Amazon Personalize のよくある質問

Amazon Personalize にはシンプルな 3 段階のプロセスがあり、AWS マネジメントコンソールで数回クリックするか、一連の簡単な API 呼び出しを行うだけです。まず、Amazon Personalize に Amazon S3 内のユーザーインタラクションデータ (閲覧、クリック数、購入の履歴ログなど) を指定するか、簡単な API 呼び出しを使用してデータをアップロードするか、SageMaker Data Wrangler を使用してデータを準備およびインポートします。オプションで、カタログと顧客ベースに関する追加情報を含むアイテムまたはユーザーデータセットを提供できます。次に、コンソールを数回クリックするか、API を呼び出すだけで、データに合わせてカスタムのプライベートレコメンデーションモデルをトレーニングできます。3 つ目は、個別化されたレコメンデーションを取得することです。詳細については、この Amazon Personalize のディープダイブ動画シリーズをご覧ください。

A: アカウントを作成し、直感的なセットアップウィザードを使用して Amazon Personalize デベロッパーコンソールにアクセスすることで使用できます。JavaScript API、サーバーサイド SDK を使用してリアルタイムのアクティビティストリームデータを Amazon Personalize に送信するか、ユーザーイベントの履歴ログを使用してサービスをブートストラップするかを選択できます。Amazon Simple Storage Service (S3) または SageMaker Data Wrangler を使用してデータをインポートすることもできます。その後、わずか数回の API 呼び出しにより、AutoML を使用してデータセットに適切なアルゴリズムをサービスが選択するよう指定するか、使用可能ないくつかのアルゴリズムオプションの 1 つを手動で選択することによって、お客様は個別化モデルをトレーニングできます。トレーニングが完了したら、1 回の API 呼び出しでモデルをデプロイしてから、本番稼働アプリケーションで使用することができます。デプロイされると、本番稼働サービスからサービスを呼び出してリアルタイムのレコメンデーションを取得し、Amazon Personalize は需要を満たすように自動的に拡張します。

ユーザーは、Amazon Personalize に以下のデータを提供する必要があります。

• ユーザーアクティビティストリームまたはイベントデータ: ウェブサイト/アプリケーションでのユーザーのインタラクションの履歴ログがイベント形式で取り込まれ、1 行のコードを含む統合を通じて Amazon Personalize に送信されます。これには、クリック、視聴、ショッピングカートへの追加、コメントなどの重要なイベントが含まれます。サービスにオンボーディングする場合、利用可能であれば、すべてのイベント/アクティビティストリームデータの履歴ログを提供することもできます。
• カタログ (アイテム) データ: これは、本、動画、ニュース記事、製品など、あらゆるタイプのカタログにすることができます。これには、アイテム ID と各アイテムに関連付けられたメタデータが含まれます。
• ユーザーデータ: 性別や年齢などのユーザーの人口統計データを含むユーザープロファイルデータです。このデータは任意事項です。

Amazon Personalize は、このデータに基づいてモデルをトレーニング、デプロイします。その後、単純な推論 API を使用して実行時に個別レコメンデーションを取得し、パーソナライゼーションモデルの種類 (たとえば、ユーザーのパーソナライゼーション、関連アイテム、またはパーソナライズされた再ランキング) に従ってエンドユーザー向けにパーソナライズされた経験を生成できます。

レコメンデーションの関連性を高めるため、以下のデータを含めることを強くお勧めします。

• イベントタイプ (すべてのドメインデータセットグループのユースケースに必須)
• イベント値
• コンテキストメタデータ
• アイテムとユーザーのメタデータ

Amazon Personalize が使用できるデータの種類の詳細については、「Amazon Personalize にインポートできるデータの種類」を参照してください。

Amazon Personalize を使用すると、Amazon Personalize で使用する前に Amazon SageMaker Data Wrangler を使用してデータを簡単にインポートおよび準備できます。SageMaker Data Wrangler を使用して、エンドツーエンドのデータ準備 (データ選択、クレンジング、探索、視覚化、大規模処理を含む) を実行できます。これは、単一のユーザーインターフェイスでコードをほとんど、またはまったく使用することなく、40 以上の対応データソースからデータをインポートしたうえで行えます。これにより、Amazon Personalize 固有の変換と 300 を超える一般的な組み込みデータ変換を活用し、データインサイトを取得し、データの問題を修正してすばやく反復処理することで、Amazon SageMaker Data Wrangler を使用してユーザー、アイテム、またはインタラクションのデータセットを迅速に準備できます。Amazon Personalize コンソールにアクセスして、データセットグループ内からデータセットを開き、[データのインポートと準備] をクリックし、[Data Wrangler でデータを準備] をクリックするだけです。 Amazon SageMaker Data Wrangler を使用しているお客様は、使用量に応じて追加料金が発生しますのでご注意ください。料金ページを確認します。

