Posting ini ditulis bersama Dave Gowel, CEO RallyPoint. Dengan kata-katanya sendiri, "Titik Reli adalah jaringan sosial dan profesional online untuk veteran, anggota layanan, anggota keluarga, pengasuh, dan pendukung sipil lainnya dari angkatan bersenjata AS. Dengan dua juta anggota di platform, perusahaan menyediakan tempat yang nyaman bagi populasi yang layak ini untuk terhubung satu sama lain dan program yang dirancang untuk mendukung mereka. "
Semua yang melayani – dan mereka yang mendukung mereka – sering menghadapi berbagai tantangan ketenagakerjaan ketika seorang prajurit bertransisi kembali ke kehidupan sipil. RallyPoint telah mengidentifikasi masa transisi ke karier sipil sebagai peluang besar untuk meningkatkan kualitas hidup populasi ini dengan membuat rekomendasi pekerjaan yang otomatis dan menarik. Namun, tim secara historis menggunakan metode kurasi berbasis aturan untuk merekomendasikan pekerjaan selama pengalaman penggunanya, yang tidak memungkinkan anggota mendapatkan rekomendasi pekerjaan yang disesuaikan dengan pengalaman, keahlian, dan minat masing-masing.
“Untuk meningkatkan pengalaman bagi para anggotanya, kami di RallyPoint ingin mengeksplorasi bagaimana machine learning (ML) dapat membantu. Kami tidak ingin prajurit kami, veteran, dan orang yang mereka cintai membuang-buang waktu mencari jalur karir sipil yang memuaskan ketika mereka memutuskan untuk meninggalkan militer. Ini harus menjadi proses yang mudah. Kami ingin anggota kami memberi tahu kami tentang pengalaman militer mereka, sekolah mana pun yang pernah mereka hadiri, dan preferensi pribadi mereka. Kemudian dengan memanfaatkan apa yang kita ketahui dari jutaan anggota militer dan veteran kita, pekerjaan terbuka yang relevan harus dengan mudah muncul alih-alih dicari dengan susah payah. Layanan gratis untuk anggota kami ini juga diharapkan dapat mendorong pendapatan setidaknya tujuh angka dari pemberi kerja yang mencari bakat militer dan veteran yang tepat, memungkinkan kami membangun lebih banyak kemampuan gratis untuk anggota kami.”
Posting blog ini merangkum bagaimana Lab Solusi Pembelajaran Mesin Amazon (MLSL) bermitra dengan RallyPoint untuk mendorong peningkatan 35% dalam rekomendasi karir yang dipersonalisasi dan peningkatan cakupan 66x, di antara peningkatan lainnya untuk anggota RallyPoint dari penerapan berbasis aturan saat ini.
“MLSL membantu RallyPoint menyelamatkan dan meningkatkan kehidupan komunitas militer AS. Beruntung dapat bekerja pada berbagai proyek yang kompleks dan berdampak dengan MLSL untuk mendukung populasi yang paling berhak, RallyPoint mempercepat pertumbuhan dalam berbagai metrik organisasi inti dalam prosesnya. Bakat, budaya, dan fokus MLSL yang berkaliber tinggi dalam membantu mewujudkan hasil yang terukur dan menarik dari investasi pembelajaran mesin memungkinkan kami mengurangi risiko bunuh diri, meningkatkan transisi karier, dan mempercepat koneksi penting bagi anggota layanan kami, veteran, dan keluarga mereka.”
Bagian berikut mencakup tantangan bisnis dan teknis, pendekatan yang diambil oleh tim AWS dan RallyPoint, serta kinerja solusi yang diimplementasikan yang memanfaatkan Amazon Personalisasi.
Amazon Personalize memudahkan pengembang untuk membangun aplikasi yang mampu menghadirkan beragam pengalaman personalisasi, termasuk rekomendasi produk khusus, peringkat ulang produk yang dipersonalisasi, dan pemasaran langsung yang disesuaikan. Amazon Personalize adalah layanan ML yang dikelola sepenuhnya yang melampaui sistem rekomendasi berbasis aturan yang kaku dan statis dengan melatih, menyetel, dan menerapkan model ML kustom untuk memberikan rekomendasi yang sangat disesuaikan kepada pelanggan di seluruh industri seperti retail dan media dan hiburan.
