Construindo um sistema de recomendação de próximo melhor produto explicável para bancos na AWS

A solução descrita no blog de ML da AWS utiliza uma arquitetura de deep learning de múltiplas torres, com quatro redes neurais especializadas processando diferentes aspectos dos dados do cliente: histórico de adoção de produtos, transações, dados demográficos e segmentos comportamentais. As torres são combinadas por meio de um mecanismo de atenção aprendido, que fornece explicabilidade por cliente. A pilha tecnológica inclui AWS Glue para ETL, PyTorch como framework de deep learning, Amazon S3 para armazenamento de dados e SageMaker AI para treinamento e inferência. O pipeline de dados envolve duas etapas: um job ETL do AWS Glue para unificação dos dados e um job do Amazon SageMaker Processing para engenharia de atributos específica de ML. A arquitetura do modelo inclui uma Torre de Sequência usando um GRU de duas camadas, torres de Transação, Cliente e Comportamental usando MLPs (Perceptrons Multicamadas), e um Módulo de Importância de Atributos que produz pontuações de importância por cliente. O treinamento utiliza o otimizador Adam com o scheduler ReduceLROnPlateau, gradiente clipping e parada antecipada. A solução foi projetada para lidar com dados bancários que exigem conformidade regulatória em termos de explicabilidade.