ด้วยบทความ วิดีโอ ไฟล์บันทึกเสียง และสื่ออื่นๆ มากมายที่สร้างขึ้นทุกวันในบริษัทสื่อข่าว ผู้อ่านทุกประเภท ไม่ว่าจะเป็นผู้บริโภครายบุคคล สมาชิกองค์กร และอื่นๆ มักจะพบว่าการค้นหาเนื้อหาข่าวที่เกี่ยวข้องกับพวกเขามากที่สุดเป็นเรื่องยาก การนำเสนอข่าวสารและประสบการณ์เฉพาะบุคคลแก่ผู้อ่านสามารถช่วยแก้ปัญหานี้ และสร้างประสบการณ์ที่น่าดึงดูดยิ่งขึ้น อย่างไรก็ตาม การให้คำแนะนำเฉพาะบุคคลอย่างแท้จริงทำให้เกิดความท้าทายที่สำคัญหลายประการ:
- ดึงดูดความสนใจของผู้ใช้ที่หลากหลาย – ข่าวสามารถครอบคลุมหัวข้อได้มากมาย และแม้แต่ในหัวข้อเฉพาะ ผู้อ่านก็สามารถมีความสนใจที่แตกต่างกันได้
- กล่าวถึงประวัติผู้อ่านที่จำกัด – นักอ่านข่าวจำนวนมากมีประวัติกิจกรรมไม่ชัดเจน ผู้แนะนำจะต้องเรียนรู้การตั้งค่าอย่างรวดเร็วจากข้อมูลที่จำกัดเพื่อให้เกิดคุณค่า
- ความทันเวลาและแนวโน้ม – วงจรข่าวรายวันหมายถึงคำแนะนำจะต้องสร้างสมดุลระหว่างเนื้อหาส่วนบุคคลกับการค้นพบเรื่องราวใหม่ยอดนิยม
- ความสนใจที่เปลี่ยนไป – ความสนใจของผู้อ่านสามารถพัฒนาไปตามกาลเวลา ระบบจะต้องตรวจจับการเปลี่ยนแปลงและปรับคำแนะนำให้เหมาะสม
- คำอธิบาย – การให้ความโปร่งใสว่าทำไมจึงมีการแนะนำเรื่องราวบางเรื่องจะช่วยสร้างความไว้วางใจให้กับผู้ใช้ ระบบแนะนำข่าวในอุดมคติเข้าใจบุคคลและตอบสนองต่อบรรยากาศข่าวและผู้ชมในวงกว้าง การจัดการกับความท้าทายเหล่านี้เป็นกุญแจสำคัญในการเชื่อมโยงผู้อ่านกับเนื้อหาที่พวกเขาพบว่าให้ข้อมูลและมีส่วนร่วมอย่างมีประสิทธิภาพ
ในโพสต์นี้ เราจะอธิบายวิธีการ ปรับแต่ง Amazon สามารถขับเคลื่อนแอปพลิเคชันผู้แนะนำข่าวที่ปรับขนาดได้ โซลูชันนี้ถูกนำมาใช้กับลูกค้าสื่อที่ติดอันดับ Fortune 500 ในช่วงครึ่งแรกของปี 1 และสามารถนำกลับมาใช้ใหม่ได้สำหรับลูกค้ารายอื่นๆ ที่สนใจสร้างผู้แนะนำข่าว
ภาพรวมโซลูชัน
Amazon Personalize เหมาะอย่างยิ่งที่จะขับเคลื่อนกลไกการแนะนำข่าวสาร เนื่องจากความสามารถในการให้คำแนะนำแบบเรียลไทม์และแบบกลุ่มตามขนาดที่ต้องการ Amazon Personalize นำเสนอสูตรการแนะนำที่หลากหลาย (อัลกอริธึม) เช่น สูตรการตั้งค่าส่วนบุคคลของผู้ใช้และสูตร Trending Now ซึ่งเหมาะอย่างยิ่งสำหรับการฝึกอบรมโมเดลผู้แนะนำข่าว สูตรการตั้งค่าส่วนบุคคลของผู้ใช้จะวิเคราะห์การตั้งค่าของผู้ใช้แต่ละคนตามการมีส่วนร่วมกับเนื้อหาในช่วงเวลาหนึ่ง