Tantangan Bisnis dan Teknis
Berbagai tantangan bisnis mengilhami kemitraan ini. Yang paling relevan adalah rasio klik-tayang pada 10 pekerjaan teratas yang direkomendasikan di situs web RallyPoint. RallyPoint menganalisis keterlibatan pengguna dalam platform mereka dan menemukan bahwa mereka perlu meningkatkan jumlah pekerjaan relevan yang diklik pengguna. Idenya adalah bahwa semakin relevan pekerjaan yang direkomendasikan, semakin tinggi kemungkinan anggota melamar pekerjaan tersebut, yang mengarah ke hasil kerja yang lebih baik.
Tantangan selanjutnya adalah meningkatkan keterlibatan anggota pada layanan pekerjaan yang ditawarkan di situs. RallyPoint menawarkan kesempatan bagi orang-orang untuk "Membangun merek Anda dan melibatkan komunitas militer, mengiklankan produk dan layanan Anda, menjalankan kampanye pemasaran rekrutmen, memposting pekerjaan, dan mencari bakat veteran." Mereka sekali lagi mengidentifikasi peluang untuk menerapkan AWS Personalize untuk membantu lebih banyak orang bertransisi ke kehidupan sipil, dan berupaya meningkatkan jumlah konversi klik ke pelanggan, yang menghasilkan hasil yang lebih baik bagi pelanggan langsung RallyPoint.
Dari perspektif teknis, seperti banyak masalah sistem pemberi rekomendasi tradisional, ketersebaran data dan ekor yang panjang merupakan tantangan yang harus diatasi. Kumpulan sampel data yang tidak teridentifikasi, yang sudah dibagikan secara publik mencakup ribuan profil pengguna yang dianonimkan, dengan lebih dari lima puluh poin metadata pengguna, tetapi banyak yang memiliki informasi meta-data/profil yang tidak konsisten atau hilang. Untuk mengatasi hal ini, tim memanfaatkan fungsi rekomendasi cold start Amazon Personalize untuk pengguna yang relevan.
Ikhtisar solusi
Untuk mengatasi masalah tersebut, MLSL berkolaborasi dengan RallyPoint untuk membuat saluran pipa Amazon Personalize khusus untuk RallyPoint. Beberapa layanan yang digunakan antara lain Layanan Penyimpanan Sederhana Amazon (Amazon S3), Instans Notebook Amazon SageMaker, dan Amazon Personalisasi. Diagram berikut mengilustrasikan arsitektur solusi.
Data mentah anonim yang digunakan untuk solusi terdiri dari riwayat interaksi dengan posting pekerjaan bersama dengan metadata pada profil pengguna dan posisi pekerjaan. Ini disimpan di S3. Tim MLSL menggunakan Amazon SageMaker Notebook Instances untuk menyiapkan data sebagai input ke Amazon Personalize. Langkah ini mencakup prapemrosesan data, rekayasa fitur, dan pembuatan grup dataset dan skema yang diperlukan untuk Amazon Personalize. Untuk informasi lebih lanjut lihat Membuat grup kumpulan data khusus.
Langkah selanjutnya adalah membuat solusi di Amazon Personalize. Solusi mengacu pada kombinasi resep Amazon Personalize, parameter yang disesuaikan, dan satu atau beberapa versi solusi. Untuk informasi lebih lanjut lihat Menciptakan solusi. Tim menggunakan Resep Personalisasi Pengguna untuk menghasilkan rekomendasi pekerjaan khusus pengguna untuk pengguna dalam kumpulan validasi. Output Amazon Personalize, termasuk rekomendasi pekerjaan dan metrik kinerja, disimpan dalam bucket Amazon S3 untuk analisis lebih lanjut.
