Tác giả: Anna Grüebler
Ngày phát hành: 10 APR 2025
Chuyên mục: Amazon Bedrock, Amazon Personalize, Artificial Intelligence, Intermediate (200), Technical How-to
Ngày nay, các doanh nghiệp đang sử dụng AI và các mô hình tạo sinh (generative models) để cải thiện năng suất làm việc của đội ngũ và cung cấp trải nghiệm tốt hơn cho khách hàng. Giao tiếp hướng ngoại (outbound communication) được cá nhân hóa có thể là một công cụ mạnh mẽ để tăng cường mức độ tương tác và chuyển đổi của người dùng.
Ví dụ, với vai trò là giám đốc marketing cho một công ty video-on-demand, bạn có thể muốn gửi các tin nhắn email cá nhân hóa được điều chỉnh riêng cho từng người dùng—có tính đến thông tin nhân khẩu học của họ, chẳng hạn như giới tính và tuổi tác, cùng với sở thích xem của họ. Bạn muốn thông điệp và các đề xuất phim vừa hấp dẫn vừa phù hợp với khách hàng. Để đạt được điều này, bạn có thể sử dụng Amazon Personalize để tạo các đề xuất cá nhân hóa người dùng và Amazon Bedrock để tạo nội dung văn bản của email.
Amazon Personalize cho phép doanh nghiệp của bạn cải thiện mức độ tương tác của khách hàng bằng cách tạo các đề xuất sản phẩm và nội dung được cá nhân hóa trên các trang web, ứng dụng và các chiến dịch marketing mục tiêu. Bạn có thể bắt đầu mà không cần kinh nghiệm về machine learning (ML) trước đó, và Amazon Personalize cho phép bạn sử dụng API để xây dựng các khả năng cá nhân hóa tinh vi. Khi sử dụng dịch vụ này, tất cả dữ liệu của bạn đều được mã hóa để đảm bảo tính riêng tư và bảo mật, và chỉ được sử dụng để tạo đề xuất cho người dùng của bạn.
Amazon Bedrock là một dịch vụ được quản lý toàn phần, cung cấp nhiều lựa chọn các foundation model (FM) hiệu suất cao từ các công ty AI hàng đầu và Amazon thông qua một API duy nhất, cùng với một bộ khả năng rộng lớn để xây dựng các ứng dụng Generative AI với security, privacy và AI có trách nhiệm. Sử dụng Amazon Bedrock, bạn có thể thử nghiệm và đánh giá các FM hàng đầu cho trường hợp sử dụng của mình, tùy chỉnh mô hình bằng cách fine tuning, hoặc giới hạn đầu ra của mô hình bằng Retrieval Augmented Generation (RAG), và xây dựng các Agent thực hiện tác vụ bằng cách sử dụng hệ thống và nguồn dữ liệu doanh nghiệp của bạn.
Trong bài viết này, chúng tôi trình bày cách sử dụng Amazon Personalize và Amazon Bedrock để tạo email tiếp cận cá nhân hóa cho từng người dùng bằng cách sử dụng trường hợp sử dụng video-on-demand. Khái niệm này có thể được áp dụng cho các lĩnh vực khác, chẳng hạn như trải nghiệm khách hàng hấp dẫn cho các trường hợp sử dụng thương mại điện tử (ecommerce) và marketing kỹ thuật số.
Tổng quan giải pháp
Sơ đồ sau đây cho thấy cách bạn có thể sử dụng Amazon Personalize và Amazon Bedrock để tạo các tin nhắn tiếp cận cá nhân hóa người dùng cho từng người dùng.
Quy trình làm việc bao gồm các bước sau:
- Nhập dữ liệu người dùng, item và tương tác của bạn vào Amazon Personalize. Các tập dữ liệu người dùng và item không bắt buộc để Amazon Personalize tạo đề xuất, nhưng việc cung cấp siêu dữ liệu (metadata) item và người dùng tốt sẽ mang lại kết quả tốt nhất trong các mô hình đã được huấn luyện của bạn.