ซึ่งส่งผลให้มีฟีดข่าวที่กำหนดเองซึ่งจะแสดงหัวข้อและแหล่งที่มาที่เกี่ยวข้องกับผู้ใช้แต่ละรายมากที่สุด สูตร "มาแรงตอนนี้" ช่วยเสริมสิ่งนี้โดยการตรวจจับแนวโน้มที่เพิ่มขึ้นและเรื่องราวข่าวยอดนิยมแบบเรียลไทม์จากผู้ใช้ทุกคน การรวมคำแนะนำจากทั้งสองสูตรเข้าด้วยกันทำให้เครื่องมือแนะนำสามารถสร้างสมดุลระหว่างการปรับเปลี่ยนในแบบของคุณกับการค้นพบเรื่องราวที่ตรงเวลาและมีความสนใจสูง
แผนภาพต่อไปนี้แสดงสถาปัตยกรรมของแอปพลิเคชันผู้แนะนำข่าวที่ขับเคลื่อนโดย Amazon Personalize และรองรับบริการของ AWS
โซลูชันนี้มีข้อจำกัดดังต่อไปนี้:
- การให้คำแนะนำส่วนบุคคลสำหรับบทความที่เพิ่งเผยแพร่ (บทความที่เผยแพร่เมื่อไม่กี่นาทีที่แล้ว) อาจเป็นเรื่องที่ท้าทาย เราจะอธิบายวิธีลดข้อจำกัดนี้ในภายหลังในโพสต์นี้
- Amazon Personalize มีจำนวนการโต้ตอบและคุณลักษณะชุดข้อมูลรายการคงที่ซึ่งสามารถใช้เพื่อฝึกโมเดลได้
- ในขณะที่เขียน Amazon Personalize ไม่ได้ให้คำแนะนำในระดับผู้ใช้
มาดูองค์ประกอบหลักแต่ละส่วนของโซลูชันกันดีกว่า
เบื้องต้น
ในการใช้โซลูชันนี้ คุณต้องมีสิ่งต่อไปนี้:
- ข้อมูลการคลิกของผู้ใช้ในอดีตและแบบเรียลไทม์สำหรับ
interactions
ชุด - ข้อมูลเมตาของบทความข่าวย้อนหลังและเรียลไทม์สำหรับ
items
ชุด
นำเข้าและเตรียมข้อมูล
หากต้องการฝึกโมเดลใน Amazon Personalize คุณต้องจัดเตรียมข้อมูลการฝึก ในโซลูชันนี้ คุณใช้ชุดข้อมูลการฝึกอบรม Amazon Personalize สองประเภท: ชุดข้อมูลการโต้ตอบ และ ชุดข้อมูลรายการ. interactions
ชุดข้อมูลประกอบด้วยข้อมูลเกี่ยวกับการโต้ตอบระหว่างผู้ใช้-รายการ-การประทับเวลา และ items
ชุดข้อมูลประกอบด้วยคุณลักษณะในบทความที่แนะนำ
คุณสามารถใช้วิธีที่แตกต่างกันสองวิธีในการนำเข้าข้อมูลการฝึก:
- การนำเข้าแบทช์ - คุณสามารถใช้ได้ AWS กาว เพื่อแปลงและนำเข้าข้อมูลการโต้ตอบและข้อมูลรายการที่อยู่ใน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) เก็บไว้ในชุดข้อมูล Amazon Personalize AWS Glue ดำเนินการแยก แปลง และโหลด (ETL) เพื่อจัดแนวข้อมูลกับสคีมาชุดข้อมูล Amazon Personalize เมื่อกระบวนการ ETL เสร็จสมบูรณ์ ไฟล์เอาต์พุตจะถูกวางกลับเข้าไปใน Amazon S3 พร้อมสำหรับการนำเข้าไปยัง Amazon Personalize ผ่านทาง งานนำเข้าชุดข้อมูล.
