Publicado: Jul 2, 2020
O Amazon Personalize usa machine learning para personalizar recomendações de produtos, conteúdo e comunicações de marketing para seus usuários, sem exigir experiência com machine learning. Essa tecnologia tem sido aperfeiçoada após mais de 20 anos de desenvolvimento de sistemas de recomendação na Amazon.com.
Hoje, temos o prazer de anunciar melhorias no tratamento de metadados ausentes ou esparsos para interações, tipos de conjuntos de dados de usuário e item, no Amazon Personalize. Metadados como a marca de um produto, a faixa etária de um usuário ou o tipo de dispositivo para a sessão de navegação podem ser úteis para melhorar a precisão e a relevância dos modelos de recomendação. No entanto, esses dados são muitas vezes imperfeitos e podem conter dados ausentes em muitos casos. Se esses dados ausentes não forem tratados cuidadosamente durante um processo de treinamento de modelo de machine learning, podem afetar negativamente o desempenho do modelo.
Para lidar com essas situações, o Amazon Personalize agora permite definir "nulo" como um valor aceitável em um esquema ao criar uma solução do Amazon Personalize. Isso garante que metadados imperfeitos possam ser usados com segurança para melhorar a relevância das suas recomendações. Para usar esse recurso, você pode definir "nulo" como um valor de metadados permitido no console ou na API do Amazon Personalize ao definir o esquema do seu conjunto de dados. Em seguida, você poderá importar seu conjunto de dados com segurança para o Amazon Personalize e criar uma solução. Ao criar uma solução, o Amazon Customize reconhecerá automaticamente os campos com os metadados ausentes e os tratará adequadamente ao treinar o modelo de machine learning. Para saber mais sobre esse recurso, visite nosso guia do desenvolvedor.
O tratamento aprimorado de metadados ausentes no Amazon Personalize agora está disponível nas seguintes regiões: Leste dos EUA (Virgínia do Norte, Ohio), Oeste dos EUA (Oregon), Canadá (Central), Europa (Irlanda) e Ásia-Pacífico (Sydney, Tóquio, Mumbai, Cingapura, Seul).