[AWS] AI/ML Immersion Day - Amazon Personalize

Webinar 제목

[AWS] AI/ML Webinar - Amazon Personalize

아래와 같은 데이터들이 필요한데, 사용자의 User events/interactions만 추가하면 추천 모델을 개발할 수 있음.

Data를 CSV 형태로 저장하고, 위와같은 csv를 사용할 때 데이터 타입이 숫자인지 스트링인지 타입을 모르기 때문에 schema를 작성해서 csv와 schema를 같이 만들어 입력한다.

처음 추천엔진을 실행하려면 어느정도의 데이터가 있어야 한다.

아래와 같은 추천 Recipe를 제공함. 하나의 Recipe를 사용하는게 아니라, User-Item Interactions가 있을 때, 위의 방법을 조합해서 사용할 수 있음.

추천이 효과가 있는지 없는지 판단하고 싶을 때, Coverage와 Relevance(관련도)로 평가를 하는것보단 Serendipity(비슷한 의미의 Surprise)를 함께 평가하는게 정말 중요함.

Serendipity를 추가하면 시계만 나오는게 아니라 스포츠를 좋아하니 스포츠 용품을 추천 하는게 Serendipity 이다. 추천에선 상당히 중요한 지표임.

AWS Step Functions를 사용해 자동화를 해야함. DAG 형태로 작업을 표현할 수 있음.

실시간으로 적용하려면 Event Tracker가 Amazon Personalize 안에 있는데, 거기에 이벤트를 보내서 실시간성을 확보할 수 있음.

서버에서 Kinesis에 데이터를 보내고 Lambda를 이용해 Personalize의 Event Tracker에 데이터를 보낼 수 있음.

쓸모없는 데이터를 Filter out 하고 싶을 때, 두가지의 방식이 있음. Training에 사용할 데이터를 제거하거나, 추천 결과에서 제외할 수 있음.

사용자에게 동일한 추천 결과를 제공할때는 Batch를 사용하면 됨.

Serendipity를 측정하기 위해선 A/B 테스트를 해서 비교해야한다.