Posting ini ditulis bersama oleh Hesham Fahim dari Thomson Reuters.
Thomson Reuters (TR) adalah salah satu organisasi informasi paling tepercaya di dunia untuk bisnis dan profesional. Ini memberi perusahaan kecerdasan, teknologi, dan keahlian manusia yang mereka butuhkan untuk menemukan jawaban tepercaya, memungkinkan mereka membuat keputusan yang lebih baik dengan lebih cepat. Pelanggan TR tersebar di pasar keuangan, risiko, hukum, pajak, akuntansi, dan media.
Thomson Reuters menyediakan produk unggulan pasar dalam kampanye Pajak, Hukum, dan Berita, yang dapat didaftarkan pengguna menggunakan model lisensi berlangganan. Untuk meningkatkan pengalaman ini bagi pelanggan mereka, TR ingin membuat platform rekomendasi terpusat yang memungkinkan tim penjualan mereka menyarankan paket berlangganan yang paling relevan kepada pelanggan mereka, menghasilkan saran yang membantu meningkatkan kesadaran akan produk yang dapat membantu pelanggan mereka melayani pasar dengan lebih baik melalui pemilihan produk yang disesuaikan.
Sebelum membangun platform terpusat ini, TR memiliki mesin berbasis aturan lama untuk menghasilkan rekomendasi pembaruan. Aturan dalam mesin ini telah ditentukan sebelumnya dan ditulis dalam SQL, yang selain menimbulkan tantangan untuk dikelola, juga berjuang untuk mengatasi proliferasi data dari berbagai sumber data terintegrasi TR. Data pelanggan TR berubah pada tingkat yang lebih cepat daripada aturan bisnis yang dapat berkembang untuk mencerminkan perubahan kebutuhan pelanggan. Persyaratan utama untuk mesin personalisasi berbasis pembelajaran mesin (ML) TR yang baru berpusat pada sistem rekomendasi yang akurat yang mempertimbangkan tren pelanggan terkini. Solusi yang diinginkan adalah solusi dengan biaya operasional yang rendah, kemampuan untuk mempercepat pencapaian tujuan bisnis, dan mesin personalisasi yang dapat terus dilatih dengan data terkini untuk menghadapi perubahan kebiasaan konsumen dan produk baru.
Mempersonalisasi rekomendasi pembaruan berdasarkan produk yang akan berharga bagi pelanggan TR merupakan tantangan bisnis yang penting bagi tim penjualan dan pemasaran. TR memiliki banyak data yang dapat digunakan untuk personalisasi yang telah dikumpulkan dari interaksi pelanggan dan disimpan dalam gudang data terpusat. TR telah menjadi pengadopsi awal ML dengan Amazon SageMaker, dan kedewasaannya dalam domain AI/ML berarti bahwa mereka telah menyusun kumpulan data penting dari data yang relevan dalam gudang data, yang dapat digunakan oleh tim untuk melatih model personalisasi. TR telah melanjutkan inovasi AI/ML mereka dan baru-baru ini mengembangkan platform rekomendasi yang diperbarui menggunakan Amazon Personalisasi, yang merupakan layanan ML terkelola sepenuhnya yang menggunakan interaksi pengguna dan item untuk menghasilkan rekomendasi bagi pengguna. Dalam postingan ini, kami menjelaskan bagaimana TR menggunakan Amazon Personalize untuk membangun sistem pemberi rekomendasi multi-penyewa yang dapat diskalakan yang menyediakan paket langganan produk terbaik dan harga terkait untuk pelanggan mereka.
Arsitektur solusi
Solusinya harus dirancang dengan mempertimbangkan operasi inti TR seputar memahami pengguna melalui data; menyediakan pengguna ini dengan konten yang dipersonalisasi dan relevan dari kumpulan data yang besar adalah persyaratan yang sangat penting. Memiliki sistem rekomendasi yang dirancang dengan baik adalah kunci untuk mendapatkan rekomendasi berkualitas yang disesuaikan dengan kebutuhan setiap pengguna.
Solusinya memerlukan pengumpulan dan penyiapan data perilaku pengguna, melatih model ML menggunakan Amazon Personalize, menghasilkan rekomendasi yang dipersonalisasi melalui model yang dilatih, dan mendorong kampanye pemasaran dengan rekomendasi yang dipersonalisasi.
