő
- ügyféladatok
- Vásárlói élmény
- Ügyfelek
- napi
- dátum
- Adatok előkészítése
- adatfeldolgozás
- adatkészletek
- üzlet
- határozatok
- mély
- mély tanulás
- átadó
- szállít
- attól
- telepített
- bevezetéséhez
- bevetés
- tervezett
- részletek
- fejlett
- Fejlesztés
- különböző
- távolság
- domain
- hajtás
- vezetés
- Drónok
- alatt
- minden
- Korábban
- Korai
- ELEMELNI
- választható
- engedélyezve
- lehetővé téve
- eljegyzés
- Motor
- mérnök
- gazdagítják
- Vállalkozás
- Vállalatok
- rajongó
- Egész
- felszerelés
- esemény
- események
- folyton változó
- fejlődik
- tapasztalat
- szakvélemény
- Magyarázza
- kivonat
- kivonatok
- család
- gyorsabb
- Funkció
- szűrő
- utolsó
- pénzügyi
- Találjon
- Cég
- Rugalmasság
- Összpontosít
- következő
- forma
- formátum
- alakult
- KERET
- ból ből
- teljesen
- funkció
- funkciók
- gateway
- generál
- generált
- generál
- generáló
- kap
- szerzés
- ad
- Célok
- nagy
- tekintettel
- segít
- segít
- nagy teljesítményű
- <p></p>
- Hogyan
- HTML
- HTTPS
- emberi
- kép
- végre
- végrehajtási
- importál
- fontos
- in
- tartalmaz
- Bejövő
- <p></p>
- ipar
- információ
- kezdeményezések
- Innováció
- újító
- bemenet
- integrált
- integráció
- Intelligencia
- kölcsönható
- kölcsönhatások
- kamat
- részt
- IT
- tételek
- Munka
- Állások
- utazás
- Kulcs
- nagy
- keresztnév
- legutolsó
- vezet
- vezető
- TANUL
- tanulás
- Örökség
- Jogi
- szint
- Engedélyezés
- élet
- emelő
- él
- kiszámításának
- Hosszú
- Elő/Utó
- gép
- gépi tanulás
- csinál
- KÉSZÍT
- kezelése
- sikerült
- piacára
- piacvezető
- Marketing
- piacok
- érettség
- Média
- microsoft
- microsoft csapatok
- esetleg
- Több millió
- ML
- Mobil
- modell
- modellek
- hónap
- több
- a legtöbb
- Szükség
- igények
- Új
- új termékek
- hír
- következő
- NLP
- bejelentés
- értesítések
- Ajánlatok
- Fedélzeti
- ONE
- operatív
- Művelet
- optimalizálás
- optimalizált
- Opciók
- rendelés
- szervezet
- szervezetek
- Más
- kívül
- csomagok
- rész
- szenvedélyes
- Teljesít
- Előadja
- Testreszabás
- megszemélyesít
- Személyre
- perspektíva
- fényképezés
- csővezeték
- terv
- tervezés
- tervek
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- kérem
- pont
- Portál
- lehetséges
- állás
- preferenciák
- Készít
- előkészítése
- ár
- Áraink
- árazás
- problémák
- folyamat
- feldolgozás
- Termékek
- Termékek
- szakmai
- tehetséges alkalmazottal
- projektek
- ad
- feltéve,
- biztosít
- amely
- közzétett
- Nyomja
- világítás
- gyorsan
- emel
- kezdve
- Arány
- Nyers
- Olvasás
- kész
- igazi
- real-time
- új
- nemrég
- recept
- Ajánlást
- ajánlások
- nyilvántartások
- csökkenteni
- említett
- tükröznie
- többszörözött
- kötelező
- követelmény
- követelmények
- Eredmények
- Reuters
- felülvizsgálata
- Kockázat
- robotika
- szabályok
- futás
- sagemaker
- értékesítés
- skálázható
- Skála
- skálázás
- tudósok
- szakaszok
- ágazatok
- látás
- idősebb
- szolgál
- szolgálja
- szolgáltatás
- Szolgáltatások
- szolgáló
- készlet
- Bevásárlás
- <p></p>
- jelentős
- Egyszerű
- egyszerűsítése
- óta
- So
- megoldások
- Megoldások
- forrás
- Források
- szakember
- Költési
- kezdődik
- Startups
- Lépés
- tárolás
- memorizált
- árnyékolók
- folyó
- előfizetés
- előfizetések
- siker
- sikeres
- kíséret
- támogatás
- rendszer
- Systems
- szabott
- Vesz
- tart
- feladatok
- adó
- csapat
- csapat
- Technologies
- Technológia
- A
- azok
- Thomson Reuters
- Keresztül
- idő
- nak nek
- szerszám
- felső
- Vonat
- kiképzett
- Képzések
- Tranzakciók
- Átalakítás
- transzformációk
- át
- Utazó
- Trends
- váltott
- Megbízható
- megért
- megértés
- up-to-date
- frissítés
- Használat
- használ
- használó
- Felhasználók
- Értékes
- különféle
- változat
- keresztül
- látomás
- kötet
- kívánatos
- Vagyon
- háló
- webes alkalmazások
- Hetek
- Mit
- ami
- WHO
- belül
- nélkül
- Munka
- dolgozott
- dolgozó
- művek
- világ
- lenne
- ír
- írott
- év
- te
- A te
- zephyrnet