La un nivel de bază, tehnologia Machine Learning (ML) învață din date pentru a face predicții. Companiile își folosesc datele cu un serviciu de personalizare bazat pe ML pentru a-și îmbunătăți experiența clienților. Această abordare permite companiilor să folosească datele pentru a obține informații utile și pentru a le ajuta să-și crească veniturile și loialitatea față de brand.
Personalizați Amazon accelerează transformarea dvs. digitală cu ML, facilitând integrarea recomandărilor personalizate în site-uri web, aplicații, sisteme de marketing prin e-mail și altele existente. Amazon Personalize le permite dezvoltatorilor să implementeze rapid un motor de personalizare personalizat, fără a necesita experiență ML. Amazon Personalize furnizează infrastructura necesară și gestionează întreaga conductă de învățare automată (ML), inclusiv procesarea datelor, identificarea funcțiilor, utilizarea celor mai adecvați algoritmi și instruirea, optimizarea și găzduirea modelelor. Primești rezultate printr-un API și plătești doar pentru ceea ce folosești, fără taxe minime sau angajamente în avans.
Mesaj Arhitectarea recomandărilor personalizate aproape în timp real cu Amazon Personalize arată cum să creați recomandări personalizate aproape în timp real folosind Amazon Personalize și Servicii de date AWS create special. În această postare, vă prezentăm o implementare de referință a unui sistem de recomandare personalizat în timp real folosind Amazon Personalize.
Prezentare generală a soluțiilor
Soluția de recomandări personalizate în timp real este implementată folosind Personalizați Amazon, Serviciul Amazon de stocare simplă (Amazon S3), Fluxuri de date Amazon Kinesis, AWS Lambdas, și Gateway API Amazon.
Arhitectura este implementată după cum urmează:
- Pregătirea datelor — Începe prin crearea unui grup de set de date, scheme și seturi de date reprezentând articolele dvs., interacțiunile și datele utilizatorului.
- Antrenează modelul – După importarea datelor, selectați rețeta care se potrivește cu cazul dvs. de utilizare, apoi creează o soluție a antrena un model prin crearea unei versiuni de soluție. Când versiunea soluției este gata, puteți crea o campanie pentru versiunea soluției.
- Obțineți recomandări aproape în timp real – Când aveți o campanie, puteți integra apeluri în campanie în aplicația dvs. Aici apelurile către Obținerecomandări or GetPersonalizedRanking API-urile sunt create pentru a solicita recomandări aproape în timp real de la Amazon Personalize.
Pentru mai multe informații, consultați Arhitectarea recomandărilor personalizate aproape în timp real cu Amazon Personalize.
Următoarea diagramă ilustrează arhitectura soluției.
Punerea în aplicare
Demonstrăm această implementare cu un caz de utilizare despre a face recomandări de filme în timp real unui utilizator final pe baza interacțiunilor sale cu baza de date de filme de-a lungul timpului.
Soluția este implementată folosind următorii pași:
- Condiție preliminară (Pregătirea datelor)
- Configurați-vă mediul de dezvoltare
- Implementați soluția
- Creați o versiune de soluție
- Creați o campanie
- Creați un instrument de urmărire a evenimentelor
- Obțineți recomandări
- Ingerați interacțiuni în timp real
- Validați recomandările în timp real
- A curăța
Cerințe preliminare
Înainte de a începe, asigurați-vă că aveți următoarele cerințe preliminare:
- Pregătiți-vă datele de antrenament – Pregătiți și încărcați datele într-o găleată S3 folosind instrucțiuni. Pentru acest caz particular de utilizare, veți încărca date despre interacțiuni și date despre articole. O interacțiune este un eveniment pe care îl înregistrați și apoi îl importați ca date de antrenament. Amazon Personalize generează recomandări în principal pe baza datelor de interacțiuni pe care le importați într-un set de date Interacțiuni. Puteți înregistra mai multe tipuri de evenimente, cum ar fi clic, vizionare sau like. Deși modelul creat de Amazon Personalize poate sugera pe baza interacțiunilor anterioare ale unui utilizator, calitatea acestor sugestii poate fi îmbunătățită atunci când modelul posedă date despre asocierile dintre utilizatori sau articole. Dacă un utilizator a interacționat cu filme clasificate ca Drame în setul de date despre articole, Amazon Personalize va sugera filme (articole) cu același gen.
- Configurați-vă mediul de dezvoltare - Instala interfața AWS Command Line (AWS CLI).
