Un'azienda invia email di marketing settimanali con offerte speciali, ma pochi clienti le riscattano. Un team sta costruendo un modello SageMaker per raccomandare offerte personalizzate per ogni cliente utilizzando il loro profilo e le accettazioni passate. Quale opzione offre la massima efficienza operativa per produrre raccomandazioni da alimentare al sistema di email di massa?

L'opzione corretta è l'addestramento di un modello Factorization Machines e l'esecuzione dell'inferenza batch con SageMaker Batch Transform. Factorization Machines sono efficaci per i sistemi di raccomandazione, specialmente con dati sparsi, come profili cliente e accettazioni passate. L'inferenza batch è la scelta più efficiente operativamente per generare raccomandazioni settimanali per un sistema di email di massa. Gli endpoint in tempo reale (real-time endpoints) sono progettati per raccomandazioni su richiesta, non per la generazione di massa periodica, che sarebbe più costosa e meno efficiente. Neural Collaborative Filtering è un'alternativa valida per i sistemi di raccomandazione, ma per l'efficienza operativa richiesta in questo scenario, l'inferenza batch è fondamentale, indipendentemente dal modello specifico.