Співавтором цієї публікації є Хешам Фахім з Thomson Reuters.
Thomson Reuters (TR) є однією з найбільш надійних у світі інформаційних організацій для компаній і професіоналів. Він надає компаніям інтелект, технології та людський досвід, необхідні їм для пошуку надійних відповідей, що дозволяє їм швидше приймати кращі рішення. Клієнтами TR є фінансові, ризикові, юридичні, податкові, бухгалтерські та медіа-ринки.
Thomson Reuters надає лідируючі на ринку продукти в рамках податкової, юридичної та новинної кампанії, на яку користувачі можуть підписатися, використовуючи модель ліцензування за підпискою. Щоб покращити цей досвід для своїх клієнтів, TR хотіла створити централізовану платформу рекомендацій, яка дозволила б їхнім відділам продажів пропонувати своїм клієнтам найрелевантніші пакети підписки, генеруючи пропозиції, які допомагають підвищити обізнаність про продукти, які могли б допомогти їхнім клієнтам краще обслуговувати ринок через індивідуальний вибір продуктів.
До створення цієї централізованої платформи TR мав застарілий механізм на основі правил для створення рекомендацій щодо оновлення. Правила в цьому механізмі були заздалегідь визначені та написані на SQL, що, окрім того, що створювало проблему для керування, також насилу впоралося з поширенням даних із різних інтегрованих джерел даних TR. Дані клієнтів TR змінюються швидше, ніж бізнес-правила можуть розвиватися відповідно до потреб клієнтів, що змінюються. Основна вимога до нового механізму персоналізації TR на основі машинного навчання (ML) була зосереджена навколо точної системи рекомендацій, яка враховує останні тенденції клієнтів. Бажаним рішенням було б низькі операційні витрати, здатність прискорити досягнення бізнес-цілей і механізм персоналізації, який можна було б постійно навчати за допомогою актуальних даних, щоб мати справу зі зміною споживчих звичок і новими продуктами.
Персоналізація рекомендацій щодо оновлення на основі цінних продуктів для клієнтів TR була важливою бізнес-проблемою для відділу продажів і маркетингу. TR має велику кількість даних, які можна використовувати для персоналізації, які були зібрані під час взаємодії з клієнтами та зберігаються в централізованому сховищі даних. TR був першим учасником ML with Amazon SageMaker, а їхня зрілість у сфері ШІ/ML означала, що вони зібрали значний набір відповідних даних у сховищі даних, на основі якого команда могла навчити модель персоналізації. TR продовжує свої інновації AI/ML і нещодавно розробив оновлену платформу рекомендацій, використовуючи Амазонка персоналізувати, яка є повністю керованою службою машинного навчання, яка використовує взаємодію користувача та елементи для створення рекомендацій для користувачів. У цьому дописі ми пояснюємо, як TR використовував Amazon Personalize для створення масштабованої системи рекомендацій з декількома клієнтами, яка надає своїм клієнтам найкращі плани передплати на продукти та відповідні ціни.
Архітектура рішення
Рішення мало бути розроблено з урахуванням основних операцій TR щодо розуміння користувачів через дані; Надання цим користувачам персоналізованого та відповідного вмісту з великого масиву даних було критично важливою вимогою. Наявність добре продуманої системи рекомендацій є ключем до отримання якісних рекомендацій, адаптованих до вимог кожного користувача.
Рішення вимагало збору та підготовки даних про поведінку користувачів, навчання моделі ML за допомогою Amazon Personalize, створення персоналізованих рекомендацій за допомогою навченої моделі та проведення маркетингових кампаній за допомогою персоналізованих рекомендацій.
TR хотів скористатися послугами, керованими AWS, де це можливо, щоб спростити операції та зменшити недиференційований важкий підйом. TR використано AWS Клей DataBrew та Пакет AWS завдання для виконання завдань вилучення, перетворення та завантаження (ETL) у конвеєрах ML, а також SageMaker разом із Amazon Personalize для адаптації рекомендацій. З точки зору обсягу навчальних даних і часу виконання, рішення мало бути масштабованим, щоб обробляти мільйони записів у межах часу, який уже призначено споживачам у бізнес-командах TR.
