To objavo je soavtor Hesham Fahim iz Thomson Reuters.
Thomson Reuters (TR) je ena najbolj zaupanja vrednih informacijskih organizacij za podjetja in strokovnjake. Podjetjem zagotavlja inteligenco, tehnologijo in človeško strokovno znanje, ki jih potrebujejo za iskanje zaupanja vrednih odgovorov, kar jim omogoča hitrejše sprejemanje boljših odločitev. Stranke podjetja TR segajo na trge financ, tveganj, prava, davkov, računovodstva in medijev.
Thomson Reuters ponuja vodilne izdelke na trgu v kampanji Tax, Legal and News, na katero se lahko uporabniki prijavijo z modelom naročniškega licenciranja. Da bi izboljšali to izkušnjo za svoje stranke, je TR želel ustvariti centralizirano platformo za priporočila, ki je njihovi prodajni ekipi omogočala, da svojim strankam predlaga najbolj ustrezne naročniške pakete in ustvarja predloge, ki pomagajo pri ozaveščanju o izdelkih, ki bi lahko njihovim strankam pomagali bolje služiti trgu prek prilagojene izbire izdelkov.
Pred izgradnjo te centralizirane platforme je TR imel podedovan motor, ki je temeljil na pravilih, za ustvarjanje priporočil za obnovitev. Pravila v tem mehanizmu so bila vnaprej določena in napisana v SQL, ki je poleg tega, da je predstavljalo izziv za upravljanje, tudi težko obvladalo širjenje podatkov iz različnih integriranih virov podatkov TR. Podatki o strankah TR se spreminjajo hitreje, kot se lahko razvijejo poslovna pravila, ki odražajo spreminjajoče se potrebe strank. Ključna zahteva za TR-jev nov motor za personalizacijo, ki temelji na strojnem učenju (ML), je bila osredotočena na natančen sistem priporočil, ki upošteva nedavne trende strank. Zaželena rešitev bi bila tista z nizkimi operativnimi stroški, zmožnostjo pospeševanja doseganja poslovnih ciljev in motorjem za personalizacijo, ki bi ga bilo mogoče nenehno usposabljati s posodobljenimi podatki za spopadanje s spreminjajočimi se potrošniškimi navadami in novimi izdelki.
Prilagoditev priporočil za podaljšanje na podlagi tega, kaj bi bili dragoceni izdelki za stranke TR, je bil pomemben poslovni izziv za prodajno in marketinško ekipo. TR ima ogromno podatkov, ki bi jih lahko uporabili za personalizacijo, ki so bili zbrani iz interakcij strank in shranjeni v centraliziranem skladišču podatkov. TR je prvi uporabil ML z Amazon SageMaker, njihova zrelost v domeni AI/ML pa je pomenila, da so zbrali pomemben nabor ustreznih podatkov v podatkovnem skladišču, s katerim je ekipa lahko usposobila model personalizacije. TR je nadaljeval z inovacijo AI/ML in je pred kratkim razvil prenovljeno platformo za priporočila z uporabo Amazonska prilagoditev, ki je v celoti upravljana storitev ML, ki uporablja uporabniške interakcije in elemente za ustvarjanje priporočil za uporabnike. V tej objavi pojasnjujemo, kako je TR uporabil Amazon Personalize za izgradnjo razširljivega sistema priporočil z več najemniki, ki svojim strankam zagotavlja najboljše naročniške načrte izdelkov in s tem povezane cene.
Arhitektura rešitev
Rešitev je bilo treba oblikovati ob upoštevanju osrednjih operacij TR v zvezi z razumevanjem uporabnikov prek podatkov; Zagotavljanje tem uporabnikom prilagojene in ustrezne vsebine iz velikega korpusa podatkov je bila kritična zahteva za misijo. Imeti dobro zasnovan sistem priporočil je ključnega pomena za pridobivanje kakovostnih priporočil, ki so prilagojena zahtevam vsakega uporabnika.
Rešitev je zahtevala zbiranje in pripravo podatkov o vedenju uporabnikov, usposabljanje modela ML z uporabo Amazon Personalize, generiranje prilagojenih priporočil prek usposobljenega modela in vodenje trženjskih kampanj s prilagojenimi priporočili.
TR je želel izkoristiti storitve, ki jih upravlja AWS, kjer je to mogoče, za poenostavitev operacij in zmanjšanje nediferenciranega dvigovanja težkega blaga. Rabljeno TR AWS lepilo DataBrew in Serija AWS opravila za izvajanje opravil ekstrahiranja, preoblikovanja in nalaganja (ETL) v cevovodih ML in SageMaker skupaj z Amazon Personalize za prilagajanje priporočil. Z vidika obsega podatkov o usposabljanju in časa izvajanja je morala biti rešitev razširljiva za obdelavo milijonov zapisov v časovnem okviru, ki je že predan uporabnikom na nižji stopnji v poslovnih ekipah TR.
