Uma empresa envia e-mails de marketing semanais com ofertas especiais, mas poucos clientes as resgatam. Uma equipe está construindo um modelo SageMaker para recomendar ofertas personalizadas para cada cliente usando seu perfil e aceitações anteriores. Qual opção oferece a maior eficiência operacional para produzir recomendações para alimentar o sistema de e-mail em massa?

Para um sistema de e-mail em massa, a inferência em lote é a opção mais eficiente operacionalmente. O SageMaker Batch Transform é ideal para processar grandes volumes de dados de uma só vez, gerando todas as recomendações necessárias para a campanha de e-mail. Isso evita a sobrecarga e os custos de manter um endpoint em tempo real para um caso de uso que não exige latência mínima. Factorization Machines (FM) são eficazes para sistemas de recomendação, especialmente com dados esparsos e interações entre recursos, como perfis de clientes e ofertas. Modelos Neural Collaborative Filtering (NCF) também são bons para recomendação, mas FM é frequentemente mais simples e rápido para treinar e inferir em cenários de lote, sem grande perda de performance. Endpoints em tempo real são inadequados aqui, pois o envio de e-mails é um processo agendado e não exige respostas instantâneas por cliente individual.