Această postare este co-scrisă de Hesham Fahim de la Thomson Reuters.
Thomson Reuters (TR) este una dintre cele mai de încredere organizații de informare din lume pentru afaceri și profesioniști. Oferă companiilor inteligența, tehnologia și expertiza umană de care au nevoie pentru a găsi răspunsuri de încredere, permițându-le să ia decizii mai bune mai rapid. Clienții TR cuprind piețele financiare, de risc, juridice, fiscale, contabile și media.
Thomson Reuters furnizează produse lider pe piață în cadrul campaniei Tax, Legal and News, la care utilizatorii se pot înscrie folosind un model de licențiere prin abonament. Pentru a îmbunătăți această experiență pentru clienții lor, TR a dorit să creeze o platformă centralizată de recomandări care să le permită echipei de vânzări să sugereze cele mai relevante pachete de abonament clienților lor, generând sugestii care ajută la creșterea gradului de conștientizare a produselor care ar putea ajuta clienții să servească mai bine piața prin selecții personalizate de produse.
Înainte de a construi această platformă centralizată, TR avea un motor vechi bazat pe reguli pentru a genera recomandări de reînnoire. Regulile din acest motor au fost predefinite și scrise în SQL, care, pe lângă faptul că reprezintă o provocare de gestionat, s-a luptat și să facă față proliferării datelor din diferitele surse de date integrate ale TR. Datele clienților TR se schimbă într-un ritm mai rapid decât pot evolua regulile de afaceri pentru a reflecta nevoile în schimbare ale clienților. Cerința cheie pentru noul motor de personalizare bazat pe învățarea automată (ML) TR a fost centrată pe un sistem de recomandare precis, care ține cont de tendințele recente ale clienților. Soluția dorită ar fi una cu cheltuieli operaționale reduse, capacitatea de a accelera realizarea obiectivelor de afaceri și un motor de personalizare care ar putea fi antrenat în mod constant cu date actualizate pentru a face față obiceiurilor în schimbare ale consumatorilor și noilor produse.
Personalizarea recomandărilor de reînnoire pe baza a ceea ce ar fi produse valoroase pentru clienții TR a fost o provocare importantă de afaceri pentru echipa de vânzări și marketing. TR are o mulțime de date care ar putea fi utilizate pentru personalizare, care au fost colectate din interacțiunile cu clienții și stocate într-un depozit de date centralizat. TR a fost unul dintre cei mai devreme care au adoptat ML cu Amazon SageMaker, iar maturitatea lor în domeniul AI/ML a însemnat că au adunat un set de date semnificativ de date relevante într-un depozit de date, cu care echipa ar putea antrena un model de personalizare. TR și-a continuat inovația AI/ML și a dezvoltat recent o platformă de recomandare renovată folosind Personalizați Amazon, care este un serviciu ML gestionat complet care utilizează interacțiunile și elementele utilizatorilor pentru a genera recomandări pentru utilizatori. În această postare, explicăm modul în care TR a folosit Amazon Personalize pentru a construi un sistem de recomandare scalabil, cu locatari multiple, care oferă clienților săi cele mai bune planuri de abonament la produse și prețurile asociate.
Arhitectura soluțiilor
Soluția a trebuit să fie concepută luând în considerare operațiunile de bază ale TR în jurul înțelegerii utilizatorilor prin intermediul datelor; furnizarea acestor utilizatori cu conținut personalizat și relevant dintr-un corp mare de date a fost o cerință esențială. A avea un sistem de recomandare bine conceput este cheia pentru a obține recomandări de calitate, care sunt personalizate la cerințele fiecărui utilizator.
Soluția a necesitat colectarea și pregătirea datelor despre comportamentul utilizatorilor, antrenarea unui model ML folosind Amazon Personalize, generarea de recomandări personalizate prin modelul instruit și conducerea campaniilor de marketing cu recomandările personalizate.
TR a dorit să profite de serviciile gestionate de AWS acolo unde este posibil pentru a simplifica operațiunile și a reduce ridicarea greutății nediferențiate. TR folosit AWS Glue Databrew și Lot AWS joburi pentru a efectua lucrările de extragere, transformare și încărcare (ETL) în conductele ML și SageMaker împreună cu Amazon Personalize pentru a personaliza recomandările. Din punct de vedere al volumului de date de instruire și al timpului de rulare, soluția trebuia să fie scalabilă pentru a procesa milioane de înregistrări în intervalul de timp deja angajat consumatorilor din aval din echipele de afaceri ale TR.
