Amazon Web Services 한국 블로그

Amazon Personalize, 배치 추천 기능 출시

지난해 출시Amazon Personalize는 기계 학습 관련 경험 없이 애플리케이션에 사용할 사용자 지정되고 개인화된 프라이빗 추천을 생성할 수 있는 완전관리형 서비스입니다.

Amazon Personalize를 사용할 때는 활동 데이터의 고유한 신호(페이지 뷰, 가입, 구매 등)와 함께 고객 인구 통계 정보(나이, 위치 등)를 선택적으로 제공합니다. 그런 다음 문서, 제품, 비디오 또는 음악 등 추천하려는 항목의 인벤토리를 제공합니다. 이전 블로그 게시물에서 설명했듯이 Amazon Simple Storage Service(S3)에 저장된 기록 데이터와 JavaScript 추적기 또는 서버 측에서 실시간으로 전송된 스트리밍 데이터를 모두 사용할 수 있습니다.

그러면 Personalize가 완전 자동화 방식으로 데이터를 처리 및 검사하고, 유용한 정보를 식별하며, 적합한 알고리즘을 선택하고, 데이터에 맞게 사용자 지정된 개인화 모델을 훈련 및 최적화합니다. 또한, 비즈니스 애플리케이션으로 손쉽게 호출할 수 있는 API를 통해 액세스할 수 있습니다.

그러나, 배치 추천 기능이 활용 사례에 더 적합할 것 같다는 의견을 주신 고객들이 있었습니다. 예를 들어, 많은 수의 사용자에 대한 추천을 한 번에 계산 및 저장하고, 배치 기반 워크플로(예: 이메일 또는 알림 전송)를 통해 지속적으로 제공해야 하는 사용 사례가 여기에 포함됩니다. 실시간 추천 엔드포인트를 사용해도 되지만 배치 처리가 훨씬 더 편리하고 경제적입니다.

개인화 배치 추천 기능 소개

간단한 데모를 위해 이 게시물에서 MovieLens 데이터 세트로 훈련한 영화 추천 솔루션을 재사용하겠습니다. 여기서는 이 솔루션을 기반으로 실시간 캠페인을 배포하는 대신 배치 추천 작업을 생성하겠습니다.

먼저, 영화 추천을 받을 사용자를 정의합니다. S3 버킷에 저장되는 JSON 파일로 사용자 ID를 나열하면 됩니다.

{"userId": "123"}
{"userId": "456"}
{"userId": "789"}
{"userId": "321"}
{"userId": "654"}
{"userId": "987"}

그런 다음 해당 버킷에 대한 버킷 정책을 적용하여 Personalize가 버킷의 객체를 읽고 쓸 수 있도록 합니다. 여기서는 AWS 콘솔을 사용하지만 PutBucketAcl API를 통해 프로그래밍 방식으로 동일한 작업을 수행할 수 있습니다.

이제 Personalize 콘솔로 이동하고 배치 추론 작업을 생성합니다.

작업 이름을 지정하고 Personalize에 대한 AWS Identity and Access Management(IAM) 역할을 선택하여 S3 버킷에 대한 액세스를 허용해야 합니다. 버킷 정책은 이미 처리되었습니다.

그런 다음 영화 추천에 사용할 솔루션을 선택합니다.

마지막으로 입력 및 출력 데이터의 위치를 정의합니다. 필요한 경우 복호화 및 암호화에 사용할 AWS Key Management Service(KMS) 키를 정의할 수 있습니다.

잠시 후에 작업이 완료되면 버킷에서 추천을 가져올 수 있습니다.

$ aws s3 cp s3://jsimon-personalize-euwest-1/batch/output/batch/users.json.out -
{"input":{"userId":"123"}, "output": {"recommendedItems": ["137", "285", "14", "283", "124", "13", "508", "276", "275", "475", "515", "237", "246", "117", "19", "9", "25", "93", "181", "100", "10", "7", "273", "1", "150"]}}
{"input":{"userId":"456"}, "output": {"recommendedItems": ["272", "333", "286", "271", "268", "313", "340", "751", "332", "750", "347", "316", "300", "294", "690", "331", "307", "288", "304", "302", "245", "326", "315", "346", "305"]}}
{"input":{"userId":"789"}, "output": {"recommendedItems": ["275", "14", "13", "93", "1", "117", "7", "246", "508", "9", "248", "276", "137", "151", "150", "111", "124", "237", "744", "475", "24", "283", "20", "273", "25"]}}
{"input":{"userId":"321"}, "output": {"recommendedItems": ["86", "197", "180", "603", "170", "427", "191", "462", "494", "175", "61", "198", "238", "45", "507", "203", "357", "661", "30", "428", "132", "135", "479", "657", "530"]}}
{"input":{"userId":"654"}, "output": {"recommendedItems": ["272", "270", "268", "340", "210", "313", "216", "302", "182", "318", "168", "174", "751", "234", "750", "183", "271", "79", "603", "204", "12", "98", "333", "202", "902"]}}
{"input":{"userId":"987"}, "output": {"recommendedItems": ["286", "302", "313", "294", "300", "268", "269", "288", "315", "333", "272", "242", "258", "347", "690", "310", "100", "340", "50", "292", "327", "332", "751", "319", "181"]}}

실제 시나리오에서는 이러한 추천을 다운스트림 애플리케이션에 제공하여 추가로 처리해야 합니다. 당연히 콘솔을 사용하는 대신 CreateBatchInferenceJob, DescribeBatchInferenceJobListBatchInferenceJobs API를 사용하여 프로그래밍 방식으로 작업을 생성하고 관리할 것입니다.

정식 출시
Amazon Personalize의 배치 추천 기능을 사용하면 간편하고 경제적인 방법으로 애플리케이션에 개인화를 추가할 수 있습니다. Personalize가 제공되는 모든 리전에서 오늘부터 이 기능을 사용할 수 있습니다.

여러분의 소중한 피드백이 있으면 AWS 포럼 또는 평소에 이용하는 AWS 기술 지원 연락처를 통해 알려주시기 바랍니다.

Julien