- การนำเข้าแบบเรียลไทม์ - คุณสามารถใช้ได้ สตรีมข้อมูล Amazon Kinesis และ AWS แลมบ์ดา เพื่อนำเข้าข้อมูลแบบเรียลไทม์ทีละน้อย ฟังก์ชัน Lambda ดำเนินการแปลงข้อมูลแบบเดียวกับงานการนำเข้าแบบแบตช์ที่ระดับบันทึกแต่ละรายการ และนำเข้าข้อมูลไปยัง Amazon Personalize โดยใช้ ใส่เหตุการณ์ และ ใส่รายการ APIs
ในโซลูชันนี้ คุณยังสามารถนำเข้าแอตทริบิวต์ข้อมูลรายการและการโต้ตอบบางอย่างเข้าไปได้ อเมซอน ไดนาโมดีบี- คุณสามารถใช้แอตทริบิวต์เหล่านี้ในระหว่างการอนุมานแบบเรียลไทม์เพื่อกรองคำแนะนำตามกฎเกณฑ์ทางธุรกิจ ตัวอย่างเช่น ข้อมูลเมตาของบทความอาจมีชื่อบริษัทและอุตสาหกรรมในบทความ หากต้องการแนะนำบทความเกี่ยวกับบริษัทหรืออุตสาหกรรมที่ผู้ใช้กำลังอ่านเชิงรุก คุณสามารถบันทึกความถี่ที่ผู้อ่านมีส่วนร่วมกับบทความเกี่ยวกับบริษัทและอุตสาหกรรมที่เฉพาะเจาะจง และใช้ข้อมูลนี้กับ Amazon ปรับแต่งตัวกรอง เพื่อปรับแต่งเนื้อหาที่แนะนำเพิ่มเติม เราจะพูดคุยเพิ่มเติมเกี่ยวกับวิธีใช้แอตทริบิวต์ข้อมูลรายการและการโต้ตอบใน DynamoDB ในโพสต์นี้
แผนภาพต่อไปนี้แสดงสถาปัตยกรรมการนำเข้าข้อมูล
ฝึกโมเดล
ความพยายามในการฝึกโมเดลส่วนใหญ่ควรมุ่งเน้นไปที่โมเดล User Personalization เนื่องจากสามารถใช้ชุดข้อมูล Amazon Personalize ทั้งสามชุดได้ (ในขณะที่โมเดล Trending Now ใช้เฉพาะ interactions
ชุดข้อมูล) เราขอแนะนำให้ทำการทดสอบที่ทำให้กระบวนการฝึกอบรมมีความแตกต่างกันอย่างเป็นระบบ สำหรับลูกค้าที่ใช้โซลูชันนี้ ทีมงานได้ทำการทดลองมากกว่า 30 ครั้ง รวมถึงการปรับเปลี่ยน interactions
และ items
คุณสมบัติชุดข้อมูล การปรับความยาวของประวัติการโต้ตอบที่มีให้กับโมเดล การปรับแต่งไฮเปอร์พารามิเตอร์ของ Amazon Personalize และการประเมินว่าชุดข้อมูลของผู้ใช้ที่ชัดเจนปรับปรุงประสิทธิภาพออฟไลน์หรือไม่ (สัมพันธ์กับเวลาการฝึกอบรมที่เพิ่มขึ้น)
รูปแบบต่างๆ ของโมเดลแต่ละแบบได้รับการประเมินตามตัววัดที่รายงานโดย Amazon Personalize ในข้อมูลการฝึก รวมถึงตัววัดออฟไลน์ที่กำหนดเองในชุดข้อมูลการทดสอบที่ค้างไว้ ตัวชี้วัดมาตรฐานที่ต้องพิจารณา ได้แก่ ความแม่นยำเฉลี่ยเฉลี่ย (MAP) @ K (โดยที่ K คือจำนวนคำแนะนำที่นำเสนอต่อผู้อ่าน) อัตราขยายสะสมแบบคิดลดแบบมาตรฐาน อันดับส่วนกลับเฉลี่ย และความครอบคลุม สำหรับข้อมูลเพิ่มเติมเกี่ยวกับตัวชี้วัดเหล่านี้ โปรดดู การประเมินเวอร์ชันโซลูชันด้วยหน่วยเมตริก- เราขอแนะนำให้จัดลำดับความสำคัญของ MAP @ K จากตัววัดเหล่านี้ ซึ่งจะรวบรวมจำนวนบทความโดยเฉลี่ยที่ผู้อ่านคลิกจากบทความ K อันดับต้น ๆ ที่แนะนำ เนื่องจากตัววัด MAP เป็นตัวแทนที่ดีสำหรับอัตราการคลิกผ่านบทความ (จริง) ควรเลือก K ตามจำนวนบทความที่ผู้อ่านสามารถดูได้บนเดสก์ท็อปหรือหน้าเว็บบนมือถือโดยไม่ต้องเลื่อน ช่วยให้คุณสามารถประเมินประสิทธิภาพการแนะนำโดยใช้ความพยายามของผู้อ่านน้อยที่สุด การใช้ตัวชี้วัดแบบกำหนดเอง เช่น เอกลักษณ์ของคำแนะนำ (ซึ่งอธิบายว่าผลลัพธ์ของคำแนะนำมีความเฉพาะตัวในกลุ่มผู้ใช้ผู้สมัคร) ยังสามารถให้ข้อมูลเชิงลึกเกี่ยวกับประสิทธิผลของคำแนะนำได้อีกด้วย
