بناء نظام توصية بالمنتج الأفضل التالي قابل للتفسير في القطاع المصرفي على AWS
Amazon Web Services
يقدم هذا المنشور نظام توصية بالمنتج الأفضل التالي (Next-Best-Product) القائم على التعلم العميق للقطاع المصرفي، والذي تم بناؤه باستخدام Amazon SageMaker AI وPyTorch. تستخدم البنية شبكة عصبية متعددة الأبراج مع آلية انتباه مُتعلمة لتوفير قابلية التفسير لكل عميل، مما يعالج التحدي المتمثل في التنبؤ بالمنتج الذي يحتاجه العميل بعد ذلك من مصادر بيانات متنوعة.
الحل الموضح على مدونة AWS ML يستخدم بنية تعليم عميق متعددة الأبراج تضم أربعة أبراج شبكية عصبية متخصصة تعالج جوانب مختلفة من بيانات العملاء: تاريخ اعتماد المنتج، المعاملات، البيانات الديموغرافية، والشرائح السلوكية. يتم دمج الأبراج باستخدام آلية انتباه مُتعلمة توفر قابلية تفسير لكل عميل. تشمل حزمة التقنيات المستخدمة AWS Glue لعمليات ETL، وPyTorch كإطار عمل للتعلم العميق، وAmazon S3 لتخزين البيانات، وSageMaker AI للتدريب والاستدلال. تتكون خط أنابيب البيانات من مرحلتين: وظيفة AWS Glue ETL لتوحيد البيانات ووظيفة معالجة Amazon SageMaker لبناء الميزات الخاصة بالتعلم الآلي. تتضمن بنية النموذج برج تسلسل يستخدم وحدة GRU مكونة من طبقتين، وأبراج للمعاملات والعملاء والسلوك باستخدام MLPs، ووحدة أهمية الميزات التي تنتج درجات أهمية لكل عميل. يستخدم التدريب محسن Adam مع جدول تقليل معدل التعلم ReduceLROnPlateau، وقطع التدرج، والإيقاف المبكر. تم تصميم الحل للتعامل مع بيانات البنوك مع متطلبات تنظيمية لقابلية التفسير.
المصدر: AWS ML blog —
الأصلي