Amazon Personalize 소개 (+ 실습 구성)::김영진, 솔루션즈 아키텍트, AWS::AWS AIML 스페셜 웨비나

© 2021, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark.
Session 1.
Amazon Personalize 소개
개인화된 추천 모델 만들고 배포하기
김영진
Solutions Architect
AWS

Agenda
The case for personalization
Key features
Workshop
Reference
How it works
Why Amazon Personalize?

© 2021, Amazon Web Services, Inc. or its affiliates. All rights reserved. Amazon Confidential and Trademark. 3
The case for Personalization

© 2021, Amazon Web Services, Inc. or its affiliates.
Every touchpoint is personal
고객과 상호 작용할 기회가 생겼을 때
고객이 원하는 경험을 전달하고 싶습니다.
Movies
By genre
Comedy Thriller Romance
Shows
센셕 순위
플레이리스트 순위
카테고리

63%
의 소비자가 '개인화'를 표준 서비스 수준으로
인식하고 있습니다*
Consumers expect
personalized user experiences
*Source: https://www.business2community.com/marketing/30-amazing-personalization-statistics-02289044

Type of Recommendation methods
컨텐츠 기반 Content-based filtering
▪ Item을 feature로 표현 후, item끼리 비슷한지 비교
협업 필터링 Collaborative filtering
▪ User-item의 상호 작용(interaction) 정보를 통해 user가
좋아할 만한 item을 추천
▪ User-based vs Item-based
6

© 2021, Amazon Web Services, Inc. or its affiliates. 7
Why Amazon Personalize?

8
머신러닝을 기반으로
다양한 채널 및 수많은
기기에서 복잡하고
특별한 사용자 경험
제공중
2021
추천을 위해 출시된 첫 번째 기능
Pioneering personalization at Amazon
The evolution of 20+ years
1998

Leveraging
ML to improve
user experience
Amazon Personalize의 이점
Amazon Personalize가 클릭 몇 번으로 사용자 지정 ML 모델을
구축, 교육 및 배포하는 모든 작업을 수행하도록 하여 대규모 ML
솔루션을 쉽게 구현할 수 있습니다.
Amazon Personalize를 기존 웹 사이트, 앱, SMS 및
이메일 마케팅 시스템에 쉽게 통합하여 모든 고객 접점을
개인화 하십시오.
모든 데이터는 비공개로 안전하게 암호화 되며 고객을
위한 권장 사항을 만드는 데만 사용됩니다. 데이터는
고객 간에 또는 Amazon.com과 공유되지 않습니다.
고객의 변화하는 선호도와 행동에 대응하는 고품질 추천을
제공합니다. 빠르게 변화하는 카탈로그에 대해 최대 50% 더
나은 권장 사항을 생성합니다.

Amazon Personalize successes
67% 40%
56%
사용자당 기사 읽기 증가
고객이 처음 구매하는 제품의 수
증가
제품 구매 증가

© 2021, Amazon Web Services, Inc. or its affiliates. 11
Key Feature

New items in fast-changing catalogs (cold start)
새 항목New items 에는 상호 작용 기록이
없으므로 개인 설정이 어렵습니다.
Amazon Personalize를 사용하면 카탈로그의 새
항목과 이전 항목에 대한 권장 사항 간의 균형을
생성할 수 있습니다.
Item exploration weight
0 1
0.3

User segmentation recipes
• 장르, 카테고리 또는 기타 항목 속성에 관심이 있는 사용자
식별
• 영화, 제품 등과 같은 특정 항목에 관심이 있는 사용자를 식별
• 마케팅 채널을 통한 보다 효과적인 캠페인
• 새로운 제품 카테고리, 장르, 채널 등에 대한 사용자 확보
• 마케팅 지출에 대한 투자 수익 향상
Action movie fans
Launched at
re:Invent 2021
aws-item-affinity

