Этот пост написан в соавторстве с Хешамом Фахимом из Thomson Reuters.
Томсон Рейтер (TR) является одной из самых надежных информационных организаций в мире для бизнеса и профессионалов. Он предоставляет компаниям информацию, технологии и человеческий опыт, необходимые им для поиска надежных ответов, что позволяет им быстрее принимать взвешенные решения. Клиенты TR охватывают финансовый, рисковый, юридический, налоговый, бухгалтерский и медийный рынки.
Thomson Reuters предоставляет лучшие на рынке продукты в рамках кампаний Tax, Legal и News, на которые пользователи могут подписаться, используя модель лицензирования по подписке. Чтобы улучшить этот опыт для своих клиентов, TR хотела создать централизованную платформу рекомендаций, которая позволила бы их отделам продаж предлагать наиболее подходящие пакеты подписки для своих клиентов, генерируя предложения, которые помогают повысить осведомленность о продуктах, которые могли бы помочь их клиентам лучше обслуживать рынок за счет индивидуальный подбор продуктов.
До создания этой централизованной платформы у TR был устаревший механизм, основанный на правилах, для создания рекомендаций по обновлению. Правила в этом движке были предопределены и написаны на языке SQL, который не только создавал трудности в управлении, но и с трудом справился с распространением данных из различных интегрированных источников данных TR. Данные клиентов TR меняются быстрее, чем могут развиваться бизнес-правила, отражающие меняющиеся потребности клиентов. Ключевым требованием к новому механизму персонализации TR на основе машинного обучения (ML) была точная система рекомендаций, учитывающая последние тенденции клиентов. Желаемым решением было бы решение с низкими операционными издержками, возможностью ускорить достижение бизнес-целей и механизмом персонализации, который можно было бы постоянно обучать с использованием актуальных данных, чтобы справляться с меняющимися потребительскими привычками и новыми продуктами.
Персонализация рекомендаций по продлению на основе того, какие продукты будут ценными для клиентов TR, была важной бизнес-задачей для отдела продаж и маркетинга. У TR есть множество данных, которые можно использовать для персонализации, которые были собраны в результате взаимодействия с клиентами и сохранены в централизованном хранилище данных. TR был одним из первых, кто внедрил ML с Создатель мудреца Амазонки, а их зрелость в области AI/ML означала, что они собрали значительный набор релевантных данных в хранилище данных, с помощью которого команда могла обучить модель персонализации. TR продолжила свои инновации в области искусственного интеллекта и машинного обучения и недавно разработала обновленную рекомендательную платформу с использованием Amazon персонализировать, который является полностью управляемой службой машинного обучения, которая использует взаимодействие с пользователем и элементы для создания рекомендаций для пользователей. В этом посте мы объясняем, как компания TR использовала Amazon Personalize для создания масштабируемой многопользовательской рекомендательной системы, которая предоставляет своим клиентам лучшие планы подписки на продукты и соответствующие цены.
Архитектура решения
Решение должно было быть разработано с учетом основных операций TR, связанных с пониманием пользователей через данные; предоставление этим пользователям персонализированного и релевантного контента из большого массива данных было критически важным требованием. Наличие хорошо продуманной системы рекомендаций является ключом к получению качественных рекомендаций, адаптированных к требованиям каждого пользователя.
Решение требовало сбора и подготовки данных о поведении пользователей, обучения модели машинного обучения с помощью Amazon Personalize, создания персонализированных рекомендаций с помощью обученной модели и проведения маркетинговых кампаний с использованием персонализированных рекомендаций.
TR хотел воспользоваться преимуществами управляемых сервисов AWS, где это возможно, чтобы упростить операции и сократить недифференцированную тяжелую работу. ТР используется AWS Glue Data Brew и Пакет AWS задания для выполнения заданий по извлечению, преобразованию и загрузке (ETL) в конвейерах машинного обучения, а также SageMaker вместе с Amazon Personalize для адаптации рекомендаций. С точки зрения объема обучающих данных и времени выполнения решение должно быть масштабируемым для обработки миллионов записей в течение времени, уже выделенного для последующих потребителей в бизнес-группах TR.