Următoarele secțiuni explică componentele implicate în soluție.
Conducta de instruire ML
Interacțiunile dintre utilizatori și conținut sunt colectate sub formă de date clickstream, care sunt generate pe măsură ce clientul face clic pe conținut. TR analizează dacă aceasta face parte din planul lor de abonament sau dincolo de planul lor de abonament, astfel încât să poată oferi detalii suplimentare despre preț și opțiunile de înscriere la plan. Datele privind interacțiunile utilizatorilor din diverse surse sunt păstrate în depozitul lor de date.
Următoarea diagramă ilustrează conducta de antrenament ML.
Conducta începe cu un job AWS Batch care extrage datele din depozitul de date și transformă datele pentru a crea interacțiuni, utilizatori și seturi de date de articole.
Următoarele seturi de date sunt utilizate pentru a antrena modelul:
- Date structurate ale produsului – Abonamente, comenzi, catalog de produse, tranzacții și detalii despre clienți
- Date de comportament semi-structurate – Utilizatori, utilizare și interacțiuni
Aceste date transformate sunt stocate într-un Serviciul Amazon de stocare simplă Bucket (Amazon S3), care este importat în Amazon Personalize pentru antrenament ML. Deoarece TR dorește să genereze recomandări personalizate pentru utilizatorii lor, aceștia folosesc USER_PERSONALIZATION rețetă pentru a antrena modele ML pentru datele lor personalizate, care se numește crearea unei versiuni de soluție. După crearea versiunii de soluție, aceasta este utilizată pentru generarea de recomandări personalizate pentru utilizatori.
Întregul flux de lucru este orchestrat folosind Funcții pas AWS. Alertele și notificările sunt capturate și publicate pentru Microsoft Teams folosind Serviciul de notificare simplă Amazon (Amazon SNS) și Amazon EventBridge.
Generarea canalului de recomandări personalizate: inferență în lot
Cerințele și preferințele clienților se schimbă foarte des, iar cele mai recente interacțiuni capturate în datele din fluxul de clic servesc ca un punct de date cheie pentru a înțelege preferințele în schimbare ale clientului. Pentru a se adapta la preferințele în continuă schimbare ale clienților, TR generează zilnic recomandări personalizate.
Următoarea diagramă ilustrează canalul pentru a genera recomandări personalizate.
Un job DataBrew extrage datele din depozitul de date TR pentru utilizatorii care sunt eligibili să ofere recomandări în timpul reînnoirii, pe baza planului de abonament curent și a activității recente. Instrumentul de pregătire a datelor vizuale DataBrew le facilitează analiștilor de date TR și oamenilor de știință de date să curețe și să normalizeze datele pentru a le pregăti pentru analiză și ML. Abilitatea de a alege dintre peste 250 de transformări pre-construite în instrumentul de pregătire vizuală a datelor pentru a automatiza sarcinile de pregătire a datelor, toate fără a fi nevoie să scrieți niciun cod, a fost o caracteristică importantă. Jobul DataBrew generează un set de date incremental pentru interacțiuni și intrare pentru jobul de recomandări de lot și stochează rezultatul într-o găleată S3. Setul de date incremental nou generat este importat în setul de date interacțiuni. Când sarcina de import incremental al setului de date are succes, se declanșează o sarcină de recomandări de lot Amazon Personalize cu datele de intrare. Amazon Personalize generează cele mai recente recomandări pentru utilizatorii furnizate în datele de intrare și le stochează într-un compartiment S3 de recomandări.
Optimizarea prețurilor este ultimul pas înainte ca recomandările nou formate să fie gata de utilizare. TR rulează o lucrare de optimizare a costurilor pentru recomandările generate și folosește SageMaker pentru a rula modele personalizate pe recomandări ca parte a acestui pas final. O lucrare AWS Glue organizează rezultatul generat de Amazon Personalize și îl transformă în formatul de intrare cerut de modelul personalizat SageMaker. TR poate profita de lărgimea serviciilor oferite de AWS, folosind atât Amazon Personalize, cât și SageMaker în platforma de recomandare pentru a adapta recomandările în funcție de tipul de firmă client și de utilizatorii finali.