- Huấn luyện một recommender “Top picks for you” của Amazon Personalize. Recommender của Amazon Personalize là các tài nguyên dành riêng cho domain, tạo ra các đề xuất. Khi bạn tạo một recommender Amazon Personalize, Amazon Personalize sẽ huấn luyện các mô hình hỗ trợ recommender với các cấu hình tốt nhất cho trường hợp sử dụng. Trong ví dụ của chúng tôi, chúng tôi sử dụng recommender “Top picks for you”. Recommender này tạo ra các đề xuất nội dung cá nhân hóa cho người dùng mà bạn chỉ định. Với trường hợp sử dụng này, Amazon Personalize tự động lọc các video mà người dùng đã xem.
- Sau khi mô hình được huấn luyện, bạn có thể nhận các bộ phim được đề xuất hàng đầu cho mỗi người dùng bằng cách truy vấn recommender với từng ID người dùng thông qua Amazon Personalize Runtime API.
- Kết hợp một mẫu prompt được xác định trước với các đề xuất hàng đầu và thông tin nhân khẩu học của người dùng để tạo ra một prompt nâng cao.
- Sử dụng prompt nâng cao trong Amazon Bedrock thông qua API của nó để tạo giao tiếp hướng ngoại cá nhân hóa của bạn.
- Amazon Bedrock trả về giao tiếp hướng ngoại cá nhân hóa mà bạn có thể gửi email cho người dùng của mình.
Chúng tôi sẽ đi sâu hơn vào từng bước này trong các phần sau. Một mẫu code cho trường hợp sử dụng này có sẵn trên AWS Samples trên GitHub.
Điều kiện tiên quyết
Để tạo các đề xuất cá nhân hóa, trước tiên bạn phải thiết lập các tài nguyên Amazon Personalize. Bạn bắt đầu bằng cách tạo nhóm tập dữ liệu (dataset group), tải dữ liệu của bạn, và sau đó huấn luyện một recommender. Để biết hướng dẫn đầy đủ, hãy xem Hướng dẫn bắt đầu.
{
"type": "record"
"name": "Interactions",
"namespace": "com.amazonaws.personalize.schema",
"fields": [
{
"name": "USER_ID",
"type": "string"
},
{
"name": "ITEM_ID",
"type": "string"
},
{
"name": "TIMESTAMP",
"type": "long"
},
{
"name": "EVENT_TYPE",
"type": "string"
}
],
"version": "1.0"
}
Dữ liệu tương tác bao gồm thông tin về các tương tác của người dùng với nội dung trong ứng dụng của bạn. Điều này thường đến từ các công cụ phân tích hoặc nền tảng dữ liệu khách hàng (CDP). Dữ liệu tương tác tốt nhất để sử dụng trong Amazon Personalize bao gồm thứ tự tuần tự của hành vi người dùng và nội dung mà người dùng đã xem hoặc nhấp vào. Đối với ví dụ này, chúng tôi sử dụng tập dữ liệu ml-latest-small từ tập dữ liệu MovieLens để mô phỏng các tương tác người dùng-item.
- Nhập dữ liệu tương tác vào Amazon Personalize từ Amazon Simple Storage Service (Amazon S3). Đối với ví dụ này, chúng tôi chuyển đổi dữ liệu sang định dạng thích hợp theo các bước trong notebook 01_Introduction_and_Data_Preparation.
- Dữ liệu item bao gồm thông tin về nội dung đang được tương tác, thường đến từ hệ thống quản lý nội dung (CMS) trong các trường hợp sử dụng video-on-demand. Đây có thể là thông tin như tiêu đề, mô tả hoặc thể loại phim. Để cung cấp siêu dữ liệu bổ sung, và cũng để cung cấp trải nghiệm nhất quán cho người dùng của chúng tôi, chúng tôi sử dụng một tập hợp con của IMDb Essential Metadata for Movies/TV/OTT dataset. IMDb có nhiều tập dữ liệu có sẵn trong AWS Data Exchange. Đối với bài viết này, chúng tôi đã trích xuất và chuẩn bị một tập hợp con dữ liệu để sử dụng với thông tin sau từ tập dữ liệu IMDb Essential Metadata for Movies/TV/OTT (Bulk data).
