AWS認定資格 WEB問題集＆徹底解説

会員登録/ログイン

1. サービス概要

Amazon Personalizeは、ユーザーの行動履歴、アイテム属性、ユーザー属性、コンテキストを使って、パーソナライズされたレコメンデーションやユーザーセグメントを生成するフルマネージド機械学習サービスです。 eコマースの商品推薦、動画/音楽コンテンツ推薦、次に取るべきアクション、検索結果の再ランキング、マーケティングセグメント作成に利用できます。

試験では、Personalizeは「レコメンデーションに特化したマネージドサービス」、SageMaker AIは「汎用ML開発基盤」、Comprehendは「テキスト分析」と整理します。 リアルタイム推薦、バッチ推薦、ユーザーセグメント、Domain dataset group/Recommender、Custom resourcesの違いを押さえることが重要です。

2. 主な特徴と機能

2.1 データセットとイベント

主要データはInteractions（クリック、購入、視聴など）、Items（商品/コンテンツ属性）、Users（ユーザー属性）です。 Next best actionではActionsとAction interactionsも使います。履歴データはS3からインポートし、リアルタイム行動はEvent tracker/PutEventsで送信します。

2.2 Domain dataset groupとRecommender

Domain dataset groupは、ECOMMERCEやVIDEO_ON_DEMANDなどドメインに最適化された簡易構成です。 Recommenderを作成すると、「おすすめ商品」「よく一緒に購入」「あなたへのおすすめ」などのユースケース別推薦を短期間で導入できます。

2.3 Custom resources

Custom dataset groupではRecipe、Solution、Solution version、Campaignを使い、より細かく推薦アルゴリズムや学習/推論を制御できます。 要件が標準ドメインに収まらない場合や、独自の推薦ロジックをチューニングしたい場合に選択します。

2.4 リアルタイム/バッチ推薦

リアルタイム推薦はGetRecommendationsやGetPersonalizedRankingで、ユーザー行動に応じた低レイテンシ推薦を返します。 バッチ推薦はメールキャンペーンや一括レコメンド生成に向き、S3入出力で大量ユーザー分を処理します。

2.5 Filters、Promotions、User segments

Filtersで在庫切れ、既購入、年齢制限などを除外し、Promotionsで特定カテゴリやアイテムを推薦結果へ一定割合で含められます。 User segmentsは、特定アイテムやメタデータに関心を持ちそうなユーザー群を生成し、マーケティング施策に使います。

2.6 データ準備と統合

SageMaker AI Data Wranglerを使うと、40以上のデータソースからPersonalize用データを準備できます。 Amplify、Segment、Braze、Optimizelyなどと組み合わせ、イベント収集、メール配信、A/Bテスト、効果測定を行えます。

3. アーキテクチャおよび技術要素

1. Interactions、Items、UsersなどのデータをS3に配置し、Dataset groupへインポートする。
2. アプリからEvent trackerへクリック、購入、視聴などのリアルタイムイベントを送信する。
3. Domain dataset groupではRecommender、Custom resourcesではSolution versionとCampaignを作成する。
4. アプリケーションがGetRecommendationsやGetPersonalizedRankingを呼び出し、リアルタイム推薦を表示する。
5. メールやマーケティング用途ではBatch inference jobやBatch segment jobでS3に結果を出力する。
6. CloudWatch、CloudTrail、KMS、IAM、A/Bテスト基盤で運用、監査、効果測定を行う。

本番では、データ更新、再学習、キャンペーン切り替え、フィルタ更新、効果測定を定期パイプラインとして自動化します。

4. セキュリティと認証・認可

• IAM最小権限: Dataset import、Event tracker、GetRecommendations、Campaign/Recommender管理などを用途別に制限する。
• S3/KMS: 学習データ、バッチ入力/出力、ユーザー属性、アイテム属性をS3ブロックパブリックアクセスとKMS暗号化で保護する。
• 転送時暗号化: API通信はTLSで保護し、クライアントからイベントを送る経路もHTTPSにする。
• プライバシー: ユーザー行動データは個人情報に近いため、同意、目的制限、保持期間、匿名化/仮名化を設計する。
• 監査: CloudTrailでPersonalize API操作を記録し、CloudWatchでイベント送信や推薦APIのエラーを監視する。
• フィルタ制御: 年齢制限、地域制限、在庫、コンプライアンス要件はFiltersで推薦結果から除外する。

5. 料金形態

Amazon Personalizeは、データ処理、トレーニング、リアルタイム推論、バッチ推論、データ保存などに基づく従量課金です。

• データ処理/保存: インポートしたデータ、イベント、モデル関連データの処理量や保存量が課金対象になる。
• トレーニング: Solution versionやRecommenderの学習時間/処理量に応じて課金される。
• リアルタイム推薦: RecommenderやCampaignの稼働、推薦リクエスト数、TPS設定に応じて課金される。
• バッチ処理: Batch inference jobやBatch segment jobの処理量、S3入出力が課金対象になる。
• コスト最適化: 不要なCampaign/Recommenderを停止・削除し、再学習頻度、TPS、バッチ頻度、データ保持を調整する。

6. よくあるアーキテクチャ・設計パターン

• eコマース推薦: 商品閲覧/購入イベントを取り込み、ホーム画面や商品詳細で「おすすめ」「一緒に購入」を表示する。
• 動画/音楽推薦: 視聴履歴、ジャンル、評価、再生時間を使って「次に見るべき作品」を推薦する。
• 検索結果再ランキング: OpenSearchなどの検索結果をPersonalizeでユーザーごとに並べ替える。
• メール/プッシュ配信: Batch recommendationsで各ユーザー向け推薦リストを作り、Pinpointや外部MAツールへ渡す。
• ターゲットマーケティング: User segmentsで特定アイテムに興味を持ちそうなユーザーを抽出し、キャンペーンに利用する。
• Next best action: 登録、購読、クーポン利用など、ユーザーが次に取りそうなアクションを推薦する。

7. 設定・デプロイ手順（ハンズオン例）

1. Interactions、Items、Usersデータをスキーマに合わせて整形し、S3にアップロードする。
2. Dataset groupを作成し、データセットとDataset import jobを実行する。
3. 簡易導入ならDomain dataset groupとRecommender、細かい制御ならCustom dataset groupとSolution/Campaignを作成する。
4. Event trackerを作成し、アプリからPutEventsでリアルタイム行動を送信する。
5. GetRecommendationsまたはGetPersonalizedRankingで推薦結果を取得し、Filtersで除外条件を適用する。
6. CloudWatch、CloudTrail、A/Bテスト、ビジネスメトリクスで品質と費用を監視する。

8. 試験で問われやすいポイント