Pada langkah terakhir, tim menggunakan instans notebook untuk menyiapkan rekomendasi keluaran untuk evaluasi eksternal oleh anotator manusia, seperti yang dijelaskan dalam Menggunakan Pakar Domain bagian.
Evaluasi hasil Personalisasi Amazon
Kinerja versi solusi Amazon Personalize dapat dievaluasi menggunakan metrik luring, metrik online, dan Pengujian A / B. Metrik offline memungkinkan Anda melihat efek modifikasi hyperparameter dan algoritme yang digunakan untuk melatih model Anda, yang dihitung berdasarkan data historis. Metrik online adalah hasil empiris yang diamati dalam interaksi pengguna Anda dengan saran waktu nyata yang disediakan di lingkungan langsung (seperti rasio klik-tayang). Pengujian A/B adalah metode online untuk membandingkan performa beberapa versi solusi dengan solusi default. Pengguna secara acak ditugaskan ke grup kontrol (default) atau salah satu grup perlakuan (tes). Pengguna grup kontrol menerima rekomendasi dari solusi default (baseline), sedangkan masing-masing grup perlakuan berinteraksi dengan versi solusi yang berbeda. Uji signifikansi statistik digunakan untuk membandingkan metrik performa (seperti rasio klik-tayang atau latensi) dan metrik bisnis (seperti pendapatan) dengan solusi default.
Amazon Personalize mengukur metrik offline selama melatih versi solusi. Tim menggunakan metrik offline seperti Mean Reciprocal Rank (MRR), keuntungan kumulatif diskon yang dinormalisasi (NCDG@k), Precision@k, dan Cakupan. Untuk definisi semua metrik offline yang tersedia, lihat Definisi metrik.
Meskipun Amazon Personalize menyediakan daftar lengkap metrik offline yang dapat digunakan tim untuk mengukur kinerja solusi secara objektif selama pelatihan, metrik online dan pengujian A/B direkomendasikan untuk melacak dan memvalidasi kinerja model. Satu peringatan untuk pengujian ini adalah mereka mengharuskan pengguna untuk berinteraksi dengan rekomendasi Personalisasi Amazon secara waktu nyata. Karena model RallyPoint Amazon Personalize tidak diterapkan sebelum publikasi ini, tim tidak memiliki hasil untuk dilaporkan untuk pengujian ini.
Menggunakan Pakar Domain
Pengujian A/B adalah metode yang disukai untuk menganalisis kualitas sistem rekomendasi, namun menggunakan pakar domain untuk membubuhi keterangan rekomendasi adalah prekursor yang layak. Karena pengujian online bukanlah pilihan, untuk menguji kekuatan rekomendasi, tim meminta pakar domain di RallyPoint untuk membubuhi keterangan rekomendasi yang dihasilkan oleh model dan menghitung jumlah posisi pekerjaan yang harus direkomendasikan oleh para pakar (dengan memberikan informasi pengguna dan preferensi yang ditunjukkan) sebagai jumlah rekomendasi yang “benar”.. Metrik ini digunakan untuk membandingkan versi solusi. A solusi popularitas (kriteria berbasis aturan saat ini) digunakan sebagai dasar yang terdiri dari merekomendasikan lima posisi pekerjaan paling populer untuk setiap pengguna. Selain itu, solusi dengan pengaturan default digunakan sebagai model dasar lain yang disebut Solusi dasar Amazon Personalize.
Hasil
Menggunakan model berperforma terbaik menghasilkan peningkatan 35% dalam jumlah rekomendasi yang "benar" dibandingkan solusi dasar Amazon Personalize dan peningkatan 54% dibandingkan solusi popularitas. Tim juga dapat mencapai peningkatan cakupan 66x, peningkatan MRR 30x, dan peningkatan presisi@2 10x jika dibandingkan dengan solusi popularitas. Selain solusi popularitas, tim mengamati peningkatan MRR dan precision@2 hingga 10x lipat jika dibandingkan dengan solusi dasar Amazon Personalize.