Với dữ liệu này, hãy tạo một tập dữ liệuItemsbằng cách sử dụng schema sau:
items_schema = {
"type": "record",
"name": "Items",
"namespace": "com.amazonaws.personalize.schema",
"fields": [
{
"name": "ITEM_ID",
"type": "string"
},
{
"name": "TITLE",
"type": "string"
},
{
"name": "YEAR",
"type": "int"
},
{
"name": "IMDB_RATING",
"type": "int"
},
{
"name": "IMDB_NUMBEROFVOTES",
"type": "int"
},
{
"name": "PLOT",
"type": "string",
"textual": True
},
{
"name": "US_MATURITY_RATING_STRING",
"type": "string"
},
{
"name": "US_MATURITY_RATING",
"type": "int"
},
{
"name": "GENRES",
"type": "string",
"categorical": True
},
{
"name": "CREATION_TIMESTAMP",
"type": "long"
},
{
"name": "PROMOTION",
"type": "string"
}
],
"version": "1.0
}
- Nhập dữ liệu item vào Amazon Personalize từ Amazon S3. Đối với ví dụ này, chúng tôi chuyển đổi dữ liệu sang định dạng thích hợp theo các bước trong notebook 01_Introduction_and_Data_Preparation. Để biết thêm thông tin về định dạng và nhập dữ liệu tương tác và item của bạn từ Amazon S3, hãy xem Nhập các bản ghi hàng loạt.
- Tạo một recommender. Trong ví dụ này, chúng tôi tạo một recommender “Top picks for you”.
Nhận các đề xuất cá nhân hóa bằng Amazon Personalize
Giờ đây, khi chúng ta đã huấn luyện recommender “Top picks for you”, chúng ta có thể tạo các đề xuất cho người dùng của mình. Để biết thêm chi tiết và các cách sử dụng Amazon Personalize để nhận đề xuất, hãy xem Nhận đề xuất từ Amazon Personalize.
Chúng tôi bao gồm siêu dữ liệu item trong phản hồi để chúng tôi có thể sử dụng thông tin này trong giao tiếp hướng ngoại của mình ở bước tiếp theo.
Bạn có thể sử dụng code sau để nhận các bộ phim được đề xuất cho mỗi người dùng:
get_recommendations_response = personalize_runtime.get_recommendations(
recommenderArn = workshop_recommender_top_picks_arn,
userId = str(user_id),
numResults = number_of_movies_to_recommend,
metadataColumns = {
"ITEMS": [
'TITLE', 'PLOT', 'GENRES']
}
)
Trong tập dữ liệu item, chúng ta có thể chỉ định các cột siêu dữ liệu mà chúng ta muốn recommender trả về. Trong trường hợp này, chúng tôi yêu cầu Title, Plot và Genres của bộ phim được đề xuất. Bạn chỉ có thể yêu cầu các cột siêu dữ liệu nếu tính năng này đã được bật khi recommender được tạo.
Đối với một user_Id ví dụ, các bộ phim sau được đề xuất:
Title: There's Something About Mary
Genres: Comedy and Romance
Plot: A man gets a chance to meet up with his dream girl from high school, even though his date with her back then was a complete disaster.
Title: Shakespeare in Love
Genres: Comedy and Drama and History and Romance
Plot: The world's greatest ever playwright, William Shakespeare, is young, out of ideas and short of cash, but meets his ideal woman and is inspired to write one of his most famous plays.
Title: The Birdcage
Genres: Comedy
Plot: A gay cabaret owner and his drag queen companion agree to put up a false straight front so that their son can introduce them to his fiancée's right-wing moralistic parents.