TR ingin memanfaatkan layanan terkelola AWS jika memungkinkan untuk menyederhanakan operasi dan mengurangi pengangkatan berat yang tidak terdiferensiasi. TR digunakan DataBrew Lem AWS dan Batch AWS tugas untuk melakukan tugas ekstrak, transformasi, dan muat (ETL) di pipeline ML, dan SageMaker bersama dengan Amazon Personalize untuk menyesuaikan rekomendasi. Dari perspektif volume data pelatihan dan runtime, solusi harus dapat diskalakan untuk memproses jutaan rekaman dalam jangka waktu yang telah ditetapkan untuk konsumen hilir dalam tim bisnis TR.
Bagian berikut menjelaskan komponen yang terlibat dalam solusi.
Saluran pelatihan ML
Interaksi antara pengguna dan konten dikumpulkan dalam bentuk data clickstream, yang dihasilkan saat pelanggan mengklik konten tersebut. TR menganalisis apakah ini merupakan bagian dari paket langganan mereka atau di luar paket langganan mereka sehingga mereka dapat memberikan detail tambahan tentang harga dan opsi pendaftaran paket. Data interaksi pengguna dari berbagai sumber disimpan di gudang data mereka.
Diagram berikut mengilustrasikan pipeline pelatihan ML.
Pipeline dimulai dengan tugas AWS Batch yang mengekstrak data dari gudang data dan mengubah data untuk membuat interaksi, pengguna, dan kumpulan data item.
Kumpulan data berikut digunakan untuk melatih model:
- Data produk terstruktur โ Langganan, pesanan, katalog produk, transaksi, dan detail pelanggan
- Data perilaku semi-terstruktur โ Pengguna, penggunaan, dan interaksi
Data yang diubah ini disimpan dalam file Layanan Penyimpanan Sederhana Amazon (Amazon S3) bucket, yang diimpor ke pelatihan Amazon Personalize for ML. Karena TR ingin menghasilkan rekomendasi yang dipersonalisasi untuk penggunanya, mereka menggunakan PENGGUNA_PERSONALISASI resep untuk melatih model ML untuk data khusus mereka, yang disebut sebagai membuat versi solusi. Setelah versi solusi dibuat, itu digunakan untuk menghasilkan rekomendasi yang dipersonalisasi untuk pengguna.
Seluruh alur kerja diatur menggunakan Fungsi Langkah AWS. Peringatan dan pemberitahuan direkam dan dipublikasikan ke Microsoft Teams menggunakan Layanan Pemberitahuan Sederhana Amazon (Amazon SNS) dan Jembatan Acara Amazon.
Membuat pipeline rekomendasi yang dipersonalisasi: Inferensi batch
Persyaratan dan preferensi pelanggan sangat sering berubah, dan interaksi terbaru yang ditangkap dalam data clickstream berfungsi sebagai titik data utama untuk memahami perubahan preferensi pelanggan. Untuk beradaptasi dengan preferensi pelanggan yang selalu berubah, TR menghasilkan rekomendasi yang dipersonalisasi setiap hari.
Diagram berikut mengilustrasikan alur untuk menghasilkan rekomendasi yang dipersonalisasi.
Tugas DataBrew mengekstrak data dari gudang data TR untuk pengguna yang memenuhi syarat untuk memberikan rekomendasi selama perpanjangan berdasarkan paket langganan saat ini dan aktivitas terkini. Alat persiapan data visual DataBrew memudahkan analis data TR dan ilmuwan data untuk membersihkan dan menormalkan data guna mempersiapkannya untuk analitik dan ML. Kemampuan untuk memilih lebih dari 250 transformasi bawaan dalam alat persiapan data visual untuk mengotomatiskan tugas persiapan data, semuanya tanpa perlu menulis kode apa pun, merupakan fitur penting. Tugas DataBrew menghasilkan kumpulan data inkremental untuk interaksi dan input untuk tugas rekomendasi batch dan menyimpan hasilnya dalam bucket S3. Set data inkremental yang baru dihasilkan diimpor ke dalam set data interaksi. Ketika tugas impor set data inkremental berhasil, tugas rekomendasi kumpulan Amazon Personalize dipicu dengan data input. Amazon Personalize menghasilkan rekomendasi terbaru untuk pengguna yang diberikan dalam data input dan menyimpannya dalam bucket S3 rekomendasi.
Optimalisasi harga adalah langkah terakhir sebelum rekomendasi yang baru terbentuk siap digunakan. TR menjalankan tugas pengoptimalan biaya pada rekomendasi yang dihasilkan dan menggunakan SageMaker untuk menjalankan model kustom pada rekomendasi sebagai bagian dari langkah terakhir ini. Tugas AWS Glue mengatur output yang dihasilkan dari Amazon Personalize dan mengubahnya menjadi format input yang diperlukan oleh model kustom SageMaker. TR dapat memanfaatkan luasnya layanan yang disediakan AWS, menggunakan Amazon Personalize dan SageMaker di platform rekomendasi untuk menyesuaikan rekomendasi berdasarkan jenis perusahaan pelanggan dan pengguna akhir.
