Ten post został napisany wspólnie z Davem Gowelem, dyrektorem generalnym RallyPoint. Jego własnymi słowami "Punkt Zborny to internetowa sieć społecznościowa i zawodowa dla weteranów, członków służby, członków rodzin, opiekunów i innych cywilnych zwolenników sił zbrojnych USA. Dzięki dwóm milionom członków na platformie firma zapewnia wygodne miejsce dla tej zasłużonej populacji do łączenia się ze sobą oraz programy zaprojektowane w celu ich wspierania".
Wszyscy ci, którzy służą – i ci, którzy ich wspierają – często stają przed różnymi wyzwaniami związanymi z zatrudnieniem, gdy żołnierz wraca do życia cywilnego. RallyPoint określił okres przejściowy do kariery cywilnej jako główną szansę na poprawę jakości życia tej populacji poprzez tworzenie zautomatyzowanych i atrakcyjnych rekomendacji pracy. Jednak w przeszłości zespół stosował metodę selekcji opartą na regułach, aby polecać oferty pracy w całym doświadczeniu użytkownika, co nie pozwala członkom na otrzymywanie rekomendacji ofert pracy spersonalizowanych pod kątem ich indywidualnego doświadczenia, wiedzy i zainteresowań.
„Aby poprawić to doświadczenie dla swoich członków, w RallyPoint chcieliśmy zbadać, w jaki sposób uczenie maszynowe (ML) może pomóc. Nie chcemy, aby nasi żołnierze, weterani i ich bliscy tracili czas na poszukiwanie satysfakcjonującej cywilnej ścieżki kariery, kiedy decydują się na odejście z wojska. To powinien być łatwy proces. Chcemy, aby nasi członkowie opowiedzieli nam o swoich doświadczeniach wojskowych, wszelkich szkołach, do których uczęszczali, oraz o swoich osobistych preferencjach. Następnie, wykorzystując to, co wiemy od milionów naszych wojskowych i weteranów, odpowiednie otwarte oferty pracy powinny być łatwo ujawniane zamiast pracochłonnego wyszukiwania. Oczekuje się również, że ta bezpłatna usługa dla naszych członków zwiększy przychody o co najmniej siedem cyfr od pracodawców poszukujących odpowiednich talentów wojskowych i weteranów, co pozwoli nam zbudować więcej bezpłatnych możliwości dla naszych członków”.
Ten wpis na blogu podsumowuje, w jaki sposób Laboratorium rozwiązań Amazon Machine Learning (MLSL) nawiązał współpracę z RallyPoint, aby uzyskać 35% poprawę spersonalizowanych rekomendacji zawodowych i 66-krotny wzrost zasięgu, a także inne ulepszenia dla członków RallyPoint dzięki obecnej implementacji opartej na regułach.
„MLSL pomogło RallyPoint uratować i poprawić jakość życia amerykańskiej społeczności wojskowej. Mając szczęście pracować nad wieloma złożonymi i wpływowymi projektami z MLSL, aby wspierać najbardziej zasłużone populacje, RallyPoint przyspieszył wzrost wielu podstawowych wskaźników organizacyjnych w tym procesie. Wysokiego kalibru talent, kultura i koncentracja MLSL na pomaganiu nam w osiąganiu wymiernych i przekonujących wyników z inwestycji w uczenie maszynowe umożliwiły nam zmniejszenie ryzyka samobójstwa, usprawnienie zmiany kariery i przyspieszenie ważnych kontaktów dla naszych członków służby, weteranów i ich rodzin”.
W kolejnych sekcjach omówiono wyzwania biznesowe i techniczne, podejście przyjęte przez zespoły AWS i RallyPoint oraz wydajność wdrożonego rozwiązania, które wykorzystuje Amazon Personalizuj.
Amazon Personalize ułatwia programistom tworzenie aplikacji zdolnych do dostarczania szerokiego wachlarza doświadczeń personalizacyjnych, w tym rekomendacji konkretnych produktów, spersonalizowanej zmiany rankingu produktów i spersonalizowanego marketingu bezpośredniego. Amazon Personalize to w pełni zarządzana usługa ML, która wykracza poza sztywne, statyczne systemy rekomendacji oparte na regułach poprzez szkolenie, dostrajanie i wdrażanie niestandardowych modeli ML w celu dostarczania wysoce spersonalizowanych rekomendacji klientom z różnych branż, takich jak handel detaliczny, media i rozrywka.