Unlock information in unstructured text
가치 있는 신호는 종종 설명, 개요 및
리뷰에 갇혀 있습니다.
Amazon Personalize는 자연어 처리(NLP)를
사용하여 구조화되지 않은 텍스트에서 주요 정보를
자동으로 추출합니다.
New in 2021
https://aws.amazon.com/ko/blogs/machine-learning/unlock-information-in-unstructured-text-to-
personalize-product-and-content-recommendations-with-amazon-personalize/

How it works

Item metadata
(가격, 세부정보, 제품명,
영화제목, etc.)
User metadata
(나이, 성별, 충성도,
멤버쉽, etc.)
User events/interactions
(조회수, 가입수, 전환수,
etc.)
Amazon
Personalize
Amazon Personalize
How it works
Customized
personalization
API

Amazon Personalize
How it works
Item metadata
(가격, 세부정보, 제품명,
영화제목, etc.)
User metadata
(나이, 성별, 충성도,
멤버쉽, etc.)
User events/interactions
(조회수, 가입수, 전환수,
etc.)
Customized
personalization
API
Inspect
data
Identify
features
Select
hyper-
parameters
Train
models
Optimize
models
Host
models
Real-time
feature
store
Amazon
Personalize

• User와 Item간의 인터렉션 정보
• 예: 사용자별 구매상품, 사용자별
좋아요 등
• 모든 알고리즘에 필수
Datasets & schemas
Interactions Item
• 아이템에 대한 메타데이터 제공
• 예: 재고여부, 상품명, 비디오 장르
등
User
• 사용자에 대한 메타데이터 제공
• 예: 나이, 성별, 고객 충성도 등
18
user_id item_id timestamp
298 474 884182806
Item_id Item_title
1 쥬라기 공원
user_id username age gender
17 gildong 18 F
*파랑색으로 표현된 부분은 필수적으로 필요한 스키마입니다.

Creating a Solution – recipes Algorithms
19
레시피 유형 레시피
USER_PERSONALIZATION User-Personalization
Popularity-Count
HRNN recipe (legacy)
HRNN-Metadata recipe (legacy)
HRNN-Coldstart recipe (legacy)
PERSONALIZED_RANKING Personalized-Ranking
RELATED_ITEMS Similar-Items
SIMS
*USER_SEGMENTATION Item-Affinity
Item-Attribute-Affinity
*2021 에서 추가된 신규 레시피 유형 입니다.

상호 작용, 항목 및 사용자 데이터
세트를 기반으로 사용자가 상호
작용할 항목을 예측
Creating a Solution - recipes Algorithms
User personalization Similar Items
상호작용 데이터를 통해 유사
아이템 추천. 상품 탐색과
상세페이지 구성 시 활용
Personalized ranking
소비자의 예측 관심도에 따른
순위로 추천 생성
20
TV shows we think you’ll like Customers who viewed this item also viewed Recommended for You in Classics

Creating a Solution - recipes Algorithms
• User Personalization
▪ 모든 시나리오에 적합하여 가장 권장하는 알고리즘
▪ 계층적 반복 신경망(HRNN) 알고리즘 사용자 동작의 변화를 모델링하여 권장사항 제공
21
Source: Session-based Recommendations with Recurrent Neural Networks (https://arxiv.org/pdf/1511.06939.pdf )
GRU
(session-level)
HGRU
(user-level)
시계
랩탑

User segmentation recipes
Item-Affinity Item-Attribute-Affinity
22
Launched at
re:Invent 2021
장르 또는 가격대와 같이 관심 있
는 속성을 기반으로 사용자를 식
별
개별항목에 대한 관심을 기반으로
사용자를 식별
{"itemId":"1"}
{"itemId":"2"}
{"itemId":"3"}
{"itemId":"4"}
{"itemId":"5"}
{"itemAttributes":
"ITEMS.genres = "Comedy"
AND ITEMS.genres =
"Action""}
Item data 필수 입력 데이터
*Item 리스트 데이터는 JSON 포맷으로 준비

성능평가계산 Metrics Calculation
다 양 한 성 능 평 가 지 표 를 통 해 최 적 의 솔 루 션 을 선 별 할 수 있 습 니 다 .
Personalize가 데이터를 분할하는 방법은 이렇습니다.

