Amazon Personalizar

Amazon Personalize es como tener tu propio sistema de recomendación de aprendizaje automático de Amazon durante todo el día. Basado en más de 20 años de experiencia en recomendaciones, Amazon Personalize le permite mejorar la interacción con el cliente mediante recomendaciones personalizadas de productos y contenidos en tiempo real y promociones de marketing específicas.

Esta integración es mantenida por Amazon Personalize.

Sobre la integración

Mediante el aprendizaje automático y un algoritmo que usted ayuda a definir, Amazon Personalize puede ayudarle a entrenar un modelo que produzca recomendaciones de alta calidad para sus sitios web y aplicaciones. Estos modelos le permitirán crear listas de recomendaciones basadas en los comportamientos anteriores de los usuarios, ordenar los elementos por relevancia y recomendar otros elementos en función de la similitud. Las listas obtenidas de Amazon Personalize API pueden utilizarse en Braze Connected Content para ejecutar campañas de recomendación personalizadas de Braze. Al integrarse con Amazon Personalize, los clientes tienen libertad para controlar los parámetros utilizados para entrenar los modelos y definir objetivos empresariales opcionales que optimicen el resultado del algoritmo.

Este artículo de referencia le ayudará a comprender los casos de uso que ofrece Amazon Personalize, los datos con los que trabaja, cómo configurar el servicio y cómo integrarlo con Braze.

Requisitos previos

• use cases
• datasets

Creación de modelos

Paso 1: Entrenando

Una vez importados los conjuntos de datos, puede crear una solución. Una solución utiliza una de las recetas (algoritmos) de Amazon Personalize para entrenar un modelo. En nuestro caso, utilizaremos la receta USER_PERSONALIZATION. El entrenamiento de la solución crea una versión de la solución (modelo entrenado) que puede evaluar en función de las métricas de rendimiento del modelo.

Amazon Personalize te permite ajustar los hiperparámetros que el modelo utiliza para entrenarse. Por ejemplo:

• El parámetro “Percentil de longitud del historial de usuario” que se encuentra en la consola de Amazon Personalize permite ajustar el percentil del historial de usuario que se incluirá en el entrenamiento:
  
  
  • min_user_history_length_percentile: excluye un porcentaje de usuarios con historiales muy cortos, lo que puede ser útil para eliminar artículos populares y elaborar recomendaciones basadas en patrones subyacentes más profundos.
  • max_user_history_length_percentile: ajusta el porcentaje de usuarios a tener en cuenta cuando se entrena con longitudes de historial muy largas.

El número de dimensiones ocultas ayuda a detectar patrones más complicados para conjuntos de datos complejos, mientras que la técnica de retropropagación a través del tiempo (BPTT) ajusta las recompensas para un evento temprano después de que se produjera una cadena de eventos que dio lugar a una acción de alto valor.

Además, Amazon Personalize ofrece un ajuste automático de hiperparámetros mediante la ejecución simultánea de varias versiones de la solución con diferentes valores. Para utilizar el ajuste, active Realizar HPO al crear una solución.

Paso 2: Evaluar y comparar

Una vez finalizada la formación de una solución, estás preparado para evaluarla y comparar diferentes versiones. Cada versión de la solución muestra las métricas calculadas. Algunas de las métricas disponibles son:

• Normalizar la ganancia acumulada descontada: compara el orden recomendado de los elementos con la lista real de elementos y asigna a cada elemento un peso correspondiente a su posición en la lista.
• Precisión @k: la cantidad de artículos recomendados correctamente dividida por la cantidad de todos los artículos recomendados, donde k es el número de artículos.
• Rango recíproco medio: se centra en la primera recomendación mejor clasificada y calcula cuántos artículos recomendados se ven antes de que aparezca la primera recomendación emparejada.
• Cobertura: proporción de elementos únicos recomendados con respecto al número total de elementos únicos del conjunto de datos.

Obtener recomendaciones

Una vez que haya creado una versión de la solución con la que esté satisfecho, es hora de poner en práctica las recomendaciones. Hay dos formas de acceder a las recomendaciones:

1. Campaña en tiempo real
   Una campaña es una versión de la solución desplegada con un rendimiento mínimo de transacciones definido. Una transacción es una única llamada a la API para obtener la salida de la recomendación, y se define como TPS, o transacciones por segundo, con un valor mínimo de uno. La campaña escalará recursos en caso de un aumento de la carga, pero no caerá por debajo de su valor mínimo. Puedes consultar las recomendaciones en la consola, en la CLI de AWS o a través de los SDK de AWS en tu código.
   
   
2. Trabajo por lotes
   Un trabajo por lotes exporta las recomendaciones a un bucket de S3. La tarea toma como entrada un archivo JSON con una lista de ID de usuario para los que desea exportar las recomendaciones. A continuación, tras especificar los permisos correctos y el destino de salida, estarás listo para ejecutar el trabajo. El tiempo de ejecución depende del tamaño de los conjuntos de datos y de la longitud de la lista de recomendaciones.

Filtros

Los filtros permiten ajustar el resultado de la recomendación excluyendo elementos en función del ID del elemento, el tipo de evento o los metadatos. También puede filtrar a los usuarios en función de sus metadatos, como la edad o el estado de fidelización. Los filtros pueden resultar útiles para evitar que se recomienden artículos con los que el usuario ya ha interactuado.

Integración de resultados con Braze

Con el modelo creado y la campaña de recomendaciones, está listo para ejecutar una campaña Braze para sus usuarios utilizando Tarjetas de contenido y Contenido conectado. Antes de ejecutar una campaña Braze, debe crear un servicio que pueda servir estas recomendaciones a través de una API. Puedes seguir el paso 3 del artículo del taller para desplegar el servicio utilizando los servicios de AWS. También puede desplegar su propio servicio backend independiente que proporcione las recomendaciones.

Caso de uso de la campaña de tarjeta de contenido

Realicemos una campaña de tarjetas de contenido con el primer elemento recomendado de la lista.

En los siguientes ejemplos, vamos a consultar GET http://<service-endpoint.com>/recommendations?user_id=user123 con un parámetro user_id que devolverá una lista de elementos recomendados:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
[
  {
    "id": "abc123",
    "url": "http://productpage.com/product/abc123",
    "name": "First Item",
    "price": 39.99,
    "image": "http://pp.cdn.com/abvh3321pjb1j"
  },
  {
    "id": "xyz987",
    "url": "http://productpage.com/product/xyz987",
    "name": "Great Item",
    "price": 19.99,
    "image": "http://pp.cdn.com/234bjl1gioj1b2b"
  },
  ...
]

En el panel de control de Braze, cree una nueva campaña de tarjeta de contenido. En el campo de texto del mensaje, cree un bloque Connected Content Liquid para consultar la API y guardar la respuesta en la variable recommendations:

1
{% connected_content https:/<service-endpoint.com>/recommendations?user_id={{${user_id}}} :save recommendations %}

A continuación, puede hacer referencia al primer elemento de la matriz resultante y mostrar el contenido al usuario:

1
2
3
This seems like a great fit for you:
{% recommendations[0].name %}
{% recommendations[0].price %}

Incluyendo el título, la imagen y enlazando la URL, así es como quedaría la Tarjeta de Contenido completa: