Em um nível básico, a tecnologia de aprendizado de máquina (ML) aprende com os dados para fazer previsões. As empresas usam seus dados com um serviço de personalização baseado em ML para elevar a experiência do cliente. Essa abordagem permite que as empresas usem dados para obter insights acionáveis e ajudar a aumentar sua receita e fidelidade à marca.
Amazon Customize acelera sua transformação digital com ML, facilitando a integração de recomendações personalizadas em sites, aplicativos, sistemas de marketing por e-mail existentes e muito mais. O Amazon Personalize permite que os desenvolvedores implementem rapidamente um mecanismo de personalização personalizado, sem exigir experiência em ML. O Amazon Personalize provisiona a infraestrutura necessária e gerencia todo o pipeline de machine learning (ML), incluindo o processamento dos dados, a identificação de recursos, o uso dos algoritmos mais apropriados e o treinamento, a otimização e a hospedagem dos modelos. Você recebe resultados por meio de uma API e paga apenas pelo que usa, sem taxas mínimas ou compromissos iniciais.
O posto Arquitetura de recomendações personalizadas quase em tempo real com o Amazon Personalize mostra como arquitetar recomendações personalizadas quase em tempo real usando o Amazon Personalize e Serviços de dados específicos da AWS. Nesta postagem, orientamos você em uma implementação de referência de um sistema de recomendação personalizado em tempo real usando o Amazon Personalize.
Visão geral da solução
A solução de recomendações personalizadas em tempo real é implementada usando Amazon Customize, Serviço de armazenamento simples da Amazon (Amazon S3), Fluxos de dados do Amazon Kinesis, AWS Lambda e Gateway de API da Amazon.
A arquitetura é implementada da seguinte forma:
- Preparação de dados - Começar por criando um grupo de conjuntos de dados, esquemas e conjuntos de dados representando seus itens, interações e dados do usuário.
- Treine o modelo – Após importar seus dados, selecione a receita que corresponde ao seu caso de uso e, em seguida, criar uma solução treinar um modelo por criando uma versão da solução. Quando a versão da sua solução estiver pronta, você poderá criar uma campanha para ela.
- Obtenha recomendações quase em tempo real – Quando você tem uma campanha, você pode integrar chamadas à campanha em seu aplicativo. É aqui que as chamadas para o Obter recomendações or Obter classificação personalizada As APIs são feitas para solicitar recomendações quase em tempo real do Amazon Personalize.
Para mais informações, consulte Arquitetura de recomendações personalizadas quase em tempo real com o Amazon Personalize.
O diagrama a seguir ilustra a arquitetura da solução.
Implementação
Demonstramos essa implementação com um caso de uso sobre como fazer recomendações de filmes em tempo real para um usuário final com base em suas interações com o banco de dados de filmes ao longo do tempo.
A solução é implementada seguindo as seguintes etapas:
- Pré-requisito (preparação de dados)
- Configure seu ambiente de desenvolvimento
- Implante a solução
- Crie uma versão da solução
- Crie uma campanha
- Crie um rastreador de eventos
- Receba recomendações
- Ingerir interações em tempo real
- Valide recomendações em tempo real
- Limpar
Pré-requisitos
Antes de começar, verifique se você tem os seguintes pré-requisitos:
- Prepare seus dados de treinamento – Preparar e fazer upload dos dados para um bucket S3 usando o instruções. Para este caso de uso específico, você fará upload de dados de interações e dados de itens. Uma interação é um evento que você registra e depois importa como dados de treinamento. O Amazon Personalize gera recomendações com base principalmente nos dados de interações importados para um conjunto de dados de interações. Você pode gravar vários tipos de eventos, como clicar, assistir ou curtir. Embora o modelo criado pelo Amazon Personalize possa sugerir com base nas interações anteriores de um usuário, a qualidade dessas sugestões pode ser melhorada quando o modelo possui dados sobre as associações entre usuários ou itens. Se um usuário se envolveu com filmes categorizados como Drama no conjunto de dados do item, o Amazon Personalize sugerirá filmes (itens) do mesmo gênero.
- Configure seu ambiente de desenvolvimento - Instale a interface de linha de comando da AWS (AWS CLI).
