Personalize Launches New Recipes.jpg

Las experiencias de cliente personalizadas son esenciales para atraer a los usuarios de hoy. Sin embargo, ofrecer experiencias verdaderamente personalizadas que se adapten a los cambios en el comportamiento del usuario puede resultar desafiante y llevar mucho tiempo. Personalizar Amazon hace que sea sencillo personalizar su sitio web, aplicación, correos electrónicos y más, utilizando la misma tecnología de aprendizaje automático (ML) que utiliza Amazon, sin necesidad de experiencia en ML. Con el recetas(algoritmos para casos de uso específicos) proporcionados por Amazon Personalize, puede ofrecer una amplia gama de personalización, incluidas recomendaciones de productos o contenido y clasificaciones personalizadas.

Hoy nos complace anunciar la disponibilidad general de dos recetas avanzadas en Amazon Personalize. Personalización de usuario-v2 y Clasificación-personalizada-v2 (recetas v2), que se basan en la vanguardia transformadores arquitectura para admitir catálogos de artículos más grandes con menor latencia.

En esta publicación, resumimos las nuevas mejoras y lo guiamos a través del proceso de entrenamiento de un modelo y brindamos recomendaciones para sus usuarios.

Beneficios de las nuevas recetas

Las nuevas recetas ofrecen mejoras en escalabilidad, latencia, rendimiento del modelo y funcionalidad.

  • Escalabilidad mejorada – Las nuevas recetas ahora admiten capacitación con hasta 5 millones de catálogos de artículos y 3 mil millones de interacciones, lo que permite la personalización de grandes catálogos y plataformas con miles de millones de eventos de uso.
  • Menor latencia – La menor latencia de inferencia y los tiempos de entrenamiento más rápidos para grandes conjuntos de datos de estas nuevas recetas pueden reducir la demora para los usuarios finales.
  • Optimización del rendimiento – Las pruebas de Amazon Personalize mostraron que las recetas v2 mejoraron la precisión de las recomendaciones hasta en un 9 % y la cobertura de las recomendaciones hasta 1,8 veces en comparación con las versiones anteriores. Una cobertura más alta significa que Amazon Personalize recomienda más de su catálogo.
  • Devolver metadatos de elementos en respuestas de inferencia – Las nuevas recetas habilitan metadatos de elementos de forma predeterminada sin cargo adicional, lo que le permite devolver metadatos como géneros, descripciones y disponibilidad en respuestas de inferencia. Esto puede ayudarle a enriquecer las recomendaciones en sus interfaces de usuario sin trabajo adicional. Si utiliza Amazon Personalize con IA generativa, también puede introducir los metadatos en las indicaciones. Proporcionar más contexto a los modelos de lenguaje grandes puede ayudarlos a obtener una comprensión más profunda de los atributos del producto para generar contenido más relevante.
  • Operaciones altamente automatizadas – Nuestras nuevas recetas están diseñadas para reducir los gastos generales de entrenamiento y ajuste del modelo. Por ejemplo, Amazon Personalize simplifica la configuración del entrenamiento y selecciona automáticamente la configuración óptima para sus modelos personalizados detrás de escena.

Descripción general de la solución

Usar el User-Personalization-v2 y Personalized-Ranking-v2 recetas, primero debe configurar los recursos de Amazon Personalize. Cree su grupo de conjuntos de datos, importe sus datos, entrene una versión de la solución e implemente una campaña. Para obtener instrucciones completas, consulte Empezando.

Para esta publicación, seguimos el enfoque de la consola de Amazon Personalize para implementar una campaña. Alternativamente, puede crear la solución completa utilizando el enfoque SDK. También puede obtener recomendaciones por lotes con un flujo por lotes asincrónico. Usamos el Conjunto de datos públicos MovieLens y la receta User-Personalization-v2 para mostrarle el flujo de trabajo.

Preparar el conjunto de datos

Complete los siguientes pasos para preparar su conjunto de datos:

  1. Crear un grupo de conjuntos de datos. Cada grupo de conjuntos de datos puede contener hasta tres conjuntos de datos: usuarios, elementos e interacciones, siendo obligatorio el conjunto de datos de interacciones para User-Personalization-v2 y Personalized-Ranking-v2.
  2. Cree un conjunto de datos de interacciones utilizando un esquema.
  3. Importar los datos de las interacciones. a Amazon Personalizar desde Servicio de almacenamiento simple de Amazon (Amazon S3).

Entrenar un modelo

Una vez finalizado el trabajo de importación del conjunto de datos, puede analizar los datos antes del entrenamiento. Personalizar Amazon Análisis de los datos le muestra estadísticas sobre sus datos, así como acciones que puede realizar para cumplir con los requisitos de capacitación y mejorar las recomendaciones.

Ahora estás listo para entrenar tu modelo.