- Configurați CLI cu contul dvs. Amazon - Configurați AWS CLI cu informațiile contului dvs. AWS.
- Instalați și porniți AWS Cloud Development Kit (AWS CDK)
Implementați soluția
Pentru a implementa soluția, procedați în felul următor:
Creați o versiune de soluție
O soluție se referă la combinația dintre o rețetă Amazon Personalize, parametri personalizați și una sau mai multe versiuni de soluție (modele antrenate). Când implementați proiectul CDK în pasul anterior, o soluție cu o rețetă de personalizare a utilizatorului este creată automat pentru dvs. O versiune de soluție se referă la un model de învățare automată antrenat. Creeaza o versiunea soluției pentru implementare.
Creați o campanie
O campanie implementează o versiune de soluție (model antrenat) cu o capacitate de tranzacție prevăzută pentru generarea de recomandări în timp real. Creeaza o campanie pentru implementare.
Creați un instrument de urmărire a evenimentelor
Amazon Personalize poate face recomandări numai pe baza datelor în timp real despre evenimente, numai a datelor istorice ale evenimentelor sau pe ambele. Înregistrați evenimente în timp real pentru a vă construi datele interacțiunilor și permiteți Amazon Personalize să învețe din activitatea cea mai recentă a utilizatorului dvs. Acest lucru vă păstrează datele actuale și îmbunătățește relevanța recomandărilor Amazon Personalize. Înainte de a putea înregistra evenimente, trebuie să creați un instrument de urmărire a evenimentelor. Un instrument de urmărire a evenimentelor direcționează noile date despre evenimente către setul de date Interacțiuni din grupul dvs. de seturi de date. Creați și tracker de evenimente pentru implementare.
Obțineți recomandări
În acest caz de utilizare, setul de date de interacțiune este compus din ID-uri de film. În consecință, recomandările prezentate utilizatorului vor consta în ID-uri de film care se aliniază cel mai mult cu preferințele personale, determinate din interacțiunile lor istorice. Puteți folosi getRecommendations
API pentru a prelua recomandări personalizate pentru un utilizator prin trimiterea acestora asociate userID
, numărul de rezultate pentru recomandările de care aveți nevoie pentru utilizator, precum și ARN-ul campaniei. Puteți găsi ARN-ul campaniei în meniul consolei Amazon Personalize.
De exemplu, următoarea solicitare va prelua 5 recomandări pentru utilizatorul al cărui userId
este 429:
Răspunsul la cerere va fi:
Articolele returnate de apelul API sunt filmele pe care Amazon Personalize le recomandă utilizatorului pe baza interacțiunilor lor istorice.
Valorile scorurilor furnizate în acest context reprezintă numere în virgulă mobilă care variază între zero și 1.0. Aceste valori corespund campaniei curente și rețetelor asociate acestui caz de utilizare. Acestea sunt determinate pe baza scorurilor colective atribuite tuturor elementelor prezente în setul dvs. cuprinzător de date.
Ingerați interacțiuni în timp real
În exemplul anterior, recomandările au fost obținute pentru utilizatorul cu un ID de 429 pe baza interacțiunilor istorice cu baza de date de filme. Pentru recomandări în timp real, interacțiunile utilizatorului cu articolele trebuie să fie ingerate în Amazon Personalize în timp real. Aceste interacțiuni sunt ingerate în sistemul de recomandare prin Amazon Personalize Urmăritor evenimente. Tipul de interacțiune, numit și EventType
, este dat de coloana cu același nume din setul de date de interacțiune (EVENT_TYPE
). În acest exemplu, evenimentele pot fi de tip „watch” sau „click”, dar puteți avea propriile tipuri de evenimente în funcție de nevoile aplicației dumneavoastră.
În acest exemplu, API-ul expus care generează evenimentele utilizatorilor cu elementele primește parametrul „interacțiuni” care corespunde numărului de evenimente (interactions
) al unui utilizator (UserId
) cu un singur element (itemId
) chiar acum. The trackingId
parametrul poate fi găsit în consola Amazon Personalize și în răspunsul la cererea de creare a urmăririi evenimentelor.
