Amazon Personalize presenta nuevas recetas que admiten catálogos de artículos más grandes con menor latencia

Las experiencias personalizadas del cliente son esenciales para atraer a los usuarios de hoy. Sin embargo, ofrecer experiencias verdaderamente personalizadas que se adapten a los cambios en el comportamiento del usuario puede resultar desafiante y llevar mucho tiempo. Con Amazon Personalize, puede personalizar fácilmente su sitio web, aplicación, correos electrónicos y más utilizando la misma tecnología de aprendizaje automático (ML) que utiliza Amazon, sin necesidad de ningún conocimiento de ML. Al utilizar las recetas proporcionadas por Amazon Personalize (algoritmos para casos de uso específicos), puede proporcionar una amplia gama de personalización, incluidas recomendaciones de productos o contenidos y clasificaciones personalizadas.

Hoy nos complace anunciar la disponibilidad general de dos recetas ampliadas en Amazon Personalize: Personalización de usuario-v2 Y Clasificación personalizada v2 (recetas v2) basadas en la arquitectura Transformers de última generación para admitir catálogos de artículos más grandes con menor latencia.

En esta publicación, resumimos las nuevas mejoras y lo guiamos a través del proceso de entrenar un modelo y brindar recomendaciones a sus usuarios.

Beneficios de las nuevas recetas

Las nuevas recetas proporcionan mejoras en escalabilidad, latencia, rendimiento del modelo y funcionalidad.

• Escalabilidad mejorada – Las nuevas recetas ahora admiten capacitación con hasta 5 millones de catálogos de artículos y 3 mil millones de interacciones, lo que permite la personalización de grandes catálogos y plataformas con miles de millones de eventos de uso.
• Menor latencia – La menor latencia de inferencia y los tiempos de entrenamiento más rápidos para grandes conjuntos de datos de estas nuevas recetas pueden reducir los retrasos para los usuarios finales.
• Optimización del rendimiento – Las pruebas de Amazon Personalize mostraron que las recetas de la versión 2 mejoraron la precisión de las recomendaciones hasta en un 9 % y la cobertura de las recomendaciones hasta 1,8 veces en comparación con las versiones anteriores. Una mayor cobertura significa que Amazon Personalize recomienda más de su catálogo.
• Devolver metadatos de elementos en respuestas de inferencia – Las nuevas recetas habilitan metadatos de elementos de forma predeterminada sin costo adicional, lo que le permite devolver metadatos como géneros, descripciones y disponibilidad en respuestas de inferencia. Esto puede ayudarle a enriquecer las recomendaciones en sus interfaces de usuario sin esfuerzo adicional. Si utiliza Amazon Personalize con IA generativa, también puede introducir los metadatos en las indicaciones. Proporcionar más contexto a los modelos de lenguaje grandes puede ayudarlos a obtener una comprensión más profunda de los atributos del producto y generar contenido más relevante.
• Procesos altamente automatizados – Nuestras nuevas recetas están destinadas a reducir su esfuerzo de entrenamiento y optimización del modelo. Por ejemplo, Amazon Personalize simplifica la configuración del entrenamiento y selecciona automáticamente la configuración óptima para sus modelos personalizados detrás de escena.

Descripción general de la solución

Para aprovechar eso User-Personalization-v2 Y Personalized-Ranking-v2 Para recetas, primero debe configurar los recursos de Amazon Personalize. Cree su conjunto de registros, importe sus datos, entrene una versión de la solución e implemente una campaña. Para obtener instrucciones completas, consulte Introducción.

En esta publicación, seguiremos el enfoque de la consola de Amazon Personalize para implementar una campaña. Alternativamente, puede crear la solución completa utilizando el enfoque SDK. También puede obtener recomendaciones por lotes mediante un flujo por lotes asincrónico. Usaremos el conjunto de datos públicos de MovieLens y la receta User-Personalization-v2 para mostrarle el flujo de trabajo.

Preparar el conjunto de datos

Complete los siguientes pasos para preparar su conjunto de datos:

1. Cree un conjunto de registros. Cada grupo de registros puede contener hasta tres registros: Usuarios, Elementos e Interacciones, siendo obligatorio el registro de Interacciones. User-Personalization-v2 Y Personalized-Ranking-v2.
2. Cree un registro de interacción utilizando un esquema.
3. Importe los datos de interacción de Amazon Simple Storage Service (Amazon S3) a Amazon Personalize.

Entrenar un modelo

Una vez completado el proceso de importación del conjunto de datos, puede analizar los datos antes del entrenamiento. Personaliza Amazon Análisis de los datos le muestra estadísticas sobre sus datos y acciones que puede realizar para satisfacer las necesidades de capacitación y mejorar las recomendaciones.

Ahora puedes entrenar tu modelo.

1. En la consola de Amazon Personalize, seleccione Grupos de grabación en el área de navegación.
2. Elija su grupo de registro.
3. Elegir Crear soluciones.
4. Para Nombre de la solucióningrese el nombre de su solución.
5. Para Tipo de soluciónelegir Recomendación de artículo.
6. Para Recetaelige lo nuevo aws-user-personalization-v2 Receta.
   
