Ein Unternehmen versendet wöchentlich Marketing-E-Mails mit Sonderangeboten, aber nur wenige Kunden lösen diese ein. Ein Team entwickelt ein SageMaker-Modell, um personalisierte Angebote für jeden Kunden basierend auf dessen Profil und früheren Akzeptanzen zu empfehlen. Welche Option bietet die höchste betriebliche Effizienz für die Erstellung von Empfehlungen, die in das Massen-E-Mail-System eingespeist werden sollen?

Die korrekte Option ist, ein Factorization Machines-Modell zu trainieren und SageMaker Batch Transform für die Inferenz zu nutzen. Factorization Machines sind gut geeignet für Empfehlungssysteme, insbesondere bei spärlichen Daten, wie sie oft bei Kundenpräferenzen vorkommen. Da die Marketing-E-Mails wöchentlich und in großen Mengen versendet werden, ist eine Batch-Inferenz mit SageMaker Batch Transform die effizienteste Methode. Sie ermöglicht die Verarbeitung großer Datenmengen asynchron und kostengünstig, ohne die Notwendigkeit eines ständig laufenden Echtzeit-Endpunkts. Echtzeit-Endpunkte sind für Anwendungsfälle gedacht, bei denen sofortige Antworten auf einzelne Anfragen erforderlich sind, was hier nicht der Fall ist. Neural Collaborative Filtering ist zwar auch ein geeignetes Modell für Empfehlungssysteme, aber die Kombination mit einem Echtzeit-Endpunkt wäre für diesen spezifischen Anwendungsfall der Massen-E-Mails weniger effizient und teurer als Batch Transform.