Сегодня мы рады объявить о трех запусках, которые помогут вам улучшить персонализированное обслуживание клиентов с помощью Amazon Personalize и генеративного искусственного интеллекта. Ищете ли вы управляемое решение или создаете собственное, вы можете использовать эти новые возможности для своего путешествия.

Amazon Personalize — это полностью управляемый сервис машинного обучения (ML), который позволяет разработчикам легко предоставлять своим пользователям персонализированный опыт. Это позволяет вам улучшить взаимодействие с клиентами, предоставляя персонализированные рекомендации по продуктам и контенту на веб-сайтах, в приложениях и в целевых маркетинговых кампаниях без необходимости использования знаний в области машинного обучения. Используя рецепты (алгоритмы, подготовленные для конкретных случаев использования), предоставленные Amazon Personalize, вы можете предлагать разнообразные возможности персонализации, такие как «рекомендуем вам», «часто покупаются вместе», рекомендации по следующим лучшим действиям и целевые маркетинговые кампании с сегментацией пользователей.

Генеративный ИИ быстро меняет способы ведения бизнеса предприятиями. Гартнер прогнозирует, что «к 2026 году более 80% предприятий будут использовать API или модели генеративного ИИ или развернут приложения с поддержкой генеративного ИИ в производственных средах по сравнению с менее чем 5% в 2023 году». Хотя генеративный ИИ может быстро создавать контент, одного этого недостаточно для обеспечения более высокой степени персонализации и адаптации к постоянно меняющимся и тонким предпочтениям отдельных пользователей. Многие компании активно ищут решения для улучшения пользовательского опыта с помощью Amazon Personalize и генеративного искусственного интеллекта.

Корпорация Фокс (FOX) производит и распространяет новостной, спортивный и развлекательный контент.

«Мы интегрируем генеративный искусственный интеллект с Amazon Personalize, чтобы предоставить нашим пользователям гиперперсонализированный опыт. Amazon Personalize помог нам достичь высокого уровня автоматизации настройки контента. Например, при применении FOX Sports количество просмотров контента, начинающегося после мероприятия, увеличилось на 400%. Теперь мы дополняем наш конвейер генеративным искусственным интеллектом с помощью Amazon Bedrock, чтобы помочь нашим редакторам контента создавать тематические коллекции. Мы с нетерпением ждем возможности изучить такие функции, как Amazon Personalize Content Generator и Personalize on LangChain, чтобы еще больше персонализировать эти коллекции для наших пользователей».

– Дэрил Боуден, исполнительный вице-президент по технологическим платформам.

Анонсируем Amazon Personalize Content Generator, который сделает рекомендации более убедительными

Amazon Personalize запустил Content Generator — новую генеративную функцию на базе искусственного интеллекта, которая помогает компаниям делать рекомендации более убедительными, определяя тематические связи между рекомендуемыми элементами. Эта возможность может повысить качество рекомендаций, выходя за рамки стандартных фраз вроде «Люди, которые купили это, также купили…» и превращая их в более привлекательные слоганы, такие как «Восстань и сияй» для коллекции продуктов для завтрака, побуждающие пользователей нажать кнопку и совершить покупку.

Чтобы подробно изучить влияние Amazon Personalize Content Generator, давайте рассмотрим два примера.

Вариант использования 1. Заголовки каруселей для коллекций фильмов.

А микрожанр — это специализированная подкатегория в более широком жанре кино, музыки или других средств массовой информации. Платформы потокового вещания используют микрожанры для улучшения пользовательского опыта, позволяя зрителям или слушателям находить контент, соответствующий их конкретным вкусам и интересам. Рекомендуя медиаконтент с микрожанрами, потоковые платформы удовлетворяют разнообразные предпочтения, в конечном итоге повышая вовлеченность и удовлетворенность пользователей.

Теперь вы можете использовать Amazon Personalize Content Generator для создания заголовков карусели для микрожанровых коллекций. Сначала импортируйте наборы данных о взаимодействиях пользователей и элементов в Amazon Personalize для обучения. Вы загружаете список itemId значения в качестве исходных элементов. Затем создайте задание пакетного вывода, выбрав Тематические рекомендации с Content Generator на консоли Amazon Personalize или в настройках batch-inference-job-mode к THEME_GENERATION в конфигурации API.

