Recomendación y personalización - Experiencia optimizada individualmente con Amazon Personalize
Construye 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.
Fundamentos de la personalización
La personalización es la práctica de adaptar la experiencia del usuario basándose en sus preferencias, comportamiento e historial. Amazon Personalize automatiza este proceso utilizando las mismas técnicas de ML que impulsan las recomendaciones de Amazon.com. A diferencia de sistemas basados en reglas, Personalize aprende patrones complejos de los datos de interacción y genera recomendaciones que mejoran con el tiempo a medida que se acumulan más datos.
Preparación de datos y datasets
Personalize requiere un mínimo de un dataset de Interactions con al menos 1,000 registros y 25 usuarios únicos. El dataset de Interactions registra eventos como vistas, clics, compras y valoraciones con timestamps. Los datasets opcionales de Items (metadatos como categoría, precio, género) y Users (atributos como edad, ubicación) mejoran la calidad de las recomendaciones al proporcionar contexto adicional. Los datos se cargan desde S3 en formato CSV con esquemas definidos por el usuario. La calidad y cantidad de datos de interacción es el factor más importante para la calidad de las recomendaciones.
Recetas y entrenamiento
Las recetas son algoritmos preconfigurados para diferentes casos de uso. USER_PERSONALIZATION genera recomendaciones personalizadas por usuario, ideal para páginas de inicio. POPULAR_COUNT recomienda ítems populares para usuarios nuevos sin historial (cold start). RELATED_ITEMS encuentra ítems similares basándose en co-ocurrencia, ideal para páginas de detalle. PERSONALIZED_RANKING reordena una lista existente según preferencias del usuario, ideal para resultados de búsqueda. El entrenamiento crea una Solution Version que se evalúa con métricas offline (precision@K, NDCG, coverage) antes de desplegarse.
Eventos en tiempo real y filtros
La API PutEvents permite enviar eventos de usuario en tiempo real, actualizando las recomendaciones inmediatamente sin necesidad de reentrenar el modelo. Esto es crucial para capturar el interés actual del usuario durante una sesión de navegación. Los filtros permiten aplicar reglas de negocio a las recomendaciones: excluir ítems ya comprados, limitar por categoría, filtrar por rango de precio o restringir por disponibilidad de inventario. Los filtros se definen con expresiones que referencian propiedades de ítems o eventos del usuario. Para profundizar en sistemas de recomendación, consulte libros relacionados en Amazon.
Campañas y métricas
Una campaña es un endpoint de inferencia que sirve recomendaciones en tiempo real. Se configura con un TPS mínimo (Transactions Per Second) que determina la capacidad base. El auto-scaling ajusta la capacidad según la demanda. Las métricas de evaluación incluyen: precision@K (proporción de recomendaciones relevantes), NDCG (calidad del ranking), coverage (diversidad de ítems recomendados) y mean reciprocal rank. En producción, se miden métricas de negocio como CTR (Click-Through Rate), tasa de conversión y revenue por usuario para validar el impacto real.
Resumen
Amazon Personalize permite construir experiencias personalizadas con ML sin conocimientos especializados. Desde la ingesta de datos de interacción hasta el despliegue de campañas de inferencia en tiempo real, el servicio automatiza el ciclo completo de personalización. Los eventos en tiempo real mantienen las recomendaciones actualizadas, los filtros aplican reglas de negocio, y las métricas offline y online permiten evaluar y mejorar continuamente la calidad.