Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Eine Lösung erstellen Sie können eine benutzerdefinierte Lösung mit der Amazon Personalize Personalize-Konsole, AWS Command Line Interface (AWS CLI) oder AWS SDKs erstellen. Im Folgenden finden Sie detaillierte Schritte zum Erstellen einer Lösung mit der Amazon Personalize-Konsole sowie Codebeispiele, die zeigen, wie Sie eine Lösung erstellen, die nur die erforderlichen Felder enthält. **Topics** + [Eine Lösung erstellen (Konsole)](#configure-solution-console) + [Eine Lösung erstellen ()AWS CLI](#configure-solution-cli) + [Eine Lösung erstellen ()AWS SDKs](#configure-solution-sdk) ## Eine Lösung erstellen (Konsole) **Wichtig** Standardmäßig verwenden alle neuen Lösungen automatisches Training. Bei der automatischen Schulung fallen für Sie Schulungskosten an, solange Ihre Lösung aktiv ist. Um unnötige Kosten zu vermeiden, können Sie die [Lösung aktualisieren, wenn Sie fertig sind, sodass das](updating-solution.md) automatische Training deaktiviert wird. Informationen zu den Schulungskosten finden Sie unter [Amazon Personalize Personalize-Preise](https://aws.amazon.com/personalize/pricing/). Um eine Lösung in der Konsole zu erstellen, wählen Sie Ihre Datensatzgruppe aus und geben Sie dann einen Lösungsnamen, ein Rezept und eine optionale Trainingskonfiguration an. **Um eine Lösung zu konfigurieren (Konsole)** 1. Öffnen Sie zu [https://console.aws.amazon.com/personalize/Hause](https://console.aws.amazon.com/personalize/home) die Amazon Personalize Personalize-Konsole und melden Sie sich bei Ihrem Konto an. 1. Wählen Sie auf der Seite **Datensatzgruppen** Ihre Datensatzgruppe aus. 1. Führen Sie auf der **Übersichtsseite** für **Schritt 3** einen der folgenden Schritte aus: + Wenn Sie eine Domain-Dataset-Gruppe erstellt haben, wählen Sie **Benutzerdefinierte Ressourcen verwenden** und anschließend **Lösungen erstellen** aus. + Wenn Sie eine benutzerdefinierte Datensatzgruppe erstellt haben, wählen Sie **Lösungen erstellen** aus. 1. Geben Sie für **Solution name (Name der Lösung)** einen Namen für die Lösung an. 1. Wählen Sie **unter Lösungstyp** den Lösungstyp aus, den Sie erstellen möchten. Der von Ihnen gewählte Typ bestimmt, welche Rezepte verfügbar sind. + Wählen Sie **Artikelempfehlung**, um Artikelempfehlungen für Ihre Benutzer zu erhalten. Zum Beispiel personalisierte Filmempfehlungen. + Wählen Sie **Aktionsempfehlung**, um Handlungsempfehlungen für Ihre Benutzer zu erhalten. Generieren Sie beispielsweise die nächstbeste Aktion für einen Benutzer, z. B. laden Sie Ihre App herunter. + Wählen Sie **Benutzersegmentierung**, um Benutzersegmente (Benutzergruppen) auf der Grundlage Ihrer Artikeldaten zu erhalten. 1. Wählen Sie unter **Rezept** ein Rezept aus (siehe[Ein Rezept wählen](working-with-predefined-recipes.md)). 1. Fügen Sie für **Tags** optional beliebige Tags hinzu. Weitere Informationen zum Taggen von Amazon Personalize Personalize-Ressourcen finden Sie unter. [Taggen von Amazon Personalize Personalize-Ressourcen](tagging-resources.md) 1. Wählen Sie **Weiter** aus. 1. Passen Sie die Lösung auf der Seite zur **Konfiguration der Schulung** an Ihre Geschäftsanforderungen an. + Wählen Sie unter **Automatisches Training** aus, ob die Lösung automatisches Training verwendet. Wenn Sie automatisches Training verwenden, können Sie das ändern`Automatic training frequency`. Die Standardtrainingshäufigkeit ist alle 7 Tage. Wir empfehlen, automatisches Training zu verwenden. Dies erleichtert es Ihnen, die Relevanz der Empfehlungen aufrechtzuerhalten. Ihre Trainingshäufigkeit hängt von Ihren Geschäftsanforderungen, dem von Ihnen verwendeten Rezept und der Häufigkeit ab, mit der Sie Daten importieren. Weitere Informationen