В качестве выходных данных пакетного вывода вы получите набор похожих элементов и тему для каждого начального элемента. Мы также предоставляем оценки релевантности элементов темам, которые вы можете использовать для установки порогового значения для отображения только элементов, которые тесно связаны с темой. На следующем снимке экрана показан пример вывода:

{"input":{"itemId":"40"},"output":{
"recommendedItems":("36","50","44","22","21","29","3","1","2","39"),
"theme":"Movies with a strong female lead",
"itemsThemeRelevanceScores":(0.19994527,0.183059963,0.17478035,0.1618133,0.1574806,0.15468733,0.1499242,0.14353688,0.13531424,0.10291852)}}

{"input":{"itemId":"43"},"output":{
"recommendedItems":("50","21","36","3","17","2","39","1","10","5"),
"theme":"Romantic movies for a cozy night in",
"itemsThemeRelevanceScores":(0.184988,0.1795761,0.11143453,0.0989443,0.08258403,0.07952615,0.07115086,0.0621634,-0.138913,-0.188913)}}
...

Впоследствии вы можете заменить общую фразу «Больше похоже на X» темой вывода из Amazon Personalize Content Generator, чтобы сделать рекомендации более убедительными.

Вариант использования 2. Темы маркетинговых писем.

Маркетинг по электронной почте, хотя и экономически эффективен, часто сталкивается с низкими показателями открытий и высоким уровнем отписок. Решение открыть электронное письмо во многом зависит от того, насколько привлекательна тема письма, поскольку это первое, что видят получатели наряду с именем отправителя. Однако написание привлекательных тем часто может быть утомительным и отнимающим много времени.

Теперь с помощью Amazon Personalize Content Generator вы можете более эффективно создавать привлекательные темы или заголовки в теле электронного письма, дополнительно персонализируя свои почтовые кампании. Вы выполняете тот же процесс приема данных, обучения и создания пакетного задания вывода, что и в предыдущем варианте использования. Ниже приведен пример маркетингового электронного письма, включающего результаты Amazon Personalize с помощью Content Generator, включая набор рекомендуемых элементов и сгенерированную строку темы:

Эти примеры демонстрируют, как Amazon Personalize Content Generator может помочь вам создать более привлекательный опыт просмотра или более эффективную маркетинговую кампанию. Более подробные инструкции см. в разделе «Рекомендации по тематическим пакетам».

Объявление об интеграции LangChain для беспрепятственной интеграции Amazon Personalize с инфраструктурой LangChain.

Лангчейн — это мощная платформа с открытым исходным кодом, которая позволяет интегрироваться с большими языковыми моделями (LLM). LLM, как правило, универсальны, но могут сталкиваться с задачами, специфичными для предметной области, где необходим более глубокий контекст и детальные ответы. В таких сценариях LangChain дает разработчикам возможность создавать модули (агенты/цепочки) для своих конкретных задач генеративного ИИ. Они также могут вводить контекст и память в LLM, соединяя и объединяя подсказки LLM для решения различных задач. случаи использования.

Мы рады запуску интеграции LangChain. Благодаря этой новой возможности разработчики могут использовать пользовательскую цепочку Amazon Personalize на LangChain для беспрепятственной интеграции Amazon Personalize с генеративными решениями искусственного интеллекта. Добавление персонализированного подхода к генеративным решениям искусственного интеллекта поможет вам создать более индивидуальное и актуальное взаимодействие с конечными пользователями. В следующем фрагменте кода показано, как можно вызвать Amazon Personalize, получить рекомендации для кампании или рекомендателя и легко передать их в свои генеративные приложения искусственного интеллекта в экосистеме LangChain. Вы также можете использовать это для последовательные цепочки.

