本指南允许您对博彩和游戏应用程序体验进行个性化设置，通过自动化的预构建机器学习（ML）算法提高顾客互动度和留存率。尽管许多博彩和游戏应用程序都可以为玩家提供推荐内容，但它们通常缺乏社交媒体和视频流媒体算法所提供的独特个性化体验。博彩和游戏运营商可以采用 Amazon Personalize 的推荐算法，可以通过集成和优化这些算法来提高互动度。这通过低代码管理，创建了可扩展、个性化的全渠道游戏推荐、游戏前和游戏内投注线以及促销优惠体验。

请注意：[免责声明]

架构图

[架构图描述]

下载架构图 PDF 

Well-Architected 支柱

当您在云中构建系统时，AWS Well-Architected Framework 可以帮助您了解所做决策的利弊。框架的六大支柱使您能够学习设计和操作可靠、安全、高效、经济高效且可持续的系统的架构最佳实践。使用 AWS 管理控制台中免费提供的 AWS Well-Architected Tool，您可以通过回答每个支柱的一组问题，根据这些最佳实践来检查您的工作负载。

上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。

  • Amazon Personalize 允许博彩和游戏客户通过指标归因和 A/B 测试来衡量推荐的影响。指标归因根据顾客互动、游戏数据和指定的互动事件指标创建报告。

    Amazon Personalize 汇总互动事件的指标计算结果，并将报告发送到 Amazon CloudWatch 以供用户查看。A/B 测试允许博彩和游戏客户测试 Amazon Personalize 配方的性能，并使用 CloudWatch 指标通过分组测试报告配方的功效。Amazon Personalize 让博彩和游戏客户能够通过事件指标归因来衡量业务成果，以用于报告和评估每种事件类型。Amazon Personalize 执行计算并将报告发送到 CloudWatch 或 Amazon S3 以供利益相关者评估业务影响，从而帮助客户更好地根据数据制定个性化策略。

    阅读《卓越运营》白皮书 

  • AWS Key Management Service（AWS KMS）会对 Amazon Personalize 中存储的静态数据进行加密。AWS KMS 还用于加密发送到其他 AWS 服务的数据，包括个人身份信息（PII）。您可以使用自己的 AWS KMS 客户主密钥（CMK）对导入到 Amazon Personalize 域的数据进行加密。这使您可以控制敏感客户数据的加密。

    AWS Identity and Access Management（IAM）允许博彩和游戏管理员安全地控制对 AWS 资源的访问和最低权限访问。这是通过在 AWS 上分配角色，为服务和用户分配精细访问策略和权限，从而为访问提供临时安全凭证而不是长期证书来实现的。您可以将策略附加到角色以控制角色可用的访问权限、操作和资源类型。通过角色可以更轻松地委派访问权限，同时保持对权限的控制。随着业务需求的变化，管理员可以修改角色的策略，而不是各个用户的策略。

    Amazon Personalize 不会对其输出中的敏感数据进行编辑。正确的加密配置、IAM 策略和输入数据处理有助于 Amazon Personalize 安全地处理客户数据，同时满足隐私和合规性要求。

    阅读《安全性》白皮书 

  • CloudWatch 允许博彩和游戏客户监控和直观呈现 Amazon Personalize、Amazon S3、Lambda 和 DynamoDB 指标。本指南中使用的 CloudWatch 指标可用于创建警报、通知和可视化图表。CloudWatch 警报允许为指标设置阈值，并配置突破阈值时的通知或操作。这可以帮助管理员在服务不可用或响应缓慢时采取自动恢复操作。

    CloudWatch 日志可用于监控和排查 Lambda 函数问题。应用程序代码执行日志为调试问题提供了洞察信息。使用 CloudWatch，来自不同 AWS 账户、区域或资源的指标和日志可以汇总到一个地方，以供用户集中查看分布式应用程序的整体运行状况和性能。

    DynamoDB 用作 Amazon Personalize 的数据库。它会自动将推荐应用程序的数据和流量分散到多个可用区（AZ），以保持韧性。客户互动数据存储在 Amazon S3 中，Amazon S3 提供跨多个可用区的持久数据存储，并会复制数据，以帮助在组件发生故障或不可用时确保韧性。

    阅读《可靠性》白皮书 

  • Amazon Personalize 提供高性能的机器学习算法。该服务通过低延迟推荐实时提供个性化体验，并自动扩展资源以应对流量突增，且不会影响性能。

    Amazon Personalize 使用预训练模型提供实时、低延迟推荐，即使在流量激增的重大活动期间也是如此。训练 Amazon Personalize 模型后，该模型将部署到多个可用区。如果一个可用区不可用，Amazon Personalize 将继续使用其他可用区中的模型副本运行，而不会中断。

    阅读《性能效率》白皮书 

  • Amazon Personalize 通过提供控制来指定自动扩展限制和模型再训练计划，从而帮助管理推荐系统成本。Amazon Personalize 批量推荐不需要活动，并且可以为不需要实时更新的个性化使用案例节省额外的成本。

    通过使用 DynamoDB 进行批量推荐，您可以减少实时调用 Amazon Personalize 的次数，从而降低功能成本。批量推荐允许您在一次操作中预先针对大量用户或内容计算推荐，并将其存储起来以备日后使用。这比针对每个用户请求生成推荐更具成本效益。

    您还可以在 AWS 资源更便宜的非高峰时段安排批量推荐任务。与需要即时响应的实时推荐相比，这有助于降低成本。然后，可以通过 Amazon S3 等经济高效的存储提供预先计算的批量推荐，而不必使用更昂贵的计算来针对每个请求重新计算。

    阅读《成本优化》白皮书 

  • 本指南使用托管服务来优化架构图底层资源的使用情况。Amazon Personalize、Amazon S3、Lambda 和 DynamoDB 结合使用可以帮助提高可持续性。例如，由 Amazon Personalize 生成并存储在 Amazon S3 等经济实惠的存储中的批量推荐有助于降低针对每个用户请求重新计算推荐的需求。这种优化降低了总体计算使用量并提高了效率。

    在使用 Amazon Personalize 训练模型之前，Lambda 函数可用于预处理和分析用户数据。与本地数据中心相比，云端工作负载的这种整合进一步降低了资源需求。

    阅读《可持续性》白皮书 

实施资源

提供了在 AWS 账户中进行实验和使用的详细指南。构建指南的每个阶段（包括部署、使用和清理）都将被检查，以便为部署做好准备。

示例代码为起点。它经过行业验证，是规范性但不是决定性的，可以帮助您开始。

打开实施指南
GitHub 上的开放示例代码

相关内容

[主题]
[内容类型]

[标题]

[子标题]
此[博客文章/电子书/指南/示例代码]演示了如何 [插入简短描述]。

免责声明

示例代码；软件库；命令行工具；概念验证；模板；或其他相关技术（包括由我方人员提供的任何前述项）作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议（以适用者为准）向您提供。您不应将这些 AWS 内容用在您的生产账户中，或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容，例如示例代码，以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源（例如，运行 Amazon EC2 实例或使用 Amazon S3 存储）而产生 AWS 费用。

本指南中提及第三方服务或组织并不意味着 Amazon 或 AWS 与第三方之间存在认可、赞助或从属关系。AWS 的指导是一个技术起点，您可以在部署架构时自定义与第三方服务的集成。

此页内容对您是否有帮助？

 反馈