이 게시물은 Thomson Reuters의 Hesham Fahim이 공동 작성했습니다.
톰슨 로이터(TR) 기업과 전문가를 위한 세계에서 가장 신뢰받는 정보 조직 중 하나입니다. 신뢰할 수 있는 답변을 찾는 데 필요한 인텔리전스, 기술 및 인적 전문성을 기업에 제공하여 더 나은 의사 결정을 더 빠르게 내릴 수 있도록 합니다. TR의 고객은 금융, 위험, 법률, 세무, 회계 및 미디어 시장에 걸쳐 있습니다.
Thomson Reuters는 사용자가 구독 라이센스 모델을 사용하여 등록할 수 있는 세금, 법률 및 뉴스 캠페인에서 시장을 선도하는 제품을 제공합니다. 고객을 위한 이러한 경험을 향상시키기 위해 TR은 영업 팀이 고객에게 가장 관련성 높은 구독 패키지를 제안할 수 있는 중앙 집중식 추천 플랫폼을 만들고 싶었습니다. 맞춤형 제품 선택.
이 중앙 집중식 플랫폼을 구축하기 전에 TR은 갱신 권장 사항을 생성하기 위한 레거시 규칙 기반 엔진을 가지고 있었습니다. 이 엔진의 규칙은 SQL로 미리 정의되고 작성되었으며, 관리 문제 외에도 TR의 다양한 통합 데이터 소스에서 데이터의 확산에 대처하는 데 어려움을 겪었습니다. TR 고객 데이터는 변화하는 고객 요구를 반영하기 위해 비즈니스 규칙이 발전할 수 있는 것보다 더 빠른 속도로 변화하고 있습니다. TR의 새로운 머신러닝(ML) 기반 개인화 엔진의 핵심 요구 사항은 최근 고객 트렌드를 고려한 정확한 추천 시스템을 중심으로 이루어졌습니다. 원하는 솔루션은 낮은 운영 오버헤드, 비즈니스 목표 달성을 가속화할 수 있는 능력, 변화하는 소비자 습관과 신제품을 처리하기 위해 최신 데이터로 지속적으로 훈련할 수 있는 개인화 엔진이 있는 솔루션입니다.
TR의 고객에게 가치 있는 제품이 무엇인지에 따라 갱신 권장 사항을 개인화하는 것은 영업 및 마케팅 팀에게 중요한 비즈니스 과제였습니다. TR은 고객 상호 작용에서 수집되어 중앙 집중식 데이터 웨어하우스에 저장된 개인화에 사용할 수 있는 풍부한 데이터를 보유하고 있습니다. TR은 ML의 얼리 어답터였습니다. 아마존 세이지 메이커, AI/ML 도메인에서의 성숙도는 팀이 개인화 모델을 교육할 수 있는 데이터 웨어하우스 내에서 관련 데이터의 중요한 데이터 세트를 수집했음을 의미했습니다. TR은 AI/ML 혁신을 지속했으며 최근에는 다음을 사용하여 개선된 추천 플랫폼을 개발했습니다. 아마존 개인화는 사용자 상호 작용 및 항목을 사용하여 사용자를 위한 권장 사항을 생성하는 완전 관리형 ML 서비스입니다. 이 게시물에서는 TR이 어떻게 Amazon Personalize를 사용하여 고객에게 최상의 제품 구독 플랜과 관련 가격을 제공하는 확장 가능한 다중 테넌트 추천 시스템을 구축했는지 설명합니다.
솔루션 아키텍처
데이터를 통해 사용자를 이해하는 TR의 핵심 작업을 고려하여 솔루션을 설계해야 했습니다. 이러한 사용자에게 대규모 데이터 모음에서 개인화된 관련 콘텐츠를 제공하는 것은 미션 크리티컬 요구 사항이었습니다. 잘 설계된 추천 시스템을 갖추는 것은 각 사용자의 요구 사항에 맞춤화된 품질 추천을 받는 데 핵심입니다.