У наступних розділах пояснюється компоненти, залучені до рішення.
Конвеєр навчання ML
Взаємодія між користувачами та вмістом збирається у формі даних потоку кліків, які генеруються, коли клієнт натискає вміст. TR аналізує, чи є це частиною їхнього плану підписки чи не входить до його плану підписки, щоб вони могли надати додаткові відомості про ціну та варіанти реєстрації в плані. Дані про взаємодію користувача з різних джерел зберігаються в їхньому сховищі даних.
Наступна діаграма ілюструє конвеєр навчання ML.
Конвеєр починається з пакетного завдання AWS, яке витягує дані зі сховища даних і перетворює їх для створення наборів даних взаємодії, користувачів і елементів.
Для навчання моделі використовуються такі набори даних:
- Структуровані дані про продукт – Підписки, замовлення, каталог продуктів, транзакції та деталі клієнтів
- Напівструктуровані дані про поведінку – Користувачі, використання та взаємодія
Ці перетворені дані зберігаються в Служба простого зберігання Amazon (Amazon S3), який імпортовано в Amazon Personalize для навчання ML. Оскільки TR хоче генерувати персоналізовані рекомендації для своїх користувачів, вони використовують PERSONALIZATION_USER рецепт для навчання моделей ML для їхніх спеціальних даних, що називається створенням версії рішення. Після створення версії рішення вона використовується для створення персоналізованих рекомендацій для користувачів.
Весь робочий процес організовано за допомогою Функції кроку AWS. Попередження та сповіщення фіксуються та публікуються в Microsoft Teams за допомогою Служба простих сповіщень Amazon (Amazon SNS) і Amazon EventBridge.
Створення конвеєра персоналізованих рекомендацій: пакетний висновок
Вимоги та вподобання клієнтів змінюються дуже часто, і останні взаємодії, зафіксовані в даних потоку кліків, служать ключовими даними для розуміння мінливих уподобань клієнтів. Щоб адаптуватися до постійно мінливих уподобань клієнтів, TR щодня створює персоналізовані рекомендації.
На наступній діаграмі показано конвеєр для створення персоналізованих рекомендацій.
Завдання DataBrew витягує дані зі сховища даних TR для користувачів, які мають право надавати рекомендації під час поновлення на основі поточного плану підписки та останніх дій. Інструмент візуальної підготовки даних DataBrew спрощує аналітиків даних TR і дослідників обробки даних для очищення та нормалізації даних, щоб підготувати їх для аналітики та ML. Важливою особливістю була можливість вибору з понад 250 попередньо створених перетворень у візуальному інструменті підготовки даних для автоматизації завдань підготовки даних без необхідності написання коду. Завдання DataBrew генерує додатковий набір даних для взаємодії та введення для завдання пакетних рекомендацій і зберігає вихідні дані у сегменті S3. Щойно створений додатковий набір даних імпортується в набір даних взаємодії. Коли завдання інкрементного імпорту набору даних завершується успішно, із вхідними даними запускається пакетне завдання з рекомендаціями Amazon Personalize. Amazon Personalize генерує останні рекомендації для користувачів, надані у вхідних даних, і зберігає їх у сегменті рекомендацій S3.
Оптимізація цін – останній крок перед тим, як новосформовані рекомендації будуть готові до використання. TR виконує роботу з оптимізації витрат на основі згенерованих рекомендацій і використовує SageMaker для запуску спеціальних моделей на основі рекомендацій як частину цього останнього кроку. Завдання AWS Glue обробляє вихідні дані, створені з Amazon Personalize, і перетворює їх у формат введення, необхідний спеціальної моделі SageMaker. TR може скористатися широким спектром послуг, які надає AWS, використовуючи як Amazon Personalize, так і SageMaker на платформі рекомендацій, щоб адаптувати рекомендації на основі типу компанії-клієнта та кінцевих користувачів.
Весь робочий процес роз’єднаний і організований за допомогою покрокових функцій, що забезпечує гнучкість масштабування конвеєра залежно від вимог до обробки даних. Попередження та сповіщення фіксуються за допомогою Amazon SNS і EventBridge.
