Questions fréquemment posées sur Amazon Personalize

Vous trouverez ci-dessous les réponses aux questions fréquemment posées concernant l'importation de données, la formation, le déploiement de modèles, les recommandations et les filtres dans Amazon Personalize.

Pour plus de questions et réponses, consultez l'aide-mémoire Amazon Personalize dans le référentiel d'exemples Amazon Personalize.

Importation et gestion des données

Dans quel format doivent être mes données groupées ?

Vos données groupées doivent être au format valeurs séparées par des virgules (CSV). La première ligne de votre CSV fichier doit contenir des en-têtes de colonne. Les en-têtes de colonne de votre CSV fichier doivent correspondre au schéma pour créer le jeu de données. Si vos données contiennent des caractères non ASCII codés, votre CSV fichier doit être codé au format UTF -8. Ne placez pas les en-têtes entre guillemets («). TIMESTAMPet CREATION_TIMESTAMP les données doivent être au format UNIXepoch time. Pour plus d'informations sur les données d'horodatage, consultez. Données d'horodatage Pour plus d’informations sur les schémas, consultez Création de JSON fichiers de schéma pour les schémas Amazon Personalize.

Pour consulter les directives complètes relatives au format des données, voirPréparation des données de formation pour Amazon Personalize. Si vous ne savez pas comment formater vos données, vous pouvez utiliser Amazon SageMaker Data Wrangler (Data Wrangler) pour les préparer. Pour de plus amples informations, veuillez consulter Préparation et importation de données en masse à l'aide d'Amazon SageMaker Data Wrangler.

De combien de données d'entraînement ai-je besoin ?

Pour tous les cas d'utilisation (groupes de jeux de données de domaine) et les recettes personnalisées, vos données d'interactions doivent présenter les éléments suivants :

• Au moins 1 000 enregistrements d'interactions entre articles provenant d'utilisateurs interagissant avec des articles de votre catalogue. Ces interactions peuvent provenir d'importations groupées, d'événements diffusés en continu, ou des deux.

• Au moins 25 utilisateurs uniques IDs avec au moins deux interactions avec des objets pour chacun.

Pour des recommandations de qualité, nous vous recommandons d'avoir au moins 50 000 interactions entre articles provenant d'au moins 1 000 utilisateurs, avec au moins deux interactions avec des articles chacun.

Vous pouvez commencer avec un jeu de données d'interactions Item vide et, lorsque vous avez enregistré suffisamment de données, créer votre recommandation (groupe de jeux de données de domaine) ou une version de solution personnalisée en utilisant uniquement les nouveaux événements enregistrés. Certaines recettes et certains cas d'utilisation peuvent nécessiter des données supplémentaires. Pour plus d'informations sur les exigences relatives aux cas d'utilisation, consultezChoix d'un cas d'utilisation. Pour plus d'informations sur les exigences relatives aux recettes, voirChoisir une recette.

Comment mettre à jour les attributs d'un article ou d'un utilisateur ?

Utilisez la console Amazon Personalize PutItems ou les PutUsers opérations or pour importer un article ou un utilisateur avec le même identifiant d'article mais avec les attributs modifiés.

Comment supprimer un élément ou un utilisateur ?

Amazon Personalize ne prend pas en charge la suppression d'un article ou d'un utilisateur spécifique. Pour vous assurer qu'un élément ou un utilisateur n'apparaît pas dans les recommandations, utilisez un filtre pour exclure des éléments. Pour de plus amples informations, veuillez consulter Recommandations de filtrage et segments d'utilisateurs.

Comment supprimer un schéma ?

Vous ne pouvez supprimer un schéma qu'à l'aide de DeleteSchema cette opération. Vous ne pouvez pas utiliser la console Amazon Personalize pour supprimer un schéma.

Création d'une solution personnalisée et d'une version de solution

Quelle recette dois-je utiliser ?

La recette Amazon Personalize que vous utilisez dépend de votre cas d'utilisation. Pour plus d'informations sur la correspondance entre les cas d'utilisation et les recettes, consultezChoisir une recette. L'aide-mémoire Amazon Personalize inclut également des informations sur les cas d'utilisation et les recettes.

À quelle fréquence dois-je m'entraîner ?

Nous recommandons d'utiliser un entraînement automatique avec une fréquence d'entraînement d'au moins une semaine. La formation automatique vous permet de maintenir plus facilement la pertinence des recommandations. La fréquence de vos formations dépend des besoins de votre entreprise, de la recette que vous utilisez et de la fréquence à laquelle vous importez des données. Pour de plus amples informations, veuillez consulter Configuration de l'entraînement automatique. Pour plus d'informations sur le maintien de la pertinence, voirMaintien de la pertinence des recommandations.

Dois-je utiliser AutoML ?

Non, nous vous recommandons plutôt de faire correspondre votre cas d'utilisation aux différentes recettes Amazon Personalize et de choisir une recette. Pour plus d'informations sur la correspondance entre les cas d'utilisation et les recettes, consultezChoisir une recette.