이 솔루션은 사용자 행동 데이터를 수집 및 준비하고, Amazon Personalize를 사용하여 ML 모델을 훈련하고, 훈련된 모델을 통해 개인화된 권장 사항을 생성하고, 개인화된 권장 사항으로 마케팅 캠페인을 추진해야 했습니다.
TR은 가능한 경우 AWS 관리형 서비스를 활용하여 운영을 단순화하고 차별화되지 않은 부담을 줄이고 싶었습니다. 사용된 TR AWS 글루 데이터브루 와 AWS 배치 작업을 수행하여 ML 파이프라인에서 ETL(추출, 변환 및 로드) 작업을 수행하고 Amazon Personalize와 함께 SageMaker를 사용하여 권장 사항을 맞춤화합니다. 교육 데이터 볼륨 및 런타임 관점에서 솔루션은 TR 비즈니스 팀의 다운스트림 소비자에게 이미 할당된 시간 프레임 내에서 수백만 개의 레코드를 처리할 수 있도록 확장 가능해야 했습니다.
다음 섹션에서는 솔루션과 관련된 구성 요소에 대해 설명합니다.
ML 학습 파이프라인
사용자와 콘텐츠 간의 상호 작용은 고객이 콘텐츠를 클릭할 때 생성되는 클릭스트림 데이터의 형태로 수집됩니다. TR은 가격 및 플랜 등록 옵션에 대한 추가 세부 정보를 제공할 수 있도록 이것이 구독 플랜의 일부인지 또는 구독 플랜을 초과하는지 분석합니다. 다양한 소스의 사용자 상호 작용 데이터는 해당 데이터 웨어하우스에 유지됩니다.
다음 다이어그램은 ML 학습 파이프라인을 보여줍니다.
파이프라인은 데이터 웨어하우스에서 데이터를 추출하고 데이터를 변환하여 상호 작용, 사용자 및 항목 데이터 세트를 생성하는 AWS Batch 작업으로 시작합니다.
다음 데이터 세트는 모델 학습에 사용됩니다.
- 구조화된 제품 데이터 – 구독, 주문, 제품 카탈로그, 거래 및 고객 세부 정보
- 반구조화된 행동 데이터 – 사용자, 사용 및 상호 작용
이 변환된 데이터는 아마존 단순 스토리지 서비스 (Amazon S3) 버킷, ML 교육을 위해 Amazon Personalize로 가져옵니다. TR은 사용자를 위한 개인화된 추천을 생성하기를 원하기 때문에 사용자_개인화 솔루션 버전 생성이라고 하는 사용자 지정 데이터에 대해 ML 모델을 교육하는 레시피입니다. 솔루션 버전이 생성되면 사용자를 위한 개인화된 권장 사항을 생성하는 데 사용됩니다.
전체 워크플로는 다음을 사용하여 조정됩니다. AWS 단계 함수. 경고 및 알림은 다음을 사용하여 캡처되어 Microsoft Teams에 게시됩니다. 아마존 단순 알림 서비스 (Amazon SNS) 및 아마존 이벤트 브리지.
개인화 추천 파이프라인 생성: 배치 추론
고객 요구 사항과 선호도는 매우 자주 변경되며 클릭스트림 데이터에서 캡처된 최신 상호 작용은 고객의 변화하는 선호도를 이해하는 핵심 데이터 포인트 역할을 합니다. 끊임없이 변화하는 고객 선호도에 적응하기 위해 TR은 매일 개인화된 권장 사항을 생성합니다.
다음 다이어그램은 개인화된 추천을 생성하는 파이프라인을 보여줍니다.
