Saltar al contenido principal

Amazon Personalize

Qué es​

Un servicio de machine learning completamente gestionado que utiliza sus datos para generar recomendaciones de elementos para sus usuarios.

Para qué sirve​

Crear e implementar rápidamente un mecanismo de recomendación personalizado para sus clientes, sin necesidad de experiencia en machine learning.

Casos de uso​

  • Recomendaciones de productos para comercio electrónico (ej: "clientes que compraron X también compraron Y").
  • Recomendaciones de contenido para plataformas de medios (ej: películas, artículos, música).
  • Personalización de experiencias de usuario en aplicaciones web y móviles.
  • Sugerencia de elementos relacionados o complementarios.
  • Generación de listas de tendencias o elementos populares.

Puntos principales​

  • Completamente gestionado: AWS se encarga de la infraestructura, el entrenamiento y la implementación de los modelos de ML.
  • Modelos personalizados: Entrena modelos de ML utilizando sus propios datos de interacción del usuario y datos de elementos.
  • Algoritmos avanzados: Utiliza algoritmos de ML de vanguardia, incluyendo los utilizados en Amazon.com.
  • Tiempo real: Puede generar recomendaciones en tiempo real.
  • Sin experiencia en ML: No requiere conocimientos previos en machine learning para usar el servicio.
  • Integración: Se integra con Amazon S3 para la entrada de datos y puede ser accedido mediante APIs.

Comparativa con sistemas de recomendación desarrollados internamente:​

  • Amazon Personalize: Reduce significativamente el tiempo y el esfuerzo necesarios para construir y mantener un sistema de recomendación, eliminando la complejidad de gestionar la infraestructura de ML, entrenar modelos e implementarlos. Permite que las empresas se centren en la personalización de la experiencia del cliente, en lugar de en la ingeniería de ML.
  • Sistemas de recomendación desarrollados internamente: Requieren un equipo de científicos de datos e ingenieros de ML, infraestructura dedicada y una inversión significativa de tiempo y recursos para construir, entrenar y mantener los modelos. Pueden ofrecer mayor control y personalización, pero con un costo y complejidad mucho mayores.