På et grunnleggende nivå lærer maskinlæringsteknologi (ML) av data for å lage spådommer. Bedrifter bruker dataene sine med en ML-drevet personaliseringstjeneste for å heve kundeopplevelsen. Denne tilnærmingen gjør det mulig for bedrifter å bruke data til å utlede praktisk innsikt og bidra til å øke inntektene og merkelojaliteten.
Amazon Tilpasse akselererer din digitale transformasjon med ML, noe som gjør det enklere å integrere personlige anbefalinger i eksisterende nettsteder, applikasjoner, e-postmarkedsføringssystemer og mer. Amazon Personalize gjør det mulig for utviklere å raskt implementere en tilpasset personaliseringsmotor, uten å kreve ML-ekspertise. Amazon Personalize sørger for den nødvendige infrastrukturen og administrerer hele pipeline for maskinlæring (ML), inkludert behandling av data, identifisering av funksjoner, bruk av de mest passende algoritmene og opplæring, optimalisering og vertskap for modellene. Du mottar resultater gjennom et API og betaler kun for det du bruker, uten minimumsavgifter eller forhåndsforpliktelser.
Innlegget Arkitekter tilnærmet sanntids personlige anbefalinger med Amazon Personalize viser hvordan du kan utforme personlig tilpassede anbefalinger i nær sanntid ved å bruke Amazon Personalize og AWS spesialbygde datatjenester. I dette innlegget leder vi deg gjennom en referanseimplementering av et personlig tilpasset anbefalingssystem i sanntid ved hjelp av Amazon Personalize.
Løsningsoversikt
Sanntidsløsningen for personlige anbefalinger implementeres ved hjelp av Amazon Tilpasse, Amazon Simple Storage Service (Amazon S3), Amazon Kinesis datastrømmer, AWS Lambdaog Amazon API-gateway.
Arkitekturen er implementert som følger:
- Dataforberedelse – Start med opprette en datasettgruppe, skjemaer og datasett som representerer dine varer, interaksjoner og brukerdata.
- Tren modellen – Etter å ha importert dataene dine, velg oppskriften som samsvarer med bruksområdet ditt, og deretter lage en løsning å trene en modell av lage en løsningsversjon. Når løsningsversjonen er klar, kan du opprette en kampanje for løsningsversjonen.
- Få nesten sanntidsanbefalinger – Når du har en kampanje, kan du integrere anrop til kampanjen i søknaden din. Det er her samtaler til Få anbefalinger or GetPersonalizedRanking APIer er laget for å be om nesten sanntidsanbefalinger fra Amazon Personalize.
For mer informasjon, se Arkitekter tilnærmet sanntids personlige anbefalinger med Amazon Personalize.
Følgende diagram illustrerer løsningsarkitekturen.
Gjennomføring
Vi demonstrerer denne implementeringen med et use case om å lage filmanbefalinger i sanntid til en sluttbruker basert på deres interaksjoner med filmdatabasen over tid.
Løsningen implementeres ved hjelp av følgende trinn:
- Forutsetning (dataforberedelse)
- Sett opp utviklingsmiljøet ditt
- Distribuere løsningen
- Lag en løsningsversjon
- Lag en kampanje
- Lag en hendelsessporing
- Få anbefalinger
- Få inn sanntidsinteraksjoner
- Valider sanntidsanbefalinger
- Opprydding
Forutsetninger
Før du begynner, må du kontrollere at du har følgende forutsetninger:
- Forbered treningsdataene dine – Klargjør og last opp dataene til en S3-bøtte ved hjelp av instruksjoner. For denne spesielle brukssaken vil du laste opp interaksjonsdata og varedata. En interaksjon er en hendelse som du registrerer og deretter importerer som treningsdata. Amazon Personalize genererer anbefalinger primært basert på interaksjonsdataene du importerer til et Interactions-datasett. Du kan ta opp flere hendelsestyper, for eksempel klikk, se eller like. Selv om modellen opprettet av Amazon Personalize kan foreslå basert på en brukers tidligere interaksjoner, kan kvaliteten på disse forslagene forbedres når modellen har data om assosiasjonene mellom brukere eller elementer. Hvis en bruker har engasjert seg i filmer kategorisert som Drama i elementdatasettet, vil Amazon Personalize foreslå filmer (elementer) med samme sjanger.