V naslednjih razdelkih so razložene komponente, vključene v rešitev.
Usposabljanje ML
Interakcije med uporabniki in vsebino se zbirajo v obliki podatkov o toku klikov, ki nastanejo, ko stranka klikne vsebino. TR analizira, ali je to del njihovega naročniškega načrta ali zunaj njihovega naročniškega načrta, da lahko zagotovi dodatne podrobnosti o ceni in možnostih včlanitve v načrt. Podatki o interakcijah uporabnikov iz različnih virov so shranjeni v njihovem podatkovnem skladišču.
Naslednji diagram ponazarja cevovod usposabljanja ML.
Cevovod se začne s paketnim opravilom AWS, ki ekstrahira podatke iz podatkovnega skladišča in preoblikuje podatke za ustvarjanje naborov podatkov o interakcijah, uporabnikih in predmetih.
Za usposabljanje modela se uporabljajo naslednji nizi podatkov:
- Strukturirani podatki o izdelkih – Naročnine, naročila, katalog izdelkov, transakcije in podrobnosti o strankah
- Polstrukturirani podatki o obnašanju – Uporabniki, uporaba in interakcije
Ti preoblikovani podatki so shranjeni v Preprosta storitev shranjevanja Amazon (Amazon S3), ki je uvožen v Amazon Personalize za usposabljanje ML. Ker TR želi ustvariti prilagojena priporočila za svoje uporabnike, uporablja USER_PERSONALIZACIJA recept za usposabljanje modelov ML za njihove podatke po meri, kar se imenuje ustvarjanje različice rešitve. Ko je različica rešitve ustvarjena, se uporablja za generiranje prilagojenih priporočil za uporabnike.
Celoten potek dela je orkestriran z uporabo Korak funkcije AWS. Opozorila in obvestila se zajamejo in objavijo v Microsoft Teams z uporabo Amazon Simple notification Service (Amazon SNS) in Amazon EventBridge.
Ustvarjanje cevovoda prilagojenih priporočil: Paketno sklepanje
Zahteve in preference strank se zelo pogosto spreminjajo in najnovejše interakcije, zajete v podatkih o toku klikov, služijo kot ključna podatkovna točka za razumevanje spreminjajočih se preferenc strank. Da bi se prilagodil nenehno spreminjajočim se željam strank, TR vsakodnevno ustvarja prilagojena priporočila.
Naslednji diagram prikazuje cevovod za ustvarjanje prilagojenih priporočil.
Opravilo DataBrew izvleče podatke iz podatkovnega skladišča TR za uporabnike, ki so upravičeni do zagotavljanja priporočil med podaljšanjem na podlagi trenutnega naročniškega načrta in nedavne dejavnosti. Orodje za vizualno pripravo podatkov DataBrew analitikom podatkov TR in podatkovnim znanstvenikom olajša čiščenje in normalizacijo podatkov, da jih pripravijo za analitiko in strojno učenje. Možnost izbire med več kot 250 vnaprej izdelanimi transformacijami znotraj orodja za vizualno pripravo podatkov za avtomatizacijo nalog priprave podatkov, vse brez potrebe po pisanju kode, je bila pomembna lastnost. Opravilo DataBrew ustvari inkrementalni nabor podatkov za interakcije in vnos za opravilo paketnih priporočil ter shrani izhod v vedro S3. Novo ustvarjeni inkrementalni nabor podatkov se uvozi v nabor podatkov o interakcijah. Ko je opravilo inkrementalnega uvoza nabora podatkov uspešno, se z vhodnimi podatki sproži opravilo paketnih priporočil Amazon Personalize. Amazon Personalize ustvari najnovejša priporočila za uporabnike, navedena v vhodnih podatkih, in jih shrani v vedro S3 s priporočili.
Optimizacija cen je zadnji korak, preden so novo oblikovana priporočila pripravljena za uporabo. TR izvaja opravilo optimizacije stroškov na podlagi ustvarjenih priporočil in uporablja SageMaker za izvajanje modelov po meri na podlagi priporočil kot del tega zadnjega koraka. Opravilo AWS Glue kurira izhod, ustvarjen iz Amazon Personalize, in ga pretvori v vhodni format, ki ga zahteva model po meri SageMaker. TR lahko izkoristi prednosti širine storitev, ki jih ponuja AWS, z uporabo Amazon Personalize in SageMaker v platformi za priporočila za prilagajanje priporočil glede na vrsto podjetja stranke in končnih uporabnikov.