Seluruh alur kerja dipisahkan dan diatur menggunakan Step Functions, yang memberikan fleksibilitas penskalaan pipa tergantung pada persyaratan pemrosesan data. Peringatan dan notifikasi ditangkap menggunakan Amazon SNS dan EventBridge.
Mendorong kampanye email
Rekomendasi yang dihasilkan bersama dengan hasil penetapan harga digunakan untuk mendorong kampanye email ke pelanggan TR. Tugas AWS Batch digunakan untuk menyusun rekomendasi untuk setiap pelanggan dan memperkayanya dengan informasi harga yang dioptimalkan. Rekomendasi ini diserap ke dalam sistem kampanye TR, yang mendorong kampanye email berikut:
- Perpanjangan langganan otomatis atau tingkatkan kampanye dengan produk baru yang mungkin menarik bagi pelanggan
- Kampanye pembaruan pertengahan kontrak dengan penawaran yang lebih baik dan produk yang lebih relevan serta materi konten legal
Informasi dari proses ini juga direplikasi ke portal pelanggan sehingga pelanggan yang meninjau langganan mereka saat ini dapat melihat rekomendasi perpanjangan baru. TR telah melihat tingkat konversi yang lebih tinggi dari kampanye email, yang menyebabkan peningkatan pesanan penjualan, sejak menerapkan platform rekomendasi baru.
Apa selanjutnya: Saluran rekomendasi waktu-nyata
Persyaratan pelanggan dan perilaku belanja berubah secara real time, dan menyesuaikan rekomendasi dengan perubahan real time adalah kunci untuk menyajikan konten yang tepat. Setelah melihat keberhasilan besar dalam menerapkan sistem rekomendasi batch, TR sekarang berencana untuk membawa solusi ini ke tingkat berikutnya dengan menerapkan saluran rekomendasi waktu nyata untuk menghasilkan rekomendasi menggunakan Amazon Personalize.
Diagram berikut mengilustrasikan arsitektur untuk memberikan rekomendasi real-time.
Integrasi waktu nyata dimulai dengan mengumpulkan data keterlibatan pengguna langsung dan mengalirkannya ke Amazon Personalize. Saat pengguna berinteraksi dengan aplikasi TR, mereka menghasilkan peristiwa clickstream, yang dipublikasikan ke dalamnya Aliran Data Amazon Kinesis. Kemudian peristiwa diserap ke dalam platform streaming terpusat TR, yang dibangun di atasnya Streaming Terkelola Amazon untuk Kafka (AmazonMSK). Amazon MSK memudahkan penyerapan dan pemrosesan data streaming secara waktu nyata dengan Apache Kafka yang dikelola sepenuhnya. Dalam arsitektur ini, Amazon MSK berfungsi sebagai platform streaming dan melakukan transformasi data apa pun yang diperlukan pada peristiwa aliran klik mentah yang masuk. Lalu sebuah AWS Lambda fungsi dipicu untuk memfilter kejadian ke skema yang kompatibel dengan kumpulan data Amazon Personalize dan mendorong kejadian tersebut ke pelacak kejadian Amazon Personalize menggunakan putEvent
API. Hal ini memungkinkan Amazon Personalize untuk belajar dari perilaku terbaru pengguna Anda dan menyertakan item yang relevan dalam rekomendasi.
Aplikasi web TR memanggil API yang diterapkan Gerbang API Amazon untuk mendapatkan rekomendasi, yang memicu fungsi Lambda untuk menjalankan a GetRecommendations
Panggilan API dengan Amazon Personalize. Amazon Personalize menyediakan serangkaian rekomendasi yang dipersonalisasi terbaru yang disesuaikan dengan perilaku pengguna, yang disediakan kembali ke aplikasi web melalui Lambda dan API Gateway.
Dengan arsitektur real-time ini, TR dapat melayani pelanggan mereka dengan rekomendasi yang dipersonalisasi yang disesuaikan dengan perilaku terbaru mereka dan melayani kebutuhan mereka dengan lebih baik.
Kesimpulan
Dalam postingan ini, kami menunjukkan kepada Anda bagaimana TR menggunakan Amazon Personalize dan layanan AWS lainnya untuk mengimplementasikan mesin rekomendasi. Amazon Personalize mengaktifkan TR untuk mempercepat pengembangan dan penerapan model berkinerja tinggi untuk memberikan rekomendasi kepada pelanggan mereka. TR dapat meluncurkan rangkaian produk baru dalam beberapa minggu sekarang, dibandingkan dengan bulan sebelumnya. Dengan Amazon Personalize dan SageMaker, TR dapat meningkatkan pengalaman pelanggan dengan paket dan harga berlangganan konten yang lebih baik untuk pelanggan mereka.