В следующих разделах объясняются компоненты, задействованные в решении.
Конвейер обучения машинному обучению
Взаимодействие между пользователями и контентом собирается в виде данных о кликах, которые генерируются, когда клиент нажимает на контент. TR анализирует, является ли это частью их плана подписки или выходит за рамки его плана подписки, чтобы предоставить дополнительные сведения о цене и вариантах регистрации плана. Данные о взаимодействии с пользователем из различных источников сохраняются в их хранилище данных.
На следующей диаграмме показан конвейер обучения ML.
Конвейер начинается с пакетного задания AWS, которое извлекает данные из хранилища данных и преобразует данные для создания наборов данных о взаимодействиях, пользователях и элементах.
Для обучения модели используются следующие наборы данных:
- Структурированные данные о продукте - Подписки, заказы, каталог продуктов, транзакции и сведения о клиентах
- Полуструктурированные данные о поведении – Пользователи, использование и взаимодействие
Эти преобразованные данные сохраняются в Простой сервис хранения Amazon (Amazon S3), который импортируется в Amazon Personalize для обучения машинному обучению. Поскольку TR хочет генерировать персонализированные рекомендации для своих пользователей, они используют ПОЛЬЗОВАТЕЛЬ_ПЕРСОНАЛИЗАЦИЯ рецепт для обучения моделей машинного обучения их пользовательским данным, который называется созданием версии решения. После создания версии решения она используется для формирования персонализированных рекомендаций для пользователей.
Весь рабочий процесс организован с использованием Шаговые функции AWS. Оповещения и уведомления перехватываются и публикуются в Microsoft Teams с помощью Amazon Простая служба уведомлений (Amazon SNS) и Amazon EventBridge.
Генерация конвейера персонализированных рекомендаций: пакетный вывод
Требования и предпочтения клиентов меняются очень часто, и последние взаимодействия, зафиксированные в данных истории посещений, служат ключевой точкой данных для понимания меняющихся предпочтений клиентов. Чтобы адаптироваться к постоянно меняющимся предпочтениям клиентов, TR ежедневно генерирует персонализированные рекомендации.
На следующей диаграмме показан конвейер для создания персонализированных рекомендаций.
Задание DataBrew извлекает данные из хранилища данных TR для пользователей, которые имеют право давать рекомендации во время продления на основе текущего плана подписки и последних действий. Инструмент визуальной подготовки данных DataBrew позволяет аналитикам данных TR и специалистам по данным легко очищать и нормализовать данные, чтобы подготовить их для аналитики и машинного обучения. Важной особенностью была возможность выбора из более чем 250 предварительно созданных преобразований в инструменте визуальной подготовки данных для автоматизации задач подготовки данных без необходимости написания кода. Задание DataBrew создает добавочный набор данных для взаимодействий и входных данных для задания пакетных рекомендаций и сохраняет выходные данные в корзине S3. Вновь сгенерированный добавочный набор данных импортируется в набор данных взаимодействий. При успешном выполнении задания добавочного импорта набора данных запускается задание пакетных рекомендаций Amazon Personalize с входными данными. Amazon Personalize генерирует последние рекомендации для пользователей, указанные во входных данных, и сохраняет их в корзине рекомендаций S3.
Ценовая оптимизация — это последний шаг перед тем, как вновь сформированные рекомендации будут готовы к использованию. TR выполняет задание по оптимизации затрат на основе сгенерированных рекомендаций и использует SageMaker для запуска пользовательских моделей на основе рекомендаций в рамках этого последнего шага. Задание AWS Glue курирует выходные данные, созданные в Amazon Personalize, и преобразует их во входной формат, необходимый для пользовательской модели SageMaker. TR может воспользоваться преимуществами широкого спектра услуг, предоставляемых AWS, используя как Amazon Personalize, так и SageMaker в рекомендательной платформе, чтобы адаптировать рекомендации в зависимости от типа компании-клиента и конечных пользователей.
Весь рабочий процесс отделен и организован с помощью пошаговых функций, что обеспечивает гибкость масштабирования конвейера в зависимости от требований к обработке данных. Оповещения и уведомления собираются с помощью Amazon SNS и EventBridge.