ด้วย Amazon Personalize กระบวนการทดลองช่วยให้คุณสามารถกำหนดชุดคุณลักษณะชุดข้อมูลที่เหมาะสมที่สุดสำหรับทั้งโมเดล User Personalization และ Trending Now โมเดล Trending Now มีอยู่ใน Amazon Personalize เดียวกัน กลุ่มชุดข้อมูล เป็นรูปแบบ User Personalization จึงใช้ชุดเดียวกันของ interactions
คุณสมบัติชุดข้อมูล
สร้างคำแนะนำแบบเรียลไทม์
เมื่อผู้อ่านเยี่ยมชมหน้าเว็บของบริษัทข่าว ระบบจะเรียก API ไปยังผู้แนะนำข่าวผ่านทาง Amazon API Gateway Amazon- ซึ่งจะทริกเกอร์ฟังก์ชัน Lambda ที่เรียกใช้ตำแหน่งข้อมูลของโมเดล Amazon Personalize เพื่อรับ คำแนะนำแบบเรียลไทม์- ในระหว่างการอนุมานคุณสามารถใช้ ฟิลเตอร์ เพื่อกรองผลลัพธ์คำแนะนำเริ่มต้นตามคุณลักษณะการโต้ตอบของบทความหรือผู้อ่าน ตัวอย่างเช่น หาก "หัวข้อข่าว" (เช่น กีฬา ไลฟ์สไตล์ หรือการเมือง) เป็นแอตทริบิวต์ของบทความ คุณจะจำกัดการแนะนำเฉพาะหัวข้อข่าวที่เฉพาะเจาะจงได้หากนั่นคือข้อกำหนดของผลิตภัณฑ์ ในทำนองเดียวกัน คุณสามารถใช้ตัวกรองในเหตุการณ์การโต้ตอบของผู้อ่าน เช่น การยกเว้นบทความที่ผู้อ่านได้อ่านแล้ว
ความท้าทายหลักประการหนึ่งสำหรับคำแนะนำแบบเรียลไทม์คือการรวมบทความที่เพิ่งเผยแพร่ (หรือที่เรียกว่ารายการเย็น) ลงในผลลัพธ์คำแนะนำอย่างมีประสิทธิภาพ บทความที่เพิ่งเผยแพร่ไม่มีข้อมูลการโต้ตอบในอดีตที่ปกติผู้แนะนำพึ่งพา และระบบการแนะนำต้องใช้เวลาในการประมวลผลเพียงพอเพื่อประเมินว่าบทความที่เพิ่งเผยแพร่มีความเกี่ยวข้องกับผู้ใช้เฉพาะเจาะจงเพียงใด (แม้ว่าจะใช้เฉพาะสัญญาณความสัมพันธ์ระหว่างผู้ใช้กับรายการก็ตาม)
Amazon Personalize สามารถตรวจจับและแนะนำบทความใหม่ๆ ที่นำเข้ามาได้โดยอัตโนมัติ items
ชุดข้อมูลทุกๆ 2 ชั่วโมง อย่างไรก็ตาม เนื่องจากกรณีการใช้งานนี้เน้นไปที่การแนะนำข่าวสาร คุณจึงต้องมีวิธีแนะนำบทความใหม่ทันทีที่เผยแพร่และพร้อมให้ผู้อ่านอ่าน
วิธีหนึ่งในการแก้ปัญหานี้คือการออกแบบกลไกในการสุ่มแทรกบทความที่เพิ่งเผยแพร่ลงในผลลัพธ์คำแนะนำขั้นสุดท้ายสำหรับผู้อ่านแต่ละคน คุณสามารถเพิ่มคุณสมบัติเพื่อควบคุมเปอร์เซ็นต์ของบทความในชุดคำแนะนำสุดท้ายที่เป็นบทความที่เพิ่งเผยแพร่ และคล้ายกับผลลัพธ์คำแนะนำดั้งเดิมจาก Amazon Personalize คุณสามารถกรองบทความที่เพิ่งเผยแพร่ตามคุณลักษณะของบทความ (เช่น “หัวข้อข่าว” ) หากเป็นข้อกำหนดของผลิตภัณฑ์ คุณสามารถติดตามการโต้ตอบกับบทความที่เพิ่งเผยแพร่ใน DynamoDB ขณะที่บทความเหล่านั้นเริ่มไหลเข้าสู่ระบบ และจัดลำดับความสำคัญของบทความที่เพิ่งเผยแพร่ที่ได้รับความนิยมสูงสุดในระหว่างการประมวลผลคำแนะนำภายหลัง จนกว่าบทความที่เพิ่งเผยแพร่จะถูกตรวจพบและประมวลผลโดยโมเดล Amazon Personalize