Déploiement de modèles (campagnes personnalisées)

Que dois-je définir pour ma campagne minProvisioned TPS ?

Un montant élevé minProvisionedTPS augmentera vos coûts. Nous vous recommandons de commencer par 1 pour minProvisionedTPS (valeur par défaut). Suivez votre consommation à l'aide CloudWatch des statistiques Amazon et augmentez-les minProvisionedTPS si nécessaire.

Comment puis-je contrôler le coût de mes campagnes ?

Le projet Amazon Personalize Monitor fournit un CloudWatch tableau de bord, des métriques personnalisées, des alarmes d'utilisation et des fonctions d'optimisation des coûts pour les campagnes Amazon Personalize. Consultez l'Amazon Personalize Monitor dans le référentiel d'exemples Amazon Personalize.

Comment définir le débit de transaction maximal pour une campagne ?

Vous ne pouvez définir que le débit minimum pour une campagne. Lorsque vous créez une campagne Amazon Personalize, vous spécifiez une capacité de transaction dédiée pour créer des recommandations en temps réel pour les utilisateurs de votre application. Si votre TPS augmentation dépasseminProvisionedTPS, Amazon Personalize fait automatiquement évoluer la capacité allouée à la hausse ou à la baisse, mais jamais en dessous de. minProvisionedTPS Pour de plus amples informations, veuillez consulter Nombre minimal de transactions provisionnées par seconde et auto-scaling.

Recommandations

Comment savoir si mon modèle Amazon Personalize génère des recommandations de qualité ?

Évaluez les performances de la version de votre solution à l'aide de mesures hors ligne et en ligne (voirÉvaluation d'une version de la solution Amazon Personalize à l'aide de métriques) et de tests en ligne (tels que les tests A/B). Pour plus d'informations sur les tests A/B, consultezMesurer l'impact des recommandations grâce aux tests A/B.

Comment puis-je supprimer ma tâche d'inférence par lots et pourquoi son statut est-il « actif » ?

Vous ne pouvez pas supprimer les tâches d'inférence par lots. Lorsque le statut d'une tâche d'inférence par lots est actif, la tâche est terminée. Vous pouvez accéder à vos recommandations dans le compartiment ou le dossier de sortie Amazon S3. Le travail d'inférence par lots ne vous coûtera aucun coût supplémentaire une fois le travail terminé. Cependant, d'autres services tels qu'Amazon S3 peuvent vous facturer des frais supplémentaires pour le stockage des données d'entrée et de sortie.

Pourquoi ma campagne SIMS soutenue recommande-t-elle des éléments qui ne sont pas similaires sur la base des métadonnées ?

SIMSutilise votre jeu de données sur les interactions entre les articles pour déterminer la similitude, et non les métadonnées des articles telles que la couleur ou le prix. SIMSidentifie la cooccurrence de l'élément dans l'historique des utilisateurs de votre jeu de données Interaction afin de recommander des éléments similaires. Pour de plus amples informations, veuillez consulter Recette SIMS.

Puis-je obtenir plus de 500 articles en une seule GetRecommendations API opération ?

500 est le nombre maximum d'objets que vous pouvez récupérer en une seule foisGetRecommendations. Cette valeur ne peut pas être augmentée.

Recommandations de filtrage

Pourquoi mes recommandations ne sont-elles pas filtrées comme prévu ?

Cela peut se produire pour diverses raisons :

• Le format ou la syntaxe de votre expression de filtre présentent peut-être un problème. Pour des exemples d'expressions de filtre correctement formatées, consultezExemples d'expressions de filtre.

• Amazon Personalize prend en compte jusqu'à 100 des interactions les plus récentes par utilisateur et par type d'événement. Il s'agit d'un quota ajustable. Vous pouvez demander une augmentation de quota à l'aide de la console Service Quotas. Si vous n'importez pas les interactions entre les articles d'un utilisateur pendant trois mois, vos filtres ne tiennent plus compte des données historiques de l'utilisateur. Pour prendre en compte ces données, vous devez réimporter l'historique complet des événements de l'utilisateur.

Pour de plus amples informations, veuillez consulter Recommandations de filtrage et segments d'utilisateurs.

Comment puis-je supprimer des recommandations des articles déjà achetés ?

Pour les groupes de jeux de données de ECOMMERCE domaine, si vous créez un recommandateur avec le cas d'Les clients ayant consulté X ont également consultéutilisation Recommandé pour vous ou le cas d'utilisation, Amazon Personalize filtre automatiquement les articles achetés par l'utilisateur en fonction de userId ce que vous spécifiez et Purchase des événements.

Pour les autres cas d'utilisation de groupes de données de domaines ou de ressources personnalisées, utilisez un filtre pour supprimer les articles achetés. Ajoutez un attribut de type d'Purchasedévénement à vos données, enregistrez les événements d'achat avec l'PutItemsopération et créez un filtre qui supprime les articles achetés des recommandations. Par exemple :

EXCLUDE ItemID WHERE Interactions.EVENT_TYPE IN ("purchased")

Pour de plus amples informations, veuillez consulter Recommandations de filtrage et segments d'utilisateurs.