Selitettävän next-best-product-suositusjärjestelmän rakentaminen pankkialalle AWS:ssä
Amazon Web Services
Tässä artikkelissa esitellään syväoppimiseen perustuva Next-Best-Product (NBP) -suositusjärjestelmä pankkialalle, joka on rakennettu Amazon SageMaker AI:n ja PyTorchin avulla. Arkkitehtuuri käyttää monitornista neuroverkkoa, jossa on opittu huomiomekanismi, tarjotakseen selitettävyyttä asiakaskohtaisesti. Se vastaa haasteeseen ennustaa, mitä tuotetta asiakas tarvitsee seuraavaksi, hyödyntäen monipuolisia tietolähteitä.
AWS ML -blogissa kuvattu ratkaisu käyttää monitornista syväoppimisarkkitehtuuria, jossa neljä erikoistunutta neuroverkkotornia käsittelevät asiakastietojen eri osa-alueita: tuotteen käyttöönoton historiaa, tapahtumia, demografisia tietoja ja käyttäytymissegmenttejä. Tornit yhdistetään opitulla huomiointimekanismilla (attention mechanism), joka mahdollistaa selitettävyyden asiakaskohtaisesti. Teknologiapinoon kuuluvat AWS Glue ETL-prosesseihin, PyTorch syväoppimiskehyksenä, Amazon S3 tietovarastona sekä SageMaker AI koulutukseen ja päättelyyn. Tietoputki koostuu kahdesta vaiheesta: AWS Glue -ETL-työstä tietojen yhdistämiseksi ja Amazon SageMaker Processing -työstä ML-spesifistä piirteiden muodostusta varten. Malliarkkitehtuuri sisältää sekvenssitorneja, jotka käyttävät kaksitasoista gated recurrent unit -yksiköitä (GRU), sekä tapahtuma-, asiakas- ja käyttäytymistorneja, jotka käyttävät monikerroksisia perseptroneita (MLP), sekä piirteiden tärkeysmoduulin, joka tuottaa asiakaskohtaisia tärkeyspisteitä. Koulutuksessa käytetään Adam-optimointialgoritmia, ReduceLROnPlateau-ajoitinta, gradienttileikkausta ja varhaista pysäytystä. Ratkaisu on suunniteltu käsittelemään pankkitietoja, joihin liittyy viranomaisvaatimuksia selitettävyydestä.
Lähde: AWS ML blog —
Alkuperäinen