Amazon Personalize

Amazon Personalize, c’est comme si vous aviez votre propre système de recommandation par machine learning d’Amazon, disponible en permanence. S’appuyant sur plus de 20 ans d’expérience en matière de recommandations, Amazon Personalize vous permet d’améliorer l’engagement client en proposant des recommandations personnalisées de produits et de contenus en temps réel, ainsi que des promotions marketing ciblées.

Cette intégration est gérée par Amazon Personalize.

À propos de l’intégration

À l’aide du machine learning et d’un algorithme que vous aidez à définir, Amazon Personalize peut vous aider à entraîner un modèle qui génère des recommandations de haute qualité pour vos sites web et applications. Ces modèles vous permettent de créer des listes de recommandations en fonction des comportements antérieurs des utilisateurs, de trier les éléments par pertinence et de recommander d’autres éléments en fonction de leur similitude. Les listes obtenues à partir de l’API Amazon Personalize peuvent ensuite être utilisées dans le contenu connecté de Braze pour lancer des campagnes de recommandation Braze personnalisées. Grâce à l’intégration avec Amazon Personalize, les clients ont la liberté de contrôler les paramètres utilisés pour entraîner les modèles et de définir des objectifs commerciaux facultatifs qui optimisent les résultats de l’algorithme.

Cet article de référence vous aidera à comprendre les cas d’utilisation proposés par Amazon Personalize, les données avec lesquelles il fonctionne, comment configurer le service et comment l’intégrer à Braze.

Conditions préalables

• use cases
• datasets

Création de modèles

Étape 1 : Entraînement

Une fois les ensembles de données importés, vous pouvez créer une solution. Une solution utilise l’une des recettes (algorithmes) d’Amazon Personalize pour entraîner un modèle. Dans notre cas, nous utiliserons la recette USER_PERSONALIZATION. L’entraînement de la solution crée une version de la solution (modèle entraîné) que vous pouvez évaluer en fonction des indicateurs de performance du modèle.

Amazon Personalize vous permet d’ajuster les hyperparamètres utilisés par le modèle pour l’entraînement. Par exemple :

• Le paramètre « Percentile de longueur de l’historique utilisateur » de la console Amazon Personalize vous permet d’ajuster le percentile de l’historique utilisateur à inclure dans l’entraînement :
  
  
  • min_user_history_length_percentile : exclut un pourcentage d’utilisateurs dont l’historique est très court, ce qui peut être utile pour éliminer les articles les plus populaires et créer des recommandations basées sur des modèles sous-jacents plus approfondis.
  • max_user_history_length_percentile : ajuste le pourcentage d’utilisateurs à prendre en compte lors de l’entraînement avec un historique très long.

Le nombre de dimensions cachées permet de détecter des modèles plus complexes pour des ensembles de données complexes, tandis que la technique de rétropropagation dans le temps (BPTT) ajuste les récompenses pour un événement précoce après qu’une chaîne d’événements s’est produite et a donné lieu à une action de grande valeur.

En outre, Amazon Personalize permet de régler automatiquement les hyperparamètres en exécutant simultanément plusieurs versions de la solution avec différentes valeurs. Pour utiliser le réglage, activez l’option Perform HPO lors de la création d’une solution.

Étape 2 : Évaluer et comparer

Une fois l’entraînement d’une solution terminé, vous êtes prêt à l’évaluer et à comparer les différentes versions. Chaque version de la solution affiche des indicateurs calculés. Parmi les indicateurs disponibles, citons :

• Gain cumulé actualisé normalisé : compare l’ordre recommandé des articles à la liste réelle des articles et attribue à chaque article un poids correspondant à sa position dans la liste
• Precision @k : la quantité d’articles correctement recommandés divisée par la quantité de tous les articles recommandés, où k est le nombre d’articles
• Rang réciproque moyen : se concentre sur la première recommandation la mieux classée et calcule le nombre d’éléments recommandés consultés avant l’apparition de la première recommandation correspondante
• Couverture : proportion d’éléments uniques recommandés par rapport au nombre total d’éléments uniques dans l’ensemble de données

Obtenir des recommandations

Une fois que vous avez créé une version de solution qui vous convient, il est temps de mettre les recommandations en œuvre. Vous pouvez accéder aux recommandations de deux manières :

1. Campagne en temps réel
   Une campagne est une version de solution déployée avec un débit de transactions minimal défini. Une transaction est un appel d’API unique pour obtenir une sortie de recommandation, et elle est définie en TPS (transactions par seconde), avec une valeur minimale de un. La campagne ajustera les ressources en cas d’augmentation de la charge, mais celles-ci ne tomberont pas en dessous de votre valeur minimale. Vous pouvez consulter les recommandations dans la console, dans l’interface de ligne de commande AWS ou via les SDK AWS dans votre code.
   
   
2. Tâche par lots
   Une tâche par lots exporte les recommandations vers un compartiment S3. La tâche prend en entrée un fichier JSON contenant la liste des ID d’utilisateur pour lesquels vous souhaitez exporter les recommandations. Ensuite, après avoir spécifié les autorisations appropriées et la destination de sortie, vous êtes prêt à exécuter la tâche. Le temps d’exécution dépend de la taille de vos ensembles de données et de la longueur de la liste des recommandations.

Filtres

Les filtres vous permettent d’ajuster la sortie des recommandations en excluant des éléments en fonction de leur ID, de leur type d’événement ou de leurs métadonnées. Vous pouvez également filtrer les utilisateurs en fonction de leurs métadonnées, telles que leur âge ou leur statut de membre du programme de fidélité. Les filtres peuvent s’avérer utiles pour empêcher de recommander des éléments avec lesquels l’utilisateur a déjà interagi.

Intégrer les résultats avec Braze

Avec le modèle créé et la campagne de recommandations, vous êtes prêt à lancer une campagne Braze pour vos utilisateurs à l’aide de Content Cards et du contenu connecté. Avant de lancer une campagne Braze, vous devez créer un service capable de diffuser ces recommandations via une API. Vous pouvez suivre l’étape 3 de l’article de l’atelier pour déployer le service à l’aide des services AWS. Vous pouvez également déployer votre propre service backend indépendant qui fournit les recommandations.

Cas d’utilisation de la campagne de Content Cards

Lançons une campagne de Content Cards avec le premier élément recommandé de la liste.

Dans les exemples suivants, nous allons interroger l’endpoint GET http://<service-endpoint.com>/recommendations?user_id=user123 avec un paramètre user_id qui renverra une liste d’articles recommandés :

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"
  },
  ...
]

Dans le tableau de bord de Braze, créez une nouvelle campagne de Content Cards. Dans le champ de texte du message, créez un bloc Liquid de contenu connecté pour interroger l’API et enregistrer la réponse dans la variable recommendations :

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

Vous pouvez ensuite référencer le premier élément du tableau obtenu et afficher le contenu à l’utilisateur :

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

En incluant le titre, l’image et le lien vers l’URL, voici à quoi ressemblerait la Content Card complète :