Xây dựng hệ thống đề xuất sản phẩm tiếp theo (NBP) có thể giải thích cho ngân hàng trên AWS

Giải pháp được mô tả trên blog AWS ML sử dụng kiến trúc học sâu đa tháp (multi-tower) với bốn mạng nơ-ron chuyên biệt xử lý các khía cạnh khác nhau của dữ liệu khách hàng: lịch sử áp dụng sản phẩm, giao dịch, nhân khẩu học và phân khúc hành vi. Các tháp được hợp nhất bằng cơ chế chú ý (attention mechanism) có học, cung cấp khả năng giải thích cho từng khách hàng. Stack công nghệ bao gồm AWS Glue cho ETL (trích xuất, chuyển đổi, tải), PyTorch cho khung học sâu, Amazon S3 cho lưu trữ dữ liệu và SageMaker AI cho huấn luyện và suy luận. Pipeline dữ liệu bao gồm hai giai đoạn: job AWS Glue ETL để hợp nhất dữ liệu và job Amazon SageMaker Processing để kỹ thuật đặc trưng (feature engineering) dành riêng cho học máy. Kiến trúc mô hình bao gồm Tháp chuỗi (Sequence Tower) sử dụng GRU hai lớp, các Tháp giao dịch, khách hàng và hành vi sử dụng MLP (perceptron đa lớp), và Mô-đun tầm quan trọng của đặc trưng (Feature Importance Module) tạo ra điểm số tầm quan trọng cho từng khách hàng. Huấn luyện sử dụng bộ tối ưu hóa Adam với bộ lập lịch ReduceLROnPlateau, cắt gradient (gradient clipping) và dừng sớm (early stopping). Giải pháp được thiết kế để xử lý dữ liệu ngân hàng với các yêu cầu pháp lý về khả năng giải thích.