- Sett opp utviklingsmiljøet ditt - Install AWS Command Line Interface (AWS CLI).
- Konfigurer CLI med Amazon-kontoen din - Konfigurer AWS CLI med AWS-kontoinformasjonen din.
- Installer og start opp AWS Cloud Development Kit (AWS CDK)
Distribuere løsningen
Gjør følgende for å distribuere løsningen:
- Clone depotet til en ny mappe på skrivebordet ditt.
- Distribuer stabelen til ditt AWS-miljø.
Lag en løsningsversjon
En løsning refererer til kombinasjonen av en Amazon Personalize-oppskrift, tilpassede parametere og en eller flere løsningsversjoner (opplærte modeller). Når du distribuerer CDK-prosjektet i forrige trinn, opprettes en løsning med en brukertilpasningsoppskrift automatisk for deg. En løsningsversjon refererer til en trent maskinlæringsmodell. Lage en løsningsversjon for gjennomføringen.
Lag en kampanje
En kampanje distribuerer en løsningsversjon (opplært modell) med en klargjort transaksjonskapasitet for å generere sanntidsanbefalinger. Lage en kampanje for gjennomføringen.
Lag en hendelsessporing
Amazon Personalize kan gi anbefalinger basert på hendelsesdata i sanntid, kun historiske hendelsesdata eller begge deler. Ta opp hendelser i sanntid for å bygge ut interaksjonsdataene dine og la Amazon Personalize lære av brukerens siste aktivitet. Dette holder dataene dine ferske og forbedrer relevansen til Amazon Personalize-anbefalinger. Før du kan registrere hendelser, må du opprette en hendelsessporing. En hendelsesporing dirigerer nye hendelsesdata til interaksjonsdatasettet i datasettgruppen din. Lag og hendelsessporer for gjennomføringen.
Få anbefalinger
I dette tilfellet er interaksjonsdatasettet sammensatt av film-ID-er. Følgelig vil anbefalingene som presenteres for brukeren bestå av film-ID-er som er mest på linje med deres personlige preferanser, bestemt ut fra deres historiske interaksjoner. Du kan bruke getRecommendations
API for å hente personlig tilpassede anbefalinger for en bruker ved å sende tilhørende userID
, antall resultater for anbefalinger som du trenger for brukeren samt kampanjen ARN. Du finner kampanjen ARN i Amazon Personalize-konsollmenyen.
For eksempel vil følgende forespørsel hente 5 anbefalinger for brukeren som har userId
er 429:
Svaret fra forespørselen vil være:
Elementene som returneres av API-kallet er filmene som Amazon Personalize anbefaler til brukeren basert på deres historiske interaksjoner.
Poengverdiene oppgitt i denne sammenhengen representerer flyttall som varierer mellom null og 1.0. Disse verdiene samsvarer med gjeldende kampanje og de tilhørende oppskriftene for denne brukssaken. De bestemmes basert på de kollektive poengsummene som er tildelt alle elementene i det omfattende datasettet ditt.
Få inn sanntidsinteraksjoner
I forrige eksempel ble det innhentet anbefalinger for brukeren med en ID på 429 basert på deres historiske interaksjoner med filmdatabasen. For sanntidsanbefalinger må brukerens interaksjoner med elementene tas inn i Amazon Personalize i sanntid. Disse interaksjonene tas inn i anbefalingssystemet gjennom Amazon Personalize Hendelsessporing. Typen interaksjon, også kalt EventType
, er gitt av kolonnen med samme navn i datasettet for interaksjonsdata (EVENT_TYPE
). I dette eksemplet kan hendelsene være av typen "se" eller "klikk", men du kan ha dine egne typer hendelser i henhold til behovene til applikasjonen din.
I dette eksemplet mottar den eksponerte API-en som genererer hendelsene til brukerne med elementene «interaksjoner»-parameteren som tilsvarer antall hendelser (interactions
) av en bruker (UserId
) med et enkelt element (itemId
) akkurat nå. De trackingId
parameter kan bli funnet i Amazon Personalize-konsollen og i svaret på opprettelsen av Event Tracker-forespørselen.
