Amazon Personalize запускает новые рецепты, поддерживающие более крупные каталоги товаров с меньшей задержкой

Оригинал статьи: ссылка (авторы: Jingwen Hu, Abhishek Mangal, Tianmin Liu, Dan Foley, Hao Ding, Pranesh Anubhav, Rishabh Agrawal, and Yifei Ma)

Персонализированный клиентский опыт необходим для привлечения современных пользователей. Однако создание настоящего персонализированного опыта, который будет адаптироваться к изменчивому поведению пользователей, может оказаться сложной и трудоемкой задачей. Amazon Personalize позволяет легко персонализировать ваш веб-сайт, приложение, электронные письма и многое другое, используя ту же технологию машинного обучения (ML), которую использует Amazon, при этом не требуя специальных знаний в области ML. С помощью рецептов — алгоритмов для конкретных случаев использования — сервис Amazon Personalize предоставляет широкий спектр персонализации, включая рекомендации по продуктам или контенту и персонализированное ранжирование.

Сегодня мы рады сообщить об общедоступности двух усовершенствованных рецептов в Amazon Personalize, User-Personalization-v2 и Personalized-Ranking-v2 (рецепты v2), которые построены на передовой Трансформерной архитектуре и поддерживают большие каталоги товаров с меньшей задержкой.

В этом посте мы кратко расскажем о новых усовершенствованиях и проведем вас через процесс обучения модели и предоставления рекомендаций для ваших пользователей.

Преимущества новых рецептов

Новые рецепты обеспечивают улучшенную масштабируемость, задержку, производительность и функциональность модели.

Улучшенная масштабируемость — новые рецепты теперь поддерживают обучение с каталогами до 5 миллионов элементов и 3 миллиардов взаимодействий, что позволяет персонализировать большие каталоги и платформы с миллиардами событий использования.
Меньшая задержка — Благодаря меньшей задержке вывода и ускоренному времени обучения с большими наборами данных по этим новым рецептам можно сократить задержку для ваших конечных пользователей.
Оптимизация производительности — Тестирование Amazon Personalize показало, что рецепты версии v2 улучшили точность рекомендаций на 9%, а охват рекомендаций — до 1,8 раза по сравнению с предыдущими версиями. Более высокий охват означает, что Amazon Personalize рекомендует больше вариантов из вашего каталога.
Возвращение метаданных товаров в ответах на выводы — Новые рецепты по умолчанию включают метаданные элементов без дополнительной оплаты, позволяя возвращать в ответах на выводы такие метаданные, как жанры, описания и наличие. Это поможет вам обогатить рекомендации в пользовательском интерфейсе без дополнительной работы. Если вы используете Amazon Personalize с генеративным искусственным интеллектом, вы также можете вводить метаданные в промпт. Предоставление большего контекста большим языковым моделям поможет им глубже понять характеристики продукта и генерировать более актуальный контент.
Высокая степень автоматизации операций — Наши новые рецепты призваны снизить затраты на обучение и дообучение модели. Например, Amazon Personalize упрощает настройку обучения и автоматически выбирает оптимальные настройки для ваших пользовательских моделей.

Обзор решения

Чтобы использовать рецепты User-Personalization-v2 и Personalized-Ranking-V2, сначала необходимо настроить ресурсы Amazon Personalize. Создайте группу наборов данных, импортируйте данные, обучите версию решения и выполните развертывание кампании. Полные инструкции доступны в разделе Getting started.

В этом посте мы используем консоль Amazon Personalize для развертывания кампании. В качестве альтернативы вы можете создать все решение, используя SDK. Вы также можете получать пакетные рекомендации с помощью асинхронного пакетного потока. Мы будем использовать общедоступный набор данных MovieLens и рецепт User-Personalization-v2, чтобы показать вам рабочий процесс.

Подготовьте набор данных

Выполните следующие шаги для подготовки набора данных:

Создайте группу наборов данных. Каждая группа наборов данных может содержать до трех наборов данных: пользователей, товаров и взаимодействий, при этом набор данных взаимодействий является обязательным для User-Personalization-v2 и Personalized-Ranking-v2.
Создайте набор данных взаимодействий, используя схему.
Импортируйте данные о взаимодействиях в Amazon Personalize из Amazon Simple Storage Service (Amazon S3).

Обучите модель

После завершения задания по импорту набора данных вы можете проанализировать данные перед обучением. Amazon Personalize Data analysis показывает статистику ваших данных, а также действия, которые можно предпринять для выполнения требований к обучению и улучшения рекомендаций.

Теперь вы готовы обучать свою модель.

В консоли Amazon Personalize выберите Dataset groups (Группы наборов данных) на панели навигации.
Выберите группу наборов данных.
Выберите Create solution (Создать решение).
В поле Solution name (Имя решения) введите название решения.
В поле Solution type (Тип решения) выберите Item recommendation (Рекомендация по товару).
В поле Recipe (Рецепт) выберите новый рецепт aws-user-personalization-v2.
В разделе Training configuration (Конфигурация обучения) для параметра Automatic training (Автоматическое обучение) выберите Turn on (Включить), чтобы поддерживать эффективность модели путем ее регулярного переобучения.
В разделе Hyperparameter configuration (Конфигурация гиперпараметров) выберите Apply recency bias (Применить предвзятость по новизне). Предвзятость в отношении новизны определяет, должна ли модель придавать больший вес самым последним данным о взаимодействиях элементов в вашем наборе данных взаимодействий.
Выберите Create solution (Создать решение).
Если вы включили автоматическое обучение, Amazon Personalize автоматически создаст вашу первую версию решения. Версия решения указывает на обученную модель машинного обучения. Когда для решения создается новая версия, Amazon Personalize обучает в ее рамках модель на основе рецепта и конфигурации обучения. Начало создания версии решения может занять до 1 часа.
В разделе Custom resources (Настраиваемые ресурсы) на панели навигации выберите Campaigns (Кампании).
Выберите Create campaign (Создать кампанию).
Кампания развертывает версию решения (обученную модель) для генерации рекомендаций в реальном времени. Кампании, созданные с помощью решений, обученных рецептам v2, автоматически включают в себя метаданные товаров в результатах рекомендаций. Столбцы метаданных можно выбрать во время вызова выводов.
Укажите сведения о своей кампании и создайте ее.

Получить рекомендации

После создания или обновления кампании вы можете получить рекомендуемый список элементов, с которыми пользователи с большей вероятностью будут взаимодействовать, отсортированный от самого высокого до самого низкого.

Выберите кампанию и нажмите View details (Просмотрите подробности).
В разделе Test campaign results (Результаты тестовой кампании) введите User ID (Идентификатор пользователя) и выберите Get recommendations (Получить рекомендации).

В следующей таблице показан результат рекомендации для пользователя, включающий рекомендуемые элементы, оценку релевантности и метаданные элемента (Название и Жанр).

Теперь ваша кампания User-Personalization-v2 готова к использованию на вашем сайте или в приложении и персонализации путешествия каждого из ваших клиентов.

Очистка

Обязательно очистите все неиспользуемые ресурсы, созданные в вашей учетной записи во время выполнения действий, описанных в этом посте. Вы можете удалять кампании, наборы данных и группы наборов данных через консоль Amazon Personalize или с помощью Python SDK.

Заключение

Новые рецепты Amazon Personalize User-Personalization-v2 и Personalized-Ranking-v2 выводят персонализацию на новый уровень благодаря поддержке больших каталогов товаров, снижению задержек и оптимизации производительности. Дополнительные сведения о Amazon Personalize вы можете найти в руководстве разработчика Amazon Personalize.

Блог Amazon Web Services