성능평가지표 metrics
다 양 한 성 능 평 가 지 표 를 통 해 최 적 의 솔 루 션 을 선 별 할 수 있 습 니 다 .
지표 설명
Precision@K
MRR@K
(Mean Reciprocal Rank)
모든 쿼리에 대한 상위 25개 권장 사항 중 첫
번째 관련 권장 사항의 역 순위 평균입니다.
이 지표는 가장 높은 순위의 단일 권장 사항에
관심이 있는 경우에 적합합니다.
NDCG@K
(Normalized Discounted
Cumulative Gain)
이상적인 추천 결과로부터 구할 수 있는 최대
가능 스코어를 기준으로 정규화 한, 관련
아이템 순위에 역 로그 가중치를 반영하여
계산함
Coverage
학습 데이터의 전체 고유한 아이템 수 중에서
실제 쿼리에서 추천된 아이템 수
▪ 다양한 성능 평가 지표를 제공
▪ 가장 관련도가 높은 아이템에 높은 스코어를
부여하는 알고리즘(recipe) 선정 시 유용
실제 테스트 데이터와 일치하는 추천 아이템 개수
추천 아이템 전체 개수
수치가 높을 수록 좋아요!

성능평가지표 metrics Precision@K
25
2번째 그리고 5번째 추천 아이템이 연관이있는 상품이였을 경우
• 총 연관된 상품: 2개
• K=5
Precision @ 5 = 2/5 =0.4
실제 테스트 데이터와 일치하는 추천 아이템 개수
추천 아이템 전체 개수
x x x
x
Relevant Item
Non-Relevant Item

성능평가지표 metrics - Mean reciprocal Rank @K
26
2번째 그리고 5번째 추천 아이템이 연관이있는 상품이였을 경우
• 총 연관된 상품: 2개
• K=5
Reciprocal rank@ 5 = 1/2 (2번째 아이템) = 0.5
x x x
x
Relevant Item
Non-Relevant Item

Reciprocal rank@ 5 = ?
x x
x
Quiz
x
x
x
1/4 = 0.25
x
Relevant Item
Non-Relevant Item
1/1 = 1
User 1
User 2
x
x
x 1/2 = 0.5
User 3
Mean Reciprocal rank@ 5 = (1/4 + 1 + 1/2 ) / 3 = 0.25

캠페인campaign 생성
• 솔루션을 지정 및 배포하여 캠페인을 생성
• 업데이트 방식
▪ 자동 : 솔루션이 업데이트 될 때마다 가장 최신
버전의 솔루션으로 자동배포
▪ 수동 : updatecampaign을 call 해서 캠페인을
수동으로 업데이트
• 캠페인의 Status가 active로 변경 된 후
캠페인 작업 사용 가능
28

캠페인campaign 결과
• 해당 사용자에게 추천하는 상위 25개의 아이템을 확인할 수 있습니다.
29

캠페인 campaign 활용
30
레시피 유형 API API 요구 사항
USER_PERSONALIZATION GetRecommendations
userId: 필수
itemId: 사용되지 않음
inputList: 해당 사항 없음
PERSONALIZED_RANKING GetPersonalizedRanking
userId: 필수
itemId: 해당 사항 없음
inputList: itemId 목록
RELATED_ITEMS GetRecommendations
userId: 사용되지 않음
itemId: 필수
inputList: 해당 사항 없음
USER_SEGMENTATION CreateBatchSegmentJob Batch segmentation job 생성
캠페인 생성 후 추천 결과 활용 (API 호출)