Ведение кампаний по электронной почте
Рекомендации, созданные вместе с результатами ценообразования, используются для проведения кампаний по электронной почте для клиентов TR. Пакетное задание AWS используется для подбора рекомендаций для каждого клиента и обогащения их информацией об оптимизированных ценах. Эти рекомендации вводятся в системы проведения кампаний TR, которые управляют следующими кампаниями по электронной почте:
- Автоматизированные кампании продления или обновления подписки с новыми продуктами, которые могут заинтересовать клиента.
- Кампании по продлению срока действия контракта с лучшими предложениями и более актуальными продуктами и юридическими материалами
Информация из этого процесса также реплицируется на клиентский портал, поэтому клиенты, просматривающие свою текущую подписку, могут видеть новые рекомендации по продлению. TR продемонстрировал более высокий коэффициент конверсии от кампаний по электронной почте, что привело к увеличению заказов на продажу после внедрения новой платформы рекомендаций.
Что дальше: поток рекомендаций в реальном времени
Требования клиентов и покупательское поведение меняются в режиме реального времени, и адаптация рекомендаций к изменениям в реальном времени является ключом к предоставлению нужного контента. Увидев большой успех в развертывании системы пакетных рекомендаций, TR теперь планирует вывести это решение на новый уровень, внедрив конвейер рекомендаций в реальном времени для создания рекомендаций с помощью Amazon Personalize.
На следующей диаграмме показана архитектура для предоставления рекомендаций в реальном времени.
Интеграция в режиме реального времени начинается со сбора данных о взаимодействии с пользователями в режиме реального времени и их потоковой передачи в Amazon Personalize. Когда пользователи взаимодействуют с приложениями TR, они генерируют события кликов, которые публикуются в Потоки данных Amazon Kinesis. Затем события загружаются в централизованную потоковую платформу TR, которая построена поверх Amazon Managed Streaming для Kafka (Амазон МСК). Amazon MSK упрощает получение и обработку потоковых данных в режиме реального времени с помощью полностью управляемого Apache Kafka. В этой архитектуре Amazon MSK служит потоковой платформой и выполняет любые преобразования данных, необходимые для необработанных входящих событий потока кликов. Затем AWS Lambda запускается для фильтрации событий по схеме, совместимой с набором данных Amazon Personalize, и отправки этих событий в средство отслеживания событий Amazon Personalize с помощью putEvent
API. Это позволяет Amazon Personalize изучать последнее поведение вашего пользователя и включать соответствующие элементы в рекомендации.
Веб-приложения TR вызывают API, развернутый в Шлюз API Amazon для получения рекомендаций, которые запускают лямбда-функцию для вызова GetRecommendations
Вызов API с Amazon Personalize. Amazon Personalize предоставляет новейший набор персонализированных рекомендаций, адаптированных к поведению пользователей, которые передаются веб-приложениям через Lambda и API Gateway.
Благодаря этой архитектуре, работающей в режиме реального времени, TR может предоставлять своим клиентам персонализированные рекомендации, адаптированные к их последнему поведению, и лучше удовлетворять их потребности.
Заключение
В этом посте мы показали, как компания TR использовала Amazon Personalize и другие сервисы AWS для реализации механизма рекомендаций. Amazon Personalize позволил TR ускорить разработку и развертывание высокопроизводительных моделей для предоставления рекомендаций своим клиентам. TR теперь может внедрить новый набор продуктов в течение нескольких недель, по сравнению с месяцами ранее. С помощью Amazon Personalize и SageMaker TR может повысить качество обслуживания клиентов за счет более выгодных планов подписки на контент и цен для своих клиентов.
Если вам понравилось читать этот блог и вы хотели бы узнать больше об Amazon Personalize и о том, как он может помочь вашей организации в создании систем рекомендаций, см. руководство разработчика.
