Amazon Anpassa är glada över att tillkännage automatisk utbildning för lösningar. Lösningsträning är grundläggande för att upprätthålla effektiviteten hos en modell och se till att rekommendationer överensstämmer med användarnas förändrade beteenden och preferenser. Eftersom datamönster och trender förändras över tiden, gör omskoling av lösningen med den senaste relevanta informationen modellen att lära sig och anpassa, vilket förbättrar dess prediktiva noggrannhet. Automatisk utbildning genererar en ny lösningsversion, mildrar modellavvikelser och håller rekommendationerna relevanta och skräddarsydda för slutanvändarnas nuvarande beteende samtidigt som de nyaste föremålen ingår. I slutändan ger automatisk träning en mer personlig och engagerande upplevelse som anpassar sig till ändrade preferenser.

Amazon Personalize påskyndar din digitala transformation med maskininlärning (ML), vilket gör det enkelt att integrera personliga rekommendationer i befintliga webbplatser, applikationer, e-postmarknadsföringssystem och mer. Amazon Personalize gör det möjligt för utvecklare att snabbt implementera en anpassad personaliseringsmotor, utan att kräva ML-expertis. Amazon Personalize tillhandahåller den nödvändiga infrastrukturen och hanterar hela ML-pipelinen, inklusive bearbetning av data, identifiering av funktioner, användning av lämpliga algoritmer och utbildning, optimering och värd för anpassade modeller baserat på dina data. All din data är krypterad för att vara privat och säker.

I det här inlägget guidar vi dig genom processen att konfigurera automatisk utbildning, så att dina lösningar och rekommendationer bibehåller sin noggrannhet och relevans.

Lösningsöversikt

A lösning hänvisar till kombinationen av ett Amazon Personalize-recept, anpassade parametrar och en eller flera lösningsversioner (utbildade modeller). När du skapar en anpassad lösning anger du ett recept som matchar ditt användningsfall och konfigurerar träningsparametrar. För det här inlägget konfigurerar du automatisk träning i träningsparametrarna.

Förutsättningar

För att aktivera automatisk utbildning för dina lösningar måste du först ställa in Amazon Personalize-resurser. Börja med skapa en datauppsättningsgrupp, scheman och datauppsättningar representerar dina objekt, interaktioner och användardata. För instruktioner, se Komma igång (konsol) or Komma igång (AWS CLI).

När du har importerat dina data är du redo att skapa en lösning.

Skapa en lösning

Utför följande steg för att ställa in automatisk träning:

1. Skapa en ny lösning på Amazon Personalize-konsolen.
2. Ange ett namn för din lösning, välj vilken typ av lösning du vill skapa och välj ditt recept.
3. Lägg eventuellt till eventuella taggar. För mer information om att tagga Amazon Personalize-resurser, se Tagga Amazon Anpassa resurser.
4. För att använda automatisk träning, i Automatisk träning avsnitt, välj Sätta på och ange din träningsfrekvens.

Automatisk träning är aktiverad som standard för att träna en gång var 7:e dag. Du kan konfigurera träningsfrekvensen så att den passar dina affärsbehov, från en gång var 1–30:e dag.

1. Om ditt recept genererar artikelrekommendationer eller användarsegment, använd valfritt Kolumner för träning avsnitt för att välja kolumnerna Amazon Personalize tar hänsyn till när man tränar lösningsversioner.
2. I Hyperparameterkonfiguration avsnitt, konfigurera eventuellt hyperparameteralternativ baserat på ditt recept och dina affärsbehov.
3. Ange eventuella ytterligare konfigurationer och välj sedan Nästa.
   
4. Granska lösningsdetaljerna och bekräfta att din automatiska träning är konfigurerad som förväntat.
5. Välja Skapa lösning.
   

Amazon Personalize skapar automatiskt din första lösningsversion. A lösningsversion avser en utbildad ML-modell. När en lösningsversion skapas för lösningen tränar Amazon Personalize modellen som stödjer lösningsversionen baserat på receptet och träningskonfigurationen. Det kan ta upp till 1 timme innan skapandet av lösningsversionen startar.