หลังจากที่คุณมีบทความแนะนำชุดสุดท้ายแล้ว ผลลัพธ์นี้จะถูกส่งไปยังฟังก์ชัน Lambda ที่กำลังประมวลผลภายหลังซึ่งจะตรวจสอบผลลัพธ์เพื่อดูว่าสอดคล้องกับกฎทางธุรกิจที่กำหนดไว้ล่วงหน้าหรือไม่ สิ่งเหล่านี้อาจรวมถึงการตรวจสอบว่าบทความที่แนะนำตรงตามข้อกำหนดเค้าโครงหน้าเว็บหรือไม่ เช่น หากมีการแสดงคำแนะนำในส่วนหน้าของเว็บเบราว์เซอร์ เป็นต้น หากจำเป็น บทความสามารถถูกจัดอันดับใหม่เพื่อให้แน่ใจว่าเป็นไปตามกฎเกณฑ์ทางธุรกิจ เราขอแนะนำให้จัดอันดับใหม่โดยใช้ฟังก์ชันที่ช่วยให้บทความที่มีอันดับสูงกว่าตกลงมาในอันดับเดียวเท่านั้นในแต่ละครั้งจนกว่าจะเป็นไปตามกฎเกณฑ์ทางธุรกิจทั้งหมด ทำให้ผู้อ่านสูญเสียความเกี่ยวข้องน้อยที่สุด รายการสุดท้ายของบทความหลังการประมวลผลจะถูกส่งกลับไปยังบริการบนเว็บที่เริ่มการขอคำแนะนำ
ไดอะแกรมต่อไปนี้แสดงสถาปัตยกรรมสำหรับขั้นตอนนี้ในโซลูชัน
สร้างคำแนะนำแบบกลุ่ม
แดชบอร์ดข่าวส่วนบุคคล (ผ่านคำแนะนำแบบเรียลไทม์) กำหนดให้ผู้อ่านค้นหาข่าวสารอย่างจริงจัง แต่ในชีวิตที่ยุ่งวุ่นวายของเราในปัจจุบัน บางครั้งการส่งข่าวเด่นถึงคุณอาจง่ายกว่า หากต้องการส่งบทความข่าวส่วนบุคคลเป็นอีเมลสรุป คุณสามารถใช้ ฟังก์ชันขั้นตอนของ AWS ขั้นตอนการทำงานเพื่อสร้างคำแนะนำแบบกลุ่ม เวิร์กโฟลว์การแนะนำแบบกลุ่มรวบรวมและประมวลผลคำแนะนำภายหลังจากโมเดล User Personalization หรือจุดสิ้นสุดของโมเดล Trending Now ทำให้มีความยืดหยุ่นในการเลือกว่าทีมบทความที่ได้รับความนิยมและส่วนบุคคลต้องการส่งไปยังผู้อ่านอย่างไร นักพัฒนายังมีตัวเลือกในการใช้ Amazon Personalize อีกด้วย การอนุมานเป็นชุด คุณสมบัติ; อย่างไรก็ตาม ในขณะที่เขียน การสร้างงานการอนุมานแบบแบตช์ของ Amazon Personalize ไม่รองรับการรวมรายการที่นำเข้าหลังจากฝึกฝนโมเดลแบบกำหนดเองของ Amazon Personalize แล้ว และไม่รองรับสูตร Trending Now
ในระหว่างเวิร์กโฟลว์ Step Functions การอนุมานแบบกลุ่ม รายชื่อผู้อ่านจะถูกแบ่งออกเป็นชุดๆ ประมวลผลแบบขนาน และส่งไปยังเลเยอร์การประมวลผลภายหลังและการตรวจสอบก่อนที่จะถูกส่งไปยังบริการสร้างอีเมล แผนภาพต่อไปนี้แสดงขั้นตอนการทำงานนี้
ปรับขนาดระบบผู้แนะนำ
หากต้องการปรับขนาดอย่างมีประสิทธิภาพ คุณต้องมีผู้แนะนำข่าวสารเพื่อรองรับจำนวนผู้ใช้ที่เพิ่มขึ้นและเพิ่มปริมาณการเข้าชมโดยไม่ทำให้ประสบการณ์ของผู้อ่านลดลง Amazon ปรับแต่งตำแหน่งข้อมูลโมเดลแบบเนทีฟ มาตราส่วนอัตโนมัติ เพื่อรองรับปริมาณการเข้าชมที่เพิ่มขึ้น วิศวกรจำเป็นต้องตั้งค่าและติดตามตัวแปรธุรกรรมที่จัดเตรียมขั้นต่ำต่อวินาที (TPS) สำหรับแต่ละตำแหน่งข้อมูล Amazon Personalize
นอกเหนือจาก Amazon Personalize แล้ว แอปพลิเคชันแนะนำข่าวที่นำเสนอในที่นี้สร้างขึ้นโดยใช้บริการ AWS แบบไร้เซิร์ฟเวอร์ ช่วยให้ทีมวิศวกรมุ่งเน้นไปที่การมอบประสบการณ์ผู้อ่านที่ดีที่สุดโดยไม่ต้องกังวลกับการบำรุงรักษาโครงสร้างพื้นฐาน
สรุป
ในระบบเศรษฐกิจแบบเน้นความสนใจนี้ การส่งมอบเนื้อหาที่เกี่ยวข้องและทันท่วงทีให้กับผู้บริโภคมีความสำคัญมากขึ้นเรื่อยๆ ในโพสต์นี้ เราได้พูดคุยถึงวิธีที่คุณสามารถใช้ Amazon Personalize เพื่อสร้างผู้แนะนำข่าวสารที่ปรับขนาดได้ และกลยุทธ์ที่องค์กรต่างๆ สามารถนำไปใช้เพื่อจัดการกับความท้าทายเฉพาะตัวในการนำเสนอข่าวสารที่แนะนำ
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Amazon Personalize และวิธีที่ Amazon ช่วยให้องค์กรของคุณสร้างระบบการแนะนำได้ โปรดดูที่ คู่มือ Amazon Personalize Developer.