Об авторах
Хешам Фахим является ведущим инженером по машинному обучению и архитектором механизма персонализации в Thomson Reuters. Он работал с организациями в академических кругах и промышленности, начиная от крупных предприятий и заканчивая стартапами среднего размера. Сосредоточив внимание на масштабируемых архитектурах глубокого обучения, он имеет опыт работы с мобильной робототехникой, биомедицинским анализом изображений, а также рекомендательными системами. Вдали от компьютеров он увлекается астрофотографией, чтением и ездой на велосипеде на длинные дистанции.
Шриниваса Шайк работает архитектором решений в AWS в Бостоне. Он помогает корпоративным клиентам ускорить переход к облаку. Он увлечен контейнерами и технологиями машинного обучения. В свободное время любит проводить время с семьей, готовить и путешествовать.
Вамши Кришна Энаботала является старшим архитектором прикладного ИИ в AWS. Он работает с клиентами из разных секторов, чтобы ускорить инициативы в области данных, аналитики и машинного обучения. Он увлечен рекомендательными системами, НЛП и компьютерным зрением в области искусственного интеллекта и машинного обучения. Вне работы Вамши увлекается радиоуправлением, собирает радиоуправляемое оборудование (самолеты, автомобили и дроны), а также увлекается садоводством.
Симона Зукше является старшим архитектором решений в AWS. Обладая более чем 6-летним опытом работы в качестве облачного архитектора, Симоне нравится работать над инновационными проектами, которые помогают изменить подход организаций к бизнес-задачам. Он помогает поддерживать крупных корпоративных клиентов в AWS и является частью TFC по машинному обучению. Вне своей профессиональной жизни ему нравится работать с автомобилями и фотографировать.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- способность
- в состоянии
- О нас
- Академия
- ускорять
- Учетная запись
- Бухгалтерский учет
- точный
- через
- деятельность
- приспосабливать
- дополнительный
- плюс
- После
- AI
- AI / ML
- Все
- позволяет
- уже
- Amazon
- Amazon персонализировать
- анализ
- Аналитики
- аналитика
- анализы
- и
- ответы
- апаш
- API
- Приложения
- прикладной
- Прикладной ИИ
- подхода
- архитектура
- области
- около
- связанный
- автоматизировать
- осведомленность
- AWS
- Клей AWS
- назад
- основанный
- основа
- , так как:
- до
- ЛУЧШЕЕ
- Лучшая
- между
- Beyond
- биомедицинских
- Блог
- Бостон
- ширина
- строить
- Строительство
- построенный
- бизнес
- бизнес
- призывают
- Кампания
- агитация
- Кампании
- легковые автомобили
- каталог
- центр
- централизованная
- вызов
- изменение
- изменения
- изменения
- Выберите
- облако
- код
- Сбор
- привержен
- Компании
- сравненный
- совместим
- компоненты
- компьютер
- Компьютерное зрение
- компьютеры
- принимая во внимание
- постоянно
- потребитель
- Потребители
- Контейнеры
- содержание
- продолжающийся
- Конверсия
- Основные
- Цена
- может
- Создайте
- создали
- Создающий
- Куратор
- курирует
- Текущий
- изготовленный на заказ
- клиент
- данные клиентов
- опыт работы с клиентами
- Клиенты
- ежедневно
- данным
- Подготовка данных
- обработка данных
- Наборы данных
- сделка
- решения
- глубоко
- глубокое обучение
- доставки
- обеспечивает
- в зависимости
- развернуть
- развертывание
- развертывание
- предназначенный
- подробнее
- развитый
- Развитие
- различный
- расстояние
- домен
- управлять
- вождение
- беспилотники
- в течение
- каждый
- Ранее
- Рано
- ELEVATE
- право
- включен
- позволяет
- обязательство
- Двигатель
- инженер
- обогащать
- Предприятие
- предприятий
- энтузиаст
- Весь
- Оборудование
- События
- События
- постоянно меняющихся
- развивается
- опыт
- опыта
- Объяснять
- извлечение
- Экстракты
- семья
- быстрее
- Особенность
- фильтр
- окончательный
- финансовый
- Найдите
- Фирма
- Трансформируемость
- Фокус
- после
- форма
- формат
- сформированный
- КАДР
- от
- полностью
- функция
- Функции
- шлюз
- порождать
- генерируется
- генерирует
- порождающий
- получить
- получающий
- дает
- Цели
- большой
- имеющий
- помощь
- помогает
- высокая производительность
- высший
- Как
- HTML
- HTTPS
- человек
- изображение
- осуществлять
- Осуществляющий
- Импортировать
- важную
- in
- включают
- Входящий
- расширились
- промышленность
- информация
- инициативы
- Инновации
- инновационный
- вход
- интегрированный
- интеграции.
