Machine Learning

Motor de recomendaciones con Amazon Personalize - Patrones de implementación de personalización

Genera recomendaciones personalizadas a partir de datos de comportamiento del usuario. Presentamos la selección de recetas y la integración de eventos en tiempo real.

約 4 分で読めます

Funcionamiento de Personalize y preparación de datos

Personalize es un servicio ML gestionado basado en la tecnología de recomendaciones de Amazon.com. Permite construir modelos de recomendación a partir de datos de comportamiento del usuario sin conocimientos especializados en ML. Los datos de entrada se componen de 3 tipos de datasets. El dataset de Interactions (obligatorio) registra el historial de comportamiento entre usuarios e ítems (clics, compras, valoraciones). El dataset de Items (opcional) contiene metadatos de los ítems (categoría, precio, género). El dataset de Users (opcional) contiene información de atributos del usuario (rango de edad, región). Se puede comenzar a construir el modelo con un mínimo de 1,000 registros de Interactions y 25 o más usuarios únicos.

Selección de recetas

Personalize proporciona múltiples recetas (algoritmos) según el caso de uso. User-Personalization es la receta más versátil que genera un ranking de ítems personalizado para cada usuario. Refleja eventos en tiempo real (API PutEvents) y las recomendaciones se actualizan dinámicamente mientras el usuario navega por el sitio. Similar-Items es una recomendación basada en la similitud entre ítems, adecuada para secciones como "Los que vieron este producto también vieron" en páginas de detalle de producto. Personalized-Ranking es una receta que reordena una lista de ítems generada externamente según las preferencias del usuario, útil para personalizar resultados de búsqueda.

Implementación de personalización en tiempo real

Las recomendaciones en tiempo real se obtienen creando una campaña y llamando a la API GetRecommendations. La arquitectura estándar para obtener recomendaciones en tiempo real desde una aplicación web es API Gateway + Lambda + Personalize. Los eventos de comportamiento del usuario se envían en tiempo real mediante la API PutEvents, y el modelo los refleja inmediatamente. La función de filtrado permite combinar filtros dinámicos (ejemplo: solo ítems con precio inferior a 5,000 yenes) y filtros estáticos (ejemplo: solo ítems de la categoría "libros") para controlar las recomendaciones basándose en reglas de negocio. Para aprender exhaustivamente los algoritmos de personalización, consulte libros técnicos (Amazon).

Precios de Personalize

Los precios de Personalize se componen de procesamiento de datos, entrenamiento e inferencia en tiempo real. El procesamiento de datos cuesta aproximadamente 0.05 dólares por GB, el entrenamiento aproximadamente 0.24 dólares por hora de entrenamiento. La inferencia en tiempo real cuesta aproximadamente 0.20 dólares por hora de TPS (Transactions Per Second), requiriendo un aprovisionamiento mínimo de 1 TPS. La inferencia por lotes cuesta aproximadamente 0.067 dólares por cada 1,000 usuarios, siendo más económica cuando no se requiere tiempo real. La capa gratuita incluye durante los primeros 2 meses: 20 GB de procesamiento de datos, 100 horas de entrenamiento y 50 horas de TPS de inferencia.

Resumen

Personalize proporciona como servicio gestionado la tecnología de recomendaciones cultivada en Amazon.com. Solo con ingresar datos de comportamiento y seleccionar una receta, se construye el modelo y se pueden obtener recomendaciones personalizadas mediante API en tiempo real. Es eficaz para servicios que requieren mejorar el engagement del usuario, como sitios de comercio electrónico, distribución de medios y plataformas de contenido.