Wyzwania biznesowe i techniczne
Wiele wyzwań biznesowych zainspirowało to partnerstwo. Najbardziej trafny był współczynnik klikalności na 10 najlepszych polecanych ofert pracy na stronie RallyPoint. Firma RallyPoint przeanalizowała zaangażowanie użytkowników na swojej platformie i odkryła, że musi zwiększyć liczbę odpowiednich ofert pracy, które użytkownicy klikają. Chodzi o to, że im bardziej odpowiednia jest zalecana praca, tym większe jest prawdopodobieństwo, że członkowie ubiegają się o tę pracę, co prowadzi do lepszych wyników zatrudnienia.
Kolejnym wyzwaniem było zwiększenie zaangażowania członków w usługi pracy oferowane na stronie. RallyPoint oferuje ludziom możliwość „Budowania swojej marki i angażowania społeczności wojskowej, reklamowania swoich produktów i usług, prowadzenia kampanii marketingu rekrutacyjnego, publikowania ofert pracy i wyszukiwania talentów weteranów”. Po raz kolejny dostrzegli możliwość zastosowania AWS Personalize, aby pomóc większej liczbie osób przejść do życia cywilnego, i starali się poprawić liczbę konwersji typu „kliknij, aby uzyskać klienta”, co prowadzi do lepszych wyników dla bezpośrednich klientów RallyPoint.
Z technicznego punktu widzenia, podobnie jak w przypadku wielu problemów z tradycyjnymi systemami rekomendacyjnymi, rzadkie dane i długi ogon były wyzwaniem do pokonania. Próbka zdezidentyfikowanych, już udostępnionych publicznie danych obejmowała tysiące anonimowych profili użytkowników z ponad pięćdziesięcioma punktami metadanych użytkowników, ale wiele z nich miało niespójne lub brakujące metadane/informacje o profilu. Aby temu zaradzić, zespół wykorzystał funkcję rekomendacji zimnego startu Amazon Personalize dla odpowiednich użytkowników.
Omówienie rozwiązania
Aby rozwiązać ten problem, MLSL współpracował z RallyPoint w celu zbudowania niestandardowego potoku Amazon Personalize dla RallyPoint. Niektóre z używanych usług obejmują Usługa Amazon Simple Storage (Amazonka S3), Instancje notatników Amazon SageMakeri Amazon Personalizuj. Poniższy diagram ilustruje architekturę rozwiązania.
Zanonimizowane surowe dane wykorzystane w rozwiązaniu obejmowały historię interakcji z ogłoszeniami o pracę wraz z metadanymi dotyczącymi profili użytkowników i stanowisk pracy. Zostało to zapisane w S3. Zespół MLSL wykorzystał Amazon SageMaker Notebook Instances do przygotowania danych jako danych wejściowych do Amazon Personalize. Ten krok obejmował wstępne przetwarzanie danych, inżynierię funkcji oraz tworzenie grup i schematów zestawów danych wymaganych dla Amazon Personalize. Aby uzyskać więcej informacji, patrz Tworzenie niestandardowej grupy zestawów danych.
Kolejnym krokiem było stworzenie rozwiązania w Amazon Personalize. Rozwiązanie odnosi się do kombinacji receptury Amazon Personalize, niestandardowych parametrów i jednej lub więcej wersji rozwiązania. Aby uzyskać więcej informacji, patrz Tworzenie rozwiązania. Zespół wykorzystał tzw Przepis na personalizację użytkownika do generowania rekomendacji zadań specyficznych dla użytkownika dla użytkowników w zbiorze walidacyjnym. Dane wyjściowe Amazon Personalize, w tym zalecenia dotyczące pracy i wskaźniki wydajności, są przechowywane w zasobniku Amazon S3 do dalszej analizy.