DataBrew 작업은 현재 구독 계획 및 최근 활동을 기반으로 갱신 중에 권장 사항을 제공할 자격이 있는 사용자를 위해 TR 데이터 웨어하우스에서 데이터를 추출합니다. DataBrew 시각적 데이터 준비 도구를 사용하면 TR 데이터 분석가와 데이터 과학자가 데이터를 쉽게 정리하고 정규화하여 분석 및 ML을 준비할 수 있습니다. 코드를 작성할 필요 없이 데이터 준비 작업을 자동화하기 위해 시각적 데이터 준비 도구 내에서 250개 이상의 사전 구축된 변환 중에서 선택할 수 있는 기능은 중요한 기능이었습니다. DataBrew 작업은 배치 권장 사항 작업에 대한 상호 작용 및 입력에 대한 증분 데이터 세트를 생성하고 출력을 S3 버킷에 저장합니다. 새로 생성된 증분 데이터 세트는 상호 작용 데이터 세트로 가져옵니다. 증분 데이터 세트 가져오기 작업이 성공하면 Amazon Personalize 배치 권장 사항 작업이 입력 데이터와 함께 트리거됩니다. Amazon Personalize는 입력 데이터에 제공된 사용자에 대한 최신 권장 사항을 생성하고 권장 사항 S3 버킷에 저장합니다.
가격 최적화는 새로 구성된 권장 사항을 사용할 준비가 되기 전의 마지막 단계입니다. TR은 생성된 권장 사항에 대해 비용 최적화 작업을 실행하고 SageMaker를 사용하여 이 최종 단계의 일부로 권장 사항에 대한 사용자 지정 모델을 실행합니다. AWS Glue 작업은 Amazon Personalize에서 생성된 출력을 조정하고 SageMaker 사용자 지정 모델에 필요한 입력 형식으로 변환합니다. TR은 추천 플랫폼에서 Amazon Personalize와 SageMaker를 모두 사용하여 AWS가 제공하는 광범위한 서비스를 활용하여 고객 회사 및 최종 사용자 유형에 따라 추천을 맞춤화할 수 있습니다.
전체 워크플로는 데이터 처리 요구 사항에 따라 파이프라인을 확장할 수 있는 유연성을 제공하는 Step Functions를 사용하여 분리 및 오케스트레이션됩니다. 경고 및 알림은 Amazon SNS 및 EventBridge를 사용하여 캡처됩니다.
이메일 캠페인 추진
가격 결과와 함께 생성된 권장 사항은 TR의 고객에게 이메일 캠페인을 유도하는 데 사용됩니다. AWS Batch 작업은 각 고객에 대한 권장 사항을 선별하고 최적화된 요금 정보로 보강하는 데 사용됩니다. 이러한 권장 사항은 다음 이메일 캠페인을 주도하는 TR의 캠페인 시스템에 수집됩니다.
- 고객이 관심을 가질만한 새로운 제품으로 자동화된 구독 갱신 또는 업그레이드 캠페인
- 더 나은 제안, 더 관련성 높은 제품 및 법적 콘텐츠 자료를 포함하는 중간 계약 갱신 캠페인
이 프로세스의 정보는 고객 포털에도 복제되므로 현재 구독을 검토하는 고객은 새로운 갱신 권장 사항을 볼 수 있습니다. TR은 새로운 추천 플랫폼을 구현한 이후로 이메일 캠페인에서 전환율이 높아져 판매 주문이 증가했습니다.
다음 단계: 실시간 추천 파이프라인
고객 요구 사항과 쇼핑 행동은 실시간으로 변하며, 실시간 변화에 맞게 추천을 조정하는 것이 올바른 콘텐츠를 제공하는 데 핵심입니다. 일괄 추천 시스템을 배포하는 데 큰 성공을 거둔 TR은 이제 Amazon Personalize를 사용하여 추천을 생성하는 실시간 추천 파이프라인을 구현하여 이 솔루션을 다음 단계로 끌어올릴 계획입니다.
다음 다이어그램은 실시간 권장 사항을 제공하는 아키텍처를 보여줍니다.
