Amazon Tilpas er glade for at annoncere automatisk træning til løsninger. Løsningstræning er grundlæggende for at opretholde effektiviteten af ​​en model og sikre, at anbefalinger stemmer overens med brugernes udviklende adfærd og præferencer. Efterhånden som datamønstre og -tendenser ændrer sig over tid, gør genoptræning af løsningen med de seneste relevante data det muligt for modellen at lære og tilpasse sig, hvilket øger dens forudsigelige nøjagtighed. Automatisk træning genererer en ny løsningsversion, der mindsker modelafdriften og holder anbefalingerne relevante og skræddersyet til slutbrugernes aktuelle adfærd, mens de inkluderer de nyeste varer. I sidste ende giver automatisk træning en mere personlig og engagerende oplevelse, der tilpasser sig skiftende præferencer.

Amazon Personalize accelererer din digitale transformation med maskinlæring (ML), hvilket gør det nemt at integrere personlige anbefalinger i eksisterende websteder, applikationer, e-mailmarketingsystemer og mere. Amazon Personalize gør det muligt for udviklere hurtigt at implementere en tilpasset personaliseringsmotor uden at kræve ML-ekspertise. Amazon Personalize sørger for den nødvendige infrastruktur og administrerer hele ML-pipeline, inklusive behandling af data, identifikation af funktioner, brug af passende algoritmer og træning, optimering og hosting af de tilpassede modeller baseret på dine data. Alle dine data er krypteret for at være private og sikre.

I dette indlæg guider vi dig gennem processen med at konfigurere automatisk træning, så dine løsninger og anbefalinger bevarer deres nøjagtighed og relevans.

Løsningsoversigt

A løsninger refererer til kombinationen af ​​en Amazon Personalize-opskrift, tilpassede parametre og en eller flere løsningsversioner (uddannede modeller). Når du opretter en brugerdefineret løsning, specificerer du en opskrift, der matcher din use case, og konfigurerer træningsparametre. Til dette indlæg konfigurerer du automatisk træning i træningsparametrene.

Forudsætninger

For at aktivere automatisk træning af dine løsninger skal du først konfigurere Amazon Personalize-ressourcer. Start med oprettelse af en datasætgruppe, skemaer og datasæt repræsenterer dine varer, interaktioner og brugerdata. For instruktioner, se Kom godt i gang (konsol) or Kom godt i gang (AWS CLI).

Når du er færdig med at importere dine data, er du klar til at lave en løsning.

Skab en løsning

For at konfigurere automatisk træning skal du udføre følgende trin:

1. Opret en ny løsning på Amazon Personalize-konsollen.
2. Angiv et navn til din løsning, vælg den type løsning, du vil oprette, og vælg din opskrift.
3. Tilføj eventuelt tags. For mere information om tagging af Amazon Personalize-ressourcer, se Tagging af Amazon Personaliser ressourcer.
4. For at bruge automatisk træning, i Automatisk træning sektion, vælg Tænd og angiv din træningsfrekvens.

Automatisk træning er som standard aktiveret til at træne én gang hver 7. dag. Du kan konfigurere træningskadencen, så den passer til dine forretningsbehov, lige fra én gang hver 1.-30. dag.

1. Hvis din opskrift genererer vareanbefalinger eller brugersegmenter, kan du eventuelt bruge Kolonner til træning sektion for at vælge de kolonner, som Amazon Personalize tager hensyn til, når du træner løsningsversioner.
2. I Hyperparameter konfiguration sektion, konfigurer eventuelt eventuelle hyperparameterindstillinger baseret på din opskrift og forretningsbehov.
3. Angiv eventuelle yderligere konfigurationer, og vælg derefter Næste.
   
4. Gennemgå løsningsdetaljerne og bekræft, at din automatiske træning er konfigureret som forventet.
5. Vælg Skab løsning.
   

Amazon Personalize vil automatisk oprette din første løsningsversion. EN løsningsversion henviser til en trænet ML-model. Når der oprettes en løsningsversion til løsningen, træner Amazon Personalize modellen, der understøtter løsningsversionen baseret på opskriften og træningskonfigurationen. Det kan tage op til 1 time, før oprettelsen af ​​løsningsversionen starter.

Følgende er eksempelkode til at skabe en løsning med automatisk træning ved hjælp af AWS SDK:

import boto3 
personalize = boto3.client('personalize')

solution_config = {
    "autoTrainingConfig": {
        "schedulingExpression": "rate(3 days)"
    }
}

recipe = "arn:aws:personalize:::recipe/aws-similar-items"
name = "test_automatic_training"
response = personalize.create_solution(name=name, recipeArn=recipe_arn, datasetGroupArn=dataset_group_arn, 
                            performAutoTraining=True, solutionConfig=solution_config)

print(response['solutionArn'])
solution_arn = response['solutionArn'])

Når en løsning er oprettet, kan du bekræfte, om automatisk træning er aktiveret på siden med løsningsdetaljer.

