Een bedrijf verstuurt wekelijks marketing-e-mails met speciale aanbiedingen, maar weinig klanten maken er gebruik van. Een team bouwt een SageMaker-model om gepersonaliseerde aanbiedingen aan te bevelen voor elke klant, gebruikmakend van hun profiel en eerdere acceptaties. Welke optie biedt de meeste operationele efficiëntie voor het genereren van aanbevelingen om het bulk-e-mailsysteem te voeden?

De meest operationeel efficiënte aanpak voor wekelijkse bulk-e-mails is batch inference. SageMaker Batch Transform is hiervoor ontworpen, omdat het grote datasets efficiënt verwerkt zonder de overhead van een continu actief real-time endpoint. Factorization Machines (FM) is een uitstekend algoritme voor aanbevelingssystemen, vooral wanneer er sprake is van schaarse gegevens en het vastleggen van interacties tussen kenmerken belangrijk is, wat vaak het geval is bij gepersonaliseerde aanbiedingen. Real-time endpoints zijn geschikt voor onmiddellijke, individuele aanvragen, niet voor wekelijkse bulkverwerking. Neural Collaborative Filtering (NCF) is ook een geschikt aanbevelingsalgoritme, maar de keuze tussen FM en NCF heeft minder impact op de operationele efficiëntie voor dit specifieke scenario dan de keuze tussen real-time en batch inference.