실시간 통합은 라이브 사용자 참여 데이터를 수집하고 Amazon Personalize로 스트리밍하는 것으로 시작됩니다. 사용자가 TR의 애플리케이션과 상호 작용할 때 클릭스트림 이벤트를 생성하고 Amazon Kinesis 데이터 스트림. 그런 다음 이벤트는 TR의 중앙 집중식 스트리밍 플랫폼으로 수집됩니다. Kafka용 Amazon 관리형 스트리밍 (아마존 MSK). Amazon MSK를 사용하면 완전 관리형 Apache Kafka를 통해 스트리밍 데이터를 실시간으로 쉽게 수집하고 처리할 수 있습니다. 이 아키텍처에서 Amazon MSK는 스트리밍 플랫폼 역할을 하며 원시 수신 클릭스트림 이벤트에 필요한 모든 데이터 변환을 수행합니다. 그런 다음 AWS 람다 함수는 이벤트를 Amazon Personalize 데이터 세트와 호환되는 스키마로 필터링하고 해당 이벤트를 Amazon Personalize 이벤트 추적기로 푸시하도록 트리거됩니다. putEvent
API. 이를 통해 Amazon Personalize는 사용자의 가장 최근 행동에서 학습하고 권장 사항에 관련 항목을 포함할 수 있습니다.
TR의 웹 애플리케이션은 다음에 배포된 API를 호출합니다. 아마존 API 게이트웨이 권장 사항을 얻으려면 Lambda 함수를 트리거하여 GetRecommendations
Amazon Personalize를 사용한 API 호출. Amazon Personalize는 Lambda 및 API Gateway를 통해 웹 애플리케이션에 다시 제공되는 사용자 행동에 맞게 선별된 최신 맞춤형 추천 세트를 제공합니다.
이 실시간 아키텍처를 통해 TR은 고객의 가장 최근 행동에 맞게 선별된 개인화된 권장 사항으로 고객에게 서비스를 제공하고 고객의 요구 사항을 더 잘 충족할 수 있습니다.
결론
이 게시물에서는 TR이 Amazon Personalize 및 기타 AWS 서비스를 사용하여 추천 엔진을 구현하는 방법을 보여주었습니다. Amazon Personalize를 통해 TR은 고성능 모델의 개발 및 배포를 가속화하여 고객에게 권장 사항을 제공할 수 있었습니다. TR은 몇 달 전에 비해 이제 몇 주 안에 새로운 제품군을 온보딩할 수 있습니다. Amazon Personalize 및 SageMaker를 통해 TR은 고객을 위한 더 나은 콘텐츠 구독 플랜 및 가격으로 고객 경험을 향상할 수 있습니다.
이 블로그를 재미있게 읽었으며 Amazon Personalize에 대해 자세히 알아보고 조직에서 추천 시스템을 구축하는 데 어떻게 도움이 되는지 알아보려면 다음을 참조하십시오. 개발자 가이드.
저자에 관하여
헤샴 파힘 Thomson Reuters의 수석 기계 학습 엔지니어 및 개인화 엔진 설계자입니다. 그는 대기업에서 중간 규모의 신생 기업에 이르기까지 학계 및 산업계의 조직과 함께 일했습니다. 확장 가능한 딥 러닝 아키텍처에 중점을 둔 그는 모바일 로봇 공학, 생물 의학 이미지 분석 및 추천 시스템에 대한 경험이 있습니다. 컴퓨터를 떠나 천체 사진, 독서, 장거리 자전거 타기를 즐깁니다.
스리니바사 샤이크 보스턴에 본사를 둔 AWS의 솔루션 아키텍트입니다. 그는 엔터프라이즈 고객이 클라우드로의 여정을 가속화하도록 돕습니다. 그는 컨테이너 및 기계 학습 기술에 열정적입니다. 여가 시간에는 가족과 함께 시간을 보내고 요리와 여행을 즐깁니다.
