솔루션 (AWS SDK) 만들기

중요

솔루션을 만든 후에는 구성을 변경할 수 없습니다. 기본적으로 모든 새 솔루션은 자동 교육을 사용합니다. 자동 교육을 사용하면 솔루션이 활성화되는 동안 교육 비용이 발생합니다. 불필요한 비용을 피하려면 완료 후 솔루션을 삭제해야 합니다. 교육 비용에 대한 자세한 내용은 Amazon Personalize 요금을 참조하십시오.

AWS SDK로 솔루션을 생성하려면 CreateSolution API 작업을 사용하십시오. 다음 코드는 자동 학습을 사용하는 솔루션을 만드는 방법을 보여줍니다. 5일마다 새 솔루션 버전이 자동으로 생성됩니다.

코드를 사용하려면 솔루션에 이름을 지정하도록 업데이트하고, 데이터세트 그룹의 Amazon Resource Name (ARN) 을 지정하고, 선택적으로 훈련 빈도를 변경하고, 사용하려는 레시피의 ARN을 지정하십시오. 레시피에 대한 자세한 내용은 레시피 선택 단원을 참조하십시오.

SDK for Python (Boto3)

import boto3

personalize = boto3.client('personalize')

create_solution_response = personalize.create_solution(
  name = 'solution name',
  recipeArn = 'recipe ARN',
  datasetGroupArn = 'dataset group ARN',
  performAutoTraining = True,
  solutionConfig = {
    "autoTrainingConfig": {
      "schedulingExpression": "rate(5 days)"
    }
  }
)
solution_arn = create_solution_response['solutionArn']
print('solution_arn: ', solution_arn)

SDK for JavaScript v3

import {
  CreateSolutionCommand,
  PersonalizeClient,
} from "@aws-sdk/client-personalize";

// create client
const personalizeClient = new PersonalizeClient({ region: "REGION" });

// set the solution parameters
export const solutionParam = {
  datasetGroupArn: "DATASET_GROUP_ARN" /* required */,
  recipeArn: "RECIPE_ARN" /* required */,
  name: "SOLUTION_NAME" /* required */,
  performAutoTraining: true /* optional, default is true */,
  solutionConfig: {
    autoTrainingConfig: {
      schedulingExpression:
        "rate(5 days)" /* optional, default is every 7 days */,
    },
  },
};

export const run = async () => {
  try {
    const response = await personalizeClient.send(
      new CreateSolutionCommand(solutionParam)
    );
    console.log("Success", response);
    return response; // For unit tests.
  } catch (err) {
    console.log("Error", err);
  }
};
run();

• 자동 학습을 사용하는 것이 좋습니다. 이를 통해 권장 사항 관련성을 더 쉽게 유지하고 개선할 수 있습니다. 기본적으로 모든 새 솔루션은 자동 교육을 사용합니다. 기본 교육 빈도는 7일마다입니다. 교육 빈도는 비즈니스 요구 사항, 사용하는 레시피, 데이터 가져오기 빈도에 따라 달라집니다. 자세한 정보는 자동 교육 구성을 참조하세요.

• 레시피에 따라 코드를 수정하여 레시피별 속성 및 하이퍼파라미터를 구성하거나 (참조하이퍼파라미터 및 HPO), 학습에 사용되는 열을 구성 (참조교육 시 사용되는 열 구성 (SDK)AWS) 하거나, 학습에 사용되는 항목 상호 작용 데이터를 필터링하도록 (참조교육에 사용할 항목 상호 작용 데이터 선택) 할 수 있습니다.

• 사용자-개인 맞춤 레시피또는 개인 맞춤형-순위 레시피 레시피 중 하나를 사용하면 관련성 외에도 목표에 맞게 솔루션을 최적화할 수 있습니다. 자세한 정보는 추가 목표에 맞게 솔루션 최적화을 참조하세요.

솔루션을 생성한 후 나중에 사용할 수 있도록 솔루션 ARN을 기록해 두십시오. 자동 교육을 사용하면 솔루션이 활성화된 후 1년 이내에 솔루션 버전 생성이 시작됩니다. 한 시간 내에 솔루션 버전을 수동으로 만들면 솔루션은 첫 번째 자동 교육을 건너뛰게 됩니다. 교육이 시작되면 버전 API 작업을 통해 솔루션 버전의 Amazon 리소스 이름 (ARN) 을 ListSolution 가져올 수 있습니다. 상태를 확인하려면 DescribeSolution버전 API 작업을 사용하십시오.

솔루션 버전이 ACTIVE이면 해당 버전을 사용하여 권장 사항을 받을 수 있습니다. 액티브 솔루션 버전을 사용하는 방법은 권장 사항을 받는 방법에 따라 달라집니다.

• 실시간 추천을 받으려면 Amazon Personalize 캠페인과 함께 액티브 솔루션 버전을 배포하십시오. 캠페인을 사용하여 사용자를 위한 추천을 받을 수 있습니다. 캠페인 생성 섹션을 참조하십시오.

• 일괄 추천의 경우 일괄 추론 작업 또는 배치 세그먼트 작업을 생성할 때 ACTIVE 솔루션 버전을 지정합니다. 배치 권장 사항 및 사용자 세그먼트(사용자 지정 리소스) 섹션을 참조하십시오.