7. En el Capacitación Construcción Sección, por ejemplo Entrenamiento automáticoelegir Encender para mantener la eficacia de su modelo volviéndolo a entrenar periódicamente.
   
8. Bajo Configuración de hiperparámetroselegir Aplicar sesgo de actualidad. El sesgo de actualidad determina si el modelo debe dar más peso a los datos de interacción de elementos más recientes en su conjunto de datos de interacción.
   
9. Elegir Crear solución.

Si tiene habilitada la capacitación automática, Amazon Personalize crea automáticamente su primera versión de la solución. Una versión de solución hace referencia a un modelo de ML entrenado. Cuando se crea una versión de la solución, Amazon Personalize entrena el modelo que admite la versión de la solución según la receta y la configuración de capacitación. La versión de la solución puede tardar hasta 1 hora en comenzar a compilarse.

10. Bajo Recursos personalizados Seleccione en el panel de navegación Campañas.
11. Elegir Crear campaña.

Una campaña proporciona una versión de la solución (modelo entrenado) para generar recomendaciones en tiempo real. Las campañas creadas con soluciones entrenadas en recetas V2 se habilitan automáticamente para incluir metadatos de elementos en los resultados de las recomendaciones. Puede seleccionar columnas de metadatos durante una llamada de inferencia.

12. Proporcione los detalles de su campaña y cree su campaña.
    

Obtener recomendaciones

Después de crear o actualizar su campaña, puede obtener una lista recomendada de elementos con los que es más probable que interactúen los usuarios, ordenados de mayor a menor.

1. Seleccione la campaña y Ver detalles.
2. En el Resultados de la campaña de prueba En la sección «ID de usuario», ingrese el ID de usuario y seleccione » Obtener recomendaciones.
   

La siguiente tabla muestra un resultado de recomendación para un usuario que incluye los artículos recomendados, la puntuación de relevancia y los metadatos del artículo (título y género).

Su campaña de Personalización del usuario v2 ahora puede incorporarse a su sitio web o aplicación y personalizar el recorrido de cada uno de sus clientes.

Limpiar

Asegúrese de limpiar todos los recursos no utilizados que haya creado en su cuenta mientras sigue los pasos descritos en esta publicación. Puede eliminar campañas, registros y grupos de registros mediante la consola de Amazon Personalize o mediante el SDK de Python.

Diploma

El nuevo Amazon Personalize User-Personalization-v2 Y Personalized-Ranking-v2 Las recetas llevan la personalización al siguiente nivel con soporte para catálogos de artículos más grandes, latencia reducida y rendimiento optimizado. Para obtener más información sobre Amazon Personalize, consulte la Guía para desarrolladores de Amazon Personalize.

---

Sobre los autores

Jingwen Hu es gerente técnico senior de productos que trabaja con AWS AI/ML en el equipo de Amazon Personalize. En su tiempo libre le gusta viajar y explorar la cocina local.

Daniel Foley es gerente senior de productos de Amazon Personalize. Su atención se centra en el desarrollo de aplicaciones que aprovechen la inteligencia artificial para resolver los mayores desafíos de nuestros clientes. Fuera del trabajo, Dan es un ávido esquiador y excursionista.

Pranesh Anubhav es ingeniero de software sénior en Amazon Personalize. Le apasiona desarrollar sistemas de aprendizaje automático para atender a los clientes a escala. Fuera del trabajo, le gusta jugar al fútbol y es un ávido seguidor del Real Madrid.

Tianmin Liu es un ingeniero de software senior que trabaja para Amazon Personalize. Se centra en el desarrollo de sistemas de recomendación a gran escala utilizando varios algoritmos de aprendizaje automático. En su tiempo libre, le gusta jugar videojuegos, ver deportes y tocar el piano.

Abhishek Mangal es un desarrollador de software que trabaja para Amazon Personalize. Trabaja en el desarrollo de sistemas de recomendación a escala utilizando varios algoritmos de aprendizaje automático. En su tiempo libre, le gusta ver anime y cree que One Piece es la mejor narración de la historia reciente.

Yifei Ma es científico aplicado senior en AWS AI Labs y trabaja en sistemas de recomendación. Sus intereses de investigación incluyen el aprendizaje activo, los modelos generativos, el análisis de series temporales y la toma de decisiones en línea. Fuera del trabajo, es un ávido aviador.

hao ding es científico aplicado senior en AWS AI Labs y trabaja en el desarrollo del sistema de recomendación para Amazon Personalize. Sus intereses de investigación incluyen modelos básicos de recomendación, aprendizaje profundo bayesiano, modelos de lenguaje grande y sus aplicaciones en recomendación.

Rishabh Agrawal es un ingeniero de software senior que trabaja en servicios de inteligencia artificial en AWS. En su tiempo libre le gusta hacer senderismo, viajar y leer.