Följande är exempelkod för att skapa en lösning med automatisk träning med hjälp av 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'])

När en lösning har skapats kan du bekräfta om automatisk träning är aktiverad på sidan med lösningsdetaljer.

Du kan också använda följande exempelkod för att bekräfta via AWS SDK att automatisk träning är aktiverad:

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

Ditt svar kommer att innehålla fälten performAutoTraining och autoTrainingConfig, visar de värden du ställt in i CreateSolution ring upp.

På sidan med lösningsdetaljer ser du även de lösningsversioner som skapas automatiskt. De Träningstyp kolumnen anger om lösningsversionen skapades manuellt eller automatiskt.

Du kan också använda följande exempelkod för att returnera en lista över lösningsversioner för den givna lösningen:

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

Ditt svar kommer att innehålla fältet trainingType, som anger om lösningsversionen skapades manuellt eller automatiskt.

När din lösningsversion är klar kan du skapa en kampanj för din lösningsversion.

Skapa en kampanj

A kampanjen distribuerar en lösningsversion (utbildad modell) för att generera rekommendationer i realtid. Med Amazon Personalize kan du effektivisera ditt arbetsflöde och automatisera distributionen av den senaste lösningsversionen till kampanjer via automatisk synkronisering. För att ställa in automatisk synkronisering, slutför följande steg:

1. Skapa en ny kampanj på Amazon Personalize-konsolen.
2. Ange ett namn för din kampanj.
3. Välj den lösning du just skapat.
4. Välja Använd automatiskt den senaste lösningsversionen.
5. Ställ in lägsta tillhandahållna transaktioner per sekund.
   
6. Skapa din kampanj.

Kampanjen är klar när dess status är ACTIVE.

Följande är exempelkod för att skapa en kampanj med syncWithLatestSolutionVersion satt till true använder AWS SDK. Du måste också lägga till suffixet $LATEST till solutionArn in solutionVersionArn när du ställer in syncWithLatestSolutionVersion till 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 sidan med kampanjdetaljer kan du se om den valda kampanjen har aktiverat automatisk synkronisering. När den är aktiverad uppdateras din kampanj automatiskt för att använda den senaste lösningsversionen, oavsett om den skapades automatiskt eller manuellt.

Använd följande exempelkod för att bekräfta det via AWS SDK syncWithLatestSolutionVersion är aktiverat:

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

Ditt svar kommer att innehålla fältet syncWithLatestSolutionVersion under campaignConfig, visar värdet du ställt in i CreateCampaign ring upp.

Du kan aktivera eller inaktivera alternativet att automatiskt använda den senaste lösningsversionen på Amazon Personalize-konsolen efter att en kampanj har skapats genom att uppdatera din kampanj. På samma sätt kan du aktivera eller inaktivera syncWithLatestSolutionVersion med UpdateCampaign använder AWS SDK.

Slutsats

Med automatisk utbildning kan du mildra modellavvikelser och bibehålla rekommendationsrelevansen genom att effektivisera ditt arbetsflöde och automatisera implementeringen av den senaste lösningsversionen i Amazon Personalize.

För mer information om att optimera din användarupplevelse med Amazon Personalize, se Amazon Personalize Developer Guide.

Om författarna

Ba'Carri Johnson är en Sr. Technical Product Manager som arbetar med AWS AI/ML i Amazon Personalize-teamet. Med en bakgrund inom datavetenskap och strategi brinner hon för produktinnovation. På fritiden tycker hon om att resa och utforska naturen.

Ajay Venkatakrishnan är en mjukvaruutvecklingsingenjör i Amazon Personalize-teamet. På fritiden tycker han om att skriva och spela fotboll.

Pranesh Anubhav är en senior mjukvaruingenjör för Amazon Personalize. Han brinner för att designa maskininlärningssystem för att betjäna kunder i stor skala. Utanför sitt arbete älskar han att spela fotboll och är en ivrig följare av Real Madrid.

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://aws.amazon.com/blogs/machine-learning/introducing-automatic-training-for-solutions-in-amazon-personalize/