밤시 크리슈나 에나보탈라 AWS의 선임 응용 AI 전문 설계자입니다. 그는 영향력이 큰 데이터, 분석 및 기계 학습 이니셔티브를 가속화하기 위해 다양한 부문의 고객과 협력합니다. 그는 추천 시스템, NLP, AI 및 ML의 컴퓨터 비전 영역에 열정적입니다. 업무 외적으로 Vamshi는 RC 장비(비행기, 자동차, 드론)를 만드는 RC 애호가이며 정원 가꾸기도 즐깁니다.
시몬 주케트 AWS의 선임 솔루션 아키텍트입니다. 클라우드 설계자로 6년 이상의 경력을 쌓은 Simone은 조직이 비즈니스 문제에 접근하는 방식을 혁신하는 데 도움이 되는 혁신적인 프로젝트 작업을 즐깁니다. 그는 AWS에서 대기업 고객 지원을 돕고 있으며 Machine Learning TFC의 일원입니다. 직업 생활 외에는 자동차와 사진 작업을 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- 능력
- 할 수 있는
- 소개
- 학원
- 가속
- 계정
- 회계
- 정확한
- 가로질러
- 활동
- 각색하다
- 추가
- 이점
- 후
- AI
- AI / ML
- All
- 수
- 이미
- 아마존
- 아마존 개인화
- 분석
- 애널리스트
- 분석
- 복수
- 와
- 답변
- 아파치
- API를
- 어플리케이션
- 적용된
- 응용 AI
- 접근
- 아키텍처
- 지역
- 약
- 관련
- 자동화
- 인식
- AWS
- AWS 접착제
- 뒤로
- 기반으로
- 기초
- 때문에
- 전에
- BEST
- 더 나은
- 사이에
- 그 너머
- 생물 의학
- 블로그
- 보스턴
- 폭
- 빌드
- 건물
- 내장
- 사업
- 사업
- 전화
- 운동
- 선거 운동
- 캠페인
- 자동차
- 목록
- 중심으로
- 중앙
- 도전
- 이전 단계로 돌아가기
- 변경
- 변화
- 왼쪽 메뉴에서
- 클라우드
- 암호
- 수집
- 저지른
- 기업
- 비교
- 호환
- 구성 요소들
- 컴퓨터
- 컴퓨터 비전
- 컴퓨터
- 치고는
- 끊임없이
- 소비자
- 소비자
- 용기
- 함유량
- 계속
- 매출 상승
- 핵심
- 비용
- 수
- 만들
- 만든
- 만들기
- 기획
- 큐레이트
- Current
- 관습
- 고객
- 고객 데이터
- 고객 경험
- 고객
- 매일
- 데이터
- 데이터 준비
- 데이터 처리
- 데이터 세트
- 거래
- 결정
- 깊은
- 깊은 학습
- 배달
- 제공
- 의존
- 배포
- 배치
- 전개
- 설계
- 세부설명
- 개발
- 개발
- 다른
- 거리
- 도메인
- 드라이브
- 운전
- 드론
- ...동안
- 마다
- 이전
- 초기의
- 올리다
- 자격이되는
- 이메일
- 사용 가능
- 가능
- 약혼
- 엔진
- 기사
- 높이다
- Enterprise
- 기업
- 매니아
- 전체의
- 장비
- 이벤트
- 이벤트
- 시시각각 변하는
- 진화시키다
- 경험
- 전문적 지식
- 설명
- 추출물
- 추출물
- 가족
- 빠른
- 특색
- 필터링
- 최후의
- 금융
- Find
- 굳은
- 유연성
- 초점
- 수행원
- 형태
- 체재
- 형성
- FRAME
- 에
- 충분히
- 기능
- 기능
- 게이트웨이
- 생성
- 생성
- 생성
- 생성
- 얻을
- 점점
- 제공
- 목표
- 큰
- 데
- 도움
- 도움이
- 고성능
- 더 높은
- 방법
- HTML
- HTTPS
- 사람의