W ostatnim kroku zespół wykorzystał instancję notatnika do przygotowania zaleceń wyjściowych do zewnętrznej oceny przez adnotatorów, jak opisano w Korzystanie z ekspertów domeny
Ocena wyników Amazon Personalize
Wydajność wersji rozwiązania Amazon Personalize można ocenić za pomocą metryki offline, wskaźniki online, Testy A / B. Metryki offline umożliwiają przeglądanie efektów modyfikacji hiperparametrów i algorytmów używanych do uczenia modeli, obliczonych na podstawie danych historycznych. Metryki online to empiryczne wyniki obserwowane w interakcjach użytkownika z rekomendacjami dostarczanymi w czasie rzeczywistym w rzeczywistym środowisku (np. współczynnik klikalności). Testy A/B to internetowa metoda porównywania wydajności wielu wersji rozwiązania z rozwiązaniem domyślnym. Użytkownicy są losowo przydzielani do grupy kontrolnej (domyślnej) lub jednej z grup terapeutycznych (testowych). Użytkownicy grupy kontrolnej otrzymują rekomendacje z rozwiązania domyślnego (bazowego), podczas gdy każda z grup terapeutycznych wchodzi w interakcję z inną wersją rozwiązania. Statystyczne testy istotności służą do porównywania metryk wydajności (takich jak współczynnik klikalności lub opóźnienie) i metryk biznesowych (takich jak przychody) z rozwiązaniem domyślnym.
Amazon Personalize mierzy metryki offline podczas szkolenia wersji rozwiązania. Zespół wykorzystał metryki offline, takie jak Mean Reciprocal Rank (MRR), znormalizowany zdyskontowany skumulowany zysk (NCDG@k), Precision@k i zasięg. Aby zapoznać się z definicjami wszystkich dostępnych metryk offline, zobacz Definicje metryczne.
Chociaż Amazon Personalize zapewnia obszerną listę metryk offline, których zespół może użyć do obiektywnego pomiaru wydajności rozwiązań podczas szkolenia, zaleca się metryki online i testy A/B do śledzenia i weryfikowania wydajności modelu. Jedynym zastrzeżeniem tych testów jest to, że wymagają one od użytkowników interakcji z rekomendacjami Amazon Personalize w czasie rzeczywistym. Ponieważ model RallyPoint Amazon Personalize nie został wdrożony przed tą publikacją, zespół nie dysponował wynikami tych testów.
Korzystanie z ekspertów domeny
Testy A/B są preferowaną metodą analizy jakości systemu rekomendacji, jednak wykorzystanie ekspertów dziedzinowych do opisywania rekomendacji jest realnym prekursorem. Ponieważ testowanie online nie wchodziło w grę, aby przetestować solidność zaleceń, zespół poprosił ekspertów z RallyPoint o adnotacje do zaleceń generowanych przez modele i policzenie liczby stanowisk, które eksperci zgodzili się polecić (biorąc pod uwagę informacje użytkownika i wskazane preferencje) jako liczba „właściwych” rekomendacji. Ta metryka została użyta do porównania wersji rozwiązania. A popularne rozwiązanie (obecne kryteria oparte na regułach) został użyty jako punkt odniesienia, który polegał na zarekomendowaniu każdemu użytkownikowi pięciu najpopularniejszych stanowisk pracy. Ponadto zastosowano rozwiązanie z ustawieniami domyślnymi jako kolejny model bazowy tzw Podstawowe rozwiązanie Amazon Personalizuj.
Efekt
Użycie modelu o najwyższej wydajności zaowocowało 35% poprawą liczby „poprawnych” rekomendacji w stosunku do podstawowego rozwiązania Amazon Personalize i 54% poprawą w stosunku do rozwiązania popularnego. Zespół mógł również osiągnąć 66-krotną poprawę zasięgu, 30-krotną poprawę MRR i 2-krotną poprawę precyzji @ 10 w porównaniu z rozwiązaniem popularnym. Oprócz rozwiązania zwiększającego popularność, zespół zaobserwował nawet dwukrotny wzrost MRR i precyzji@2 w porównaniu z podstawowym rozwiązaniem Amazon Personalize.