Jika Anda senang membaca blog ini dan ingin mempelajari lebih lanjut tentang Amazon Personalize dan bagaimana blog ini dapat membantu organisasi Anda membangun sistem rekomendasi, silakan lihat panduan pengembang.
Tentang Penulis
Hesyam Fahim adalah Insinyur Pembelajaran Mesin Utama dan Arsitek Mesin Personalisasi di Thomson Reuters. Dia telah bekerja dengan organisasi di dunia akademis dan industri mulai dari perusahaan besar hingga perusahaan rintisan menengah. Dengan fokus pada arsitektur pembelajaran mendalam yang dapat diskalakan, Dia memiliki pengalaman dalam robotika seluler, analisis gambar biomedis, serta sistem pemberi rekomendasi. Jauh dari komputer, dia menikmati astrofotografi, membaca, dan bersepeda jarak jauh.
Srinivasa Shaik adalah Arsitek Solusi di AWS yang berbasis di Boston. Dia membantu pelanggan Enterprise untuk mempercepat perjalanan mereka ke cloud. Dia sangat tertarik dengan wadah dan teknologi pembelajaran mesin. Di waktu senggangnya, ia senang menghabiskan waktu bersama keluarga, memasak, dan jalan-jalan.
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.
Simon Zucchet adalah Arsitek Solusi Senior di AWS. Dengan pengalaman lebih dari 6 tahun sebagai Arsitek Cloud, Simone senang mengerjakan proyek inovatif yang membantu mengubah cara organisasi mendekati masalah bisnis. Dia membantu mendukung pelanggan perusahaan besar di AWS dan merupakan bagian dari Machine Learning TFC. Di luar kehidupan profesionalnya, dia senang mengerjakan mobil dan fotografi.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- kemampuan
- Sanggup
- Tentang Kami
- Akademi
- mempercepat
- Akun
- akuntansi
- tepat
- di seluruh
- kegiatan
- menyesuaikan
- Tambahan
- Keuntungan
- Setelah
- AI
- AI / ML
- Semua
- memungkinkan
- sudah
- Amazon
- Amazon Personalisasi
- analisis
- Analis
- analisis
- analisis
- dan
- jawaban
- Apache
- api
- aplikasi
- terapan
- AI terapan
- pendekatan
- arsitektur
- daerah
- sekitar
- terkait
- mengotomatisasikan
- kesadaran
- AWS
- Lem AWS
- kembali
- berdasarkan
- dasar
- karena
- sebelum
- TERBAIK
- Lebih baik
- antara
- Luar
- biomedis
- Blog
- boston
- luasnya
- membangun
- Bangunan
- dibangun di
- bisnis
- bisnis
- panggilan
- Kampanye
- kampanye
- Kampanye
- mobil
- katalog
- berpusat
- terpusat
- menantang
- perubahan
- Perubahan
- mengubah
- Pilih
- awan
- kode
- Mengumpulkan
- berkomitmen
- Perusahaan
- dibandingkan
- cocok
- komponen
- komputer
- Visi Komputer
- komputer
- mengingat
- terus-menerus
- konsumen
- Konsumen
- Wadah
- Konten
- terus
- Konversi
- Core
- Biaya
- bisa
- membuat
- dibuat
- membuat
- dikuratori
- kurator
- terbaru
- adat
- pelanggan
- data pelanggan
- pengalaman pelanggan
- pelanggan
- harian
- data
- Persiapan data
- pengolahan data
- kumpulan data
- transaksi
- keputusan
- mendalam
- belajar mendalam
- mengantarkan
- memberikan
- Tergantung
- dikerahkan
- penggelaran
- penyebaran
- dirancang
- rincian
- dikembangkan
- Pengembangan
- berbeda
- jarak
- domain
- mendorong
- penggerak
- Drone
- selama
- setiap
- Terdahulu
- Awal
- MENGANGKAT
- berhak
- diaktifkan
- memungkinkan
- interaksi
- Mesin
- insinyur
- memperkaya
- Enterprise
- perusahaan
- penggemar
- Seluruh
- peralatan
- Acara
- peristiwa
- selalu berubah
- berkembang
- pengalaman
- keahlian
- Menjelaskan
- ekstrak
- Ekstrak
- keluarga
- lebih cepat
- Fitur
- menyaring
- terakhir
