A livello base, la tecnologia Machine Learning (ML) apprende dai dati per fare previsioni. Le aziende utilizzano i propri dati con un servizio di personalizzazione basato sul machine learning per migliorare l'esperienza del cliente. Questo approccio consente alle aziende di utilizzare i dati per ricavare informazioni utili e contribuire ad aumentare le entrate e la fedeltà al marchio.
Amazon Personalizza accelera la trasformazione digitale con il machine learning, semplificando l'integrazione di consigli personalizzati in siti Web, applicazioni, sistemi di email marketing esistenti e altro ancora. Amazon Personalize consente agli sviluppatori di implementare rapidamente un motore di personalizzazione personalizzato, senza richiedere competenze di ML. Amazon Personalize fornisce l'infrastruttura necessaria e gestisce l'intera pipeline di machine learning (ML), compresa l'elaborazione dei dati, l'identificazione delle funzionalità, l'utilizzo degli algoritmi più appropriati e la formazione, l'ottimizzazione e l'hosting dei modelli. Ricevi risultati tramite un'API e paghi solo per ciò che utilizzi, senza commissioni minime o impegni anticipati.
Il post Progetta consigli personalizzati quasi in tempo reale con Amazon Personalize mostra come progettare consigli personalizzati quasi in tempo reale utilizzando Amazon Personalize e Servizi dati AWS appositamente realizzati. In questo post ti guideremo attraverso un'implementazione di riferimento di un sistema di consigli personalizzati in tempo reale utilizzando Amazon Personalize.
Panoramica della soluzione
La soluzione di consigli personalizzati in tempo reale viene implementata utilizzando Amazon Personalizza, Servizio di archiviazione semplice Amazon (Amazon S3), Flussi di dati di Amazon Kinesis, AWS Lambdae Gateway API Amazon.
L'architettura è implementata come segue:
- Preparazione dei dati - A partire da creazione di un gruppo di set di dati, schemi e dataset che rappresentano i tuoi articoli, le tue interazioni e i dati utente.
- Allena il modello – Dopo aver importato i tuoi dati, seleziona la ricetta che corrisponde al tuo caso d'uso, quindi creare una soluzione per addestrare un modello creando una versione della soluzione. Quando la versione della soluzione è pronta, puoi creare una campagna per la versione della soluzione.
- Ottieni consigli quasi in tempo reale – Quando hai una campagna, puoi integrare le chiamate alla campagna nella tua applicazione. Qui è dove le chiamate al OttieniRaccomandazioni or Ottieni una classifica personalizzata Le API sono progettate per richiedere consigli quasi in tempo reale da Amazon Personalize.
Per ulteriori informazioni, fare riferimento a Progetta consigli personalizzati quasi in tempo reale con Amazon Personalize.
Il diagramma seguente illustra l'architettura della soluzione.
Implementazione
Dimostriamo questa implementazione con un caso d'uso in cui vengono consigliati film in tempo reale a un utente finale in base alle sue interazioni con il database dei film nel tempo.
La soluzione viene implementata utilizzando i seguenti passaggi:
- Prerequisito (Preparazione dei dati)
- Configura il tuo ambiente di sviluppo
- Distribuisci la soluzione
- Creare una versione della soluzione
- Crea una campagna
- Crea un tracker di eventi
- Ottieni consigli
- Acquisisci interazioni in tempo reale
- Convalida i consigli in tempo reale
- Pulire
Prerequisiti
Prima di iniziare, assicurati di avere i seguenti prerequisiti:
- Prepara i dati di allenamento – Preparare e caricare i dati in un bucket S3 utilizzando il file istruzioni. Per questo caso d'uso particolare, caricherai i dati sulle interazioni e i dati sugli articoli. Un'interazione è un evento che registri e quindi importi come dati di training. Amazon Personalize genera consigli principalmente in base ai dati sulle interazioni importati in un set di dati di interazioni. Puoi registrare più tipi di eventi, come clic, visualizzazione o Mi piace. Sebbene il modello creato da Amazon Personalize possa suggerire in base alle interazioni passate di un utente, la qualità di questi suggerimenti può essere migliorata quando il modello possiede dati sulle associazioni tra utenti o articoli. Se un utente ha interagito con film classificati come drammatici nel set di dati dell'articolo, Amazon Personalize suggerirà film (articoli) dello stesso genere.
- Configura il tuo ambiente di sviluppo - Installazione l'AWS Command Line Interface (AWS CLI).
