Une entreprise envoie chaque semaine des e-mails marketing avec des offres spéciales, mais peu de clients les utilisent. Une équipe est en train de créer un modèle SageMaker pour recommander des offres personnalisées à chaque client en utilisant son profil et ses acceptations passées. Quelle option offre la meilleure efficacité opérationnelle pour produire des recommandations afin d'alimenter le système d'e-mails en masse ?

L'option correcte est la meilleure car elle utilise SageMaker Batch Transform, qui est idéal pour générer des prédictions pour un grand ensemble de données de manière asynchrone, ce qui est parfait pour une campagne d'e-mails hebdomadaire. Factorization Machines (FM) est un algorithme de recommandation efficace et performant, adapté à ce type de tâche. Les options qui proposent un point de terminaison SageMaker en temps réel (real-time endpoint) sont moins efficaces opérationnellement pour cette tâche. Un point de terminaison en temps réel est conçu pour des requêtes individuelles et immédiates, et non pour traiter des millions de recommandations en une seule fois pour une campagne d'e-mails de masse. L'utilisation d'un point de terminaison en temps réel pour une inférence par lots entraînerait des coûts plus élevés et une latence potentiellement plus longue pour l'ensemble du processus que Batch Transform. Bien que Neural Collaborative Filtering (NCF) soit également un bon algorithme de recommandation, Factorization Machines est souvent plus simple à entraîner et à déployer pour des cas d'usage similaires, offrant une bonne efficacité opérationnelle.