  1. En la consola de Amazon Personalize, elija Grupos de conjuntos de datos en el panel de navegación.
  2. Elija su grupo de conjuntos de datos.
  3. Elegir Crear soluciones.
  4. Para Nombre de la solucióningrese el nombre de su solución.
  5. Para Tipo de soluciónseleccionar Recomendación de artículo.
  6. Para Recetaelige el nuevo aws-user-personalization-v2 receta.
  7. En el Capacitación configuración sección, para Entrenamiento automáticoseleccionar Encender para mantener la efectividad de su modelo volviéndolo a entrenar con una cadencia regular.
  8. Bajo Configuración de hiperparámetrosseleccionar Aplicar sesgo de actualidad. El sesgo de actualidad determina si el modelo debe dar más peso a los datos de interacciones de elementos más recientes en su conjunto de datos de interacciones.
  9. Elegir Crear solución.

Si activó la capacitación automática, Amazon Personalize creará automáticamente su primera versión de la solución. Una versión de solución hace referencia a un modelo de ML entrenado. Cuando se crea una versión de la solución, Amazon Personalize entrena el modelo que respalda la versión de la solución según la receta y la configuración de capacitación. La creación de la versión de la solución puede tardar hasta 1 hora en comenzar.

  1. Bajo Recursos personalizados en el panel de navegación, elija Campañas.
  2. Elegir Crear campaña.

Una campaña implementa una versión de la solución (modelo entrenado) para generar recomendaciones en tiempo real. Las campañas creadas con soluciones capacitadas en recetas v2 se habilitan automáticamente para incluir metadatos de elementos en los resultados de las recomendaciones. Puede elegir columnas de metadatos durante una llamada de inferencia.

  1. Proporcione los detalles de su campaña y cree su campaña.

Obtener recomendaciones

Después de crear o actualizar su campaña, puede obtener una lista recomendada de elementos con los que es más probable que interactúen los usuarios, ordenados de mayor a menor.

  1. Seleccione la campaña y Ver detalles.
  2. En el Resultados de la campaña de prueba sección, ingrese el ID de usuario y elija Obtener recomendaciones.

La siguiente tabla muestra el resultado de una recomendación para un usuario que incluye los elementos recomendados, la puntuación de relevancia y los metadatos del elemento (título y género).

Su campaña User-Personalization-v2 ahora está lista para alimentar su sitio web o aplicación y personalizar el recorrido de cada uno de sus clientes.

Limpiar

Asegúrese de limpiar todos los recursos no utilizados que haya creado en su cuenta mientras sigue los pasos descritos en esta publicación. Puede eliminar campañas, conjuntos de datos y grupos de conjuntos de datos a través de la consola de Amazon Personalize o utilizando el SDK de Python.

Conclusión

El nuevo Amazon Personalize User-Personalization-v2 y Personalized-Ranking-v2 Las recetas llevan la personalización al siguiente nivel con soporte para catálogos de artículos más grandes, latencia reducida y rendimiento optimizado. Para obtener más información sobre Amazon Personalize, consulte la Guía para desarrolladores de Amazon Personalize.


Sobre los autores

Jingwen Hu es un gerente técnico senior de productos que trabaja con AWS AI/ML en el equipo de Amazon Personalize. En su tiempo libre, le gusta viajar y explorar la comida local.

Daniel Foley es gerente senior de productos de Amazon Personalize. Está centrado en crear aplicaciones que aprovechen la inteligencia artificial para resolver los mayores desafíos de nuestros clientes. Fuera del trabajo, Dan es un ávido esquiador y excursionista.

Pranesh Anubhav es ingeniero de software sénior en Amazon Personalize. Le apasiona diseñar sistemas de aprendizaje automático para atender a los clientes a escala. Fuera de su trabajo, le encanta jugar al fútbol y es un ávido seguidor del Real Madrid.

Tianmin Liu es un ingeniero de software senior que trabaja para Amazon Customize. Se centra en el desarrollo de sistemas de recomendación a escala utilizando varios algoritmos de aprendizaje automático. En su tiempo libre le gusta jugar videojuegos, ver deportes y tocar el piano.

Abhishek Mangal es un ingeniero de software que trabaja para Amazon Personalize. Trabaja en el desarrollo de sistemas de recomendación a escala utilizando varios algoritmos de aprendizaje automático. En su tiempo libre, le gusta ver anime y cree que One Piece es la mejor narración de la historia reciente.

Yifei Ma es un científico aplicado senior en AWS AI Labs que trabaja en sistemas de recomendación. Sus intereses de investigación se encuentran en el aprendizaje activo, los modelos generativos, el análisis de series temporales y la toma de decisiones en línea. Fuera del trabajo, es un entusiasta de la aviación.

hao ding es científico aplicado sénior en AWS AI Labs y está trabajando en el avance del sistema de recomendación para Amazon Personalize. Sus intereses de investigación se encuentran en los modelos básicos de recomendación, el aprendizaje profundo bayesiano, los modelos de lenguaje grande y sus aplicaciones en recomendación.

Rishabh Agrawal es un ingeniero de software senior que trabaja en servicios de inteligencia artificial en AWS. En su tiempo libre le gusta hacer senderismo, viajar y leer.