- Configura la CLI con il tuo account Amazon - Configura l'AWS CLI con le informazioni del tuo account AWS.
- Installa e avvia il kit di sviluppo del cloud AWS (AWS CDK)
Distribuisci la soluzione
Per distribuire la soluzione, procedere come segue:
Creare una versione della soluzione
Una soluzione si riferisce alla combinazione di una ricetta Amazon Personalize, parametri personalizzati e una o più versioni della soluzione (modelli addestrati). Quando distribuisci il progetto CDK nel passaggio precedente, viene creata automaticamente una soluzione con una ricetta di personalizzazione dell'utente. Una versione della soluzione si riferisce a un modello di machine learning addestrato. Creare un versione della soluzione per l'attuazione.
Crea una campagna
Una campagna distribuisce una versione della soluzione (modello addestrato) con una capacità di transazione fornita per generare raccomandazioni in tempo reale. Creare un campagna per l'attuazione.
Crea un tracker di eventi
Amazon Personalize può fornire consigli basati solo su dati di eventi in tempo reale, solo su dati di eventi storici o su entrambi. Registra eventi in tempo reale per creare dati sulle tue interazioni e consentire ad Amazon Personalize di apprendere dalle attività più recenti dei tuoi utenti. Ciò mantiene i tuoi dati aggiornati e migliora la pertinenza dei consigli di Amazon Personalize. Prima di poter registrare gli eventi, è necessario creare un tracker eventi. Un tracker eventi indirizza i nuovi dati degli eventi al set di dati Interactions nel tuo gruppo di set di dati. Crea e tracker eventi per l'attuazione.
Ottieni consigli
In questo caso d'uso, il set di dati di interazione è composto da ID film. Di conseguenza, i consigli presentati all'utente consisteranno in ID di film che si allineano maggiormente con le sue preferenze personali, determinate dalle sue interazioni storiche. Puoi usare il getRecommendations
API per recuperare consigli personalizzati per un utente inviando i dati associati userID
, il numero di risultati per i consigli necessari per l'utente e l'ARN della campagna. Puoi trovare l'ARN della campagna nel menu della console Amazon Personalize.
Ad esempio, la richiesta seguente recupererà 5 consigli per l'utente di cui userId
è 429:
La risposta dalla richiesta sarà:
Gli elementi restituiti dalla chiamata API sono i film che Amazon Personalize consiglia all'utente in base alle sue interazioni storiche.
I valori del punteggio forniti in questo contesto rappresentano numeri a virgola mobile compresi tra zero e 1.0. Questi valori corrispondono alla campagna corrente e alle ricette associate per questo caso d'uso. Sono determinati in base ai punteggi collettivi assegnati a tutti gli elementi presenti nel set di dati completo.
Acquisisci interazioni in tempo reale
Nell'esempio precedente, sono state ottenute raccomandazioni per l'utente con un ID pari a 429 in base alle sue interazioni storiche con il database dei film. Per i consigli in tempo reale, le interazioni dell'utente con gli articoli devono essere acquisite in Amazon Personalize in tempo reale. Queste interazioni vengono inserite nel sistema di consigli tramite Amazon Personalize Tracker eventi. Il tipo di interazione, chiamato anche EventType
, è dato dalla colonna con lo stesso nome nel dataset dei dati di interazione (EVENT_TYPE
). In questo esempio, gli eventi possono essere di tipo “watch” o “click”, ma è possibile avere tipi di eventi personalizzati in base alle esigenze della propria applicazione.
In questo esempio l'API esposta che genera gli eventi degli utenti con gli elementi riceve il parametro “interazioni” che corrisponde al numero di eventi (interactions
) di un utente (UserId
) con un singolo elemento (itemId
) Proprio adesso. IL trackingId
Il parametro può essere trovato nella console Amazon Personalize e nella risposta alla creazione della richiesta Event Tracker.
Questo esempio mostra a putEvent
richiesta: genera 1 interazione di tipo clic, con un ID elemento "185" per l'ID utente "429", utilizzando il timestamp corrente. Tieni presente che in produzione, "sentAt" dovrebbe essere impostato sull'ora dell'interazione dell'utente. Nell'esempio seguente, lo impostiamo sul momento nel formato temporale epoch in cui abbiamo scritto la richiesta API per questo post. Gli eventi vengono inviati ad Amazon Kinesis Data Streams tramite un API Gateway, motivo per cui è necessario inviare i parametri stream-name e PartitionKey.