Du kan også bruge følgende eksempelkode til at bekræfte via AWS SDK, at automatisk træning er aktiveret:

response = personalize.describe_solution(solutionArn=solution_arn)
print(response)

Dit svar vil indeholde felterne performAutoTraining , autoTrainingConfig, der viser de værdier, du har angivet i CreateSolution opkald.

På siden med løsningsdetaljer vil du også se de løsningsversioner, der oprettes automatisk. Det Træningstype kolonne angiver, om løsningsversionen blev oprettet manuelt eller automatisk.

Du kan også bruge følgende eksempelkode til at returnere en liste over løsningsversioner for den givne løsning:

response = personalize.list_solution_versions(solutionArn=solution_arn)['solutionVersions']
print("List Solution Version responsen")
for val in response:
    print(f"SolutionVersion: {val}")
    print("n")

Dit svar vil indeholde feltet trainingType, som angiver, om løsningsversionen blev oprettet manuelt eller automatisk.

Når din løsningsversion er klar, kan du oprette en kampagne for din løsningsversion.

Opret en kampagne

A kampagne implementerer en løsningsversion (uddannet model) for at generere anbefalinger i realtid. Med Amazon Personalize kan du strømline din arbejdsgang og automatisere implementeringen af ​​den seneste løsningsversion til kampagner via automatisk synkronisering. For at konfigurere automatisk synkronisering skal du udføre følgende trin:

1. På Amazon Personalize-konsollen skal du oprette en ny kampagne.
2. Angiv et navn til din kampagne.
3. Vælg den løsning, du lige har oprettet.
4. Type Brug automatisk den seneste løsningsversion.
5. Indstil minimum provisionerede transaktioner pr. sekund.
   
6. Opret din kampagne.

Kampagnen er klar, når dens status er ACTIVE.

Følgende er eksempelkode til at oprette en kampagne med syncWithLatestSolutionVersion indstillet til true ved hjælp af AWS SDK. Du skal også tilføje suffikset $LATEST til solutionArn in solutionVersionArn når du indstiller syncWithLatestSolutionVersion til true.

campaign_config = {
    "syncWithLatestSolutionVersion": True
}
resource_name = "test_campaign_sync"
solution_version_arn = "arn:aws:personalize:<region>:<accountId>:solution/<solution_name>/$LATEST"
response = personalize.create_campaign(name=resource_name, solutionVersionArn=solution_version_arn, campaignConfig=campaign_config)
campaign_arn = response['campaignArn']
print(campaign_arn)

På siden med kampagnedetaljer kan du se, om den valgte kampagne har automatisk synkronisering aktiveret. Når den er aktiveret, opdateres din kampagne automatisk til at bruge den seneste løsningsversion, uanset om den blev oprettet automatisk eller manuelt.

Brug følgende eksempelkode til at bekræfte det via AWS SDK syncWithLatestSolutionVersion er aktiveret:

response = personalize.describe_campaign(campaignArn=campaign_arn)
Print(response)

Dit svar vil indeholde feltet syncWithLatestSolutionVersion under campaignConfig, der viser den værdi, du har indstillet i CreateCampaign opkald.

Du kan aktivere eller deaktivere muligheden for automatisk at bruge den seneste løsningsversion på Amazon Personalize-konsollen efter en kampagne er oprettet ved at opdatere din kampagne. På samme måde kan du aktivere eller deaktivere syncWithLatestSolutionVersion med UpdateCampaign ved hjælp af AWS SDK.

Konklusion

Med automatisk træning kan du mindske modelafdriften og bevare relevansen af ​​anbefalingerne ved at strømline din arbejdsgang og automatisere implementeringen af ​​den seneste løsningsversion i Amazon Personalize.

For mere information om optimering af din brugeroplevelse med Amazon Personalize, se Amazon Personalize Developer Guide.

Om forfatterne

Ba'Carri Johnson er en Sr. Technical Product Manager, der arbejder med AWS AI/ML på Amazon Personalize-teamet. Med en baggrund i datalogi og strategi brænder hun for produktinnovation. I sin fritid nyder hun at rejse og udforske naturen.

Ajay Venkatakrishnan er softwareudviklingsingeniør på Amazon Personalize-teamet. I sin fritid nyder han at skrive og spille fodbold.

Pranesh Anubhav er senior softwareingeniør for Amazon Personalize. Han brænder for at designe maskinlæringssystemer til at betjene kunder i stor skala. Uden for sit arbejde elsker han at spille fodbold og er en ivrig tilhænger af Real Madrid.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://aws.amazon.com/blogs/machine-learning/introducing-automatic-training-for-solutions-in-amazon-personalize/