Podsumowanie
Firma RallyPoint dostrzegła możliwość lepszej obsługi klientów dzięki bardziej spersonalizowanym rekomendacjom dotyczącym kariery. Rozpoczęli swoją podróż w zakresie personalizacji użytkowników z myślą o obsesji klientów, współpracując z Machine Learning Solutions Lab. Dzięki temu rozwiązaniu RallyPoint ma teraz możliwość przekazywania swoim użytkownikom bardziej wartościowych rekomendacji zawodowych. Włączenie tego ulepszonego systemu rekomendacji do ich strony internetowej spowoduje, że użytkownicy RallyPoint zobaczą bardziej odpowiednie oferty pracy w swoim kanale kariery, ułatwiając drogę do bardziej satysfakcjonujących karier i poprawiając jakość życia ich członków.
Zastosowanie Amazon Personalizuj aby zapewnić użytkownikom zindywidualizowaną obsługę już dziś! Jeśli chcesz współpracować z ekspertami w celu wprowadzenia rozwiązań uczenia maszynowego do swojej organizacji, skontaktuj się z Laboratorium rozwiązań Amazon ML.
Dodatkowe zasoby
Aby uzyskać więcej informacji na temat personalizacji Amazon, zapoznaj się z następującymi artykułami:
O autorach
Dave'a Gowela jest weteranem armii i dyrektorem generalnym RallyPoint. Dave jest absolwentem West Point i US Army Ranger School, służył w Iraku jako dowódca plutonu czołgów i wykładał jako adiunkt w programie ROTC Massachusetts Institute of Technology. RallyPoint to trzecia firma technologiczna, której dyrektorem generalnym jest Dave.
Mateusz Rodos jest Data Scientist pracującym w Laboratorium rozwiązań Amazon ML. Specjalizuje się w budowaniu potoków uczenia maszynowego, które obejmują pojęcia takie jak przetwarzanie języka naturalnego i widzenie komputerowe.
Amina Tajgardona jest naukowcem stosowanym w Laboratorium rozwiązań Amazon ML. Ma rozległe doświadczenie w dziedzinie informatyki i uczenia maszynowego. W szczególności Amin skupił się na głębokim uczeniu się i prognozowaniu, metodach wyjaśniania prognoz, wykrywaniu dryfu modeli, probabilistycznych modelach generatywnych i zastosowaniach sztucznej inteligencji w dziedzinie opieki zdrowotnej.
Yash Shah jest kierownikiem naukowym w Laboratorium rozwiązań Amazon ML. Wraz ze swoim zespołem naukowców stosowanych i inżynierów zajmujących się uczeniem maszynowym pracuje nad różnymi przypadkami użycia uczenia maszynowego w służbie zdrowia, sporcie, motoryzacji i produkcji.
Wamszi Kryszna Enabotala jest starszym architektem specjalizującym się w sztucznej inteligencji w AWS. Współpracuje z klientami z różnych sektorów, aby przyspieszyć inicjatywy dotyczące danych, analiz i uczenia maszynowego o dużym wpływie. Pasjonuje się systemami rekomendacji, NLP oraz obszarami widzenia komputerowego w AI i ML. Poza pracą Vamshi jest entuzjastą RC, buduje sprzęt RC (samoloty, samochody i drony), a także lubi ogrodnictwo.
Grega Tolmiego jest Account Managerem w zespole partnerów ISV z sektora publicznego AWS. Greg wspiera portfolio partnerów ISV z sektora publicznego AWS, aby pomóc im rozwijać się i dojrzewać we wdrażaniu usług AWS, jednocześnie maksymalizując korzyści płynące z sieci partnerskiej AWS.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
- Wybijanie przyszłości w Adryenn Ashley. Dostęp tutaj.