はい。Amazon Personalize では、「新規商品の探索ウェイト」を指定できるようにすることで、ユーザーが新しい製品や商品を見つけやすくなります。 この入力内容は Amazon Personalize によって使用され、新しいコンテンツをユーザーに公開することと、最も関連性の高いレコメンデーションを提供することとの間で自動的に適切なバランスを取ります。Amazon Personalize では、ユーザーが閲覧したけれど操作しないことを選択したアイテムに関するデータも考慮します。 

Amazon Personalize では、データ分析を提供し、使用開始も簡単です。提供されたデータを分析し、データ準備の改善に役立つ提案を提供します。高性能なパーソナライゼーションシステムの構築にあたっては、ユーザーに関する高品質データ、およびユーザーとカタログ内のアイテム間のインタラクションに関する高品質データをモデルとして用意する必要があります。Amazon Personalize は、潜在的なデータ不足を指定し、提案を行うことで、モデルの改善を支援します。これにより、高性能なモデルのトレーニングを簡略化し、トラブルシューティングの必要性を低減できます。

Amazon Personalize とセルフマネージド型の OpenSearch との新しい統合を開始しました。これにより、ユーザーごとに検索結果をパーソナライズでき、検索ニーズの予測に役立ちます。OpenSearch 内で Amazon Personalize Search Ranking プラグインを使用すると、Amazon Personalize が提供する深層学習機能を活用し、OpenSearch の検索結果にパーソナライズされた再ランキングを適用することができます。機械学習の専門知識は必要ありません。パーソナライズされた検索を使うと、従来のキーワードマッチングアプローチを超えて、興味、コンテキスト、および過去のやり取りに基づき、特定のユーザーの検索結果の中で関連性の高いアイテムをリアルタイムで目立たせることができます。また、すべての検索クエリについてパーソナライゼーションのレベルを微調整し、検索エクスペリエンスをより細かく制御できるため、エンドユーザーのエンゲージメントや検索からのコンバージョンを改善できます。 

Amazon Personalize Search Ranking プラグインは、セルフマネージドと Amazon OpenSearch の両方で利用できます。Amazon OpenSearch を使用しているユーザーであれば、使用の開始には、OpenSearch ドメインを設定してから、AWS-personalized-ranking レシピを使用して Amazon Personalize キャンペーンを設定するのみです。その後、ドメインに Amazon Personalize Search Ranking プラグインを関連付け、最後にプラグインを設定します。また、OpenSearch ダッシュボードを使用して検索結果を比較することもできます。

セルフマネージドの OpenSearch を使用している場合の使用開始は、OpenSearch クラスターをセットアップし、次に AWS-personalized-ranking レシピを使用して Amazon Personalize キャンペーンをセットアップします。そして最後に OpenSearch 内に Amazon Personalize Search Ranking プラグインをインストールして設定を行なうだけです。OpenSearch ダッシュボードを使用すると検索結果を比較できます。

詳細については、「ドキュメント」を参照してください。

Amazon Personalize Next-Best-Action (aws-next-best-action) レシピを使用すると、それぞれの好み、興味、履歴に基づいて個別ユーザーに対し推奨する、次善のアクションをリアルタイムで決定できます。アドオンサービス、顧客ロイヤルティプログラムへの参加、ニュースレターの購読など、コンバージョンを促進するアクションを推奨できます。ユーザーに対しては、そのジャーニーの全体を通して特定のアクションを取るよう促すことになり、各ユーザーのエクスペリエンスを向上させられ、また、長期的なブランドエンゲージメントの促進に役立ちます。また、ユーザーとの関連性が高いアクションを推奨するので、マーケティング投資の回収率を向上させます。これは結果的に、収益とロイヤルティの向上にもつながります。 詳細はこちら。

Amazon Personalize Next Best Action (NBA) を使用すると、ブランドが個別ユーザーに推奨すべき最善のアクションをリアルタイムで提供できるので、ブランドへのロイヤルティとコンバージョンを高められます。お客様はまず、アクションのリストを定義し、必要なデータセットをアップロードします。次に、カスタムの NBA モデルをトレーニングします。その後、API を介し、推奨事項をアプリケーションやマーケティングテクノロジーツールに統合します。エンドユーザーがリアルタイムの推奨事項をトリガーすると、Personalize NBA モデルは、各ユーザー向けにランク付けしたアクションのリストと傾向スコアを返します。アクションが特定の期間 (例: 連休の旅行の割引プランへのサインアップ) にしか関連性を持たない場合や、エンドユーザーに表示されるアクションの数を制限したい (例: Y 日間に同じアクションを X 回以上表示しない) 場合などもあり得るため、アクションの推奨には制約 (フィルターなど) をかけることが可能です。 