Nhận thể loại phim yêu thích của người dùng
Để cung cấp trải nghiệm giao tiếp hướng ngoại được cá nhân hóa tốt hơn, chúng tôi xác định thể loại phim yêu thích của người dùng dựa trên thể loại của tất cả các bộ phim mà họ đã tương tác trong quá khứ. Có nhiều cách để thực hiện điều này, chẳng hạn như đếm số lần tương tác trên mỗi thể loại cho người dùng của chúng ta. Trong ví dụ này, thể loại yêu thích của người dùng mẫu là Comedy.
Tạo email marketing cá nhân hóa với các bộ phim được đề xuất
Để tạo email marketing cá nhân hóa, chúng tôi sử dụng Amazon Bedrock. Người dùng Amazon Bedrock phải yêu cầu quyền truy cập vào các mô hình trước khi chúng có sẵn để sử dụng. Amazon Bedrock là một dịch vụ được quản lý toàn phần, giúp các mô hình cơ sở (base models) từ Amazon và các nhà cung cấp mô hình bên thứ ba có thể truy cập được thông qua một API.
Để yêu cầu quyền truy cập, hãy chọn Model access trong ngăn điều hướng trên console Amazon Bedrock. Để biết thêm thông tin, hãy xem Tru cập các foundation model của Amazon Bedrock.
Trong ví dụ này, chúng tôi sử dụng Claude 3.7 của Anthropic trên Amazon Bedrock và đã xác định các tham số cấu hình sau:
# The LLM we will be using
model_id = 'us.anthropic.claude-3-7-sonnet-20250219-v1:0'
# The maximum number of tokens to use in the generated response
max_tokens_to_sample = 1000
Hãy tạo một email tiếp cận đơn giản bằng cách sử dụng các bộ phim được đề xuất và mẫu prompt sau:
prompt_template = f'''Write a marketing email advertising several movies available in a video-on-demand streaming platform next week, given the movie and user information below. The movies to recommend and their information is contained in the <movie> tag. Put the email between <email> tags.
<movie>
{movie_list}
</movie>
Assistant: Email body:
<email>
'''
Sử dụng các bộ phim được đề xuất, prompt đầy đủ như sau:
"Write a marketing email advertising several movies available in a video-on-demand streaming platform next week, given the movie and user information below. The movies to recommend and their information is contained in the <movie> tag. Put the email between <email> tags.
\n
\n
<movie>
\n
[
{
'title': \"There's Something About Mary\",
'genres': 'Comedy and Romance',
'plot': 'A man gets a chance to meet up with his dream girl from high school, even though his date with her back then was a complete disaster.'
},
{
'title': 'Shakespeare in Love',
'genres': 'Comedy and Drama and History and Romance',
'plot': \"The world's greatest ever playwright, William Shakespeare, is young, out of ideas and short of cash, but meets his ideal woman and is inspired to write one of his most famous plays.\"
},
{
'title': 'The Birdcage',
'genres': 'Comedy',
'plot': \"A gay cabaret owner and his drag queen companion agree to put up a false straight front so that their son can introduce them to his fianc\u00e9e's right-wing moralistic parents.\"
}
]
\n
</movie>
\n
\n
Assistant: Email body:
\n
<email>.
"
Sau đó, chúng tôi sử dụng lệnh gọi API Amazon Bedrock để tạo email cá nhân hóa. Để biết thêm thông tin, hãy xem Tài liệu tham khảo API Amazon Bedrock.
request_body = json.dumps({
"max_tokens": max_tokens_to_sample,
"messages": [{"role": "user", "content": prompt}],
"anthropic_version": "bedrock-2023-05-31"
})
personalized_email_response = bedrock_client.invoke_model(
body = request_body,
modelId = identifier_of_the_model
)
Amazon Bedrock trả về một email cá nhân hóa cho người dùng:
Subject: Kỳ Nghỉ Cuối Tuần Xem Phim Của Bạn Đang Chờ Đợi! Ba Bộ Phim Hài Cười Ra Nước Mắt Sẽ Ra Mắt Tuần Tới
Xin chào,
Cần một chút nghỉ ngơi khỏi thực tại? Chúng tôi đã chuẩn bị sẵn cho bạn ba bộ phim hài tuyệt vời sẽ ra mắt trên nền tảng streaming của chúng tôi vào tuần tới!
