Een retailer heeft een aanbevelingssysteem nodig dat aanbevelingen doet voor bestaande gebruikers op basis van de browsegeschiedenis van elke gebruiker en items filtert die de gebruiker al heeft gekocht. Welke oplossing voldoet aan deze vereisten met de minste ontwikkelingsinspanning?

De correcte optie is om Amazon Personalize USERPERSONALIZATION te gebruiken. Dit is een ingebouwde recept dat specifiek is ontworpen voor het genereren van aanbevelingen voor bestaande gebruikers op basis van hun interactiegeschiedenis, wat perfect aansluit bij de vereisten. Het maken van een real-time filter binnen Personalize is de meest efficiënte manier om reeds gekochte items uit te sluiten, en het implementeren van een Personalize-campagne met GetRecommendations zorgt voor real-time aanbevelingen met minimale ontwikkelingsinspanning. De andere opties vereisen aanzienlijk meer ontwikkelingsinspanning. Het bouwen van een user-based collaborative filtering-model of een neuraal collaborative filtering-model in SageMaker, zelfs met GPU's, betekent dat u het model zelf moet ontwikkelen, trainen en hosten, inclusief de infrastructuur voor het leveren van voorspellingen via API Gateway en Lambda. Dit is een veel complexere en tijdrovendere aanpak dan het gebruik van de beheerde service van Personalize. Het gebruik van PERSONALIZEDRANKING is bedoeld voor het rangschikken van een gegeven lijst van items, niet voor het genereren van een initiële lijst van aanbevelingen.