Стимулювання кампаній електронною поштою
Рекомендації, отримані разом із результатами ціноутворення, використовуються для проведення електронних кампаній для клієнтів TR. Пакетне завдання AWS використовується для підготовки рекомендацій для кожного клієнта та збагачення їх оптимізованою інформацією про ціни. Ці рекомендації вводяться в системи кампанії TR, які керують такими електронними кампаніями:
- Автоматичне поновлення підписки або оновлення кампанії з новими продуктами, які можуть зацікавити клієнта
- Проміжні кампанії поновлення контракту з кращими пропозиціями та більш релевантними продуктами та легальними матеріалами
Інформація з цього процесу також копіюється на портал для клієнтів, щоб клієнти, які переглядають свою поточну підписку, могли бачити нові рекомендації щодо оновлення. Після впровадження нової платформи рекомендацій у TR спостерігався вищий коефіцієнт конверсії від кампаній електронною поштою, що призвело до збільшення кількості замовлень на продаж.
Що далі: канал рекомендацій у реальному часі
Вимоги клієнтів і поведінка покупців змінюються в режимі реального часу, і адаптація рекомендацій до змін у реальному часі є ключовою для обслуговування правильного вмісту. Після великого успіху в розгортанні системи пакетних рекомендацій TR тепер планує вивести це рішення на наступний рівень, запровадивши конвеєр рекомендацій у реальному часі для створення рекомендацій за допомогою Amazon Personalize.
На наступній діаграмі показано архітектуру для надання рекомендацій у реальному часі.
Інтеграція в режимі реального часу починається зі збору даних про взаємодію користувачів у реальному часі та їх передачі в Amazon Personalize. Коли користувачі взаємодіють із додатками TR, вони генерують події кліків, які публікуються в Потоки даних Amazon Kinesis. Потім події завантажуються в централізовану потокову платформу TR, яка побудована на її основі Amazon Managed Streaming for Kafka (Amazon MSK). Amazon MSK спрощує прийом і обробку потокових даних у реальному часі за допомогою повністю керованого Apache Kafka. У цій архітектурі Amazon MSK служить потоковою платформою та виконує будь-які необхідні перетворення даних щодо необроблених вхідних подій потоку кліків. Тоді ан AWS Lambda активується функція для фільтрації подій до схеми, сумісної з набором даних Amazon Personalize, і надсилання цих подій до засобу відстеження подій Amazon Personalize за допомогою putEvent
API. Це дозволяє Amazon Personalize вивчати останні дії вашого користувача та включати відповідні елементи в рекомендації.
Веб-програми TR викликають API, розгорнутий у API -шлюз Amazon щоб отримати рекомендації, що запускає функцію Lambda для виклику a GetRecommendations
Виклик API за допомогою Amazon Personalize. Amazon Personalize надає найновіший набір персоналізованих рекомендацій, підібраних для поведінки користувача, які надаються у веб-програми через Lambda та API Gateway.
Завдяки цій архітектурі реального часу TR може надавати своїм клієнтам персоналізовані рекомендації, підібрані відповідно до їхньої останньої поведінки, і краще задовольняти їхні потреби.
Висновок
У цій публікації ми показали вам, як TR використовував Amazon Personalize та інші сервіси AWS для впровадження системи рекомендацій. Amazon Personalize дозволив TR прискорити розробку та розгортання високопродуктивних моделей для надання рекомендацій своїм клієнтам. TR може запровадити новий набір продуктів протягом декількох тижнів, порівняно з місяцями раніше. Завдяки Amazon Personalize і SageMaker TR може покращити взаємодію з клієнтами завдяки кращим планам підписки на контент і цінам для своїх клієнтів.
Якщо вам сподобалося читати цей блог і ви хочете дізнатися більше про Amazon Personalize і про те, як це може допомогти вашій організації створювати системи рекомендацій, перегляньте керівництво для розробників.
