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.

Unos 8 min de lecturaÚltima actualización: 2026-10-31

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 un precio de 5,000 yenes como máximo) y filtros estáticos (ejemplo: solo ítems de la categoría "libros") para controlar las recomendaciones basándose en reglas de negocio.

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 USD por GB, el entrenamiento aproximadamente 0.24 USD por hora de entrenamiento (a fecha de agosto de 2026). La inferencia en tiempo real cuesta aproximadamente 0.20 USD por hora de TPS (Transactions Per Second), requiriendo un aprovisionamiento mínimo de 1 TPS. La inferencia por lotes cuesta aproximadamente 0.067 USD 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.

Casos de uso habituales

Personalize se puede usar en diversas situaciones en las que se generan sugerencias optimizadas para cada usuario. Son ejemplos representativos los "productos recomendados para usted" en los sitios de comercio electrónico (EC), los rankings personalizados que reordenan listas de videos o artículos según las preferencias del usuario y la presentación de ítems relacionados con un producto. También se puede agrupar a los usuarios por patrones de comportamiento y aplicar medidas para cada segmento. Al entregar información que coincide con los intereses de los usuarios, estos usos ayudan a mejorar la navegación por el sitio, la satisfacción y la conversión. Su atractivo es que permite lograr una personalización avanzada a partir de datos de comportamiento sin implementar por cuenta propia algoritmos de recomendación complejos.

Calidad de los datos y cold start

La precisión de las recomendaciones depende en gran medida de la cantidad y la calidad de los datos de comportamiento que se usan para el entrenamiento. A medida que aumenta el historial, con una cantidad suficiente de visualizaciones, compras y similares, las sugerencias se vuelven más acertadas. Para los usuarios nuevos y los ítems que todavía no tienen historial, existe el llamado problema de cold start, en el que es difícil obtener precisión porque los datos son escasos. Ante esto, son eficaces medidas como aprovechar de forma complementaria la información de atributos (metadatos) de los ítems y los usuarios, o incorporar un mecanismo que dé una exposición moderada a los ítems nuevos. Acumular datos de buena calidad de forma continua y combinarlos también con la información de atributos conduce a una calidad de recomendación estable.

Evaluación y mejora continua

Las recomendaciones no terminan con su introducción, sino que se siguen mejorando mientras se mide su efecto. Con las métricas obtenidas durante el entrenamiento se puede conocer el rendimiento hasta cierto punto, pero si las recomendaciones realmente tienen efecto se comprueba con la reacción de los usuarios reales. Si se realizan pruebas A/B que presentan nuevas recomendaciones a una parte de los usuarios para compararlas, se puede evaluar de forma cuantitativa cómo influyó una medida en los clics y las compras. Como el comportamiento de los usuarios cambia con el tiempo, el modelo se vuelve a entrenar periódicamente para reflejar los datos más recientes. Al repetir el ciclo de evaluación y reentrenamiento, se puede aumentar de forma continua la precisión de las recomendaciones y su contribución al negocio.

Integración y aplicación de reglas de negocio

Personalize ofrece un método que devuelve sugerencias en tiempo real y otro que las genera todas juntas por lotes, y se elige entre ellos según el uso. Para mostrarlas de inmediato en el sitio es adecuado el tiempo real, y para prepararlas con antelación, por ejemplo para el envío de correos, es adecuado el procesamiento por lotes. Si se quiere reflejar de inmediato el comportamiento más reciente de los usuarios, se usa un mecanismo que incorpora los eventos de comportamiento a medida que se producen. Además, más allá de los resultados de recomendación puros, se pueden aplicar mediante filtros consideraciones del negocio, como excluir los productos agotados o dar prioridad a categorías concretas. Al combinar las sugerencias del algoritmo con las reglas de negocio, se pueden ofrecer recomendaciones prácticas y naturales.

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.

Referencias (recursos oficiales de AWS)

Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.

Si esta página y la documentación oficial difieren, prevalece la documentación oficial.

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 cuánticosCree prototipos gratis con el simulador local y ejecute circuitos cuánticos en el hardware real de IonQ y Rigetti. Presentamos técnicas para implementar VQE y QAOA con Hybrid Jobs.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.