Detalles del flujo de trabajo de Amazon Personalize

El flujo de trabajo de Amazon Personalize es el siguiente. Para ver una lista de verificación que proporciona listas de las funciones, los requisitos y la orientación sobre datos de Amazon Personalize, consulte laLista de verificación de preparación.

1. Haga coincidir su caso de uso con los recursos de Amazon Personalize: Amazon Personalize presenta recursos basados en dominios y recursos personalizados configurados para diferentes casos. Cuando asocies tu caso de uso con un recurso de Amazon Personalize, ten en cuenta sus requisitos de datos. Después de elegir un caso de uso o una receta, esta información puede ayudarle a preparar sus datos.

2. Prepara los datos de entrenamiento: en función del caso de uso de tu dominio o de los requisitos de datos de una receta personalizada, prepara los datos de entrenamiento masivos en un CSV archivo. Según el caso de uso o la receta, Amazon Personalize puede utilizar datos de interacción entre artículos, artículos, usuarios, acciones e interacciones entre acciones. Si no tienes datos masivos, puedes utilizar operaciones de importación individuales para recopilar datos y transmitir eventos hasta que cumplas con los requisitos de formación de Amazon Personalize y los requisitos de datos del caso de uso o receta de tu dominio.

3. Cree JSON archivos de esquema para sus datos: cree JSON archivos de esquema para cada tipo de datos que vaya a importar. Estos archivos describen la estructura y el contenido de los datos, incluidos los nombres de las columnas y sus tipos de datos.

4. Crear un grupo de conjuntos de datos: un grupo de conjuntos de datos es un contenedor para los recursos de Amazon Personalize. Puede crear un grupo de conjuntos de datos de dominio con recursos preconfigurados para VIDEO _ON_ DEMAND o dominios. ECOMMERCE O bien, puede crear un grupo de conjuntos de datos personalizado y crear solo recursos personalizados.

5. Cree esquemas y conjuntos de datos: un esquema informa a Amazon Personalize sobre la estructura de sus datos y permite que Amazon Personalize analice los datos. Un conjunto de datos es un contenedor de datos de entrenamiento en Amazon Personalize.

6. Importe los datos de entrenamiento a conjuntos de datos: importe los registros de interacciones, elementos, usuarios, acciones o interacciones entre acciones que haya preparado. Puede importar registros de forma masiva o individual.

7. Capacite e implemente un modelo: para entrenar e implementar un modelo para VIDEO _ON_ DEMAND o ECOMMERCE dominios, debe crear recomendadores de dominios. Para los recursos personalizados, debe crear una solución personalizada y una versión de la solución. Para obtener recomendaciones en tiempo real, implemente la versión de la solución en una campaña.

   • Para obtener información sobre cómo crear un programa de recomendaciones de dominios, consulteRecomendadores de dominios.

   • Para obtener información sobre la creación e implementación de recursos personalizados, consulteRecursos personalizados.

8. Obtenga recomendaciones: utilice su campaña de recomendación o personalizada para obtener recomendaciones. Puede utilizar filtros para incluir o excluir determinados tipos de elementos de las recomendaciones. Para obtener más información, consulte Recomendaciones de filtrado y segmentos de usuarios. Con los recursos personalizados, también puedes obtener recomendaciones por lotes o segmentos de usuarios sin necesidad de crear una campaña.

9. Registre los eventos en tiempo real: registre los eventos en tiempo real a medida que sus clientes interactúan con las recomendaciones. De esta forma, se construyen los datos de las interacciones y se mantienen actualizados. Además, se informa a Amazon Personalize sobre los intereses actuales del usuario, lo que puede mejorar la relevancia de las recomendaciones.

Una vez que complete el flujo de trabajo de Amazon Personalize por primera vez, mantenga sus datos actualizados y vuelva a entrenar periódicamente cualquier solución personalizada que utilice formación manual. Esto permite que su modelo aprenda de la actividad más reciente de sus usuarios y mantiene y mejora la relevancia de las recomendaciones. Para obtener más información, consulte Mantenimiento de la relevancia de las recomendaciones.