finden Sie unter [Automatisches Training konfigurieren](solution-config-auto-training.md). Informationen zur Aufrechterhaltung der Relevanz finden Sie unter[Beibehaltung der Relevanz von Empfehlungen](maintaining-relevance.md). + Konfigurieren Sie in der **Hyperparameter-Konfiguration** alle Hyperparameter-Optionen auf der Grundlage Ihrer Rezeptur und Ihrer Geschäftsanforderungen. Unterschiedliche Rezepte verwenden unterschiedliche Hyperparameter. Die Hyperparameter, die Ihnen zur Verfügung stehen, finden Sie in den einzelnen Rezepten unter. [Ein Rezept wählen](working-with-predefined-recipes.md) + Wenn Ihr Rezept Artikelempfehlungen oder Benutzersegmente generiert, wählen Sie unter **Schulungsspalten** optional die Spalten aus, die Amazon Personalize bei der Erstellung von Lösungsversionen berücksichtigt. Weitere Informationen finden Sie unter [Konfiguration der beim Training verwendeten Spalten](custom-config-columns.md). + Wenn Ihr Datensatz für Artikelinteraktionen in der **Ereigniskonfiguration** die Spalten EVENT\$1TYPE oder beide Spalten EVENT\$1TYPE und EVENT\$1VALUE enthält, verwenden Sie optional die Felder **Ereignistyp** und **Schwellenwert für Ereignis**, um die Artikelinteraktionsdaten auszuwählen, die Amazon Personalize beim Training des Modells verwendet. Weitere Informationen finden Sie unter [Auswahl der für das Training verwendeten Artikelinteraktionsdaten](event-values-types.md). Wenn Sie mehrere Ereignistypen haben und das Rezept User-Personalization-v 2 oder Personalized-Ranking-v 2 verwenden, können Sie auch unterschiedliche Gewichtungen für verschiedene Typen angeben. Sie können beispielsweise eine Lösung so konfigurieren, dass Kaufereignissen mehr Gewicht beigemessen wird als Klickereignissen. Weitere Informationen finden Sie unter [Optimierung einer Lösung mit Event-Konfiguration](optimizing-solution-events-config.md). + Wenn Sie entweder das [Rezept mit personalisiertem Ranking](native-recipe-search.md) Rezept [Rezept für Benutzerpersonalisierung](native-recipe-new-item-USER_PERSONALIZATION.md) oder verwenden, geben Sie optional ein **Ziel** an und wählen Sie eine **Zielsensitivität**, um Ihre Lösung nicht nur für die Relevanz, sondern auch für ein bestimmtes Ziel zu optimieren. Die objektive Sensitivität legt fest, wie Amazon Personalize zwischen empfohlenen Artikeln auf der Grundlage Ihres Ziels und der Relevanz anhand von Interaktionsdaten abwägt. Weitere Informationen finden Sie unter [Optimierung einer Lösung für ein zusätzliches Ziel](optimizing-solution-for-objective.md). 1. Wählen Sie **Weiter** und überprüfen Sie die Lösungsdetails. Sie können die Konfiguration Ihrer Lösung nicht ändern, nachdem Sie sie erstellt haben. 1. Wählen Sie **Create solution (Lösung erstellen)** aus. Nachdem Sie eine Lösung erstellt haben, beginnt Amazon Personalize innerhalb einer Stunde mit der Erstellung Ihrer ersten Lösungsversion. Wenn die Schulung beginnt, können Sie sie im Abschnitt **Lösungsversionen** auf der Detailseite Ihrer Lösung verfolgen. Automatisch erstellte Lösungsversionen haben den **Schulungstyp** AUTOMATISCH. Wenn die Lösungsversion AKTIV ist, können Sie sie verwenden, um Empfehlungen zu erhalten. Wie Sie eine aktive Lösungsversion verwenden, hängt davon ab, wie Sie Empfehlungen erhalten: + Für Empfehlungen in Echtzeit stellen Sie eine ACTIVE-Lösungsversion mit einer Amazon Personalize bereit. Sie verwenden die Kampagne, um Empfehlungen für Ihre Benutzer zu erhalten. Siehe [Bereitstellen einer Amazon Personalize Personalize-Lösungsversion mit einer KampagneEine Kampagne erstellen](campaigns.md). + Für Batch-Empfehlungen geben Sie eine AKTIVE Lösungsversion an, wenn Sie einen Batch-Inferenzjob oder einen Batch-Segment-Job erstellen. Weitere