Dette eksemplet viser en putEvent
forespørsel: Generer 1 interaksjoner av klikktype, med en vare-ID på '185' for bruker-ID'en '429', ved å bruke gjeldende tidsstempel. Merk at i produksjon bør 'sentAt' settes til tidspunktet for brukerens interaksjon. I det følgende eksempelet satte vi dette til tidspunktet i epoketidsformat da vi skrev API-forespørselen for dette innlegget. Hendelsene sendes til Amazon Kinesis Data Streams gjennom en API-gateway, og derfor må du sende strømnavnet og PartitionKey-parametrene.
Du vil motta et bekreftelsessvar som ligner på følgende:
Valider sanntidsanbefalinger
Fordi interaksjonsdatasettet har blitt oppdatert, vil anbefalingene automatisk oppdateres for å vurdere de nye interaksjonene. For å validere anbefalingene som er oppdatert i sanntid, kan du kalle getRecommendations API igjen for samme bruker-ID 429, og resultatet bør være forskjellig fra den forrige. Følgende resultater viser en ny anbefaling med en id på 594 og anbefalingene med id-ene på 16, 596, 153 og 261 endret poengsummen. Disse elementene brakte inn ny filmsjanger ('Animasjon|Barn|Drama|Fantasy|Musical') de 5 beste anbefalingene.
Be om:
Response:
Svaret viser at anbefalingen fra Amazon Personalize ble oppdatert i sanntid.
Rydd opp
For å unngå unødvendige kostnader, ryd opp i løsningsimplementeringen ved å bruke Rydde opp ressurser.
konklusjonen
I dette innlegget viste vi deg hvordan du implementerer et sanntidstilpasset anbefalingssystem ved å bruke Amazon Personalize. Interaksjonene med Amazon Personalize for å innta sanntidsinteraksjoner og få anbefalinger ble utført gjennom et kommandolinjeverktøy kalt curl, men disse API-kallene kan integreres i en forretningsapplikasjon og få samme resultat.
For å velge en ny oppskrift for ditt bruksområde, se Personalisering i sanntid. For å måle effekten av anbefalingene fra Amazon Personalize, se Måle effekten av anbefalinger.
Om forfatterne
Cristian Marquez er en Senior Cloud Application Architect. Han har lang erfaring med å designe, bygge og levere programvare på bedriftsnivå, høybelastning og distribuerte systemer og skybaserte applikasjoner. Han har erfaring med programmeringsspråk for backend og frontend, samt systemdesign og implementering av DevOps-praksis. Han hjelper aktivt kunder med å bygge og sikre innovative skyløsninger, løse deres forretningsproblemer og oppnå forretningsmålene deres.
Anand Komandooru er Senior Cloud Architect hos AWS. Han begynte i AWS Professional Services-organisasjonen i 2021 og hjelper kunder med å bygge skybaserte applikasjoner på AWS-skyen. Han har over 20 års erfaring med å bygge programvare, og hans favoritt Amazon-lederskapsprinsipp er "Ledere har mye rett."
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/implement-real-time-personalized-recommendations-using-amazon-personalize/
- : har
- :er
- :hvor
- $OPP
- 1
- 100
- 11
- 150
- 16
- 17
- 20
- 20 år
- 200
- 2021
- 24
- 49
- 7
- 8
- a
- Om oss
- akselererer
- Ifølge
- Logg inn
- oppnå
- handlings
- aktivt
- aktivitet
- Etter
- en gang til
- algoritmer
- justere
- Alle
- tillate
- tillater
- også
- Selv
- Amazon
- Amazon Kinesis
- Amazon Tilpasse
- Amazon Web Services
- blant
- an
- og
- api
- APIer
- Søknad
- søknader
- tilnærming
- hensiktsmessig
- arkitektur
- ER
- AS
- tildelt
- bistår
- assosiert
- foreninger
- At
- forsøk
- automatisk
- unngå
- AWS
- AWS profesjonelle tjenester
- Backend
- basert
- grunnleggende
- BE
- vært
- før du
- mellom
- Bootstrap
- både
- merke
- brakte
- bygge
- Bygning
- virksomhet
- bedrifter
- men
- by