Kesimpulan
RallyPoint mengenali peluang untuk melayani pelanggan mereka dengan lebih baik dengan rekomendasi karier yang lebih dipersonalisasi. Mereka memulai perjalanan personalisasi pengguna mereka dengan obsesi pelanggan, bermitra dengan Machine Learning Solutions Lab. RallyPoint sekarang memiliki kesempatan untuk memberikan rekomendasi karir yang lebih berharga kepada penggunanya, melalui solusi ini. Memasukkan sistem rekomendasi yang ditingkatkan ini ke dalam situs web mereka akan menghasilkan pengguna RallyPoint melihat pekerjaan yang lebih relevan dalam umpan karier mereka, memudahkan jalan menuju karier yang lebih memuaskan dan kualitas hidup yang lebih baik bagi anggota mereka.
penggunaan Amazon Personalisasi untuk memberikan pengalaman individual bagi pengguna Anda hari ini! Jika Anda ingin berkolaborasi dengan pakar untuk menghadirkan solusi ML ke organisasi Anda, hubungi Lab Solusi Amazon ML.
Sumber daya tambahan
Untuk informasi lebih lanjut tentang Amazon Personalize, lihat yang berikut ini:
Tentang Penulis
Dave Gowell adalah veteran Angkatan Darat dan CEO RallyPoint. Dave adalah lulusan West Point dan US Army Ranger School, bertugas di Irak sebagai pemimpin peleton tank, dan mengajar sebagai asisten profesor di program ROTC Massachusetts Institute of Technology. RallyPoint adalah perusahaan teknologi ketiga di mana Dave menjadi CEO.
Matius Rhodes adalah Ilmuwan Data yang bekerja di Lab Solusi Amazon ML. Dia berspesialisasi dalam membangun saluran pembelajaran mesin yang melibatkan konsep seperti pemrosesan bahasa alami dan visi komputer.
Amin Tajgardun adalah Ilmuwan Terapan di Lab Solusi Amazon ML. Dia memiliki latar belakang yang luas dalam ilmu komputer dan pembelajaran mesin. Secara khusus, fokus Amin adalah pada pembelajaran mendalam dan peramalan, metode penjelasan prediksi, deteksi penyimpangan model, model generatif probabilistik, dan penerapan AI dalam domain perawatan kesehatan.
Yash Shah adalah Manajer Sains di Lab Solusi Amazon ML. Dia dan timnya yang terdiri dari ilmuwan terapan dan insinyur pembelajaran mesin mengerjakan berbagai kasus penggunaan pembelajaran mesin dari perawatan kesehatan, olahraga, otomotif, dan manufaktur.
Vamshi Krishna Enabothala adalah Arsitek Spesialis AI Terapan Senior di AWS. Dia bekerja dengan pelanggan dari berbagai sektor untuk mempercepat inisiatif data, analitik, dan pembelajaran mesin berdampak tinggi. Dia sangat tertarik dengan sistem rekomendasi, NLP, dan area visi komputer di AI dan ML. Di luar pekerjaan, Vamshi adalah penggemar RC, membuat peralatan RC (pesawat, mobil, dan drone), dan juga suka berkebun.