- keuangan
- Menemukan
- Perusahaan
- keluwesan
- Fokus
- berikut
- bentuk
- format
- dibentuk
- FRAME
- dari
- sepenuhnya
- fungsi
- fungsi
- pintu gerbang
- menghasilkan
- dihasilkan
- menghasilkan
- menghasilkan
- mendapatkan
- mendapatkan
- memberikan
- Anda
- besar
- memiliki
- membantu
- membantu
- kinerja tinggi
- lebih tinggi
- Seterpercayaapakah Olymp Trade? Kesimpulan
- HTML
- HTTPS
- manusia
- gambar
- melaksanakan
- mengimplementasikan
- mengimpor
- penting
- in
- memasukkan
- masuk
- Pada meningkat
- industri
- informasi
- inisiatif
- Innovation
- inovatif
- memasukkan
- terpadu
- integrasi
- Intelijen
- berinteraksi
- interaksi
- bunga
- terlibat
- IT
- item
- Pekerjaan
- Jobs
- perjalanan
- kunci
- besar
- Terakhir
- Terbaru
- memimpin
- terkemuka
- BELAJAR
- pengetahuan
- Warisan
- Informasi
- Tingkat
- Perizinan
- Hidup
- pengangkatan
- hidup
- memuat
- Panjang
- Rendah
- mesin
- Mesin belajar
- membuat
- MEMBUAT
- mengelola
- berhasil
- Pasar
- pemimpin pasar
- Marketing
- pasar
- kematangan
- Media
- Microsoft
- tim microsoft
- mungkin
- jutaan
- ML
- mobil
- model
- model
- bulan
- lebih
- paling
- Perlu
- kebutuhan
- New
- produk baru
- berita
- berikutnya
- nLP
- pemberitahuan
- pemberitahuan
- Penawaran
- Di atas kapal
- ONE
- operasional
- Operasi
- optimasi
- dioptimalkan
- Opsi
- perintah
- organisasi
- organisasi
- Lainnya
- di luar
- paket
- bagian
- bergairah
- Melakukan
- melakukan
- Personalisasi
- Personalisasi
- Personalized
- perspektif
- fotografi
- pipa saluran
- rencana
- perencanaan
- rencana
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- silahkan
- Titik
- Portal
- mungkin
- Pos
- preferensi
- Mempersiapkan
- mempersiapkan
- harga pompa cor beton mini
- harga
- di harga
- masalah
- proses
- pengolahan
- Produk
- Produk
- profesional
- profesional
- memprojeksikan
- memberikan
- disediakan
- menyediakan
- menyediakan
- diterbitkan
- Dorong
- kualitas
- segera
- menaikkan
- mulai
- Penilaian
- Mentah
- Bacaan
- siap
- nyata
- real-time
- baru
- baru-baru ini
- resep
- Rekomendasi
- rekomendasi
- arsip
- menurunkan
- disebut
- mencerminkan
- relevan
- direplikasi
- wajib
- kebutuhan
- Persyaratan
- Hasil
- Reuters
- meninjau
- Risiko
- robotika
- aturan
- Run
- pembuat bijak
- penjualan
- terukur
- Skala
- skala
- ilmuwan
- bagian
- Sektor
- melihat
- senior
- melayani
- melayani
- layanan
- Layanan
- porsi
- set
- tas
- menandatangani
- penting
- Sederhana
- menyederhanakan
- sejak
- So
- larutan
- Solusi
- sumber
- sumber
- spesialis
- Pengeluaran
- dimulai
- Startups
- Langkah
- penyimpanan
- tersimpan
- toko
- Streaming
- berlangganan
- langganan
- sukses
- sukses
- rangkaian
- mendukung
- sistem
- sistem
- disesuaikan
- Mengambil
- Dibutuhkan
- tugas
- pajak
- tim
- tim
- Teknologi
- Teknologi
- Grafik
- mereka
- Thomson Reuters
- Melalui
- waktu
- untuk
- alat
- puncak
- Pelatihan VE
- terlatih
- Pelatihan
- Transaksi
- Mengubah
- transformasi
- berubah
- Perjalanan
- Tren
- dipicu
- Terpercaya
- memahami
- pemahaman
- mutakhir
- meningkatkan
- penggunaan
- menggunakan
- Pengguna
- Pengguna
- Berharga
- berbagai
- versi
- melalui
- penglihatan
- volume
- ingin
- Kekayaan
- jaringan
- aplikasi web
- minggu
- Apa
- yang
- SIAPA
- dalam
- tanpa
- Kerja
- bekerja
- kerja
- bekerja
- dunia
- akan
- menulis
- tertulis
- tahun
- Kamu
- Anda
- zephyrnet.dll