- ring
- som heter
- Samtaler
- Kampanje
- CAN
- Kapasitet
- saken
- endret
- avgifter
- Velg
- ren
- klikk
- tett
- Cloud
- Collective
- Kolonne
- kombinasjon
- forpliktelser
- komponert
- omfattende
- bekreftelse
- Følgelig
- Vurder
- Konsoll
- kontekst
- tilsvarer
- skape
- opprettet
- skaperverket
- Gjeldende
- kunde
- kundeopplevelse
- Kunder
- tilpasset
- dato
- Dataklargjøring
- Database
- levere
- demonstrere
- utplassere
- Distribueres
- Derive
- utforming
- utforme
- desktop
- bestemmes
- utviklere
- Utvikling
- forskjellig
- digitalt
- Digital Transformation
- dirigerer
- distribueres
- distribuerte systemer
- do
- Drama
- enklere
- element
- Hev
- emalje
- E-post markedsføring
- muliggjør
- slutt
- engasjert
- Motor
- forbedret
- bedriftsnivå
- Hele
- Miljø
- epoke
- Event
- hendelser
- eksempel
- henrettet
- eksisterende
- erfaring
- ekspertise
- utsatt
- Favoritt
- Egenskaper
- avgifter
- Finn
- etter
- følger
- Til
- format
- funnet
- fersk
- fra
- Frontend
- gateway
- generere
- genererer
- genererer
- genre
- få
- gitt
- Mål
- Gruppe
- Grow
- Ha
- he
- hjelpe
- hjelper
- Høy
- hans
- historisk
- Hosting
- Hvordan
- Hvordan
- HTML
- HTTPS
- ID
- identifisering
- ids
- if
- illustrerer
- Påvirkning
- iverksette
- gjennomføring
- implementert
- importere
- importere
- forbedrer
- in
- Inkludert
- informasjon
- Infrastruktur
- innovative
- innsikt
- integrere
- integrert
- interaksjon
- interaksjoner
- Interface
- inn
- IT
- varer
- DET ER
- ble med
- jpg
- holder
- Kinesis datastrømmer
- språk
- Ledelse
- LÆRE
- læring
- lærer
- Nivå
- i likhet med
- linje
- laste
- Lot
- Lojalitet
- maskin
- maskinlæring
- laget
- gjøre
- Making
- forvalter
- Marketing
- matchende
- måle
- Meny
- melding
- minimum
- ML
- modell
- modeller
- mer
- mest
- film
- Filmer
- flere
- må
- navn
- innfødt
- Nær
- nødvendig
- Trenger
- behov
- Ny
- Nei.
- nå
- Antall
- tall
- innhentet
- of
- on
- ONE
- bare
- optimalisere
- or
- organisasjon
- ut
- Utfallet
- enn
- egen
- parameter
- parametere
- Spesielt
- Past
- Betale
- personlig
- Tilpassing
- tilpasse
- Personlig
- rørledning
- plato
- Platon Data Intelligence
- PlatonData
- Point
- besitter
- Post
- praksis
- Spådommer
- preferanser
- forberedelse
- Forbered
- forutsetninger
- presentere
- presentert
- forrige
- primært
- prinsipp
- problemer
- prosessering
- Produksjon
- profesjonell
- Programmering
- programmerings språk
- prosjekt
- forutsatt
- kvalitet
- raskt
- område
- klar
- sanntids
- motta
- mottar
- nylig
- .
- Anbefaling
- anbefalinger
- anbefaler
- rekord
- referere
- referanse
- refererer
- relevans
- Repository
- representere
- representerer
- anmode
- svar
- resultere
- Resultater
- inntekter
- ikke sant
- samme
- Resultat
- sikre
- send
- sending
- senior
- sendt
- tjeneste
- Tjenester
- sett
- bør
- Vis
- viste
- Viser
- lignende
- Enkelt
- enkelt
- Software
- løsning
- Solutions
- løse
- stable
- Begynn
- startet
- Trinn
- Steps
- lagring
- bekker
- vellykket
- slik
- foreslår
- sikker
- system
- Systemer
- Teknologi
- Det
- De
- deres
- deretter
- Disse
- de
- denne
- Gjennom
- tid
- tidsstempel
- til
- verktøy
- topp
- top 5
- Tog
- trent
- Kurs
- Transaksjonen
- Transformation
- typen
- typer
- unødvendig
- oppdatert
- Opplasting
- bruke
- bruk sak
- Bruker
- Brukere
- ved hjelp av
- VALIDERE
- Verdier
- enorme
- versjon
- versjoner
- gå
- var
- Se
- we
- web
- webtjenester
- nettsteder
- VI VIL
- var
- Hva
- når
- hvilken
- hvem sin
- hvorfor
- vil
- med
- uten
- skrev
- år
- Du
- Din
- zephyrnet
- null