本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

Amazon Personalize 化和生成 AI

Amazon Personalize 化可與生成人工智慧 (生成 AI) 搭配使用。Amazon Personalize 內容產生器在生成 AI 的協助下，可以在相關項目的批次建議中新增引人入勝的主題。內容產生器是由 Amazon Personalize 管理的生成 AI 功能。

您也可以使用 Amazon Personalize 建議，將 Amazon Personalize 與您的生成 AI 工作流程整合，並增強使用者的體驗。例如，您可以在生成 AI 提示中新增建議，以根據每個使用者的興趣建立量身打造的行銷內容。您還可以為推薦內容生成簡明的摘要，或者通過聊天機器人推薦產品或內容。

以下影片說明如何使用 Amazon Personalize 和生成 AI 增強建議。

下列 Amazon Personalize 功能使用生成式 AI，或可協助您建立可建立個人化內容的生成 AI 解決方案。如需示範如何將 Amazon Personalize 與生成 AI 搭配使用的 Jupyter 筆記本的範例筆記本，請參閱 Amazon Personalize 範例儲存庫中的搭配 Amazon Personalize 的生成 AI。

內容生成器主題的建議

Amazon Personalize 內容產生器可以在批次建議中新增描述性主題。內容產生器是由 Amazon Personalize 管理的生成 AI 功能。

當您獲得帶有主題的批量建議時，Amazon Personalize 化內容生成器為每組類似項目添加描述性主題。例如，如果您收到類似的早餐食品項目推薦項目，Amazon Personalize 可能會產生類似「崛起和閃耀」或「早晨必需品」之類的主題。您可以使用的主題來替換一個通用的旋轉木馬標題，像經常一起買。或者，您可能會將佈景主題納入宣傳電子郵件或行銷活動中，以取得新的選單選項。

若要產生主題，您可以將資料匯入項目互動和項目資料集、使用 Similar-Items 方案建立自訂解決方案，並產生批次建議。物品資料必須包含物品說明和標題資料。詳細的項目說明和標題幫助內容生成器創建更準確和引人入勝的主題。

推薦元數據

當您取得建議時，您可以擁有 Amazon Personalize 傳回中繼資料，瞭解您的項目資料集中每個建議項目。您可以將此中繼資料和 Amazon Personalize 建議新增到您的生成 AI 提示中，以產生更具吸引力的內容。

例如，您可以使用生成 AI 來建立行銷電子郵件。您可以使用 Amazon Personalize 建議及其中繼資料 (例如電影類型) 作為生成 AI 的迅速工程的一部分。借助個性化提示，您可以使用生成 AI 創建針對每個客戶興趣量身定制的引人入勝的營銷電子郵件。

若要取得建議中繼資料，您必須先完成 Amazon Personalize 工作流程，以匯入資料並建立網域或自訂資源。當您建立 Amazon Personalize 推薦人或行銷活動時，啟用選項以在建議中包含中繼資料。當您取得建議時，您可以指定要包含的項目資料欄。

預先設定的個人化 LangChain 程式碼

LangChain 是開發由語言模型提供支持的應用程序的框架。它具有專為 Amazon Personalize 化構建的代碼。您可以使用此程式碼將 Amazon Personalize 建議與您的生成 AI 解決方案整合。

例如，您可以使用下列程式碼將使用者的 Amazon Personalize 建議新增至您的鏈結。

from aws_langchain import AmazonPersonalize
from aws_langchain import AmazonPersonalizeChain
from langchain.llms.bedrock import Bedrock

recommender_arn="RECOMMENDER ARN"

bedrock_llm = Bedrock(model_id="anthropic.claude-v2", region_name="us-west-2")
client=AmazonPersonalize(credentials_profile_name="default",region_name="us-west-2",recommender_arn=recommender_arn)
# Create personalize chain
# Use return_direct=True if you do not want summary
chain = AmazonPersonalizeChain.from_llm(
    llm=bedrock_llm, 
    client=client,
    return_direct=False 
)
response = chain({'user_id': '1'})
print(response)