Întregul flux de lucru este decuplat și orchestrat utilizând funcțiile Step Functions, ceea ce oferă flexibilitatea de scalare a conductei în funcție de cerințele de procesare a datelor. Alertele și notificările sunt capturate folosind Amazon SNS și EventBridge.
Conducerea campaniilor de e-mail
Recomandările generate împreună cu rezultatele prețurilor sunt folosite pentru a conduce campanii de e-mail către clienții TR. O lucrare AWS Batch este utilizată pentru a selecta recomandările pentru fiecare client și pentru a-l îmbogăți cu informații de preț optimizate. Aceste recomandări sunt introduse în sistemele de campanie ale TR, care conduc următoarele campanii de e-mail:
- Campanii automate de reînnoire a abonamentului sau de upgrade cu produse noi care ar putea interesa clientul
- Campanii de reînnoire a contractelor la mijlocul ofertelor mai bune și a produselor și materialelor de conținut juridic mai relevante
Informațiile din acest proces sunt, de asemenea, replicate pe portalul clienților, astfel încât clienții care își revizuiesc abonamentul curent să poată vedea noile recomandări de reînnoire. TR a înregistrat o rată de conversie mai mare din campaniile de e-mail, ceea ce a dus la creșterea comenzilor de vânzări, de la implementarea noii platforme de recomandare.
Ce urmează: canalul de recomandări în timp real
Cerințele clienților și comportamentele de cumpărături se modifică în timp real, iar adaptarea recomandărilor la schimbările în timp real este esențială pentru difuzarea conținutului potrivit. După ce a observat un mare succes în implementarea unui sistem de recomandare pe lot, TR intenționează acum să ducă această soluție la nivelul următor prin implementarea unui canal de recomandări în timp real pentru a genera recomandări folosind Amazon Personalize.
Următoarea diagramă ilustrează arhitectura pentru a oferi recomandări în timp real.
Integrarea în timp real începe cu colectarea datelor live despre implicarea utilizatorilor și transmiterea lor către Amazon Personalize. Pe măsură ce utilizatorii interacționează cu aplicațiile TR, aceștia generează evenimente clickstream, care sunt publicate în Fluxuri de date Amazon Kinesis. Apoi, evenimentele sunt ingerate în platforma de streaming centralizată a TR, care este construită pe deasupra Streaming gestionat de Amazon pentru Kafka (Amazon MSK). Amazon MSK facilitează ingerarea și procesarea datelor în flux în timp real cu Apache Kafka gestionat complet. În această arhitectură, Amazon MSK servește ca o platformă de streaming și efectuează orice transformări de date necesare pentru evenimentele din fluxul de clic brut primite. Apoi un AWS Lambdas funcția este declanșată pentru a filtra evenimentele la schema compatibilă cu setul de date Amazon Personalize și pentru a împinge acele evenimente către un instrument de urmărire a evenimentelor Amazon Personalize folosind un putEvent
API. Acest lucru permite Amazon Personalize să învețe din comportamentul cel mai recent al utilizatorului și să includă articole relevante în recomandări.
Aplicațiile web ale TR invocă un API implementat în Gateway API Amazon pentru a obține recomandări, care declanșează o funcție Lambda pentru a invoca a GetRecommendations
Apel API cu Amazon Personalize. Amazon Personalize oferă cel mai recent set de recomandări personalizate adaptate comportamentului utilizatorului, care sunt furnizate înapoi către aplicațiile web prin Lambda și API Gateway.
Cu această arhitectură în timp real, TR își poate servi clienții cu recomandări personalizate adaptate celui mai recent comportament al acestora și le poate satisface mai bine nevoile.
Concluzie
În această postare, v-am arătat cum TR a folosit Amazon Personalize și alte servicii AWS pentru a implementa un motor de recomandare. Amazon Personalize a permis TR să accelereze dezvoltarea și implementarea modelelor de înaltă performanță pentru a oferi recomandări clienților săi. TR este capabil să integreze o nouă suită de produse în câteva săptămâni, comparativ cu lunile mai devreme. Cu Amazon Personalize și SageMaker, TR poate îmbunătăți experiența clienților cu planuri de abonament și prețuri mai bune pentru clienții lor.