Tiêu Điểm Tuần Này: Những Viên Ngọc Hài Hước Sẽ Làm Ngày Của Bạn Tươi Sáng
There’s Something About Mary
Bộ phim hài lãng mạn vui nhộn này kể về một người đàn ông cuối cùng cũng có cơ hội gặp lại cô gái trong mộng thời trung học của mình—mặc dù buổi hẹn hò đầu tiên của họ khi đó là một thảm họa hoàn toàn. Với những tràng cười không thể quên và những khoảnh khắc ấm lòng, đây là bộ phim hoàn hảo để xem vào cuối tuần!Shakespeare in Love
Khi nhà viết kịch vĩ đại nhất mọi thời đại, William Shakespeare, đối mặt với tình trạng bí ý tưởng và thiếu tiền, một mối tình lãng mạn bất ngờ đã thay đổi mọi thứ! Bộ phim hài kịch-chính kịch từng đoạt giải thưởng này pha trộn lịch sử, lãng mạn và sự hài hước dí dỏm khi Shakespeare tìm thấy nàng thơ của mình và sáng tác một trong những vở kịch nổi tiếng nhất của ông. Một sự giải trí thú vị cho những người yêu văn học và lãng mạn!The Birdcage
Hãy sẵn sàng cho những tràng cười không ngừng trong bộ phim hài kinh điển này! Khi một chủ quán cabaret đồng tính và người bạn đời drag queen của mình đồng ý giả vờ là người dị tính để gây ấn tượng với bố mẹ vợ tương lai (những người tình cờ là những người bảo thủ cực đoan), sự hỗn loạn và vui nhộn xảy ra. Sự kết hợp hoàn hảo giữa hài hước và cảm xúc vẫn còn gây tiếng vang cho đến ngày nay.Vì vậy, hãy lấy bắp rang bơ, thoải mái trên ghế sofa và thưởng thức những bộ phim hài kinh điển này bắt đầu từ tuần tới!
Chúc bạn xem phim vui vẻ!
Đội ngũ Movies-On-Demand
T.S. Đừng quên kiểm tra danh mục đầy đủ của chúng tôi để tìm thêm nhiều bộ phim tuyệt vời thuộc mọi thể loại!
Mặc dù đây đã là một email tiếp cận tốt vì các đề xuất được cá nhân hóa cho người dùng, chúng ta có thể cá nhân hóa nó hơn nữa bằng cách thêm thông tin chi tiết hơn về người dùng.
Tạo giao tiếp cá nhân hóa với các bộ phim được đề xuất, thông tin nhân khẩu học và thể loại yêu thích của người dùng
Chúng tôi sẽ tạo email bằng cách giả định hai thông tin nhân khẩu học khác nhau cho người dùng cũng như thể loại yêu thích của họ.
Phiên bản tập dữ liệu ml-latest-small từ tập dữ liệu MovieLens mà chúng tôi sử dụng trong ví dụ này không chứa dữ liệu nhân khẩu học; do đó, chúng tôi sẽ thử nhiều tùy chọn. Trong một kịch bản thực tế, bạn có thể biết thông tin nhân khẩu học của đối tượng của mình.
Để thử nghiệm, hãy sử dụng thông tin nhân khẩu học ví dụ sau:
# Sample user demographics
user_demographic_1 = f'The user is a 50 year old adult called Otto.'
Chúng tôi cũng thêm thể loại yêu thích của người dùng vào prompt như sau:
prompt_template = f'''You are a skilled publicist. Write a high-converting marketing email advertising several movies available in a video-on-demand streaming platform next week,
given the movie and user information below. Do not add additional information. Your email will leverage the power of storytelling and persuasive language.
