Bouwen van een uitlegbare aanbevelingssysteem voor het volgende beste product in de banksector op AWS

De in de AWS ML-blog beschreven oplossing maakt gebruik van een multi-tower deep learning-architectuur met vier gespecialiseerde neurale netwerktorens die verschillende aspecten van klantgegevens verwerken: productadoptiegeschiedenis, transacties, demografie en gedragssegmenten. De torens worden samengevoegd met behulp van een geleerd aandachtsmechanisme dat per klant uitlegbaarheid biedt. De technische stack omvat AWS Glue for ETL, PyTorch als deep learning-framework, Amazon S3 voor gegevensopslag en SageMaker AI voor training en inferentie. De gegevenspijplijn bestaat uit twee fasen: een AWS Glue ETL-taak voor gegevensunificatie en een Amazon SageMaker Processing-taak voor ML-specifieke feature-engineering. De modelarchitectuur omvat een Sequence Tower met een 2-laags GRU, Transaction-, Customer- en Behavioral Towers met MLP's, en een Feature Importance Module die per klant belangrijkscores oplevert. Training gebruikt de Adam-optimizer met ReduceLROnPlateau-scheduler, gradient clipping en early stopping. De oplossing is ontworpen om bankgegevens te verwerken met wettelijke vereisten voor uitlegbaarheid.