Informationen unter [Empfehlungen für Batch-Artikel abrufen](getting-batch-recommendations.md) oder [Benutzersegmente im Batch-Modus abrufen](getting-user-segments.md). ## Eine Lösung erstellen ()AWS CLI **Wichtig** Standardmäßig verwenden alle neuen Lösungen automatisches Training. Bei der automatischen Schulung fallen für Sie Schulungskosten an, solange Ihre Lösung aktiv ist. Um unnötige Kosten zu vermeiden, können Sie die [Lösung aktualisieren, wenn Sie fertig sind, sodass das](updating-solution.md) automatische Training deaktiviert wird. Informationen zu den Schulungskosten finden Sie unter [Amazon Personalize Personalize-Preise](https://aws.amazon.com/personalize/pricing/). Verwenden Sie den `create-solution` Befehl AWS CLI, um eine Lösung mit dem zu erstellen. Dieser Befehl verwendet die [CreateSolution](API_CreateSolution.md) API-Operation. Der folgende Code zeigt Ihnen, wie Sie eine Lösung erstellen, die automatisches Training verwendet. Es erstellt automatisch alle fünf Tage eine neue Lösungsversion. Um den Code zu verwenden, aktualisieren Sie ihn, um der Lösung einen Namen zu geben, geben Sie den Amazon-Ressourcennamen (ARN) Ihrer Datensatzgruppe an, ändern Sie optional die Trainingshäufigkeit und geben Sie den ARN des zu verwendenden Rezepts an. Weitere Informationen zu Rezepten finden Sie unter [Ein Rezept wählen](working-with-predefined-recipes.md). ``` aws personalize create-solution \ --name solution name \ --dataset-group-arn dataset group ARN \ --recipe-arn recipe ARN \ --perform-auto-training \ --solution-config "{\"autoTrainingConfig\": {\"schedulingExpression\": \"rate(5 days)\"}}" ``` + Wir empfehlen, dass Sie das automatische Training verwenden. Dies erleichtert es Ihnen, die Relevanz von Empfehlungen aufrechtzuerhalten und zu verbessern. Standardmäßig verwenden alle neuen Lösungen automatisches Training. Die Standardtrainingshäufigkeit ist alle 7 Tage. Ihre Trainingshäufigkeit hängt von Ihren Geschäftsanforderungen, dem von Ihnen verwendeten Rezept und der Häufigkeit ab, mit der Sie Daten importieren. Weitere Informationen finden Sie unter [Automatisches Training konfigurieren](solution-config-auto-training.md). + Abhängig von Ihrem Rezept können Sie den Code ändern, um rezeptspezifische Eigenschaften und Hyperparameter zu konfigurieren (siehe[Hyperparameter und HPO](customizing-solution-config-hpo.md)), die für das Training verwendeten Spalten zu konfigurieren (siehe[Konfiguration der beim Training verwendeten Spalten ()AWS CLI](custom-config-columns.md#custom-config-columns-cli)) oder die für das Training verwendeten Artikelinteraktionsdaten zu filtern (siehe[Auswahl der für das Training verwendeten Artikelinteraktionsdaten](event-values-types.md)). + Wenn Sie entweder das [Rezept mit personalisiertem Ranking](native-recipe-search.md) Rezept [Rezept für Benutzerpersonalisierung](native-recipe-new-item-USER_PERSONALIZATION.md) oder verwenden, können Sie Ihre Lösung nicht nur für die Relevanz, sondern auch für ein bestimmtes Ziel optimieren. Weitere Informationen finden Sie unter [Optimierung einer Lösung für ein zusätzliches Ziel](optimizing-solution-for-objective.md). Nachdem Sie die Lösung erstellt haben, notieren Sie den Lösungs-ARN für die future Verwendung. Bei automatischem Training beginnt die Erstellung der Lösungsversion innerhalb einer Stunde, nachdem die Lösung AKTIV ist. Wenn Sie innerhalb einer Stunde manuell eine Lösungsversion erstellen, überspringt die Lösung die erste automatische Schulung. Nach Beginn der Schulung können Sie den Amazon-Ressourcennamen (ARN) der Lösungsversion mit dem [ListSolutionVersions](https://docs.aws.amazon.com/personalize/latest/dg/API_ListSolutionVersions.html)API-Vorgang abrufen. Verwenden Sie