- Źródło: 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/
- :ma
- :Jest
- :nie
- $W GÓRĘ
- 10
- 100
- 35%
- 7
- a
- O nas
- przyśpieszyć
- przyśpieszony
- Konto
- Osiągać
- w poprzek
- dodatek
- Przyjęcie
- Reklamować
- przed
- AI
- Algorytmy
- Wszystkie kategorie
- Pozwalać
- wzdłuż
- już
- również
- Amazonka
- Amazon Personalizuj
- Amazon Sage Maker
- wśród
- an
- analiza
- analityka
- Analizując
- i
- Inne
- każdy
- aplikacje
- stosowany
- Zastosowana sztuczna inteligencja
- Aplikuj
- Stosowanie
- podejście
- architektura
- SĄ
- obszary
- uzbrojony
- Armia
- Szyk
- AS
- przydzielony
- Asystent
- At
- zautomatyzowane
- motoryzacyjny
- dostępny
- AWS
- z powrotem
- tło
- Baseline
- BE
- bo
- być
- rozpoczął
- Korzyści
- BEST
- Ulepsz Swój
- Poza
- Blog
- marka
- przynieść
- budować
- Budowanie
- biznes
- ale
- by
- obliczony
- nazywa
- Kampanie
- CAN
- możliwości
- zdolny
- Kariera
- kariery
- samochody
- Etui
- ceo
- wyzwanie
- wyzwania
- współpracować
- współpracował
- połączenie
- wygodny
- społeczność
- sukcesy firma
- porównać
- w porównaniu
- porównanie
- zniewalający
- kompleks
- komputer
- Computer Science
- Wizja komputerowa
- Koncepcje
- Skontaktuj się
- połączenia
- skonstruować
- skontaktuj się
- kontrola
- Konwersja
- rdzeń
- mógłby
- pokrywa
- pokrycie
- Stwórz
- Tworzenie
- Kryteria
- kultura
- kuracja
- Aktualny
- zwyczaj
- klient
- Klientów
- dostosowane
- dane
- naukowiec danych
- Dave
- zdecydować
- głęboko
- głęboka nauka
- Domyślnie
- dostarczyć
- dostarczanie
- wdrażane
- wdrażanie
- opisane
- zaprojektowany
- Wykrywanie
- deweloperzy
- różne
- kierować
- dyskontowane
- odkryty
- Nie
- domena
- nie
- napęd
- Drony
- podczas
- każdy
- z łatwością
- złagodzenie
- ruchomości
- bądź
- pracodawcy
- zatrudnienie
- włączony
- zobowiązany
- zaręczynowy
- Inżynieria
- Inżynierowie
- rozrywka
- entuzjasta
- Środowisko
- sprzęt
- oceniane
- ewaluację
- Każdy
- spodziewany
- doświadczenie
- Doświadczenia
- ekspertyza
- eksperci
- wyjaśnienie
- odkryj
- rozległy
- zewnętrzny
- Twarz
- rodzin
- członków Twojej rodziny
- członkowie rodziny
- Cecha
- Postacie
- finał
- Skupiać
- następujący
- W razie zamówieenia projektu
- Siły
- szczęśliwy
- Darmowy
- od
- w pełni
- Funkcjonalność
- dalej
- Wzrost
- Generować
- wygenerowane
- generatywny
- otrzymać
- Dać
- dany
- Goes
- absolwent
- Zarządzanie
- Grupy
- Rosnąć
- Wzrost
- Have
- he
- opieki zdrowotnej
- pomoc
- pomógł
- Wysoki
- wyższy
- wysoko
- historyczny
- historycznie
- historia
- W jaki sposób
- Jednak
- HTML
- http
- HTTPS
- człowiek
- pomysł
- zidentyfikowane
- wpływowy
- realizacja
- realizowane
- ważny
- podnieść
- ulepszony
- poprawa
- ulepszenia
- in
- zawierać
- włączony
- Włącznie z
- włączenie
- Zwiększać
- wskazany
- indywidualny
- przemysłowa
- Informacja
- inicjatywy
- wkład
- inspirowane
- przykład
- zamiast
- Instytut
- interakcji
- Interakcje
- zainteresowania
- najnowszych
- Inwestycje
- angażować
- Irak
- IT
- JEGO
- Praca
- Oferty pracy
- podróż
- jpg
- Wiedzieć
- laboratorium
- język
- Utajenie
- lider
- prowadzący
- nauka
- Pozostawiać
- wykorzystuje
- lewarowanie
- życie
- lubić
- Lista
- relacja na żywo
- Zyje
- długo
- "kochanym"
