Publié le: Jul 31, 2020
HAQM Personalize utilise la technologie du machine learning perfectionnée par plus de 20 ans de développement de systèmes de recommandation sur HAQM.com. Avec HAQM Personalize, vous pouvez personnaliser les recommandations pour vos utilisateurs concernant des produits, des vidéos, de la musique, des eBooks, des annonces, des e-mails marketing et bien plus encore, et sans avoir aucune expérience préalable en machine learning.
Aujourd’hui, nous avons le plaisir de vous annoncer les améliorations des filtres de recommandations dans HAQM Personalize, qui offrent un meilleur contrôle des recommandations que reçoivent les utilisateurs en vous permettant d’exclure ou inclure des éléments à recommander en fonction des critères que vous définissez. Par exemple, lorsque vous recommandez des produits pour votre magasin de vente en ligne, vous pouvez exclure les éléments indisponibles des recommandations ; ou, si vous recommandez des vidéos aux utilisateurs, vous pouvez choisir de ne recommander que des contenus premium si l’utilisateur possède un abonnement particulier. Aujourd’hui, les clients s’occupe de cela en écrivant des codes personnalisés afin d’implémenter les règles concernant leurs activités, ils peuvent désormais gagner du temps et rationaliser leurs architectures avec les filtres de recommandation dans Personalize.
Le processus de configuration et d'utilisation des filtres de recommandation personnalisés est simple. Vous commencez par utiliser la console HAQM Personalize ou l'API afin de créer un filtre à l'aide d'un langage spécifique au domaine propre à HAQM Personalize. Ensuite, vous appliquez ce filtre pendant l'interrogation des recommandations en temps réel à l'aide de l'API GetRecommendations ou GetPersonalizedRanking, ou pendant la génération des recommandations en mode lot via une tâche d'inférence par lot.
Les filtres de recommandation dans HAQM Personalize sont désormais disponibles dans les régions USA Est (Virginie du Nord, Ohio), USA Ouest (Oregon), Canada (Centre), UE (Irlande) et Asie-Pacifique (Sydney, Tokyo, Mumbai, Singapour, Séoul).