Servicios relacionados

Amazon PersonalizeConstruya recomendaciones personalizadas en tiempo real sin experiencia en aprendizaje automáticoAmazon S3Servicio de almacenamiento de objetos escalableAWS LambdaServicio de computación serverless que ejecuta código sin gestión de servidores

Artículos relacionados

Implementación de análisis de imágenes y video con Amazon Rekognition - Desde detección de etiquetas hasta modelos personalizadosPresentamos cómo implementar detección de etiquetas, análisis facial y detección de texto con APIs preentrenadas, y cómo construir modelos de reconocimiento de imágenes específicos del dominio con Custom Labels.Práctica de infraestructura como código con AWS CloudFormation - Diseño de plantillas y gestión de stacksDefina infraestructura con plantillas y previsualice el impacto con change sets antes del despliegue. Detecte drift de configuración con detección de drift y despliegue en toda su organización con StackSets.Pipeline de datos en tiempo real con Amazon Kinesis - Diferenciación entre Data Streams y Data FirehoseIngeste datos en tiempo real con Data Streams y distribúyalos automáticamente a S3, Redshift y OpenSearch con Data Firehose. Explicamos cómo construir un pipeline de streaming con diseño de shards y diferenciación del modo bajo demanda.

Más sobre este tema

Entrenamiento de machine learning basado en GPU con AWS Batch - Entrenamiento a gran escala con eficiencia de costosEjecute entrenamiento GPU con sus contenedores Docker existentes y reduzca costos hasta un 90% usando instancias Spot y checkpointing. Incluye orientación sobre cuándo elegir Batch sobre SageMaker.Uso de Claude en Amazon Bedrock - Selección de modelos, diseño de prompts y optimización de costosComparamos los modelos Anthropic Claude disponibles en Amazon Bedrock, proporcionamos directrices de selección de modelos por caso de uso y cubrimos mejores prácticas de diseño de prompts y optimización de costos.Construcción de aplicaciones RAG con Amazon Bedrock Knowledge Bases - Implementación de generación aumentada por recuperaciónIndexe automáticamente documentos en S3 y unifique búsqueda y generación con la API RetrieveAndGenerate. Cubre la selección de estrategia de chunking y la seguridad con Guardrails.Primeros pasos con computación cuántica en Amazon Braket - Diseño y simulación de circuitos cuánticosPrototipe gratis con simuladores locales y luego ejecute circuitos cuánticos en hardware IonQ y Rigetti. Cubre la implementación de VQE y QAOA con trabajos híbridos.ML con preservación de privacidad con AWS Clean Rooms ML - Construya modelos sin compartir datosAprenda cómo construir modelos lookalike con Clean Rooms ML, aplicar privacidad diferencial y aprovechar los resultados para segmentación publicitaria.Procesamiento de lenguaje natural con Amazon Comprehend - Análisis de sentimiento y extracción de entidadesExplicamos el análisis de sentimiento, la extracción de entidades y la construcción de modelos de clasificación personalizados con Comprehend.Construcción de bots conversacionales - Interfaces de conversación natural con Amazon Lex y PollyAprenda a construir bots conversacionales utilizando Amazon Lex y Amazon Polly.Extracción de texto de documentos - Procesamiento inteligente de documentos con Amazon TextractExplicamos la extracción automática de texto, tablas y datos de formularios de documentos con Amazon Textract, y la construcción de pipelines de procesamiento de lenguaje natural en combinación con Amazon Comprehend. Presentamos patrones de automatización para procesamiento de facturas y análisis de contratos.

Artículos y servicios similares

Recomendación y personalización - Experiencia optimizada individualmente con Amazon PersonalizeConstruye experiencias personalizadas con Amazon Personalize, desde la preparación de datos hasta el despliegue de campañas. Explicamos recetas, eventos en tiempo real, filtros y métricas de evaluación.Amazon PersonalizeServicio que proporciona personalización en tiempo real mediante aprendizaje automático (recomendaciones, ranking personalizado)Optimización de recursos con AWS Compute Optimizer - Dimensionamiento correcto de instanciasAnaliza métricas de CloudWatch con ML y genera recomendaciones para optimizar el tamaño de recursos de EC2, Lambda, EBS y ECS Fargate. Explicamos las recomendaciones de migración a Graviton y la mejora de precisión con métricas extendidas.Construcción de una plataforma ML con Amazon SageMaker - Desde el desarrollo de modelos hasta el despliegueDesde el desarrollo en Studio hasta el entrenamiento con instancias spot gestionadas, MLOps con Pipelines y detección de drift de datos con Model Monitor, este artículo cubre cómo integrar todo el ciclo de vida ML.