翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
Amazon Personalize のワークフローの詳細
Amazon Personalize ワークフローは次のとおりです。Amazon Personalize の機能、要件、およびデータガイダンスのリストが記載されたチェックリストについては、「準備チェックリスト」を参照してください。
-
ユースケースを Amazon Personalize リソースと一致させる — Amazon Personalize は、さまざまなケース用に設定されたドメインベースのリソースとカスタムリソースを備えています。ユースケースを Amazon Personalize リソースに一致させるときは、そのデータ要件に注意してください。ユースケースまたはレシピを選択した後、この情報はデータの準備に役立ちます。
-
トレーニングデータの準備 – ドメインのユースケースまたはカスタムレシピのデータ要件に基づいて、 CSV ファイルに一括トレーニングデータを準備します。ユースケースやレシピに応じて、Amazon Personalize はアイテムインタラクション、アイテム、ユーザー、アクション、アクションインタラクションデータを使用できます。バルクデータがない場合は、Amazon Personalize トレーニング要件とドメインユースケースまたはレシピのデータ要件を満たすまで、個々のインポートオペレーションを使用してデータを収集し、イベントをストリーミングできます。
-
データのスキーマJSONファイルを作成する – インポートするデータの種類ごとにスキーマJSONファイルを作成します。これらのファイルは、列名とそのデータ型など、データの構造と内容を概説しています。
-
データセットグループを作成する — データセットグループは、Amazon Personalize のリソースのコンテナです。VIDEO_ON_DEMAND または ドメイン用に事前設定されたリソースを持つECOMMERCEドメインデータセットグループを作成できます。または、カスタムデータセットグループを作成して、カスタムリソースのみを作成することもできます。
-
スキーマとデータセットを作成する — スキーマは、Amazon Personalize にデータの構造を知らせ、Amazon Personalize がデータを解析できるようにします。データセットは、Amazon Personalize でデータをトレーニングするためのコンテナです。
-
トレーニングデータをデータセットにインポートする — 準備したインタラクション、アイテム、ユーザー、アクション、またはアクションインタラクションレコードをインポートします。レコードは一括でインポートすることも、個別にインポートすることもできます。
-
モデルのトレーニングとデプロイ – VIDEO_ON_DEMAND または ECOMMERCEドメインで のモデルをトレーニングしてデプロイするには、ドメインレコメンダーを作成します。カスタムリソースの場合、ソリューションとソリューションバージョンを作成します。リアルタイムのレコメンデーションについては、ソリューションバージョンのソリューションをキャンペーンにデプロイします。
-
ドメインレコメンダーの作成方法については、「ドメインレコメンダー」を参照してください。
-
カスタムリソースの作成およびデプロイの詳細については、「カスタムリソース」を参照してください。
-
-
レコメンデーションを取得する — レコメンダーやカスタムキャンペーンを使ってレコメンデーションを取得します。フィルターを使用して、特定の種類のアイテムをレコメンデーションに含めたり、レコメンデーションに含めたり、レコメンデーションから除外したりできます。詳細については、「レコメンデーションとユーザーセグメントのフィルタリング」を参照してください。カスタムリソースを使用すると、キャンペーンを作成せずにバッチレコメンデーションやユーザーセグメントを取得することもできます。
-
リアルタイムイベントを記録する — お客様がレコメンデーションに反応する様子をリアルタイムで記録します。これにより、インタラクションデータが蓄積され、データが最新の状態に保たれます。また、Amazon Personalize にユーザーの現在の関心を伝えることができるため、レコメンデーションの関連性が高まります。
Amazon Personalize ワークフローを初めて完了した後は、データを最新の状態に保ち、手動トレーニングを使用するカスタムソリューションを定期的に再トレーニングしてください。これにより、モデルはユーザーの最新のアクティビティから学習し、レコメンデーションの関連性を維持および改善できます。詳細については、「レコメンデーションの関連性の維持」を参照してください。