อาคารมีความสุข!
เกี่ยวกับผู้เขียน
บาลา กฤษณามัวร์ธี เป็นนักวิทยาศาสตร์ข้อมูลอาวุโสที่ AWS Professional Services ซึ่งเขาช่วยลูกค้าสร้างและปรับใช้โซลูชันที่ขับเคลื่อนด้วย AI เพื่อแก้ปัญหาความท้าทายทางธุรกิจของพวกเขา เขาได้ทำงานร่วมกับลูกค้าในหลากหลายภาคส่วน รวมถึงสื่อและความบันเทิง บริการทางการเงิน การดูแลสุขภาพ และเทคโนโลยี ในเวลาว่าง เขาสนุกกับการใช้เวลากับครอบครัว/เพื่อน ทำกิจกรรม ลองร้านอาหารใหม่ๆ ท่องเที่ยว และเริ่มต้นวันใหม่ด้วยกาแฟร้อนสักแก้ว
ริชิ จาลา เป็นสถาปนิกข้อมูล NoSQL ที่มี AWS Professional Services เขามุ่งเน้นไปที่การวางสถาปัตยกรรมและสร้างแอปพลิเคชันที่ปรับขนาดได้สูงโดยใช้ฐานข้อมูล NoSQL เช่น Amazon DynamoDB ด้วยความหลงใหลในการแก้ปัญหาของลูกค้า เขานำเสนอโซลูชันที่ปรับให้เหมาะสมเพื่อขับเคลื่อนความสำเร็จในโลกดิจิทัล
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-a-news-recommender-application-with-amazon-personalize/
- :มี
- :เป็น
- :ที่ไหน
- 100
- 2023
- 30
- 500
- 7
- 98
- a
- ความสามารถ
- เกี่ยวกับเรา
- อำนวยความสะดวก
- ตาม
- ข้าม
- คล่องแคล่ว
- อย่างกระตือรือร้น
- อยากทำกิจกรรม
- ปรับ
- เพิ่ม
- ที่อยู่
- ปรับ
- หลังจาก
- มาแล้ว
- ขับเคลื่อนด้วย AI
- อัลกอริทึม
- จัดแนว
- จัดแนว
- ทั้งหมด
- การอนุญาต
- ช่วยให้
- แล้ว
- ด้วย
- อเมซอน
- ปรับแต่ง Amazon
- Amazon Web Services
- an
- การวิเคราะห์
- และ
- อื่น
- ใด
- API
- APIs
- การใช้งาน
- การใช้งาน
- วิธีการ
- สถาปัตยกรรม
- เป็น
- บทความ
- บทความ
- AS
- ด้าน
- ประเมินผล
- At
- ความสนใจ
- แอตทริบิวต์
- ผู้ฟัง
- เสียง
- รถยนต์
- เฉลี่ย
- AWS
- AWS กาว
- บริการระดับมืออาชีพของ AWS
- กลับ
- ยอดคงเหลือ
- ตาม
- BE
- เพราะ
- กลายเป็น
- รับ
- ก่อน
- กำลัง
- ที่ดีที่สุด
- ทั้งสอง
- ที่กว้างขึ้น
- เบราว์เซอร์
- สร้าง
- การก่อสร้าง
- สร้าง
- สร้าง
- ธุรกิจ
- ไม่ว่าง
- แต่
- by
- โทรศัพท์
- ที่เรียกว่า
- โทร
- CAN
- ผู้สมัคร
- จับ
- กรณี
- บาง
- ท้าทาย
- ความท้าทาย
- ท้าทาย
- ตรวจสอบ
- การตรวจสอบ
- การตรวจสอบ
- คลิก
- ภูมิอากาศ
- กาแฟ
- ผู้สมัครที่ไม่รู้จัก
- การผสมผสาน
- การรวมกัน
- บริษัท
- บริษัท
- บริษัท
- สมบูรณ์
- ส่วนประกอบ
- การเชื่อมต่อ
- พิจารณา
- ผู้บริโภค
- การบริโภค
- บรรจุ
- มี
- เนื้อหา
- ควบคุม
- ไทม์ไลน์การ
- ความคุ้มครอง