You want the email to impress the user, so make it appealing to them based on the information contained in the <user> tags,
and take into account the user's favorite genre in the <genre> tags.
The movies to recommend and their information is contained in the <movie> tag.
All movies in the <movie> tag must be recommended. Give a summary of the movies and why the human should watch them.
Put the email between <email> tags.
<user>
{user_demographic}
</user>
<genre>
{favorite_genre}
</genre>
<movie>
{movie_list}
</movie>
Assistant:
<email>
'''
Sau khi thêm thông tin, prompt mới như sau:
"You are a skilled publicist. Write a high-converting marketing email advertising several movies available in a video-on-demand streaming platform next week, given the movie and user information below. Do not add additional information. Your email will leverage the power of storytelling and persuasive language. You want the email to impress the user, so make it appealing to them based on the information contained in the <user> tags, and take into account the user's favorite genre in the <genre> tags. The movies to recommend and their information is contained in the <movie> tag. All movies in the <movie> tag must be recommended. Give a summary of the movies and why the human should watch them. Put the email between <email> tags.
\n
\n
<user>
\n
The user is a 50 year old adult called Otto.
\n
</user>
\n
\n
<genre>
\n
Comedy
\n
</genre>
\n
\n
<movie>
\n
[
{
'title': \"There's Something About Mary\",
'genres': 'Comedy and Romance',
'plot': 'A man gets a chance to meet up with his dream girl from high school, even though his date with her back then was a complete disaster.'
},
{
'title': 'Shakespeare in Love',
'genres': 'Comedy and Drama and History and Romance',
'plot': \"The world's greatest ever playwright, William Shakespeare, is young, out of ideas and short of cash, but meets his ideal woman and is inspired to write one of his most famous plays.\"
},
{
'title': 'The Birdcage',
'genres': 'Comedy',
'plot': \"A gay cabaret owner and his drag queen companion agree to put up a false straight front so that their son can introduce them to his fianc\u00e9e's right-wing moralistic parents.\"
}
]
\n
</movie>
\n
\n
Assistant:
\n
<email>
\n "
Amazon Bedrock trả về một email cá nhân hóa cho người dùng:
Subject: Otto, Hãy Sẵn Sàng Cho Một Đại Tiệc Hài Kịch Trên Màn Ảnh Của Bạn Vào Tuần Tới!
Otto thân mến,
Chúng tôi rất vui mừng mang đến cho bạn một danh sách độc quyền các bộ phim hài kinh điển sẽ ra mắt trên nền tảng streaming của chúng tôi vào tuần tới! Là một người yêu thích tiếng cười sảng khoái, bạn sẽ được chiêu đãi với những bộ phim hài từng đoạt giải thưởng này, chắc chắn sẽ làm tươi sáng buổi tối của bạn.
