AWS'de bankacılık için açıklanabilir bir sonraki en iyi ürün öneri sistemi oluşturma

AWS ML blog'da açıklanan çözüm, müşteri verilerinin farklı yönlerini işleyen dört özelleşmiş sinir ağı kulesine sahip çok kuleli bir derin öğrenme mimarisi kullanmaktadır: ürün benimseme geçmişi, işlemler, demografik bilgiler ve davranışsal segmentler. Kuleler, müşteri bazında açıklanabilirlik sağlayan öğrenilmiş bir dikkat mekanizması kullanılarak birleştirilir. Teknoloji yığını, Veri Çıkarma, Dönüştürme ve Yükleme (Extract, Transform, Load - ETL) için AWS Glue, derin öğrenme çerçevesi için PyTorch, veri depolama için Amazon Simple Storage Service (S3) ve eğitim ve çıkarım için SageMaker Yapay Zeka (Artificial Intelligence - AI) içerir. Veri hattı iki aşamadan oluşur: veri birleştirme için bir AWS Glue ETL işi ve Makine Öğrenmesi (Machine Learning - ML) özelliği mühendisliği için bir Amazon SageMaker Processing işi. Model mimarisi, 2 katmanlı Geçitli Tekrarlayan Birim (Gated Recurrent Unit - GRU) kullanan bir Sıra Kulesi, Çok Katmanlı Algılayıcı (Multilayer Perceptron - MLP) kullanan İşlem, Müşteri ve Davranış kuleleri ile müşteri bazında önem skorları üreten bir Özellik Önem Modülü içerir. Eğitimde, ReduceLROnPlateau planlayıcısı, gradyan kırpma ve erken durdurma ile Adam iyileştiricisi kullanılır. Çözüm, açıklanabilirlik için düzenleyici gerekliliklere sahip bankacılık verilerini işlemek üzere tasarlanmıştır.