Celoten potek dela je ločen in orkestriran s pomočjo funkcij korakov, kar daje prilagodljivost prilagajanja cevovoda glede na zahteve za obdelavo podatkov. Opozorila in obvestila so zajeta z uporabo Amazon SNS in EventBridge.
Spodbujanje e-poštnih kampanj
Priporočila, ustvarjena skupaj z rezultati oblikovanja cen, se uporabljajo za usmerjanje e-poštnih kampanj do strank TR. Paketno opravilo AWS se uporablja za pripravo priporočil za vsako stranko in njihovo obogatitev z optimiziranimi informacijami o cenah. Ta priporočila so vnesena v sisteme za oglaševalske akcije TR, ki vodijo naslednje e-poštne akcije:
- Samodejno podaljšanje naročnine ali nadgradnja akcij z novimi izdelki, ki bi lahko zanimali stranko
- Kampanje za vmesno podaljšanje pogodbe z boljšimi ponudbami in ustreznejšimi izdelki ter pravnimi vsebinami
Informacije iz tega postopka se prav tako kopirajo na portal za stranke, tako da lahko stranke, ki pregledujejo svojo trenutno naročnino, vidijo nova priporočila za podaljšanje. TR je od uvedbe nove platforme za priporočila opazil višjo stopnjo konverzije iz e-poštnih kampanj, kar je povzročilo več prodajnih naročil.
Kaj je naslednje: cevovod priporočil v realnem času
Zahteve strank in nakupovalno vedenje se spreminjajo v realnem času, prilagajanje priporočil spremembam v realnem času pa je ključnega pomena za serviranje prave vsebine. Po velikem uspehu pri uvajanju sistema za paketna priporočila TR zdaj načrtuje, da bo to rešitev dvignil na višjo raven z implementacijo cevovoda priporočil v realnem času za ustvarjanje priporočil z uporabo Amazon Personalize.
Naslednji diagram ponazarja arhitekturo za zagotavljanje priporočil v realnem času.
Integracija v realnem času se začne z zbiranjem podatkov o angažiranosti uporabnikov v živo in njihovim pretakanjem v Amazon Personalize. Ko uporabniki komunicirajo z aplikacijami TR, ustvarijo dogodke toka klikov, ki so objavljeni v Amazonski kinezi podatkovni tokovi. Nato se dogodki vnesejo v centralizirano pretočno platformo TR, ki je zgrajena na vrhu Pretakanje, ki ga upravlja Amazon za Kafko (Amazon MSK). Amazon MSK olajša vnos in obdelavo pretočnih podatkov v realnem času s popolnoma upravljanim Apache Kafka. V tej arhitekturi Amazon MSK služi kot platforma za pretakanje in izvaja vse potrebne transformacije podatkov o neobdelanih dohodnih dogodkih toka klikov. Potem an AWS Lambda funkcija se sproži za filtriranje dogodkov v shemo, ki je združljiva z naborom podatkov Amazon Personalize, in te dogodke potisne v sledilnik dogodkov Amazon Personalize z uporabo putEvent
API. To omogoča storitvi Amazon Personalize, da se uči iz nedavnega vedenja vašega uporabnika in vključi ustrezne elemente v priporočila.
Spletne aplikacije TR prikličejo API, nameščen v Amazon API Gateway za pridobitev priporočil, kar sproži funkcijo Lambda za priklic a GetRecommendations
API klic z Amazon Personalize. Amazon Personalize ponuja najnovejši nabor prilagojenih priporočil, prilagojenih vedenju uporabnika, ki se vrnejo v spletne aplikacije prek Lambda in API Gateway.
S to arhitekturo v realnem času lahko TR svojim strankam postreže s prilagojenimi priporočili, prilagojenimi njihovemu najnovejšemu vedenju, in bolje zadovolji njihove potrebe.
zaključek
V tej objavi smo vam pokazali, kako je TR uporabil Amazon Personalize in druge storitve AWS za implementacijo mehanizma za priporočila. Amazon Personalize je TR-ju omogočil pospešitev razvoja in uvajanja visoko zmogljivih modelov za zagotavljanje priporočil svojim strankam. TR lahko zdaj v nekaj tednih vključi nov nabor izdelkov v primerjavi z meseci prej. Z Amazon Personalize in SageMaker lahko TR izboljša uporabniško izkušnjo z boljšimi naročniškimi načrti vsebin in cenami za svoje stranke.
