Construcción de un sistema de recomendación de siguiente mejor producto explicable para banca en AWS

La solución descrita en el blog de AWS ML utiliza una arquitectura de aprendizaje profundo de múltiples torres con cuatro redes neuronales especializadas que procesan diferentes aspectos de los datos de los clientes: historial de adopción de productos, transacciones, datos demográficos y segmentos de comportamiento. Las torres se fusionan mediante un mecanismo de atención aprendido que proporciona explicabilidad por cliente. La pila tecnológica incluye AWS Glue para ETL, PyTorch como framework de aprendizaje profundo, Amazon S3 para almacenamiento de datos y SageMaker AI para entrenamiento e inferencia. El pipeline de datos consta de dos etapas: un trabajo ETL de AWS Glue para la unificación de datos y un trabajo de procesamiento de Amazon SageMaker para la ingeniería de características específica de ML. La arquitectura del modelo incluye una Torre de Secuencia con una GRU de dos capas, torres de Transacciones, Cliente y Comportamiento con MLP (perceptrones multicapa), y un Módulo de Importancia de Características que produce puntuaciones de importancia por cliente. El entrenamiento utiliza el optimizador Adam con un programador ReduceLROnPlateau, recorte de gradientes y parada temprana. La solución está diseñada para manejar datos bancarios con requisitos regulatorios de explicabilidad.