Acest exemplu arată a putEvent
cerere: generați 1 interacțiune de tip clic, cu un ID de articol de „185” pentru ID-ul de utilizator „429”, folosind marcajul de timp actual. Rețineți că în producție, „sentAt” ar trebui să fie setat la momentul interacțiunii utilizatorului. În exemplul următor, am setat acest lucru la momentul în timp în format epoch time când am scris cererea API pentru această postare. Evenimentele sunt trimise către Amazon Kinesis Data Streams printr-un gateway API, motiv pentru care trebuie să trimiteți numele fluxului și parametrii PartitionKey.
Veți primi un răspuns de confirmare similar cu următorul:
Validați recomandările în timp real
Deoarece setul de date privind interacțiunile a fost actualizat, recomandările vor fi actualizate automat pentru a lua în considerare noile interacțiuni. Pentru a valida recomandările actualizate în timp real, puteți apela din nou API-ul getRecommendations pentru același id de utilizator 429, iar rezultatul ar trebui să fie diferit de cel anterior. Următoarele rezultate arată o nouă recomandare cu un ID de 594, iar recomandările cu ID-uri de 16, 596, 153 și 261 și-au modificat scorurile. Aceste articole au adus în noul gen de film ('Animation|Copii|Dramă|Fantasy|Muzical') primele 5 recomandări.
Cerere:
Răspuns:
Răspunsul arată că recomandarea oferită de Amazon Personalize a fost actualizată în timp real.
A curăța
Pentru a evita taxele inutile, curățați implementarea soluției utilizând Curățarea resurselor.
Concluzie
În această postare, v-am arătat cum să implementați un sistem de recomandări personalizate în timp real folosind Amazon Personalize. Interacțiunile cu Amazon Personalize pentru a ingera interacțiuni în timp real și pentru a obține recomandări au fost executate printr-un instrument de linie de comandă numit curl, dar aceste apeluri API pot fi integrate într-o aplicație de afaceri și pot obține același rezultat.
Pentru a alege o nouă rețetă pentru cazul dvs. de utilizare, consultați Personalizare în timp real. Pentru a măsura impactul recomandărilor făcute de Amazon Personalize, consultați Măsurarea impactului recomandărilor.
Despre Autori
Cristian Marquez este arhitect senior de aplicații cloud. Are o vastă experiență în proiectarea, construirea și furnizarea de software la nivel de întreprindere, sisteme distribuite și de încărcare mare și aplicații native cloud. Are experiență în limbaje de programare backend și frontend, precum și în proiectarea de sisteme și implementarea practicilor DevOps. El ajută în mod activ clienții să construiască și să securizeze soluții cloud inovatoare, rezolvându-și problemele de afaceri și atingându-și obiectivele de afaceri.
Anand Komandooru este arhitect senior cloud la AWS. Sa alăturat organizației AWS Professional Services în 2021 și îi ajută pe clienți să construiască aplicații native cloud pe cloud AWS. Are peste 20 de ani de experiență în construirea de software, iar principiul său preferat de conducere Amazon este „Liderii au mare dreptate.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
- PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
- PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
- PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/implement-real-time-personalized-recommendations-using-amazon-personalize/
- :are
- :este
- :Unde
- $UP
- 1
- 100
- 11
- 150
- 16
- 17
- 20
- ani 20
- 200
- 2021
- 24
- 49
- 7
- 8
- a
- Despre Noi
- Accelerează
- Conform
- Cont
- realizarea
- acționabil
- activ
- activitate
- După
- din nou
- algoritmi
- alinia
- TOATE
- permite
- permite
- de asemenea
- Cu toate ca
- Amazon
- Amazon Kinesis
- Personalizați Amazon
- Amazon Web Services
- printre
- an
- și
- api
- API-uri
- aplicație
- aplicatii
- abordare
- adecvat
- arhitectură
- SUNT
- AS
- alocate
- asistă
- asociate
- asociaţii
- At
- Încercările
- în mod automat
- evita
- AWS