Če ste uživali v branju tega spletnega dnevnika in bi radi izvedeli več o storitvi Amazon Personalize in o tem, kako lahko pomaga vaši organizaciji zgraditi priporočilne sisteme, si oglejte vodnik za razvijalce.
O avtorjih
Hisham Fahim je vodilni inženir strojnega učenja in arhitekt motorjev za personalizacijo pri Thomson Reuters. Sodeloval je z organizacijami v akademskem svetu in industriji, od velikih podjetij do srednje velikih startupov. S poudarkom na razširljivih arhitekturah globokega učenja ima izkušnje z mobilno robotiko, analizo biomedicinskih slik in priporočilnimi sistemi. Stran od računalnikov uživa v astrofotografiji, branju in kolesarjenju na dolge razdalje.
Srinivasa Shaik je arhitekt rešitev pri AWS s sedežem v Bostonu. Enterprise strankam pomaga pospešiti njihovo pot v oblak. Navdušen je nad kontejnerji in tehnologijami strojnega učenja. V prostem času se rad druži z družino, kuha in potuje.
Vamshi Krishna Enabothala je starejši arhitekt specialist za umetno inteligenco pri AWS. Sodeluje s strankami iz različnih sektorjev, da bi pospešil pobude za podatke, analitiko in strojno učenje z velikim vplivom. Navdušen je nad sistemi priporočil, NLP in področji računalniškega vida v AI in ML. Zunaj službe je Vamshi navdušenec nad RC, sestavlja RC opremo (letala, avtomobile in brezpilotna letala), uživa pa tudi v vrtnarjenju.
Simone Zucchet je višji arhitekt rešitev pri AWS. Z več kot 6-letnimi izkušnjami kot arhitektka oblakov Simone uživa v delu na inovativnih projektih, ki pomagajo preoblikovati način, na katerega se organizacije lotevajo poslovnih problemov. Pomaga podpirati velike poslovne stranke pri AWS in je del strojnega učenja TFC. Zunaj poklicnega življenja se rad ukvarja z avtomobili in fotografijo.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- sposobnost
- Sposobna
- O meni
- Akademija
- pospeši
- Račun
- računovodstvo
- natančna
- čez
- dejavnost
- prilagodijo
- Dodatne
- Prednost
- po
- AI
- AI / ML
- vsi
- omogoča
- že
- Amazon
- Amazonska prilagoditev
- Analiza
- Analitiki
- analitika
- analize
- in
- odgovori
- Apache
- API
- aplikacije
- uporabna
- Uporabljena AI
- pristop
- Arhitektura
- območja
- okoli
- povezan
- avtomatizirati
- zavest
- AWS
- AWS lepilo
- nazaj
- temeljijo
- Osnova
- ker
- pred
- BEST
- Boljše
- med
- Poleg
- biomedicina
- Blog
- maribor
- širina
- izgradnjo
- Building
- zgrajena
- poslovni
- podjetja
- klic
- Akcija
- kampanje
- Kampanje
- avtomobili
- Katalog
- centrirano
- centralizirano
- izziv
- spremenite
- Spremembe
- spreminjanje
- Izberite
- Cloud
- Koda
- Zbiranje
- storjeno
- Podjetja
- v primerjavi z letom
- združljiv
- deli
- računalnik
- Računalniška vizija
- računalniki
- upoštevamo
- nenehno
- Potrošnik
- Potrošniki
- Zabojniki
- vsebina
- naprej
- Pretvorba
- Core
- strošek
- bi
- ustvarjajo
- ustvaril
- Ustvarjanje
- kurirano
- kuratorji
- Trenutna
- po meri
- stranka
- podatki o strankah
- Izkušnje s strankami
- Stranke, ki so
- vsak dan
- datum
- Priprava podatkov
- obdelava podatkov
- nabor podatkov
- ponudba
- odločitve
- globoko
- globoko učenje
- dostavo
- daje
- Odvisno
- razporejeni
- uvajanja
- uvajanje
- zasnovan
- Podrobnosti
- razvili
- Razvoj
- drugačen
- razdalja
- domena
- pogon
- vožnjo
- Brezpilotna letala
- med
- vsak
- prej
- Zgodnje
- povzdignil
- upravičeni
- E-naslov
- omogočena
- omogočanje
- sodelovanje
- Motor
- inženir
- obogatiti
- Podjetje
- podjetja
- navdušenec