- Configure CLI com sua conta Amazon - Configurar a AWS CLI com as informações da sua conta da AWS.
- Instalar e inicializar o AWS Cloud Development Kit (AWS CDK)
Implante a solução
Para implantar a solução, faça o seguinte:
- clone o repositório para uma nova pasta em sua área de trabalho.
- Implantação a pilha para seu ambiente AWS.
Crie uma versão da solução
Uma solução refere-se à combinação de uma receita do Amazon Personalize, parâmetros personalizados e uma ou mais versões de solução (modelos treinados). Ao implantar o projeto CDK na etapa anterior, uma solução com uma receita de personalização do usuário é criada automaticamente para você. Uma versão da solução refere-se a um modelo de aprendizado de máquina treinado. Criar uma versão da solução para a implementação.
Crie uma campanha
Uma campanha implanta uma versão de solução (modelo treinado) com capacidade de transação provisionada para gerar recomendações em tempo real. Criar uma campanha para a implementação.
Crie um rastreador de eventos
O Amazon Personalize pode fazer recomendações com base apenas em dados de eventos em tempo real, apenas em dados históricos de eventos ou em ambos. Registre eventos em tempo real para criar seus dados de interações e permitir que o Amazon Personalize aprenda com as atividades mais recentes do usuário. Isso mantém seus dados atualizados e melhora a relevância das recomendações do Amazon Personalize. Antes de poder registrar eventos, você deve criar um rastreador de eventos. Um rastreador de eventos direciona novos dados de eventos para o conjunto de dados Interações em seu grupo de conjuntos de dados. Criar e rastreador de eventos para a implementação.
Receba recomendações
Neste caso de uso, o conjunto de dados de interação é composto por IDs de filmes. Consequentemente, as recomendações apresentadas ao usuário consistirão em IDs de filmes que mais se alinham com suas preferências pessoais, determinadas a partir de seu histórico de interações. Você pode usar o getRecommendations
API para recuperar recomendações personalizadas para um usuário, enviando seus associados userID
, o número de resultados de recomendações necessárias para o usuário, bem como o ARN da campanha. Você pode encontrar o ARN da campanha no menu do console Amazon Personalize.
Por exemplo, a solicitação a seguir recuperará 5 recomendações para o usuário cujo userId
é 429:
A resposta da solicitação será:
Os itens retornados pela chamada de API são os filmes que o Amazon Personalize recomenda ao usuário com base no histórico de interações.
Os valores de pontuação fornecidos neste contexto representam números de ponto flutuante que variam entre zero e 1.0. Esses valores correspondem à campanha atual e às receitas associadas para este caso de uso. Eles são determinados com base nas pontuações coletivas atribuídas a todos os itens presentes no seu conjunto de dados abrangente.
Ingerir interações em tempo real
No exemplo anterior, foram obtidas recomendações para o usuário com ID 429 com base em suas interações históricas com o banco de dados de filmes. Para recomendações em tempo real, as interações do usuário com os itens devem ser ingeridas no Amazon Personalize em tempo real. Essas interações são inseridas no sistema de recomendação por meio do Amazon Personalize Rastreador de Eventos. O tipo de interação, também chamado EventType
, é dado pela coluna de mesmo nome no conjunto de dados de interação (EVENT_TYPE
). Neste exemplo os eventos podem ser do tipo “watch” ou “click”, mas você pode ter seus próprios tipos de eventos de acordo com a necessidade da sua aplicação.
Neste exemplo, a API exposta que gera os eventos dos usuários com os itens recebe o parâmetro “interactions” que corresponde ao número de eventos (interactions
) de um usuário (UserId
) com um único elemento (itemId
) agora mesmo. O trackingId
O parâmetro pode ser encontrado no console do Amazon Personalize e na resposta da criação da solicitação do Event Tracker.
Este exemplo mostra um putEvent
solicitação: Gere 1 interação do tipo clique, com um ID de item '185' para o ID de usuário '429', usando o carimbo de data/hora atual. Observe que na produção, o ‘sentAt’ deve ser definido para o horário da interação do usuário. No exemplo a seguir, definimos isso para o momento no formato de época em que escrevemos a solicitação de API para esta postagem. Os eventos são enviados ao Amazon Kinesis Data Streams por meio de um API Gateway e é por isso que você precisa enviar os parâmetros stream-name e PartitionKey.