- Servicii profesionale AWS
- Backend
- bazat
- de bază
- BE
- fost
- înainte
- între
- Bootstrap
- atât
- marca
- adus
- construi
- Clădire
- afaceri
- întreprinderi
- dar
- by
- apel
- denumit
- apeluri
- Campanie
- CAN
- Capacitate
- caz
- si-a schimbat hainele;
- taxe
- Alege
- curat
- clic
- îndeaproape
- Cloud
- Colectiv
- Coloană
- combinaţie
- angajamentele
- compuse
- cuprinzător
- confirmare
- prin urmare
- Lua în considerare
- Consoleze
- context
- corespunde
- crea
- a creat
- creaţie
- Curent
- client
- experienta clientului
- clienţii care
- personalizate
- de date
- Pregătirea datelor
- Baza de date
- livrarea
- demonstra
- implementa
- implementează
- deriva
- Amenajări
- proiect
- desktop
- determinat
- Dezvoltatorii
- Dezvoltare
- diferit
- digital
- Transformarea digitală
- direct
- distribuite
- sisteme distribuite
- do
- Dramă
- mai ușor
- element
- ELEVATE
- E-mail marketing
- permite
- capăt
- angajat
- Motor
- sporită
- la nivel de întreprindere
- Întreg
- Mediu inconjurator
- epocă
- eveniment
- evenimente
- exemplu
- executat
- existent
- experienţă
- expertiză
- expus
- Favorite
- DESCRIERE
- Taxe
- Găsi
- următor
- urmează
- Pentru
- format
- găsit
- proaspăt
- din
- Frontend
- poartă
- genera
- generează
- generator
- natură
- obține
- dat
- Goluri
- grup
- Crește
- Avea
- he
- ajutor
- ajută
- Înalt
- lui
- istoric
- găzduire
- Cum
- Cum Pentru a
- HTML
- HTTPS
- ID
- identificarea
- ID-uri
- if
- ilustrează
- Impactul
- punerea în aplicare a
- implementarea
- implementat
- import
- importatoare
- îmbunătăţeşte
- in
- Inclusiv
- informații
- Infrastructură
- inovatoare
- perspective
- integra
- integrate
- interacţiune
- interacţiuni
- interfaţă
- în
- IT
- articole
- ESTE
- alăturat
- jpg
- păstrează
- Fluxuri de date Kinesis
- Limbă
- Conducere
- AFLAȚI
- învăţare
- învață
- Nivel
- ca
- Linie
- încărca
- Lot
- Loialitate
- maşină
- masina de învățare
- făcut
- face
- Efectuarea
- gestionează
- Marketing
- potrivire
- măsura
- Meniu
- mesaj
- minim
- ML
- model
- Modele
- mai mult
- cele mai multe
- film
- Filme
- multiplu
- trebuie sa
- nume
- nativ
- În apropiere
- necesar
- Nevoie
- nevoilor
- Nou
- Nu.
- acum
- număr
- numere
- obținut
- of
- on
- ONE
- afară
- optimizarea
- or
- organizație
- afară
- Rezultat
- peste
- propriu
- parametru
- parametrii
- special
- trecut
- Plătește
- personal
- personalizare
- personaliza
- Personalizat
- conducte
- Plato
- Informații despre date Platon
- PlatoData
- Punct
- posedă
- Post
- practicile
- Predictii
- preferinţele
- pregătire
- Pregăti
- premise
- prezenta
- prezentat
- precedent
- în primul rând
- principiu
- probleme
- prelucrare
- producere
- profesional
- Programare
- limbaje de programare
- proiect
- prevăzut
- calitate
- repede
- gamă
- gata
- în timp real
- a primi
- primește
- recent
- reţetă
- Recomandare
- Recomandări
- recomandă
- record
- trimite
- referință
- se referă
- relevanţa
- depozit
- reprezenta
- reprezentând
- solicita
- răspuns
- rezultat
- REZULTATE
- venituri
- dreapta
- acelaşi
- scor
- sigur
- trimite
- trimitere
- senior
- trimis
- serviciu
- Servicii
- set
- să
- Arăta
- a arătat
- Emisiuni
- asemănător
- simplu
- singur
- Software
- soluţie
- soluţii
- Rezolvarea
- stivui
- Începe
- început
- Pas
- paşi
- depozitare
- fluxuri
- Reușit
- astfel de
- sugera
- sigur
- sistem
- sisteme
- Tehnologia
- acea
- lor
- apoi
- Acestea
- ei
- acest
- Prin
- timp
- timestamp-ul
- la
- instrument
- top
- top 5
- Tren
- dresat
- Pregătire
- tranzacție
- Transformare
- tip
- Tipuri
- inutil
- actualizat
- Se încarcă
- utilizare
- carcasa de utilizare
- Utilizator
- utilizatorii
- folosind
- VALIDA
- Valori
- Fixă
- versiune
- Versiunile
- umbla
- a fost
- Ceas
- we
- web
- servicii web
- site-uri web
- BINE
- au fost
- Ce
- cand
- care
- a caror
- de ce
- voi
- cu
- fără
- scris
- ani
- Tu
- Ta
- zephyrnet
- zero