Création d’un système de recommandation du prochain produit le mieux adapté pour le secteur bancaire sur AWS

La solution décrite sur le blog AWS ML utilise une architecture d'apprentissage profond à plusieurs tours avec quatre réseaux de neurones spécialisés traitant différents aspects des données clients : historique d'adoption des produits, transactions, données démographiques et segments comportementaux. Les tours sont fusionnées à l'aide d'un mécanisme d'attention appris qui offre une explicabilité par client. La pile technologique comprend AWS Glue pour l'ETL, PyTorch pour le framework d'apprentissage profond, Amazon S3 pour le stockage des données et SageMaker AI pour l'entraînement et l'inférence. Le pipeline de données comporte deux étapes : un travail ETL AWS Glue pour l'unification des données et un travail Amazon SageMaker Processing pour l'ingénierie des fonctionnalités spécifiques au ML. L'architecture du modèle comprend une tour séquentielle utilisant un GRU à deux couches, des tours Transaction, Client et Comportementale utilisant des MLP (perceptrons multicouches), ainsi qu'un module d'importance des caractéristiques qui produit des scores d'importance par client. L'entraînement utilise l'optimiseur Adam avec le planificateur ReduceLROnPlateau, le clipping de gradient et l'arrêt précoce. La solution est conçue pour traiter des données bancaires avec des exigences réglementaires en matière d'explicabilité.