Você receberá uma resposta de confirmação semelhante a esta:
Valide recomendações em tempo real
Como o conjunto de dados de interação foi atualizado, as recomendações serão atualizadas automaticamente para considerar as novas interações. Para validar as recomendações atualizadas em tempo real, você pode chamar novamente a API getRecommendations para o mesmo ID de usuário 429, e o resultado deverá ser diferente do anterior. Os resultados a seguir mostram uma nova recomendação com id 594 e as recomendações com id's 16, 596, 153 e 261 mudaram suas pontuações. Esses itens trouxeram o novo gênero de filme ('Animação | Infantil | Drama | Fantasia | Musical') entre as 5 principais recomendações.
Pedido:
Resposta:
A resposta mostra que a recomendação fornecida pelo Amazon Personalize foi atualizada em tempo real.
limpar
Para evitar cobranças desnecessárias, limpe a implementação da solução usando Limpando recursos.
Conclusão
Nesta postagem, mostramos como implementar um sistema de recomendações personalizadas em tempo real usando Amazon Personalize. As interações com o Amazon Personalize para ingerir interações em tempo real e obter recomendações foram executadas por meio de uma ferramenta de linha de comando chamada curl, mas essas chamadas de API podem ser integradas a um aplicativo de negócios e obter o mesmo resultado.
Para escolher uma nova receita para seu caso de uso, consulte Personalização em tempo real. Para medir o impacto das recomendações feitas pelo Amazon Personalize, consulte Medindo o impacto das recomendações.
Sobre os autores
Cristian Márquez é arquiteto sênior de aplicativos em nuvem. Ele tem vasta experiência em projetar, construir e fornecer software de nível empresarial, sistemas distribuídos e de alta carga e aplicativos nativos da nuvem. Possui experiência em linguagens de programação backend e frontend, bem como design de sistemas e implementação de práticas DevOps. Ele auxilia ativamente os clientes a criar e proteger soluções inovadoras em nuvem, resolvendo seus problemas de negócios e alcançando seus objetivos de negócios.
Anand Komandooru é arquiteto de nuvem sênior na AWS. Ele ingressou na organização AWS Professional Services em 2021 e ajuda os clientes a criar aplicativos nativos da nuvem na nuvem AWS. Ele tem mais de 20 anos de experiência na criação de software e seu princípio de liderança favorito na Amazon é “Os líderes estão muito certos."
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/implement-real-time-personalized-recommendations-using-amazon-personalize/
- :tem
- :é
- :onde
- $UP
- 1
- 100
- 11
- 150
- 16
- 17
- 20
- 20 anos
- 200
- 2021
- 24
- 49
- 7
- 8
- a
- Sobre
- acelera
- Segundo
- Conta
- alcançar
- acionável
- ativamente
- atividade
- Depois de
- novamente
- algoritmos
- alinhar
- Todos os Produtos
- permitir
- permite
- tb
- Apesar
- Amazon
- Amazon Kinesis
- Amazon Customize
- Amazon Web Services
- entre
- an
- e
- api
- APIs
- Aplicação
- aplicações
- abordagem
- apropriado
- arquitetura
- SOMOS
- AS
- atribuído
- ajuda
- associado
- associações
- At
- Tentativas
- automaticamente
- evitar
- AWS
- Serviços Profissionais AWS
- Backend
- baseado
- basic
- BE
- sido
- antes
- entre
- Bootstrap
- ambos
- interesse?
