Un détaillant a besoin d'un système de recommandations qui fournit des recommandations aux utilisateurs existants en fonction de l'historique de navigation de chaque utilisateur et qui filtre les articles déjà achetés par l'utilisateur. Quelle solution répond à ces exigences avec le moins d'effort de développement ?

La bonne réponse est d'entraîner un modèle avec Amazon Personalize USERPERSONALIZATION, de créer un filtre en temps réel pour exclure les articles déjà achetés, de déployer une campagne Personalize et d'utiliser GetRecommendations. Amazon Personalize est un service de recommandation entièrement géré qui nécessite un effort de développement minimal. Le schéma USERPERSONALIZATION est idéal pour les recommandations basées sur l'historique de l'utilisateur. La capacité de filtrage en temps réel de Personalize permet d'exclure facilement les articles déjà achetés sans logique personnalisée complexe. L'utilisation de GetRecommendations est la méthode standard pour récupérer des recommandations en temps réel. Les options impliquant la construction de modèles de filtrage collaboratif dans SageMaker nécessitent un effort de développement et de maintenance beaucoup plus important, car elles impliquent la gestion de l'infrastructure, de l'entraînement et du déploiement du modèle, ce qui contredit l'exigence de "moins d'effort de développement". L'option utilisant PERSONALIZEDRANKING est incorrecte car ce schéma est destiné à classer une liste d'articles fournie par l'utilisateur, et non à générer des recommandations à partir de zéro.