- Интеллекта
- взаимодействующий
- взаимодействие
- интерес
- вовлеченный
- IT
- пункты
- работа
- Джобс
- путешествие
- Основные
- большой
- Фамилия
- последний
- вести
- ведущий
- УЧИТЬСЯ
- изучение
- Наследие
- Юр. Информация
- уровень
- Лицензирование
- ЖИЗНЬЮ
- Подтяжка лица
- жить
- загрузка
- Длинное
- Низкий
- машина
- обучение с помощью машины
- сделать
- ДЕЛАЕТ
- управлять
- управляемого
- рынок
- лидирующей на рынке
- Маркетинг
- Области применения:
- зрелость
- Медиа
- Microsoft
- команды Microsoft
- может быть
- миллионы
- ML
- Мобильный телефон
- модель
- Модели
- месяцев
- БОЛЕЕ
- самых
- Необходимость
- потребности
- Новые
- новые продукты
- Новости
- следующий
- НЛП
- уведомление
- Уведомления
- Предложения
- Onboard
- ONE
- оперативный
- Операционный отдел
- оптимизация
- оптимизированный
- Опции
- заказы
- организация
- организации
- Другие контрактные услуги
- внешнюю
- пакеты
- часть
- страстный
- Выполнять
- выполняет
- воплощение
- Олицетворять
- Персонализированные
- перспектива
- фотография
- трубопровод
- план
- планирование
- Планы
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- пожалуйста
- Точка
- Портал
- возможное
- После
- предпочтения
- Подготовить
- подготовка
- цена
- Цены
- цены
- проблемам
- процесс
- обработка
- Продукт
- Продукция
- профессиональный
- профессионалы
- проектов
- обеспечивать
- при условии
- приводит
- обеспечение
- опубликованный
- Push
- быстро
- повышение
- ранжирование
- Обменный курс
- Сырье
- Reading
- готовый
- реальные
- реального времени
- последний
- недавно
- рецепт
- Рекомендация
- рекомендаций
- учет
- уменьшить
- назвало
- отражать
- соответствующие
- реплицируются
- обязательный
- требование
- Требования
- Итоги
- Reuters
- обзор
- Снижение
- робототехника
- условиями,
- Run
- sagemaker
- главная
- масштабируемые
- Шкала
- масштабирование
- Ученые
- разделах
- Сектора юридического права
- видя
- старший
- служить
- служит
- обслуживание
- Услуги
- выступающей
- набор
- Шоппинг
- подпись
- значительный
- просто
- упростить
- с
- So
- Решение
- Решения
- Источник
- Источники
- специалист
- Расходы
- начинается
- Стартапы
- Шаг
- диск
- хранить
- магазины
- потоковый
- подписка
- подписка
- успех
- успешный
- suite
- поддержка
- система
- системы
- с учетом
- взять
- принимает
- задачи
- налог
- команда
- команды
- технологии
- Технологии
- Ассоциация
- их
- Thomson Reuters
- Через
- время
- в
- инструментом
- топ
- Train
- специалистов
- Обучение
- Сделки
- Transform
- преобразований
- преобразован
- Путешествие
- Тенденции
- срабатывает
- надежных
- понимать
- понимание
- новейший
- модернизация
- Применение
- использование
- Информация о пользователе
- пользователей
- ценный
- различный
- версия
- с помощью
- видение
- объем
- стремятся
- Богатство
- Web
- веб-приложений
- Недели
- Что
- который
- КТО
- в
- без
- Работа
- работавший
- работает
- работает
- мире
- бы
- записывать
- письменный
- лет
- Ты
- ВАШЕ
- зефирнет