- 영상
- 구현
- 구현
- import
- 중대한
- in
- 포함
- 들어오는
- 증가
- 산업
- 정보
- 이니셔티브
- 혁신
- 혁신적인
- 입력
- 통합 된
- 완성
- 인텔리전스
- 상호 작용
- 상호 작용
- 관심
- 참여
- IT
- 항목
- 일
- 작업
- 여행
- 키
- 넓은
- 성
- 최근
- 리드
- 지도
- 배우다
- 배우기
- 유산
- 이용약관
- 레벨
- Licensing
- 생활
- 리프팅
- 살고있다
- 하중
- 긴
- 낮은
- 기계
- 기계 학습
- 확인
- 제작
- 관리
- 관리
- 시장
- 시장을 선도하는
- 마케팅
- 시장
- 만기
- 미디어
- Microsoft
- 마이크로 소프트 팀
- 수도
- 수백만
- ML
- 모바일
- 모델
- 모델
- 개월
- 배우기
- 가장
- 필요
- 요구
- 신제품
- 새로운 제품
- news
- 다음 것
- nlp
- 공고
- 알림
- 제공
- 온보드
- ONE
- 운영
- 행정부
- 최적화
- 최적화
- 옵션
- 명령
- 조직
- 조직
- 기타
- 외부
- 패키지
- 부품
- 열렬한
- 수행
- 수행하다
- 개인
- 개인
- 맞춤형 교육 플랫폼
- 관점
- 사진술
- 관로
- 계획
- 계획
- 계획
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- 포인트 적립
- 포털
- 가능한
- 게시하다
- 환경 설정
- Prepare
- 준비
- 가격
- 학비 안내
- 가격
- 문제
- 방법
- 처리
- 프로덕트
- 제품
- 링크를
- 전문가
- 프로젝트
- 제공
- 제공
- 제공
- 제공
- 출판
- 푸시
- 품질
- 빨리
- 모집
- 이르기까지
- 율
- 살갗이 벗어 진
- 읽기
- 준비
- 현실
- 실시간
- 최근
- 최근에
- 조리법
- 추천
- 추천
- 기록
- 감소
- 참조
- 반영
- 관련된
- 복제 된
- 필수
- 요구 사항
- 요구조건 니즈
- 결과
- 로이터
- 리뷰
- 위험
- 로봇
- 규칙
- 달리기
- 현자
- 판매
- 확장성
- 규모
- 스케일링
- 과학자
- 섹션
- 부문
- 보고
- 연장자
- 서브
- 봉사하다
- 서비스
- 서비스
- 피복재
- 세트
- 쇼핑
- 기호
- 상당한
- 단순, 간단, 편리
- 단순화
- 이후
- So
- 해결책
- 솔루션
- 출처
- 지우면 좋을거같음 . SM
- 전문가
- 지출
- 시작
- 신생
- 단계
- 저장
- 저장
- 상점
- 스트리밍
- 신청
- 구독
- 성공
- 성공한
- 스위트
- SUPPORT
- 체계
- 시스템은
- 맞춤형
- 받아
- 소요
- 작업
- 세
- 팀
- 팀
- 기술
- Technology
- XNUMXD덴탈의
- 그들의
- 톰슨 로이터
- 을 통하여
- 시간
- 에
- 수단
- 상단
- Train
- 훈련 된
- 트레이닝
- 거래 내역
- 변환
- 변환
- 변환
- 여행
- 트렌드
- 방아쇠를 당긴
- 신뢰할 수있는
- 이해
- 이해
- 최신의
- 업그레이드
- 용법
- 사용
- 사용자
- 사용자
- 가치 있는
- 여러
- 버전
- 를 통해
- 시력
- 음량
- 원
- 재산
- 웹
- 웹 애플리케이션
- 주
- 뭐
- 어느
- 누구
- 이내
- 없이
- 작업
- 일
- 일하는
- 일
- 세계
- 겠지
- 쓰다
- 쓴
- 년
- 자신의
- 너의
- 제퍼 넷