“There’s Something About Mary”
<br/> Bộ phim hài lãng mạn vui nhộn này kể về những cuộc phiêu lưu bất ngờ của một người đàn ông cuối cùng cũng có cơ hội thứ hai với cô gái trong mộng thời trung học của mình. Sau buổi hẹn hò đầu tiên không khác gì thảm họa, anh quyết tâm sửa chữa mọi thứ nhiều năm sau đó. Với sự pha trộn hoàn hảo giữa sự hài hước thái quá và những khoảnh khắc ấm lòng, bộ phim hài kinh điển này mang lại những tràng cười đã vượt qua thử thách của thời gian.“Shakespeare in Love”
<br/> Trải nghiệm câu chuyện dí dỏm và quyến rũ về một William Shakespeare trẻ tuổi, túng quẫn, người tìm thấy nàng thơ của mình ở nơi bất ngờ nhất. Bộ phim hài kịch-chính kịch xuất sắc này đưa ra một câu chuyện hư cấu về cách nhà viết kịch vĩ đại nhất tìm thấy cảm hứng thông qua tình yêu. Với lời thoại thông minh, bối cảnh lịch sử và cốt truyện lãng mạn, bộ phim từng đoạt giải Oscar này kết hợp niềm yêu thích hài kịch của bạn với cách kể chuyện phong phú sẽ khiến bạn bị cuốn hút từ đầu đến cuối.“The Birdcage”
<br/> Hãy chuẩn bị cho những tràng cười không ngừng nghỉ trong kiệt tác hài kịch kinh điển này! Khi một chủ quán cabaret đồng tính và người bạn đời hào nhoáng của mình phải giả vờ là người dị tính để gây ấn tượng với bố mẹ vợ tương lai (những người tình cờ là những người cực kỳ bảo thủ), sự hỗn loạn xảy ra. Những màn trình diễn xuất sắc và các tình huống vui nhộn khiến đây trở thành một trong những bộ phim hài được yêu thích nhất trong thời đại của nó. Đây là bộ phim hoàn hảo khi bạn cần những tràng cười sảng khoái và sự hài hước đúng lúc.Otto, những bộ phim hài này nằm trong số những bộ phim hay nhất thuộc thể loại của chúng và sẽ có sẵn để bạn thưởng thức bắt đầu từ tuần tới. Cho dù bạn đang có tâm trạng muốn xem hài kịch tình huống, sự dí dỏm thông minh hay hài kịch hình thể, bộ sưu tập này đều có thứ gì đó hoàn hảo cho buổi giải trí buổi tối của bạn.
Hãy lấy món ăn nhẹ yêu thích của bạn, thoải mái trên ghế sofa và chuẩn bị cho một cuộc marathon hài kịch khó quên!
Chúc bạn xem phim vui vẻ!
Đội ngũ VOD
Email hiện chứa thông tin về thể loại yêu thích của người dùng và được cá nhân hóa cho người dùng bằng cách sử dụng tên của họ và đề xuất các bộ phim mà người dùng có nhiều khả năng quan tâm nhất.
Dọn dẹp
Đảm bảo bạn dọn dẹp mọi tài nguyên không sử dụng mà bạn đã tạo trong tài khoản của mình khi làm theo các bước được nêu trong bài viết này. Bạn có thể xóa filters, recommenders, datasets và dataset groups bằng cách sử dụng AWS Management Console hoặc Python SDK.
Kết luận
AI truyền thống và Generative AI cho phép bạn xây dựng trải nghiệm siêu cá nhân hóa cho người dùng của mình. Trong bài viết này, chúng tôi đã trình bày cách tạo giao tiếp hướng ngoại được cá nhân hóa bằng cách nhận các đề xuất cá nhân hóa cho từng người dùng bằng Amazon Personalize và sau đó sử dụng sở thích và thông tin nhân khẩu học của người dùng để viết một email giao tiếp cá nhân hóa bằng Amazon Bedrock. Bằng cách sử dụng các dịch vụ được quản lý của AWS, chẳng hạn như Amazon Personalize và Amazon Bedrock, bạn có thể tạo nội dung này chỉ với một vài lệnh gọi API—không cần kinh nghiệm về ML.
Để biết thêm thông tin về Amazon Personalize, hãy xem Hướng dẫn dành cho nhà phát triển Amazon Personalize. Để biết thêm thông tin về làm việc với Generative AI trên AWS, hãy xem Thông báo các công cụ mới để xây dựng với Generative AI trên AWS.
Về tác giả
Anna Grüebler Clark là Kiến trúc sư Giải pháp Chuyên gia (Specialist Solutions Architect) tại AWS, tập trung vào Artificial Intelligence. Cô có hơn 16 năm kinh nghiệm giúp khách hàng phát triển và triển khai các ứng dụng machine learning. Niềm đam mê của cô là đưa các công nghệ mới vào tay mọi người và giải quyết các vấn đề khó khăn bằng cách tận dụng lợi thế của việc sử dụng AI truyền thống và Generative AI trên đám mây.
AWS Study Group 