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- ถ้วย
- ประเพณี
- ลูกค้า
- ลูกค้า
- การปรับแต่ง
- รอบ
- ประจำวัน
- ข่าวรายวัน
- แดชบอร์ด
- ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ฐานข้อมูล
- ชุดข้อมูล
- วัน
- ส่งมอบ
- การส่งมอบ
- มอบ
- ปรับใช้
- บรรยาย
- อธิบาย
- การออกแบบ
- เดสก์ท็อป
- ตรวจจับ
- ตรวจพบ
- กำหนด
- ผู้พัฒนา
- นักพัฒนา
- แผนภาพ
- ต่าง
- ยาก
- ย่อยอาหาร
- ดิจิตอล
- ลด
- การค้นพบ
- สนทนา
- กล่าวถึง
- หลาย
- แบ่งออก
- ไม่
- Dont
- ลง
- ขับรถ
- ในระหว่าง
- แต่ละ
- ง่ายดาย
- เศรษฐกิจ
- มีประสิทธิภาพ
- ประสิทธิผล
- ความพยายาม
- อีเมล
- ปลายทาง
- มีส่วนร่วม
- น่าสนใจ
- เครื่องยนต์
- ชั้นเยี่ยม
- วิศวกร
- ทำให้มั่นใจ
- ความบันเทิง
- ประเมินค่า
- ประเมิน
- การประเมินการ
- แม้
- เหตุการณ์
- ทุกๆ
- คาย
- ตัวอย่าง
- ไม่รวม
- ที่มีอยู่
- ประสบการณ์
- ประสบการณ์
- การทดลอง
- การทดลอง
- คำอธิบาย
- สารสกัด
- ตก
- ลักษณะ
- คุณสมบัติ
- สองสาม
- เนื้อไม่มีมัน
- กรอง
- ฟิลเตอร์
- สุดท้าย
- ทางการเงิน
- บริการทางการเงิน
- หา
- พอดี
- การแก้ไข
- ความยืดหยุ่น
- โฟกัส
- มุ่งเน้น
- มุ่งเน้นไปที่
- ดังต่อไปนี้
- สำหรับ
- สำหรับผู้บริโภค
- โชคลาภ
- ฟรี
- มัก
- ราคาเริ่มต้นที่
- ส่วนหน้า
- ฟังก์ชัน
- ฟังก์ชั่น
- ต่อไป
- ได้รับ
- สร้าง
- รุ่น
- ได้รับ
- ให้
- ดี
- ยิ่งใหญ่
- การเจริญเติบโต
- มี
- มี
- he
- การดูแลสุขภาพ
- ช่วย
- จะช่วยให้
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- อย่างสูง
- ของเขา
- ทางประวัติศาสตร์
- ประวัติศาสตร์
- ประวัติ
- ร้อน
- ชั่วโมง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- ในอุดมคติ
- if
- แสดงให้เห็นถึง
- การดำเนินการ
- การดำเนินการ
- การดำเนินการ
- นำเข้า
- สำคัญ
- การปรับปรุง
- in
- ประกอบด้วย
- รวม
- รวมทั้ง
- เพิ่ม
- เพิ่มขึ้น
- ขึ้น
- เป็นรายบุคคล
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- ให้ข้อมูล
- โครงสร้างพื้นฐาน
- แรกเริ่ม
- ที่ริเริ่ม
- ความเข้าใจ
- ปฏิสัมพันธ์
- ปฏิสัมพันธ์
- สนใจ
- ผลประโยชน์
- เข้าไป
- IT
- รายการ
- ITS
- การสัมภาษณ์
- jpg
- เพียงแค่
- คีย์
- ภูมิประเทศ
- ต่อมา
- ชั้น
- แบบ
- เรียนรู้
- ความยาว
- ชั้น
- วิถีการดำเนินชีวิต
- การ จำกัด
- ข้อ จำกัด
- ถูก จำกัด
- รายการ
- ชีวิต
- โหลด
- ปิด
- ทำ
- หลัก
- การบำรุงรักษา
- หลาย
- แผนที่
- อาจ..