from langchain.utilities import AmazonPersonalize
from langchain.chains import AmazonPersonalizeChain
from langchain.llms.bedrock import Bedrock

recommender_arn="<insert_arn>"
client=AmazonPersonalize(recommender_arn=recommender_arn, credentials_profile_name="default",region_name="us-west-2")

bedrock_llm = Bedrock(model_id="anthropic.claude-v2", region_name="us-west-2")

# Create personalize chain
chain = AmazonPersonalizeChain.from_llm( llm=bedrock_llm, client=client)
response = chain({'user_id': '1'})

Вы можете использовать эту возможность для создания персонализированных маркетинговых копий, создания кратких обзоров рекомендуемого контента, рекомендации продуктов или контента в чат-ботах и ​​создания клиентского опыта нового поколения с помощью вашего творчества.

Amazon Personalize теперь позволяет возвращать метаданные в ответ на вывод, чтобы улучшить рабочий процесс генеративного ИИ.

Amazon Personalize теперь улучшает рабочий процесс генеративного искусственного интеллекта, позволяя возвращать метаданные элемента как часть вывода вывода. Получение рекомендаций вместе с метаданными делает более удобным предоставление дополнительного контекста для LLM. Этот дополнительный контекст, такой как жанр и описание продукта, может помочь моделям получить более глубокое понимание атрибутов товара для создания более релевантного контента.

Amazon Personalize поддерживает эту возможность как для индивидуальных рецептов, так и для рекомендаций, оптимизированных для домена. При создании кампании или рекомендателя вы можете включить возможность возврата метаданных с результатами рекомендаций или изменить настройку, обновив кампанию или рекомендатель. Вы можете выбрать до 10 полей метаданных и 50 результатов рекомендаций для возврата метаданных во время вызова вывода либо через API Amazon Personalize, либо через консоль Amazon Personalize.

Ниже приведен пример API:

## Create campaign with enabled metadata
example_name="metadata_response_enabled_campaign"
create_campaign_response = personalize.create_campaign(
    name = example_name,
    solutionVersionArn = example_solution_version_arn,
    minProvisionedTPS = 1,
    campaignConfig = {"enableMetadataWithRecommendations": True}
)

## GetRecommendations with metadata columns
metadataMap = {"ITEMS": ("genres", "num")}
response = personalize_runtime.get_recommendations(campaignArn=example_campaign_arn,
     userId="0001", itemId="0002", metadataColumns=metadataMap, numResults=2)
     
## Example response with metadata
 itemList': 
 (
     {
      'itemId': '356',
      'metadata': {'genres': 'Comedy', 'num': '0.6103248'}
     },
     {
      'itemId': '260',
      'metadata': {'genres': 'Action|Adventure', 'num': '0.074548'}},
     }
 )

Заключение

В AWS мы постоянно внедряем инновации ради наших клиентов. Представляя эти новые продукты на базе Amazon Personalize и Amazon Bedrock, мы обогатим каждый аспект работы конструктора и пользователя, повысив эффективность и удовлетворенность конечных пользователей. Чтобы узнать больше о возможностях, обсуждаемых в этом посте, ознакомьтесь с функциями Amazon Personalize и Руководством разработчика Amazon Personalize.

Об авторах

Цзинвэнь Ху — старший технический менеджер по продукту, работающий с AWS AI/ML в команде Amazon Personalize. В свободное время она любит путешествовать и исследовать местную кухню.

Пранав Агарвал является старшим инженером-программистом в AWS AI/ML и занимается проектированием программных систем и созданием рекомендательных систем на базе искусственного интеллекта в масштабе. Вне работы он любит читать, бегать и кататься на коньках.

Ришаб Агравал — старший инженер-программист, работающий над сервисами искусственного интеллекта в AWS. В свободное время он любит пешие прогулки, путешествия и чтение.

Ашиш Лал — старший менеджер по маркетингу продуктов, который руководит маркетингом продуктов для сервисов искусственного интеллекта в AWS. Он имеет 9-летний опыт работы в маркетинге и руководил маркетинговой деятельностью по интеллектуальной обработке документов. Он получил степень магистра делового администрирования в Вашингтонском университете.