Aufbau eines erklärbaren Next-Best-Product-Empfehlungssystems für das Bankwesen auf AWS
Amazon Web Services
Dieser Beitrag stellt ein auf Deep Learning basierendes Next-Best-Product (NBP)-Empfehlungssystem für das Bankwesen vor, das mit Amazon SageMaker AI und PyTorch erstellt wurde. Die Architektur verwendet ein Multi-Tower-Neuronales Netzwerk mit erlernter Aufmerksamkeit, um eine erklärbare Kundenindividualität zu ermöglichen und die Herausforderung zu bewältigen, vorherzusagen, welches Produkt ein Kunde als Nächstes aus verschiedenen Datenquellen benötigt.
Die im AWS ML-Blog beschriebene Lösung verwendet eine Multi-Tower-Deep-Learning-Architektur mit vier spezialisierten neuronalen Netzwerk-Türmen, die verschiedene Aspekte von Kundendaten verarbeiten: Produktadoptionshistorie, Transaktionen, Demografie und Verhaltenssegmente. Die Türme werden mithilfe eines gelernten Aufmerksamkeitsmechanismus fusioniert, der eine kundenspezifische Erklärbarkeit ermöglicht. Der Technologie-Stack umfasst AWS Glue für ETL, PyTorch als Deep-Learning-Framework, Amazon S3 für die Datenspeicherung und SageMaker AI für Training und Inferenz. Die Datenpipeline besteht aus zwei Stufen: einem AWS-Glue-ETL-Job für die Datenvereinheitlichung und einem Amazon-SageMaker-Processing-Job für ML-spezifisches Feature Engineering. Die Modellarchitektur umfasst einen Sequence Tower mit einem 2-Schichten-GRU, Transaktions-, Kunden- und Verhaltenstürme mit MLPs sowie ein Feature-Importance-Modul, das kundenspezifische Wichtigkeitswerte erzeugt. Das Training verwendet den Adam-Optimierer mit ReduceLROnPlateau-Scheduler, Gradient Clipping und Early Stopping. Die Lösung ist darauf ausgelegt, Bankdaten mit regulatorischen Anforderungen an die Erklärbarkeit zu verarbeiten.
Quelle: AWS ML blog —
Original