Amazon Personalize は、お客様に getRecommendations と getPersonalizedRanking という 2 つの推論 API を提供しています。これらの API は、ユーザーのレコメンドされた itemID のリスト、アイテムの類似アイテムのリスト、またはユーザーのランク付けされたアイテムのリストを返します。itemID は製品 ID、videoID などになります。次に、これらの itemID を使用して、画像と説明を取得してから表示をレンダリングするなどの手順を経てエンドユーザー体験を生成すると予想されます。場合によっては、AWS のサービスやサードパーティーの E メール配信サービス、通知サービスなどと統合して、希望するエンドユーザーエクスペリエンスを生成することもあります。

アプリケーションと Amazon Personalize などのレコメンダーシステムの間にあるリアルタイムの低レイテンシー API フレームワークを説明する Personalization API ソリューションをチェックしてください。このソリューションでは、レスポンスキャッシュ、API ゲートウェイ設定、Amazon CloudWatch Evidently による A/B テスト、推論時のアイテムメタデータ、コンテキストに基づく自動レコメンデーションなどのベストプラクティス実装も提供しています。

Amazon Personalize には、質の高いレコメンデーションを実現するためのチェックポイントとなる機能がいくつか組み込まれています。

• オンラインテスト (A/B テスト): これは常に、モデルがビジネスメトリクスに与える影響を最もよく測定する手段です。これは最も一般的な方法でもあります。レコメンデーションはビジネスメトリクスと照らし合わせて評価する必要があります。A/B テストツールをまだ導入していない場合は、Amazon CloudWatch Evidently の使用を検討してください。 Personalization API プロジェクトは、デプロイ可能なソリューションとリファレンスアーキテクチャを提供します。
• オフラインメトリクス: Amazon Personalize は、モデルからの予測の精度を測定する各ソリューションバージョンとレコメンダーのオフラインメトリクスを計算します。これらのメトリクスを使用することで、他のバージョンと比較した、あるソリューションバージョンの品質について、方向性を認識できます。オフラインメトリクスは、Personalize データセットをトレーニングセットとテストセットに分割することによって計算されます。モデルのトレーニングに使用したハイパーパラメータやアルゴリズムを変更した結果を、履歴データに対して計算して確認できます。
• オンラインメトリクス: これらは、実際の環境で提供されるリアルタイムのレコメンデーションに対するユーザーのインタラクションを観察した経験的な結果です。Amazon Personalize モデルを既存のレコメンデーションシステムと比較する場合、履歴データは最初は既存のアプローチに偏っています。そのため、実際にテストを開始して結果を測定する前に、数週間オンラインテストを実行することをお勧めします。そうすれば、Amazon Personalize のレコメンデーションを確認して生成されたインタラクションデータに基づいてモデルをトレーニングおよび評価できます。

Amazon Personalize のレコメンデーションのビジネス成果は、システムに送信されるあらゆるイベントで測定できます。次に、1 つまたは複数のレコメンデーションの影響を視覚化して評価し、よりデータ主導型の個別化戦略を策定できます。Amazon Personalize コンソールまたは API から、評価およびレポートに載せる操作 (イベントタイプ) のリストである「metric attribution」を指定できます。例えば、リコメンデーションに対するクリックスルー率 (CTR) と購入総数の 2 つのメトリクスを追跡できます。イベントタイプごとに、評価するメトリクスと関数 (合計またはカウント) を定義するだけで、Amazon Personalize が計算を実行し、レポートを CloudWatch または S3 アカウントに送信します。

Amazon Personalize モデルはすべてお客様のデータセットに固有であり、他の AWS アカウントや Amazon Retail、Amazon Prime、その他のビジネスユニットと共有されることはありません。他のお客様のモデルをトレーニングや伝播するためにデータが使用されることはありません。お客様のモデル入力およびモデル出力は、完全にそのアカウントが所有するものとなります。Amazon Personalize で行われたお客様のすべてのやり取りは、暗号化により保護されます。Amazon Personalize が処理したすべてのユーザー、アイテム、またはインタラクションデータは、AWS Key Management Service を通じてカスタマーキーでさらに暗号化し、顧客がサービスを利用している AWS リージョンで保存中および転送中に暗号化できます。また、管理者は、AWS Identity and Access Management (IAM) のアクセス許可ポリシーを使用して Amazon Personalize へのアクセスを制御し、機密情報を安全かつ機密に保つことができます。