Greg Tommie adalah Manajer Akun di tim mitra ISV Sektor Publik AWS. Greg mendukung portofolio mitra ISV sektor publik AWS untuk membantu mereka mengembangkan dan mematangkan adopsi layanan AWS sekaligus memaksimalkan manfaat jaringan mitra AWS.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Sumber: 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/
- :memiliki
- :adalah
- :bukan
- $NAIK
- 10
- 100
- 35%
- 7
- a
- Tentang Kami
- mempercepat
- dipercepat
- Akun
- Mencapai
- di seluruh
- tambahan
- Adopsi
- Mengiklankan
- terhadap
- AI
- algoritma
- Semua
- Membiarkan
- sepanjang
- sudah
- juga
- Amazon
- Amazon Personalisasi
- Amazon SageMaker
- diantara
- an
- analisis
- analisis
- menganalisis
- dan
- Lain
- Apa pun
- aplikasi
- terapan
- AI terapan
- Mendaftar
- Menerapkan
- pendekatan
- arsitektur
- ADALAH
- daerah
- bersenjata
- Tentara
- susunan
- AS
- ditugaskan
- Asisten
- At
- Otomatis
- otomotif
- tersedia
- AWS
- kembali
- latar belakang
- Dasar
- BE
- karena
- menjadi
- mulai
- Manfaat
- TERBAIK
- Lebih baik
- Luar
- Blog
- merek
- membawa
- membangun
- Bangunan
- bisnis
- tapi
- by
- dihitung
- bernama
- Kampanye
- CAN
- kemampuan
- mampu
- Lowongan Kerja
- karir
- mobil
- kasus
- ceo
- menantang
- tantangan
- Berkolaborasi
- berkolaborasi
- kombinasi
- nyaman
- masyarakat
- perusahaan
- membandingkan
- dibandingkan
- pembandingan
- menarik
- kompleks
- komputer
- Komputer Ilmu
- Visi Komputer
- konsep
- Terhubung
- Koneksi
- membangun
- kontak
- kontrol
- Konversi
- Core
- bisa
- menutupi
- liputan
- membuat
- membuat
- kriteria
- budaya
- kurasi
- terbaru
- adat
- pelanggan
- pelanggan
- disesuaikan
- data
- ilmuwan data
- Dave
- memutuskan
- mendalam
- belajar mendalam
- Default
- menyampaikan
- mengantarkan
- dikerahkan
- penggelaran
- dijelaskan
- dirancang
- Deteksi
- pengembang
- berbeda
- langsung
- diskon
- ditemukan
- Tidak
- domain
- Dont
- mendorong
- Drone
- selama
- setiap
- mudah
- mengurangi
- efek
- antara
- majikan
- pekerjaan
- diaktifkan
- mengikutsertakan
- interaksi
- Teknik
- Insinyur
- Menghibur
- penggemar
- Lingkungan Hidup
- peralatan
- dievaluasi
- evaluasi
- Setiap
- diharapkan
- pengalaman
- Pengalaman
- keahlian
- ahli
- penjelasan
- menyelidiki
- luas
- luar
- Menghadapi
- keluarga
- keluarga
- anggota keluarga
- Fitur
- angka-angka
- terakhir
- Fokus
- berikut
- Untuk
- pasukan
- beruntung
- Gratis
- dari
- sepenuhnya
- fungsi
- lebih lanjut
- Mendapatkan
- menghasilkan
- dihasilkan
- generatif
- mendapatkan
- Memberikan
- diberikan
- Pergi
- lulus
- Kelompok
- Grup
- Tumbuh
- Pertumbuhan
- Memiliki
- he
- kesehatan
- membantu
- membantu
- High
- lebih tinggi
- sangat
- historis
- secara historis
- sejarah
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- http
- HTTPS
- manusia
- ide
- diidentifikasi
- berdampak
- implementasi
- diimplementasikan
- penting
- memperbaiki
- ditingkatkan
- perbaikan
- perbaikan
- in
- memasukkan
- termasuk
- Termasuk
- menggabungkan
- Meningkatkan
- menunjukkan
- sendiri-sendiri
- industri
- informasi
- inisiatif
- memasukkan
- terinspirasi
- contoh
- sebagai gantinya
- Lembaga
- berinteraksi
- interaksi
- kepentingan
- ke
- Investasi
- melibatkan