Riceverai una risposta di conferma simile alla seguente:
Convalida i consigli in tempo reale
Poiché il set di dati delle interazioni è stato aggiornato, le raccomandazioni verranno aggiornate automaticamente per prendere in considerazione le nuove interazioni. Per convalidare i consigli aggiornati in tempo reale, puoi richiamare nuovamente l'API getRecommendations per lo stesso ID utente 429 e il risultato dovrebbe essere diverso da quello precedente. I seguenti risultati mostrano una nuova raccomandazione con un ID 594 e le raccomandazioni con ID 16, 596, 153 e 261 hanno modificato i rispettivi punteggi. Questi elementi hanno portato il nuovo genere cinematografico ("Animazione|Bambini|Drammatico|Fantasy|Musicale") tra i primi 5 consigli.
Richiesta:
Risposta:
La risposta mostra che la raccomandazione fornita da Amazon Personalize è stata aggiornata in tempo reale.
ripulire
Per evitare addebiti inutili, ripulire l'implementazione della soluzione utilizzando Pulizia delle risorse.
Conclusione
In questo post, ti abbiamo mostrato come implementare un sistema di consigli personalizzati in tempo reale utilizzando Amazon Personalize. Le interazioni con Amazon Personalize per acquisire interazioni in tempo reale e ottenere consigli sono state eseguite tramite uno strumento a riga di comando chiamato curl, ma queste chiamate API possono essere integrate in un'applicazione aziendale e ottenere lo stesso risultato.
Per scegliere una nuova ricetta per il tuo caso d'uso, fai riferimento a Personalizzazione in tempo reale. Per misurare l'impatto dei consigli forniti da Amazon Personalize, fare riferimento a Misurare l’impatto delle raccomandazioni.
Informazioni sugli autori
Cristian Márquez è un architetto senior di applicazioni cloud. Ha una vasta esperienza nella progettazione, realizzazione e fornitura di software di livello aziendale, sistemi distribuiti e a carico elevato e applicazioni native del cloud. Ha esperienza nei linguaggi di programmazione backend e frontend, nonché nella progettazione di sistemi e nell'implementazione delle pratiche DevOps. Assiste attivamente i clienti nella creazione e nella protezione di soluzioni cloud innovative, risolvendo i loro problemi aziendali e raggiungendo i loro obiettivi aziendali.
Anand Komandouru è un Senior Cloud Architect presso AWS. È entrato a far parte dell'organizzazione AWS Professional Services nel 2021 e aiuta i clienti a creare applicazioni native del cloud sul cloud AWS. Ha oltre 20 anni di esperienza nella creazione di software e il suo principio di leadership Amazon preferito è "I leader hanno molto ragione."
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/implement-real-time-personalized-recommendations-using-amazon-personalize/
- :ha
- :È
- :Dove
- $ SU
- 1
- 100
- 11
- 150
- 16
- 17
- 20
- 20 anni
- 200
- 2021
- 24
- 49
- 7
- 8
- a
- WRI
- accelera
- Secondo
- Il mio account
- il raggiungimento
- processabile
- attivamente
- attività
- Dopo shavasana, sedersi in silenzio; saluti;
- ancora
- Algoritmi
- allineare
- Tutti
- consentire
- consente
- anche
- Sebbene il
- Amazon
- Cinesi amazzonica
- Amazon Personalizza
- Amazon Web Services
- tra
- an
- ed
- api
- API
- Applicazioni
- applicazioni
- approccio
- opportuno
- architettura
- SONO
- AS
- addetto
- assist
- associato
- associazioni
- At
- Tentativi
- automaticamente
- evitare
- AWS
- Servizi professionali AWS
- BACKEND
- basato
- basic
- BE
- stato
- prima
- fra
- bootstrap
- entrambi
- marca
- portato
- costruire
- Costruzione
- affari
- aziende
- ma
- by
- chiamata
- detto
- Bandi
- Campagna
- Materiale
- Ultra-Grande
- Custodie
- cambiato
- oneri
- Scegli
- cavedano
- clicca
- strettamente
- Cloud
- Collective
- Colonna
- combinazione
- impegni
- composto
- globale
- conferma
- conseguentemente