• ユーザー個別化: ユーザーのプロフィール、行動、好み、履歴に合わせたレコメンデーション。これは、顧客エンゲージメントと満足度を高めるために最も一般的に使用されます。また、コンバージョン率を高めることもできます。
• 個別化されたランキング: ユーザーの好みや履歴に基づいて、カテゴリまたは検索応答でアイテムが再ランク付けされます。このユースケースは、特定のユーザーに関連のあるアイテムやコンテンツを表示し、カスタマーエクスペリエンスを向上させるために使用されます。Amazon Personalize は、収益、プロモーション、トレンド商品などのビジネス上の優先事項に合わせて最適化しながら、ランキングの再設定をサポートします。
• 類似商品: 探索、アップセル、クロスセルの機会を促進するためにおすすめの関連商品。類似アイテムのレコメンデーションは、新しいコンテンツの発見、またはカタログ内の既存の商品との比較に役立ちます。
• 次善のアクション: 個々の行動やニーズに基づいて、適切なアクションを適切なユーザーにリアルタイムで推奨します。これにより、ユーザーエンゲージメントを最大化し、コンバージョン率を高めることができます。
• 今のトレンド: ニュース速報記事、人気のソーシャルコンテンツ、新しく公開された映画など、ユーザーの間で最も速いペースで人気が高まっているアイテムを推薦します。
• ユーザーセグメンテーション: アイテムまたはカテゴリに最も関心を示したユーザーに、ターゲットを絞ったメッセージと通知を送ります。これにより、企業はマーケティングキャンペーンへのエンゲージメントを高め、大きくターゲットを絞ったメッセージングを通じて定着率を高めることができます。

Amazon Personalize は、お客様からのフィードバックと長期的なロードマップ目標に基づいて常に改善されており、簡単に導入して使用できるよう最適化に努めております。ここでは、基本的な機械学習の手法を超える効果的な Amazon Personalize 機能をいくつか紹介します。機能の詳細なリストについては、機能ページをご覧ください。

• ユーザーセグメンテーション: エンドユーザーを好みに基づいてインテリジェントにセグメント化し、特定の顧客グループの共感を呼ぶターゲットを絞ったメッセージを作成します。 詳細については、このデモをご覧ください。
• ドメインに最適化されたレコメンダー: 一般的なビジネスユースケース向けにあらかじめ組み込まれたレコメンダーを使用して、市場投入までの時間を短縮します。 詳細については、このデモをご確認ください。
• 新商品レコメンデーション: ユーザーの好みに関するデータが不足している場合に、新製品やコンテンツに関する品質レコメンデーションを作成します。
• リアルタイムまたはバッチレコメンデーション: 変化する意図にリアルタイムで対応したり、バッチ指向のワークフローに大量のレコメンデーションを送信したりできます。
• アクションのレコメンデーション: レコメンデーションを商品やコンテンツ以外にも広げることで、ユーザーによるロイヤルティとコンバージョンを高めます。ユーザーの好み、ニーズ、過去の行動に基づいて、個々のユーザーに提案する最適なアクションを決定します。
• パーソナライズされた検索: ユーザーに固有の関心事や好み、さらに過去のやり取りに基づいて関連のある検索結果をリアルタイムで表示することで、ユーザーの検索エクスペリエンスを向上させます。
• 非構造化テキストのサポート: 自然言語処理と注意に基づくモデリングにより、重要な情報を自動的に抽出します。
• 状況に応じたレコメンデーション: ユーザーセグメント、デバイスの種類、場所、時間帯などのコンテキストに基づいてレコメンデーションを生成することで、レコメンデーションの質を高めます。
• ビジネスルール: ユーザーごとにプロモーションするコンテンツの割合を制御するフィルターやプロモーションなどのビジネスルールを適用します。
• トレンドレコメンデーション: ユーザーの間で最も速いペースで人気を集めているアイテムをレコメンドします。
• レコメンデーションの影響: ページビュー、動画の開始、クリック、カートへの追加、購入など、あらゆるイベントのビジネスへの全体的な影響を測定します。

最新の料金情報については、Amazon Personalize の料金ページを参照してください。

Amazon Personalize では、実際に使用した分に対してのみ料金が発生します。最低料金や前払いの義務はありません。ここでは、コストを管理するためのヒントをいくつか紹介します。

リアルタイムで更新する必要がある場合は、結果をキャッシュすることを検討してください。

 ビジネス要件のみに基づき再トレーニングを行う

スループット/レイテンシーの目標に悪影響を与えない限り、プロビジョニングされる最小 TPS を低く設定して、自動スケーリングに大きく依存します。

ユースケースがメールマーケティングなどのダウンストリームのバッチプロセスと一致する場合は、バッチレコメンデーションの使用を検討してください。バッチレコメンデーションはソリューションバージョンに対して実行されるため、キャンペーンは必要ありません。注: バッチレコメンデーションはカスタムレコメンデーションデータセットでのみ使用できます。

Amazon Personalize Monitor プロジェクトには、キャンペーンのプロビジョニングを最適化したり、アイドル/中止状態のキャンペーンのアラートや削除を行うためのコスト最適化機能がいくつか用意されています。