Про авторів
Хешам Фахім є провідним інженером машинного навчання та архітектором системи персоналізації в Thomson Reuters. Він працював з організаціями в наукових колах і промисловості, починаючи від великих підприємств і закінчуючи стартапами середнього розміру. Зосередившись на масштабованих архітектурах глибокого навчання, він має досвід мобільної робототехніки, аналізу біомедичних зображень, а також систем рекомендацій. Далеко від комп’ютерів він любить астрофотографію, читає та їздить на велосипеді на великі відстані.
Шрініваса Шейк є архітектором рішень в AWS у Бостоні. Він допомагає корпоративним клієнтам прискорити їх шлях до хмари. Він захоплюється контейнерами та технологіями машинного навчання. У вільний час любить проводити час із сім’єю, готувати їжу та подорожувати.
Вамші Крішна Енаботала є старшим архітектором із прикладного штучного інтелекту в AWS. Він працює з клієнтами з різних секторів, щоб прискорити ефективні дані, аналітику та ініціативи машинного навчання. Він захоплюється системами рекомендацій, НЛП і областями комп’ютерного зору в штучному інтелекті та машинному обігу. Поза роботою Вамші є ентузіастом радіоуправляного керування, будує обладнання для радіоуправління (літаки, автомобілі та дрони), а також захоплюється садівництвом.
Сімона Цукке є старшим архітектором рішень в AWS. Маючи понад 6 років досвіду хмарного архітектора, Сімоне подобається працювати над інноваційними проектами, які допомагають змінити підхід організацій до вирішення бізнес-проблем. Він допомагає підтримувати великих корпоративних клієнтів в AWS і є частиною Machine Learning TFC. Поза професійним життям він любить працювати над автомобілями та фотографією.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- здатність
- Здатний
- МЕНЮ
- Академія
- прискорювати
- рахунки
- бухгалтерський облік
- точний
- через
- діяльність
- пристосовувати
- Додатковий
- Перевага
- після
- AI
- AI / ML
- ВСІ
- дозволяє
- вже
- Amazon
- Амазонка персоналізувати
- аналіз
- аналітики
- аналітика
- аналізи
- та
- Відповіді
- Apache
- API
- застосування
- прикладної
- Прикладний ШІ
- підхід
- архітектура
- області
- навколо
- асоційований
- автоматизувати
- обізнаність
- AWS
- Клей AWS
- назад
- заснований
- основа
- оскільки
- перед тим
- КРАЩЕ
- Краще
- між
- За
- біомедичні
- Блог
- Бостон
- широта
- будувати
- Створюємо
- побудований
- бізнес
- підприємства
- call
- Кампанія
- агітація
- Кампанії
- автомобілів
- каталог
- центр
- централізована
- виклик
- зміна
- Зміни
- заміна
- Вибирати
- хмара
- код
- Збір
- вчинено
- Компанії
- порівняний
- сумісний
- Компоненти
- комп'ютер
- Комп'ютерне бачення
- комп'ютери
- беручи до уваги
- постійно
- споживач
- Споживачі
- Контейнери
- зміст
- триває
- Перетворення
- Core
- Коштувати
- може
- створювати
- створений
- створення
- Куратор
- курати
- Поточний
- виготовлений на замовлення
- клієнт
- дані про клієнтів
- Досвід клієнтів
- Клієнти
- щодня
- дані
- Підготовка даних
- обробка даних
- набори даних
- угода
- рішення
- глибокий
- глибоке навчання
- надання
- постачає
- Залежно
- розгорнути
- розгортання
- розгортання
- призначений
- деталі
- розвиненою
- розробка
- різний
- відстань
- домен
- управляти
- водіння
- Дронів
- під час
- кожен
- Раніше
- Рано
- ПОВЕРНЕНО
- має право
- включений
- дозволяє
- зачеплення
- двигун
- інженер
- збагачувати
- підприємство
- підприємств
- ентузіаст
- Весь
- обладнання
- Event
- Події
- постійно змінюється
- еволюціонувати
- досвід
