Bir şirket, özel teklifler içeren haftalık pazarlama e-postaları gönderiyor ancak çok az müşteri bunları kullanıyor. Bir ekip, her müşteri için profillerini ve geçmiş kabullerini kullanarak kişiselleştirilmiş teklifler önermek üzere bir SageMaker modeli oluşturuyor. Toplu e-posta sistemine beslenecek önerileri üretmek için en fazla operasyonel verimliliği hangi seçenek sağlar?

Doğru cevap, Factorization Machines modelini kullanmak ve önerileri oluşturmak için SageMaker batch transform ile toplu çıkarım çalıştırmaktır. Factorization Machines, seyrek verilerle iyi çalışan ve öneri sistemleri için uygun, denetimli bir öğrenme algoritmasıdır. Haftalık e-posta gönderimi gibi periyodik ve büyük ölçekli çıkarım görevleri için SageMaker batch transform, sürekli çalışan bir uç noktadan daha uygun maliyetli ve operasyonel olarak verimlidir. Gerçek zamanlı uç noktalar, anında yanıt gerektiren uygulamalar için tasarlanmıştır, ancak bu senaryoda toplu işleme daha uygun ve ekonomiktir. Neural Collaborative Filtering modelleri de öneri sistemleri için kullanılabilir, ancak Factorization Machines genellikle daha basit ve daha hızlıdır, bu da toplu işleme için avantaj sağlar.