- Celotna
- oprema
- Event
- dogodki
- vedno spreminjajoče se
- razvijajo
- izkušnje
- strokovno znanje
- Pojasnite
- ekstrakt
- Izvlečki
- družina
- hitreje
- Feature
- filter
- končna
- finančna
- Najdi
- Firm
- prilagodljivost
- Osredotočite
- po
- obrazec
- format
- oblikovana
- FRAME
- iz
- v celoti
- funkcija
- funkcije
- Prehod
- ustvarjajo
- ustvarila
- ustvarja
- ustvarjajo
- dobili
- pridobivanje
- daje
- Cilji
- veliko
- ob
- pomoč
- Pomaga
- visokozmogljivo
- več
- Kako
- HTML
- HTTPS
- človeškega
- slika
- izvajati
- izvajanja
- uvoz
- Pomembno
- in
- vključujejo
- Dohodni
- povečal
- Industrija
- Podatki
- pobud
- Inovacije
- inovativne
- vhod
- integrirana
- integracija
- Intelligence
- medsebojno delovanje
- interakcije
- obresti
- vključeni
- IT
- Izdelkov
- Job
- Delovna mesta
- Potovanje
- Ključne
- velika
- Zadnja
- Zadnji
- vodi
- vodi
- UČITE
- učenje
- Legacy
- Pravne informacije
- Stopnja
- licenciranje
- življenje
- dviganje
- v živo
- obremenitev
- Long
- nizka
- stroj
- strojno učenje
- Znamka
- IZDELA
- upravljanje
- upravlja
- Tržna
- vodilni na trgu
- Trženje
- Prisotnost
- zapadlosti
- mediji
- Microsoft
- Microsoftove ekipe
- morda
- milijoni
- ML
- Mobilni
- Model
- modeli
- mesecev
- več
- Najbolj
- Nimate
- potrebe
- Novo
- novi izdelki
- novice
- Naslednja
- nlp
- Obvestilo
- Obvestila
- Ponudbe
- Na krovu
- ONE
- operativno
- operacije
- optimizacija
- optimizirana
- možnosti
- naročila
- Organizacija
- organizacije
- Ostalo
- zunaj
- pakete
- del
- strastno
- Izvedite
- opravlja
- personalizacija
- prilagodite
- Prilagojene
- perspektiva
- fotografija
- plinovod
- Načrt
- načrtovanje
- načrti
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- prosim
- Točka
- Portal
- mogoče
- Prispevek
- nastavitve
- Pripravimo
- priprava
- Cena
- Cene
- cenitev
- Težave
- Postopek
- obravnavati
- Izdelek
- Izdelki
- strokovni
- strokovnjaki
- projekti
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- objavljeno
- Push
- kakovost
- hitro
- dvigniti
- obsegu
- Oceniti
- Surovi
- reading
- pripravljen
- pravo
- v realnem času
- nedavno
- Pred kratkim
- Recept
- Priporočilo
- Priporočila
- evidence
- zmanjša
- besedilu
- odražajo
- pomembno
- podvojeno
- obvezna
- zahteva
- Zahteve
- Rezultati
- Reuters
- pregledovanje
- Tveganje
- robotika
- pravila
- Run
- sagemaker
- prodaja
- razširljive
- Lestvica
- skaliranje
- Znanstveniki
- oddelki
- Sektorji
- videnje
- višji
- služijo
- služi
- Storitev
- Storitve
- služijo
- nastavite
- Nakupovalna
- podpisati
- pomemben
- Enostavno
- poenostavitev
- saj
- So
- Rešitev
- rešitve
- vir
- Viri
- specialist
- Poraba
- začne
- Ustanavljanjem
- Korak
- shranjevanje
- shranjeni
- trgovine
- pretakanje
- naročnina
- naročnine
- uspeh
- uspešno
- apartma
- podpora
- sistem
- sistemi
- prilagojene
- Bodite
- meni
- Naloge
- davek
- skupina
- Skupine
- Tehnologije
- Tehnologija
- O
- njihove
- Thomson Reuters
- skozi
- čas
- do
- orodje
- vrh
- Vlak
- usposobljeni
- usposabljanje
- Transakcije
- Transform
- transformacije
- preoblikovati
- Potovanje
- Trends
- sprožilo
- zaupa
- razumeli
- razumevanje
- up-to-date
- nadgradnja
- Uporaba
- uporaba
- uporabnik
- Uporabniki
- dragocene
- različnih
- različica
- preko
- Vizija
- Obseg
- hotel
- Wealth
- web
- spletne aplikacije
- Weeks
- Kaj
- ki
- WHO
- v
- brez
- delo
- delal
- deluje
- deluje
- svetu
- bi
- pisati
- pisni
- let
- Vi
- Vaša rutina za
- zefirnet