Dacă v-a plăcut să citiți acest blog și doriți să aflați mai multe despre Amazon Personalize și despre cum poate ajuta organizația dvs. să construiască sisteme de recomandare, vă rugăm să consultați ghid pentru dezvoltatori.
Despre Autori
Hisham Fahim este inginer principal de învățare automată și arhitect motor de personalizare la Thomson Reuters. A lucrat cu organizații din mediul academic și din industrie, de la întreprinderi mari până la startup-uri mijlocii. Cu accent pe arhitecturi scalabile de învățare profundă, are experiență în robotică mobilă, analiză de imagini biomedicale, precum și sisteme de recomandare. Departe de computere, îi place astrofotografie, citit și ciclism pe distanțe lungi.
Srinivasa Shaik este arhitect de soluții la AWS cu sediul în Boston. El îi ajută pe clienții Enterprise să-și accelereze călătoria către cloud. Este pasionat de containere și tehnologii de învățare automată. În timpul liber, îi place să petreacă timpul cu familia, să gătească și să călătorească.
Vamshi Krishna Enabothala este un arhitect Sr. Specialist AI aplicat la AWS. Lucrează cu clienți din diferite sectoare pentru a accelera inițiativele de date cu impact mare, analize și învățare automată. Este pasionat de sistemele de recomandare, NLP și domeniile de viziune computerizată în AI și ML. În afara serviciului, Vamshi este un entuziast RC, construiește echipamente RC (avioane, mașini și drone) și îi place, de asemenea, grădinăritul.
Simone Zucchet este arhitect senior de soluții la AWS. Cu peste 6 ani de experiență ca arhitect cloud, Simone îi place să lucreze la proiecte inovatoare care ajută la transformarea modului în care organizațiile abordează problemele de afaceri. El ajută la sprijinirea clienților întreprinderi mari la AWS și face parte din Machine Learning TFC. În afara vieții sale profesionale, îi place să lucreze la mașini și la fotografie.
- Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
- Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
- Sursa: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- capacitate
- Capabil
- Despre Noi
- Academie
- accelera
- Cont
- Contabilitate
- precis
- peste
- activitate
- adapta
- Suplimentar
- Avantaj
- După
- AI
- AI / ML
- TOATE
- permite
- deja
- Amazon
- Personalizați Amazon
- analiză
- analiști
- Google Analytics
- analize
- și
- răspunsuri
- Apache
- api
- aplicatii
- aplicat
- AI aplicată
- abordare
- arhitectură
- domenii
- în jurul
- asociate
- automatizarea
- gradului de conştientizare
- AWS
- AWS Adeziv
- înapoi
- bazat
- bază
- deoarece
- înainte
- CEL MAI BUN
- Mai bine
- între
- Dincolo de
- biomedicale
- Blog
- boston
- lăţime
- construi
- Clădire
- construit
- afaceri
- întreprinderi
- apel
- Campanie
- agitație
- Campanii
- masini
- catalog
- centrat
- centralizat
- contesta
- Schimbare
- Modificări
- schimbarea
- Alege
- Cloud
- cod
- Colectare
- comise
- Companii
- comparație
- compatibil
- componente
- calculator
- Computer Vision
- Calculatoare
- luand in considerare
- mereu
- consumator
- Consumatorii
- Containere
- conţinut
- a continuat
- Convertire
- Nucleu
- A costat
- ar putea
- crea
- a creat
- Crearea
- curator
- curate
- Curent
- personalizat
- client
- datele despre consumator
- experienta clientului
- clienţii care
- zilnic
- de date
- Pregătirea datelor
- de prelucrare a datelor
- seturi de date
- afacere
- Deciziile
- adânc
- învățare profundă
- livrarea
- Oferă
- În funcție
- dislocate
- Implementarea
- desfășurarea
- proiectat
- detalii
- dezvoltat
- Dezvoltare
- diferit
- distanţă
- domeniu
- conduce
- conducere
- Drone
- în timpul