- Trazido
- construir
- Prédio
- negócio
- negócios
- mas a
- by
- chamada
- chamado
- chamadas
- Campanha
- CAN
- Capacidade
- casas
- mudado
- acusações
- Escolha
- limpar
- clique
- de perto
- Na nuvem
- Collective
- Coluna
- combinação
- compromissos
- composta
- compreensivo
- confirmação
- Consequentemente
- Considerar
- cônsul
- contexto
- corresponde
- crio
- criado
- criação
- Atual
- cliente
- experiência do cliente
- Clientes
- personalizado
- dados,
- Preparação de dados
- banco de dados
- entregando
- demonstrar
- implantar
- implanta
- derivar
- Design
- concepção
- área de trabalho
- determinado
- desenvolvedores
- Desenvolvimento
- diferente
- digital
- Transformação Digital
- direciona
- distribuído
- Sistemas distribuídos
- do
- Drama
- mais fácil
- elemento
- ELEVATE
- E-mail Marketing
- permite
- final
- contratado
- Motor
- aprimorada
- no âmbito da empresa
- Todo
- Meio Ambiente
- época
- Evento
- eventos
- exemplo
- executado
- existente
- vasta experiência
- experiência
- exposto
- Favorito
- Funcionalidades
- Taxas
- Encontre
- seguinte
- segue
- Escolha
- formato
- encontrado
- recentes
- da
- Frontend
- porta de entrada
- gerar
- gera
- gerando
- genre
- ter
- dado
- Objetivos
- Grupo
- Cresça:
- Ter
- he
- ajudar
- ajuda
- Alta
- sua
- histórico
- hospedagem
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTML
- HTTPS
- ID
- identificar
- ids
- if
- ilustra
- Impacto
- executar
- implementação
- implementado
- importar
- importador
- melhora
- in
- Incluindo
- INFORMAÇÕES
- Infraestrutura
- inovadores
- insights
- integrar
- integrado
- interação
- interações
- Interface
- para dentro
- IT
- Unid
- ESTÁ
- ingressou
- jpg
- mantém
- Streams de dados Kinesis
- Idiomas
- Liderança
- APRENDER
- aprendizagem
- aprende
- Nível
- como
- Line
- carregar
- lote
- Lealdade
- máquina
- aprendizado de máquina
- moldadas
- fazer
- Fazendo
- gestão
- Marketing
- correspondente
- a medida
- Menu
- mensagem
- mínimo
- ML
- modelo
- modelos
- mais
- a maioria
- filme
- Filmes
- múltiplo
- devo
- nome
- nativo
- Perto
- necessário
- você merece...
- Cria
- Novo
- não
- agora
- número
- números
- obtido
- of
- on
- ONE
- só
- otimizando
- or
- organização
- Fora
- Resultado
- Acima de
- próprio
- parâmetro
- parâmetros
- particular
- passado
- Pagar
- pessoal
- Personalização
- Personalizar
- Personalizado
- oleoduto
- platão
- Inteligência de Dados Platão
- PlatãoData
- ponto
- possui
- Publique
- práticas
- Previsões
- preferências
- preparação
- Preparar
- pré-requisitos
- presente
- apresentado
- anterior
- principalmente
- princípio
- problemas
- em processamento
- Produção
- profissional
- Programação
- linguagens de programação
- projeto
- fornecido
- qualidade
- rapidamente
- alcance
- pronto
- em tempo real
- receber
- recebe
- recentemente
- receita
- Recomendação
- recomendações
- recomenda
- registro
- referir
- referência
- refere-se
- relevância
- repositório
- representar
- representando
- solicitar
- resposta
- resultar
- Resultados
- receita
- certo
- mesmo
- Ponto
- seguro
- enviar
- envio
- senior
- enviei
- serviço
- Serviços
- conjunto
- rede de apoio social
- mostrar
- mostrou
- Shows
- semelhante
- simples
- solteiro
- Software
- solução
- Soluções
- Resolvendo
- pilha
- começo
- começado
- Passo
- Passos
- armazenamento
- córregos
- entraram com sucesso
- tal
- sugerir
- certo
- .
- sistemas
- Tecnologia
- que
- A
- deles
- então
- Este
- deles
- isto
- Através da
- tempo
- timestamp
- para
- ferramenta
- topo
- 5 topo
- Trem
- treinado
- Training
- transação
- Transformação
- tipo
- tipos
- desnecessário
- Atualizada
- Upload
- usar
- caso de uso
- Utilizador
- usuários
- utilização
- VALIDAR
- Valores
- Grande
- versão
- versões
- andar
- foi
- Assistir
- we
- web
- serviços web
- sites
- BEM
- foram
- O Quê
- quando
- qual
- de quem
- porque
- precisarão
- de
- sem
- escreveu
- anos
- Vocês
- investimentos
- zefirnet
- zero