Membangun sistem rekomendasi produk terbaik berikutnya yang dapat dijelaskan untuk perbankan di AWS
Amazon Web Services
Postingan ini menyajikan sistem rekomendasi Next-Best-Product (NBP) berbasis pembelajaran mendalam untuk perbankan, yang dibangun menggunakan Amazon SageMaker AI dan PyTorch. Arsitektur ini menggunakan jaringan saraf multi-menara dengan perhatian yang dipelajari untuk memberikan kemampuan penjelasan per pelanggan, mengatasi tantangan dalam memprediksi produk apa yang dibutuhkan pelanggan selanjutnya dari berbagai sumber data.
Solusi yang dijelaskan di blog AWS ML menggunakan arsitektur deep learning multi-menara dengan empat jaringan saraf khusus yang memproses berbagai aspek data pelanggan: riwayat adopsi produk, transaksi, demografi, dan segmen perilaku. Menara-menara tersebut digabungkan menggunakan mekanisme attention yang dipelajari yang memberikan kemampuan explainability per pelanggan. Tumpukan teknologi meliputi AWS Glue untuk ETL, PyTorch untuk framework deep learning, Amazon S3 untuk penyimpanan data, dan SageMaker AI untuk pelatihan dan inferensi. Pipeline data melibatkan dua tahap: pekerjaan AWS Glue ETL untuk unifikasi data dan pekerjaan Amazon SageMaker Processing untuk rekayasa fitur khusus ML. Arsitektur model mencakup Menara Urutan menggunakan GRU 2 lapis, Menara Transaksi, Pelanggan, dan Perilaku menggunakan MLP (Multilayer Perceptron), dan Modul Kepentingan Fitur yang menghasilkan skor kepentingan per pelanggan. Pelatihan menggunakan pengoptimal Adam dengan penjadwal ReduceLROnPlateau, pemotongan gradien, dan penghentian awal. Solusi ini dirancang untuk menangani data perbankan dengan persyaratan regulasi untuk explainability.
Sumber: AWS ML blog —
asli