Una empresa envía correos electrónicos de marketing semanales con ofertas especiales, pero pocos clientes las canjean. Un equipo está creando un modelo de SageMaker para recomendar ofertas personalizadas para cada cliente utilizando su perfil y aceptaciones anteriores. ¿Qué opción ofrece la mayor eficiencia operativa para producir recomendaciones para alimentar el sistema de correo electrónico masivo?

La inferencia por lotes con SageMaker Batch Transform es la opción más eficiente operativamente para generar recomendaciones para un sistema de correo electrónico masivo semanal. Permite procesar grandes volúmenes de datos de una sola vez, lo que es ideal para tareas programadas y no interactivas. Los endpoints en tiempo real (real-time endpoints) son más adecuados para aplicaciones que requieren respuestas inmediatas, como recomendaciones en un sitio web en vivo, y serían excesivamente costosos y complejos para un caso de uso semanal. Tanto Factorization Machines como Neural Collaborative Filtering son algoritmos adecuados para sistemas de recomendación, pero la elección del método de inferencia es clave para la eficiencia operativa en este escenario.