- Prendere in considerazione
- consolle
- contesto
- corrisponde
- creare
- creato
- creazione
- Corrente
- cliente
- esperienza del cliente
- Clienti
- personalizzate
- dati
- Preparazione dei dati
- Banca Dati
- consegna
- dimostrare
- schierare
- Distribuisce
- derivare
- Design
- progettazione
- tavolo
- determinato
- sviluppatori
- Mercato
- diverso
- digitale
- DIGITAL TRANSFORMATION
- dirige
- distribuito
- sistemi distribuiti
- do
- Dramma
- più facile
- elemento
- ELEVATE
- Email Marketing
- Abilita
- fine
- impegnato
- motore
- migliorata
- di livello enterprise
- Intero
- Ambiente
- epoca
- Evento
- eventi
- esempio
- eseguito
- esistente
- esperienza
- competenza
- esposto
- preferito
- Caratteristiche
- Costi
- Trovate
- i seguenti
- segue
- Nel
- formato
- essere trovato
- fresco
- da
- Frontend
- porta
- generare
- genera
- la generazione di
- genere
- ottenere
- dato
- Obiettivi
- Gruppo
- Crescere
- Avere
- he
- Aiuto
- aiuta
- Alta
- il suo
- storico
- di hosting
- Come
- Tutorial
- HTML
- HTTPS
- ID
- identificazione
- ids
- if
- illustra
- Impact
- realizzare
- implementazione
- implementato
- importare
- importazione
- migliora
- in
- Compreso
- informazioni
- Infrastruttura
- creativi e originali
- intuizioni
- integrare
- integrato
- interazione
- interazioni
- Interfaccia
- ai miglioramenti
- IT
- elementi
- SUO
- congiunto
- jpg
- continua
- Flussi di dati Kinesis
- Le Lingue
- Leadership
- IMPARARE
- apprendimento
- impara
- Livello
- piace
- linea
- caricare
- lotto
- lealtà
- macchina
- machine learning
- fatto
- make
- Fare
- gestisce
- Marketing
- corrispondenza
- misurare
- Menu
- messaggio
- ordine
- ML
- modello
- modelli
- Scopri di più
- maggior parte
- film
- Film
- multiplo
- devono obbligatoriamente:
- Nome
- nativo
- Vicino
- necessaria
- Bisogno
- esigenze
- New
- no
- adesso
- numero
- numeri
- ottenuto
- of
- on
- ONE
- esclusivamente
- ottimizzazione
- or
- organizzazione
- su
- Risultato
- ancora
- proprio
- parametro
- parametri
- particolare
- passato
- Paga le
- cronologia
- personalizzazione
- personalizzare
- Personalizzata
- conduttura
- Platone
- Platone Data Intelligence
- PlatoneDati
- punto
- possiede
- Post
- pratiche
- Previsioni
- preferenze
- preparazione
- Preparare
- prerequisiti
- presenti
- presentata
- precedente
- principalmente
- principio
- problemi
- lavorazione
- Produzione
- professionale
- Programmazione
- linguaggi di programmazione
- progetto
- purché
- qualità
- rapidamente
- gamma
- pronto
- tempo reale
- ricevere
- riceve
- recente
- ricetta
- Consigli
- raccomandazioni
- raccomanda
- record
- riferimento
- riferimento
- si riferisce
- rilevanza
- deposito
- rappresentare
- che rappresenta
- richiesta
- risposta
- colpevole
- Risultati
- Le vendite
- destra
- stesso
- Punto
- sicuro
- inviare
- invio
- anziano
- inviato
- servizio
- Servizi
- set
- dovrebbero
- mostrare attraverso le sue creazioni
- ha mostrato
- Spettacoli
- simile
- Un'espansione
- singolo
- Software
- soluzione
- Soluzioni
- Soluzione
- pila
- inizia a
- iniziato
- step
- Passi
- conservazione
- flussi
- Con successo
- tale
- suggerire
- sicuro
- sistema
- SISTEMI DI TRATTAMENTO
- Tecnologia
- che
- Il
- loro
- poi
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- questo
- Attraverso
- tempo
- timestamp
- a
- top
- top 5
- Treni
- allenato
- Training
- delle transazioni
- Trasformazione
- Digitare
- Tipi di
- inutile
- aggiornato
- Caricamento
- uso
- caso d'uso
- Utente
- utenti
- utilizzando
- CONVALIDARE
- Valori
- Fisso
- versione
- versioni
- camminare
- Prima
- Orologio
- we
- sito web
- servizi web
- siti web
- WELL
- sono stati
- Che
- quando
- quale
- di chi
- perché
- volere
- con
- senza
- ha scritto
- anni
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro
- zero