Firma wysyła cotygodniowe e-maile marketingowe ze specjalnymi ofertami, ale niewielu klientów z nich korzysta. Zespół tworzy model SageMaker, aby rekomendować spersonalizowane oferty dla każdego klienta, wykorzystując jego profil i wcześniejsze akceptacje. Która opcja zapewnia największą efektywność operacyjną w generowaniu rekomendacji do systemu masowej wysyłki e-maili?

Prawidłowa odpowiedź to wytrenowanie modelu Factorization Machines i użycie wnioskowania wsadowego z SageMaker batch transform. Factorization Machines (FM) są efektywne dla danych rzadkich i dobrze sprawdzają się w systemach rekomendacji, gdzie interakcje użytkownik-przedmiot są często niekompletne. Wnioskowanie wsadowe (batch transform) jest idealne do generowania rekomendacji dla dużej liczby klientów jednocześnie, co jest typowe dla cotygodniowych kampanii e-mailowych. Jest to bardziej opłacalne i wydajne niż punkty końcowe w czasie rzeczywistym, które są przeznaczone do pojedynczych, natychmiastowych zapytań. Neural Collaborative Filtering (NCF) to również dobry model, ale FM często oferuje lepszą wydajność przy mniejszych zbiorach danych lub w scenariuszach, gdzie kluczowe jest uchwycenie interakcji cech. Użycie punktów końcowych w czasie rzeczywistym do masowej wysyłki e-maili byłoby nieefektywne kosztowo i operacyjnie.