Inference Real-time recommendation
31
Amazon Personalize
Solution
Version
Interactions
Items Users
Real-time recommendations
• Interactive user experiences
• Transactional APIs
• GetRecommendations
• GetPersonalizedRanking
• Synchronous, low latency,
auto-scaling
• Requires a campaign
• Adapt to new interactions1
• Support context
• Support static and dynamic
filters
1 EventTracker 는 User-Personalization, Personalized-Ranking recipes 경우에만 사용
Campaign
CreateCampaign
Your
Application
GetRecommendations
or
GetPersonalizedRanking
Event
Tracker
PutEvents

Inference Batch recommendation
32
Amazon Personalize
Solution
Version
Interactions
Items
Users
Batch recommendations
• Batch pipelines/caching
• Batch API
• S3 input/output
• CreateBatchInferenceJob
• Asynchronous, longer running
• Do not require a campaign
• Point in time
• Support static filters
Batch
Inference Job
Input
Output
Batch Use-
cases

Workshop

Workshop Architecture
Workshop URL
https://amz.run/workshop
1. 워크샵소개
2. 실습환경 구성
3. 개인화 추천 모델 만들기
4. Event Tracker 실시간
추천만들기
5. 배치 추천 리스트
가져오기
6. Clean Up
34

Reference

References
▪ [이론] Amazon Personalize Updates (300 level)
▪ http://bit.ly/amazon-personalize-updates
▪ [심화 이론] User Personalization Recipe Deep Dive (400 level)
▪ http://bit.ly/amazon-personalize-deep-dive
▪ [핸즈온] Amazon Personalize 기반으로 실시간 추천 사이트 만들기 (200 level)
▪ https://public-prod.d2j29wklm5wvtw.amplifyapp.com/ko/
▪ [핸즈온] Amazon Personalize Immersion Day (200-300 level)
• https://personalization-immersionday.workshop.aws
36

Session 1-2.
실습환경 구현하기
김영진
Solutions Architect
AWS

개요
실시간 및 배치 추천 서비스 결과값을 보여줄 간단한 웹사이트 구성하는 실습을 진행할 예정입니다. 영화
및 사용자 데이터를 서버리스 기반으로 사전에 구성하고 React 기반 애플리케이션을 구성되어 있습니다.
사전 리소스 생성
프론트엔드 구성
1.AWS 콘솔 환경에 접근하기
2.AWS CloudFormation으로 사전 리소스
배포하기
3.AWS Cloud9에서 프론트엔드 구성하기
총 3단계 : 15분
AWS 콘솔 접근
Workshop url: https://amz.run/workshop

Architecture 설명 1.AWS CloudFormation 사용하여
사전 리소스 배포하기
클라우드 기반 IDE 환경인 AWS
Cloud91
영화 및 사용자 데이터를 저장하는
Amazon DynamoDB5
해당 데이터를 불러오는 서버리스
컴퓨팅 리소스인 AWS Lambda4
API Endpoint 역할을 하는 Amazon
API Gateway3
위 리소스를 배포하여, 추천 서비스
결과값을 보여줄 웹 사이트 뼈대를
구축합니다.

Architecture 설명
1.AWS Cloud9에서 프론트엔드
구성하기
AWS Cloud9에서 사전의 준비된
React기반 프론트엔드 파일을
불러오고, AWS CloudFormation을
통해 배포된 API Endpoint를
연결합니다.

실습 구성 완료

Thank you!
42

Amazon Personalize 소개 (+ 실습 구성)::김영진, 솔루션즈 아키텍트, AWS::AWS AIML 스페셜 웨비나

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to Amazon Personalize 소개 (+ 실습 구성)::김영진, 솔루션즈 아키텍트, AWS::AWS AIML 스페셜 웨비나

Similar to Amazon Personalize 소개 (+ 실습 구성)::김영진, 솔루션즈 아키텍트, AWS::AWS AIML 스페셜 웨비나 (20)

More from Amazon Web Services Korea

More from Amazon Web Services Korea (20)

Amazon Personalize 소개 (+ 실습 구성)::김영진, 솔루션즈 아키텍트, AWS::AWS AIML 스페셜 웨비나