den [DescribeSolutionVersion](https://docs.aws.amazon.com/personalize/latest/dg/API_DescribeSolutionVersion.html)API-Vorgang, um den Status zu ermitteln. Wenn die Lösungsversion AKTIV ist, können Sie sie verwenden, um Empfehlungen zu erhalten. Wie Sie eine aktive Lösungsversion verwenden, hängt davon ab, wie Sie Empfehlungen erhalten: + Für Empfehlungen in Echtzeit stellen Sie eine ACTIVE-Lösungsversion mit einer Amazon Personalize bereit. Sie verwenden die Kampagne, um Empfehlungen für Ihre Benutzer zu erhalten. Siehe [Bereitstellen einer Amazon Personalize Personalize-Lösungsversion mit einer KampagneEine Kampagne erstellen](campaigns.md). + Für Batch-Empfehlungen geben Sie eine AKTIVE Lösungsversion an, wenn Sie einen Batch-Inferenzjob oder einen Batch-Segment-Job erstellen. Weitere Informationen unter [Empfehlungen für Batch-Artikel abrufen](getting-batch-recommendations.md) oder [Benutzersegmente im Batch-Modus abrufen](getting-user-segments.md). ## Eine Lösung erstellen ()AWS SDKs **Wichtig** Standardmäßig verwenden alle neuen Lösungen automatisches Training. Bei der automatischen Schulung fallen für Sie Schulungskosten an, solange Ihre Lösung aktiv ist. Um unnötige Kosten zu vermeiden, können Sie die [Lösung aktualisieren, wenn Sie fertig sind, sodass das](updating-solution.md) automatische Training deaktiviert wird. Informationen zu den Schulungskosten finden Sie unter [Amazon Personalize Personalize-Preise](https://aws.amazon.com/personalize/pricing/). Verwenden Sie den [CreateSolution](API_CreateSolution.md) API-Vorgang AWS SDKs, um eine Lösung mit zu erstellen. Der folgende Code zeigt Ihnen, wie Sie eine Lösung erstellen, die automatisches Training verwendet. Es erstellt automatisch alle fünf Tage eine neue Lösungsversion. Um den Code zu verwenden, aktualisieren Sie ihn, um der Lösung einen Namen zu geben, geben Sie den Amazon-Ressourcennamen (ARN) Ihrer Datensatzgruppe an, ändern Sie optional die Trainingshäufigkeit und geben Sie den ARN des Rezepts an, das Sie verwenden möchten. Weitere Informationen zu Rezepten finden Sie unter [Ein Rezept wählen](working-with-predefined-recipes.md). ------ #### [ SDK for Python (Boto3) ] ``` import boto3 personalize = boto3.client('personalize') create_solution_response = personalize.create_solution( name = 'solution name', recipeArn = 'recipe ARN', datasetGroupArn = 'dataset group ARN', performAutoTraining = True, solutionConfig = { "autoTrainingConfig": { "schedulingExpression": "rate(5 days)" } } ) solution_arn = create_solution_response['solutionArn'] print('solution_arn: ', solution_arn) ``` ------ #### [ SDK for JavaScript v3 ] ``` import { CreateSolutionCommand, PersonalizeClient, } from "@aws-sdk/client-personalize"; // create client const personalizeClient = new PersonalizeClient({ region: "REGION" }); // set the solution parameters export const solutionParam = { datasetGroupArn: "DATASET_GROUP_ARN" /* required */, recipeArn: "RECIPE_ARN" /* required */, name: "SOLUTION_NAME" /* required */, performAutoTraining: true /* optional, default is true */, solutionConfig: { autoTrainingConfig: { schedulingExpression: "rate(5 days)" /* optional, default is every 7 days */, }, }, }; export const run = async () => { try { const response = await personalizeClient.send( new CreateSolutionCommand(solutionParam) ); console.log("Success", response); return response; // For unit tests. } catch (err) { console.log("Error", err); } }; run(); ``` ------ + Wir empfehlen, dass Sie das automatische Training verwenden. Dies erleichtert es Ihnen, die Relevanz von Empfehlungen aufrechtzuerhalten und zu verbessern. Standardmäßig verwenden alle neuen Lösungen automatisches Training. Die Standardtrainingshäufigkeit ist alle 7 Tage. Ihre