- fiecare
- Mai devreme
- Devreme
- ELEVATE
- eligibil
- activat
- permițând
- angajament
- Motor
- inginer
- îmbogăți
- Afacere
- Companii
- entuziast
- Întreg
- echipament
- eveniment
- evenimente
- mereu în schimbare
- evolua
- experienţă
- expertiză
- Explica
- extrage
- extracte
- familie
- mai repede
- Caracteristică
- filtru
- final
- financiar
- Găsi
- Firmă
- Flexibilitate
- Concentra
- următor
- formă
- format
- format
- FRAME
- din
- complet
- funcţie
- funcții
- poartă
- genera
- generată
- generează
- generator
- obține
- obtinerea
- oferă
- Goluri
- mare
- având în
- ajutor
- ajută
- performanta ridicata
- superior
- Cum
- HTML
- HTTPS
- uman
- imagine
- punerea în aplicare a
- Punere în aplicare a
- import
- important
- in
- include
- Intrare
- a crescut
- industrie
- informații
- inițiative
- Inovaţie
- inovatoare
- intrare
- integrate
- integrare
- Inteligență
- interacționând
- interacţiuni
- interes
- implicat
- IT
- articole
- Loc de munca
- Locuri de munca
- călătorie
- Cheie
- mare
- Nume
- Ultimele
- conduce
- conducere
- AFLAȚI
- învăţare
- Moştenire
- Legal
- Nivel
- de licențiere
- Viaţă
- ridicare
- trăi
- încărca
- Lung
- Jos
- maşină
- masina de învățare
- face
- FACE
- administra
- gestionate
- Piață
- lider de piata
- Marketing
- pieţe
- scadență
- Mass-media
- Microsoft
- echipe de microsoft
- ar putea
- milioane
- ML
- Mobil
- model
- Modele
- luni
- mai mult
- cele mai multe
- Nevoie
- nevoilor
- Nou
- produse noi
- ştiri
- următor
- nlp
- notificare
- notificări
- promoții
- bord
- ONE
- operațional
- Operațiuni
- optimizare
- optimizate
- Opţiuni
- comenzilor
- organizație
- organizații
- Altele
- exterior
- ofertele
- parte
- pasionat
- Efectua
- efectuează
- personalizare
- personaliza
- Personalizat
- perspectivă
- fotografie
- conducte
- plan
- planificare
- Planurile
- platformă
- Plato
- Informații despre date Platon
- PlatoData
- "vă rog"
- Punct
- Portal
- posibil
- Post
- preferinţele
- Pregăti
- pregătirea
- preţ
- Prețuri
- de stabilire a prețurilor
- probleme
- proces
- prelucrare
- Produs
- Produse
- profesional
- profesioniști
- Proiecte
- furniza
- prevăzut
- furnizează
- furnizarea
- publicat
- Împinge
- calitate
- repede
- ridica
- variind
- rată
- Crud
- Citind
- gata
- real
- în timp real
- recent
- recent
- reţetă
- Recomandare
- Recomandări
- înregistrări
- reduce
- menționat
- reflecta
- replicat
- necesar
- cerință
- Cerinţe
- REZULTATE
- Reuters
- revizuirea
- Risc
- robotica
- norme
- Alerga
- sagemaker
- de vânzări
- scalabil
- Scară
- scalare
- oamenii de stiinta
- secțiuni
- sectoare
- vedere
- senior
- servi
- servește
- serviciu
- Servicii
- servire
- set
- Cumpărături
- semna
- semnificativ
- simplu
- simplifica
- întrucât
- So
- soluţie
- soluţii
- Sursă
- Surse
- specialist
- Cheltuire
- începe
- Startup-urile
- Pas
- depozitare
- stocate
- magazine
- de streaming
- abonament
- Abonamente
- succes
- de succes
- suită
- a sustine
- sistem
- sisteme
- adaptate
- Lua
- ia
- sarcini
- impozit
- echipă
- echipe
- Tehnologii
- Tehnologia
- lor
- Thomson Reuters
- Prin
- timp
- la
- instrument
- top
- Tren
- dresat
- Pregătire
- Tranzacții
- Transforma
- transformări
- transformat
- Traveling
- Tendinţe
- a declanșat
- de încredere
- înţelege
- înţelegere
- up-to-data
- upgrade-ul
- Folosire
- utilizare
- Utilizator
- utilizatorii
- Valoros
- diverse
- versiune
- de
- viziune
- volum
- dorit
- Bogatie
- web
- aplicații web
- săptămâni
- Ce
- care
- OMS
- în
- fără
- Apartamente
- a lucrat
- de lucru
- fabrică
- lume
- ar
- scrie
- scris
- ani
- Tu
- Ta
- zephyrnet