- експертиза
- Пояснювати
- витяг
- Виписки
- сім'я
- швидше
- особливість
- фільтрувати
- остаточний
- фінансовий
- знайти
- Фірма
- Гнучкість
- Сфокусувати
- після
- форма
- формат
- сформований
- FRAME
- від
- повністю
- функція
- Функції
- шлюз
- породжувати
- генерується
- генерує
- породжує
- отримати
- отримання
- дає
- Цілі
- великий
- має
- допомога
- допомагає
- висока продуктивність
- вище
- Як
- HTML
- HTTPS
- людина
- зображення
- здійснювати
- реалізації
- імпорт
- важливо
- in
- включати
- Вхідний
- збільшений
- промисловість
- інформація
- ініціативи
- інновація
- інноваційний
- вхід
- інтегрований
- інтеграція
- Інтелект
- взаємодіючих
- Взаємодії
- інтерес
- залучений
- IT
- пунктів
- робота
- Джобс
- подорож
- ключ
- великий
- останній
- останній
- вести
- провідний
- УЧИТЬСЯ
- вивчення
- Legacy
- легальний
- рівень
- ліцензування
- життя
- підйомний
- жити
- загрузка
- Довго
- низький
- машина
- навчання за допомогою машини
- зробити
- РОБОТИ
- управляти
- вдалося
- ринок
- провідний на ринку
- Маркетинг
- ринки
- зрілість
- Медіа
- Microsoft
- команди мікрософт
- може бути
- мільйони
- ML
- Mobile
- модель
- Моделі
- місяців
- більше
- найбільш
- Необхідність
- потреби
- Нові
- нові продукти
- новини
- наступний
- nlp
- сповіщення
- Повідомлення
- Пропозиції
- Onboard
- ONE
- оперативний
- операції
- оптимізація
- оптимізований
- Опції
- замовлень
- організація
- організації
- Інше
- поза
- пакети
- частина
- пристрасний
- Виконувати
- виступає
- Втілення
- Уособлювати
- Персоналізовані
- перспектива
- малюнок
- трубопровід
- план
- планування
- плани
- платформа
- plato
- Інформація про дані Платона
- PlatoData
- будь ласка
- точка
- Портал
- це можливо
- пошта
- переваги
- Готувати
- підготовка
- price
- ціни
- ціни без прихованих комісій
- проблеми
- процес
- обробка
- Product
- Продукти
- професійний
- професіонали
- проектів
- забезпечувати
- за умови
- забезпечує
- забезпечення
- опублікований
- Штовхати
- якість
- швидко
- підвищення
- ранжування
- ставка
- Сировина
- читання
- готовий
- реальний
- реального часу
- останній
- нещодавно
- рецепт
- Рекомендація
- рекомендації
- облік
- зменшити
- називають
- відображати
- доречний
- тиражувати
- вимагається
- вимога
- Вимога
- результати
- Reuters
- рецензування
- Risk
- робототехніка
- Правила
- прогін
- мудрець
- продажів
- масштабовані
- шкала
- Масштабування
- Вчені
- розділам
- Сектори
- бачачи
- старший
- служити
- служить
- обслуговування
- Послуги
- виступаючої
- комплект
- покупка
- підпис
- значний
- простий
- спростити
- з
- So
- рішення
- Рішення
- Source
- Джерела
- спеціаліст
- Витрати
- починається
- Стартапи
- Крок
- зберігання
- зберігати
- магазинів
- потоковий
- передплата
- підписки
- успіх
- успішний
- набір
- підтримка
- система
- Systems
- з урахуванням
- Приймати
- приймає
- завдання
- податок
- команда
- команди
- Технології
- Технологія
- Команда
- їх
- Thomson Reuters
- через
- час
- до
- інструмент
- топ
- поїзд
- навчений
- Навчання
- Transactions
- Перетворення
- перетворень
- перетворений
- Подорож
- Тенденції
- спрацьовує
- Довірений
- розуміти
- розуміння
- відповідний сучасним вимогам
- модернізація
- Використання
- використання
- користувач
- користувачі
- Цінний
- різний
- версія
- через
- бачення
- обсяг
- хотів
- Багатство
- Web
- веб-додатки
- тижня
- Що
- який
- ВООЗ
- в
- без
- Work
- працював
- робочий
- працює
- світі
- б
- запис
- письмовий
- років
- Ти
- вашу
- зефірнет