Trainingshäufigkeit hängt von Ihren Geschäftsanforderungen, dem von Ihnen verwendeten Rezept und der Häufigkeit ab, mit der Sie Daten importieren. Weitere Informationen finden Sie unter [Automatisches Training konfigurieren](solution-config-auto-training.md). + Abhängig von Ihrem Rezept können Sie den Code ändern, um rezeptspezifische Eigenschaften und Hyperparameter zu konfigurieren (siehe[Hyperparameter und HPO](customizing-solution-config-hpo.md)), die für das Training verwendeten Spalten zu konfigurieren (siehe[Konfiguration der beim Training verwendeten Spalten (AWS SDKs)](custom-config-columns.md#custom-configure-columns-sdk)) oder die für das Training verwendeten Artikelinteraktionsdaten zu filtern (siehe[Auswahl der für das Training verwendeten Artikelinteraktionsdaten](event-values-types.md)). + Wenn Sie entweder das [Rezept mit personalisiertem Ranking](native-recipe-search.md) Rezept [Rezept für Benutzerpersonalisierung](native-recipe-new-item-USER_PERSONALIZATION.md) oder verwenden, können Sie Ihre Lösung nicht nur für die Relevanz, sondern auch für ein bestimmtes Ziel optimieren. Weitere Informationen finden Sie unter [Optimierung einer Lösung für ein zusätzliches Ziel](optimizing-solution-for-objective.md). Nachdem Sie die Lösung erstellt haben, notieren Sie den Lösungs-ARN für die future Verwendung. Bei automatischem Training beginnt die Erstellung der Lösungsversion innerhalb einer Stunde, nachdem die Lösung AKTIV ist. Wenn Sie innerhalb einer Stunde manuell eine Lösungsversion erstellen, überspringt die Lösung die erste automatische Schulung. Nach Beginn der Schulung können Sie den Amazon-Ressourcennamen (ARN) der Lösungsversion mit dem [ListSolutionVersions](https://docs.aws.amazon.com/personalize/latest/dg/API_ListSolutionVersions.html)API-Vorgang abrufen. Verwenden Sie den [DescribeSolutionVersion](https://docs.aws.amazon.com/personalize/latest/dg/API_DescribeSolutionVersion.html)API-Vorgang, um den Status zu ermitteln. Sie können den folgenden Python-Code verwenden, um auf den Start des automatischen Trainings zu warten. Die `wait_for_training_to_start` Methode gibt den ARN der ersten Lösungsversion zurück. ``` import time import boto3 def wait_for_training_to_start(new_solution_arn): max_time = time.time() + 3 * 60 * 60 # 3 hours while time.time() < max_time: list_solution_versions_response = personalize.list_solution_versions( solutionArn=new_solution_arn ) solution_versions = list_solution_versions_response.get('solutionVersions', []) if solution_versions: new_solution_version_arn = solution_versions[0]['solutionVersionArn'] print(f"Solution version ARN: {new_solution_version_arn}") return new_solution_version_arn else: print(f"Training hasn't started yet. Training will start within the next hour.") time.sleep(60) personalize = boto3.client('personalize') solution_arn = "solution_arn" solution_version_arn = wait_for_training_to_start(solution_arn) ``` Wenn die Lösungsversion AKTIV ist, können Sie sie verwenden, um Empfehlungen zu erhalten. Wie Sie eine aktive Lösungsversion verwenden, hängt davon ab, wie Sie Empfehlungen erhalten: + Für Empfehlungen in Echtzeit stellen Sie eine ACTIVE-Lösungsversion mit einer Amazon Personalize bereit. Sie verwenden die Kampagne, um Empfehlungen für Ihre Benutzer zu erhalten. Siehe [Bereitstellen einer Amazon Personalize Personalize-Lösungsversion mit einer KampagneEine Kampagne erstellen](campaigns.md). + Für Batch-Empfehlungen geben Sie eine AKTIVE Lösungsversion an, wenn Sie einen Batch-Inferenzjob oder einen Batch-Segment-Job erstellen. Weitere Informationen unter [Empfehlungen für Batch-Artikel abrufen](getting-batch-recommendations.md) oder [Benutzersegmente im Batch-Modus abrufen](getting-user-segments.md).