- maszyna
- uczenie maszynowe
- poważny
- WYKONUJE
- zarządzane
- kierownik
- produkcja
- wiele
- Marketing
- massachusetts
- Instytut Technologii w Massachusetts
- dojrzały
- zmierzyć
- środków
- Media
- Użytkownicy
- Metadane
- metoda
- metody
- metryczny
- Metryka
- Wojsko
- milion
- miliony
- nic
- brakujący
- ML
- model
- modele
- jeszcze
- Ponadto
- większość
- Najbardziej popularne posty
- wielokrotność
- Naturalny
- Przetwarzanie języka naturalnego
- potrzebne
- sieć
- Następny
- nlp
- notatnik
- już dziś
- numer
- z naszej
- of
- oferowany
- Oferty
- nieaktywny
- on
- ONE
- Online
- koncepcja
- Okazja
- Option
- or
- organizacja
- organizacyjny
- Inne
- ludzkiej,
- wydajność
- zewnętrzne
- koniec
- Przezwyciężać
- własny
- parametry
- szczególny
- partnerem
- sieć partnerska
- partner
- Partnerstwo
- wzmacniacz
- Współpraca
- namiętny
- ścieżka
- Ludzie
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonywania
- okres
- osobisty
- personalizacja
- personalizować
- Personalizowany
- perspektywa
- rurociąg
- Miejsce
- Platforma
- plato
- Analiza danych Platona
- PlatoDane
- punkt
- zwrotnica
- Popularny
- popularność
- populacja
- populacje
- teczka
- Pozycje
- Post
- prekursor
- przepowiednia
- preferencje
- Korzystny
- Przygotować
- Wcześniejszy
- Problem
- problemy
- wygląda tak
- przetwarzanie
- Produkt
- Produkty
- profesjonalny
- Profesor
- profile
- Program
- Programy
- projektowanie
- zapewniać
- pod warunkiem,
- dostawców
- zapewnia
- publiczny
- Publikacja
- publicznie
- jakość
- zasięg
- Kurs
- Surowy
- real
- w czasie rzeczywistym
- realizacja
- otrzymać
- Przepis
- uznane
- polecić
- Rekomendacja
- zalecenia
- Zalecana
- polecający
- rekrutacja
- zmniejszyć
- odnosi
- raport
- wymagać
- wymagany
- dalsze
- Efekt
- detaliczny
- dochód
- sztywny
- Ryzyko
- krzepkość
- run
- sagemaker
- Zapisz
- Szkoła
- Szkoły
- nauka
- Naukowiec
- Naukowcy
- Szukaj
- poszukiwania
- Sekcja
- działy
- sektor
- Sektory
- widzenie
- poszukuje
- służyć
- usługa
- usługodawcy
- Usługi
- zestaw
- w panelu ustawień
- siedem
- shared
- powinien
- znaczenie
- Prosty
- ponieważ
- witryna internetowa
- Obserwuj Nas
- rozwiązanie
- Rozwiązania
- ROZWIĄZANIA
- kilka
- specjalista
- specjalizuje się
- specyficzny
- prędkość
- SPORTOWE
- początek
- statystyczny
- Ewolucja krok po kroku
- przechowywanie
- przechowywany
- taki
- wsparcie
- Kibice
- podpory
- system
- systemy
- Talent
- zbiornik
- zespół
- Zespoły
- Techniczny
- Technologia
- powiedzieć
- test
- Testowanie
- Testy
- niż
- że
- Połączenia
- ich
- Im
- Te
- one
- Trzeci
- to
- tych
- tysiące
- Przez
- poprzez
- czas
- do
- Top
- Top 10
- śledzić
- tradycyjny
- Pociąg
- Trening
- przejście
- przejścia
- leczenie
- us
- nasza armia
- Amerykańskie wojsko
- posługiwać się
- używany
- Użytkownik
- Doświadczenie użytkownika
- Użytkownicy
- za pomocą
- UPRAWOMOCNIĆ
- uprawomocnienie
- Cenny
- różnorodność
- wersja
- weteran
- Veterans
- wykonalne
- Zobacz i wysłuchaj
- wizja
- poszukiwany
- była
- Marnotrawstwo
- we
- Strona internetowa
- Zachód
- Co
- który
- Podczas
- KIM
- szeroki
- będzie
- w
- w ciągu
- słowa
- Praca
- pracujący
- działa
- You
- Twój
- zefirnet