- หมายความ
- กลไก
- ภาพบรรยากาศ
- พบ
- ครึ่ง
- เมตาดาต้า
- เมตริก
- ตัวชี้วัด
- ต่ำสุด
- ขั้นต่ำ
- นาที
- บรรเทา
- โทรศัพท์มือถือ
- แบบ
- โมเดล
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มากที่สุด
- เป็นที่นิยม
- ฝูง
- ต้อง
- ชื่อ
- โดยกำเนิด
- จำเป็นต้อง
- จำเป็น
- ใหม่
- ข่าว
- ปกติ
- ตอนนี้
- จำนวน
- of
- เสนอ
- ออฟไลน์
- on
- ONE
- เพียง
- การดำเนินการ
- ดีที่สุด
- ตัวเลือกเสริม (Option)
- or
- organizacja
- องค์กร
- เป็นต้นฉบับ
- อื่นๆ
- ของเรา
- ออก
- เอาท์พุต
- เกิน
- Parallel
- โดยเฉพาะ
- หลงใหล
- ต่อ
- เปอร์เซ็นต์
- การปฏิบัติ
- ดำเนินการ
- ส่วนบุคคล
- ปรับแต่ง
- ส่วนบุคคล
- สถานที่
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- การเมือง
- สระ
- ยอดนิยม
- โพสต์
- อำนาจ
- ขับเคลื่อน
- ความแม่นยำ
- การตั้งค่า
- เตรียมการ
- นำเสนอ
- นำเสนอ
- จัดลำดับความสำคัญ
- จัดลำดับความสำคัญ
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- แปรรูปแล้ว
- การประมวลผล
- ผลิตภัณฑ์
- มืออาชีพ
- ให้
- ให้
- การให้
- หนังสือมอบฉันทะ
- การตีพิมพ์
- ผลัก
- อย่างรวดเร็ว
- อันดับ
- อันดับ
- ราคา
- อ่าน
- ผู้อ่าน
- ผู้อ่าน
- การอ่าน
- พร้อม
- จริง
- เรียลไทม์
- ข้อมูลตามเวลาจริง
- สูตร
- แนะนำ
- แนะนำ
- แนะนำ
- แนะนำ
- ระเบียน
- ความสัมพันธ์
- ญาติ
- ตรงประเด็น
- วางใจ
- รายงาน
- ขอ
- ต้องการ
- ความต้องการ
- ร้านอาหาร
- จำกัด
- ผลสอบ
- ที่เพิ่มขึ้น
- กฎระเบียบ
- วิ่ง
- เดียวกัน
- ที่ปรับขนาดได้
- ขนาด
- นักวิทยาศาสตร์
- เลื่อน
- ค้นหา
- ที่สอง
- ภาค
- เห็น
- เลือก
- เลือก
- ระดับอาวุโส
- ส่ง
- ให้บริการ
- serverless
- บริการ
- บริการ
- ชุด
- หลาย
- กะ
- น่า
- สัญญาณ
- คล้ายคลึงกัน
- เหมือนกับ
- ง่าย
- So
- ทางออก
- โซลูชัน
- แก้
- การแก้
- บางครั้ง
- ในไม่ช้า
- แหล่งที่มา
- ระยะ
- โดยเฉพาะ
- ข้อกำหนด
- การใช้จ่าย
- กีฬา
- มาตรฐาน
- เริ่มต้น
- การเข้าพัก
- ขั้นตอน
- การเก็บรักษา
- จำนวนชั้น
- กลยุทธ์
- ส่ง
- สมาชิก
- ความสำเร็จ
- อย่างเช่น
- เพียงพอ
- เหมาะสม
- สนับสนุน
- ที่สนับสนุน
- พื้นผิว
- ระบบ
- อย่างเป็นระบบ
- ระบบ
- การแก้ปัญหา
- ช่างตัดเสื้อ
- ปรับปรุง
- เอา
- ทีม
- ทีม
- เทคโนโลยี
- ทดสอบ
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- นี้
- สาม
- ตลอด
- เวลา
- ทันเวลา
- ไปยัง
- ในวันนี้
- ด้านบน
- หัวข้อ
- TPS
- ลู่
- การจราจร
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- ข่าวการอบรม
- การทำธุรกรรม
- แปลง
- การแปลง
- ความโปร่งใส
- การเดินทาง
- แนวโน้ม
- แนวโน้ม
- อย่างแท้จริง
- วางใจ
- พยายาม
- จูน
- สอง
- ชนิด
- เข้าใจ
- เป็นเอกลักษณ์
- ความเป็นเอกลักษณ์
- จนกระทั่ง
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้งาน
- ผู้ใช้
- ใช้
- การใช้
- การตรวจสอบ
- ความคุ้มค่า
- ตัวแปร
- แตกต่างกัน
- ความหลากหลาย
- แตกต่าง
- รุ่น
- ผ่านทาง
- วิดีโอ
- รายละเอียด
- จำนวนการเข้าชม
- เดิน
- ต้องการ
- คือ
- ทาง..
- we
- เว็บ
- เว็บเบราเซอร์
- บริการเว็บ
- ดี
- คือ
- อะไร
- เมื่อ
- แต่ทว่า
- ว่า
- ที่
- ทำไม
- จะ
- กับ
- ภายใน
- ไม่มี
- ทำงาน
- เวิร์กโฟลว์
- น่าหนักใจ
- การเขียน
- คุณ
- ของคุณ
- ลมทะเล