- Irak
- IT
- NYA
- Pekerjaan
- Jobs
- perjalanan
- jpg
- Tahu
- laboratorium
- bahasa
- Latensi
- pemimpin
- terkemuka
- pengetahuan
- Meninggalkan
- memanfaatkan
- leveraging
- Hidup
- 'like'
- Daftar
- hidup
- hidup
- Panjang
- dicintai
- mesin
- Mesin belajar
- utama
- MEMBUAT
- berhasil
- manajer
- pabrik
- banyak
- Marketing
- massachusetts
- Institut Teknologi Massachusetts
- dewasa
- mengukur
- ukuran
- Media
- Anggota
- Metadata
- metode
- metode
- metrik
- Metrik
- Militer
- juta
- jutaan
- keberatan
- hilang
- ML
- model
- model
- lebih
- Selain itu
- paling
- Paling Populer
- beberapa
- Alam
- Pengolahan Bahasa alami
- dibutuhkan
- jaringan
- berikutnya
- nLP
- buku catatan
- sekarang
- jumlah
- nomor
- of
- ditawarkan
- Penawaran
- Pengunjung
- on
- ONE
- secara online
- Buka
- Kesempatan
- pilihan
- or
- organisasi
- organisatoris
- Lainnya
- kami
- keluaran
- di luar
- lebih
- Mengatasi
- sendiri
- parameter
- tertentu
- pasangan
- jaringan mitra
- bermitra
- Bermitra
- rekan
- Kemitraan
- bergairah
- path
- Konsultan Ahli
- prestasi
- melakukan
- periode
- pribadi
- Personalisasi
- Personalisasi
- Personalized
- perspektif
- pipa saluran
- Tempat
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Titik
- poin
- Populer
- kepopuleran
- populasi
- populasi
- portofolio
- posisi
- Pos
- prekursor
- ramalan
- preferensi
- disukai
- Mempersiapkan
- Sebelumnya
- Masalah
- masalah
- proses
- pengolahan
- Produk
- Produk
- profesional
- Profesor
- profil
- program
- program
- memprojeksikan
- memberikan
- disediakan
- penyedia
- menyediakan
- publik
- Publikasi
- di depan umum
- kualitas
- jarak
- Penilaian
- Mentah
- nyata
- real-time
- realisasi
- menerima
- resep
- diakui
- sarankan
- Rekomendasi
- rekomendasi
- direkomendasikan
- merekomendasikan
- perekrutan
- menurunkan
- mengacu
- relevan
- melaporkan
- membutuhkan
- wajib
- mengakibatkan
- Hasil
- eceran
- pendapatan
- kaku
- Risiko
- kesegaran
- Run
- pembuat bijak
- Save
- Sekolah
- Sekolah
- Ilmu
- ilmuwan
- ilmuwan
- Pencarian
- mencari
- Bagian
- bagian
- sektor
- Sektor
- melihat
- pencarian
- melayani
- layanan
- penyedia jasa
- Layanan
- set
- pengaturan
- tujuh
- berbagi
- harus
- makna
- Sederhana
- sejak
- situs web
- Sosial
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- spesialis
- spesialisasi
- tertentu
- kecepatan
- Olahraga
- awal
- statistik
- Langkah
- penyimpanan
- tersimpan
- seperti itu
- mendukung
- pendukung
- Mendukung
- sistem
- sistem
- Bakat
- tangki
- tim
- tim
- Teknis
- Teknologi
- mengatakan
- uji
- pengujian
- tes
- dari
- bahwa
- Grafik
- mereka
- Mereka
- Ini
- mereka
- Ketiga
- ini
- itu
- ribuan
- Melalui
- di seluruh
- waktu
- untuk
- puncak
- Top 10
- jalur
- tradisional
- Pelatihan VE
- Pelatihan
- transisi
- transisi
- pengobatan
- us
- Tentara Amerika
- Militer AS
- menggunakan
- bekas
- Pengguna
- Pengguna Pengalaman
- Pengguna
- menggunakan
- MENGESAHKAN
- pengesahan
- Berharga
- variasi
- versi
- veteran
- Veteran
- giat
- View
- penglihatan
- ingin
- adalah
- Limbah
- we
- Situs Web
- Barat
- Apa
- yang
- sementara
- SIAPA
- lebar
- akan
- dengan
- dalam
- kata
- Kerja
- kerja
- bekerja
- Kamu
- Anda
- zephyrnet.dll