AWS पर बैंकिंग के लिए एक व्याख्या योग्य नेक्स्ट-बेस्ट-प्रोडक्ट अनुशंसा प्रणाली बनाना

AWS ML ब्लॉग पर वर्णित समाधान एक मल्टी-टावर डीप लर्निंग आर्किटेक्चर का उपयोग करता है जिसमें ग्राहक डेटा के विभिन्न पहलुओं को संसाधित करने वाले चार विशेषज्ञ न्यूरल नेटवर्क टावर शामिल हैं: उत्पाद अपनाने का इतिहास, लेन-देन, जनसांख्यिकी और व्यवहार खंड। टावरों को एक सीखे गए अटेंशन मैकेनिज्म का उपयोग करके संयोजित किया जाता है जो प्रति ग्राहक व्याख्या योग्यता प्रदान करता है। टेक स्टैक में ETL के लिए AWS Glue, डीप लर्निंग फ्रेमवर्क के लिए PyTorch, डेटा स्टोरेज के लिए Amazon S3 और प्रशिक्षण और अनुमान के लिए SageMaker AI शामिल है। डेटा पाइपलाइन में दो चरण शामिल हैं: डेटा एकीकरण के लिए एक AWS Glue ETL जॉब और मशीन लर्निंग-विशिष्ट फीचर इंजीनियरिंग के लिए एक Amazon SageMaker Processing जॉब। मॉडल आर्किटेक्चर में 2-लेयर GRU का उपयोग करने वाला एक सीक्वेंस टावर, MLP का उपयोग करने वाले लेन-देन, ग्राहक और व्यवहार टावर, और एक फीचर इम्पोर्टेंस मॉड्यूल शामिल है जो प्रति ग्राहक महत्व स्कोर उत्पन्न करता है। प्रशिक्षण में ReduceLROnPlateau शेड्यूलर, ग्रेडिएंट क्लिपिंग और अर्ली स्टॉपिंग के साथ Adam ऑप्टिमाइज़र का उपयोग किया जाता है। यह समाधान व्याख्या योग्यता के लिए नियामक आवश्यकताओं वाले बैंकिंग डेटा को संभालने के लिए डिज़ाइन किया गया है।