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 和生成式 AI

Amazon Personalize 非常適合與生成式人工智慧 （生成式 AI) 搭配使用。在生成式 AI 的協助下，Amazon Personalize Content Generator 可以將吸引人的主題新增至相關項目的批次建議。Content Generator 是由 Amazon Personalize 管理的生成式 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，並增強您的使用者體驗。例如，您可以將建議新增至生成式 AI 提示，以建立針對每個使用者興趣量身打造的行銷內容。您也可以產生建議內容的簡潔摘要，或透過聊天機器人推薦產品或內容。

下列影片說明如何使用 Amazon Personalize 和生成式 AI 增強建議。

下列 Amazon Personalize 功能使用生成式 AI，或可協助您建置生成式 AI 解決方案，以建立個人化內容。如需示範如何將 Amazon Personalize 與生成式 AI 搭配使用的範例 Jupyter 筆記本，請參閱《Amazon Personalize 範例儲存庫》中的將生成式 AI 與 Amazon Personalize 搭配使用。

來自 Content Generator 的 佈景主題建議

Amazon Personalize Content Generator 可以將描述性主題新增至批次建議。Content Generator 是由 Amazon Personalize 管理的生成式 AI 功能。

當您取得具有主題的批次建議時，Amazon Personalize Content Generator 會為每個類似的項目集新增描述性主題。例如，如果您取得類似項目的早間食品建議，Amazon Personalize 可能會產生像上升和發光或早間基本概念等主題。您可以使用 主題來取代一般輪跳功能標題，例如經常一起購買。或者，您可以在促銷電子郵件或行銷活動中加入主題，以使用新的選單選項。

若要產生主題，您可以將資料匯入項目互動和項目資料集、使用類似項目配方建立自訂解決方案，以及產生批次建議。您的項目資料必須包含項目描述和標題資訊。詳細的項目描述和標題可協助 Content Generator 建立更準確且吸引人的主題。

建議中繼資料

當您取得建議時，您可以讓 Amazon Personalize 從項目資料集傳回每個建議項目的中繼資料。您可以將此中繼資料以及 Amazon Personalize 建議新增至生成式 AI 提示，以產生更吸引人的內容。

例如，您可以使用生成式 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，作為生成式 AI 的快速工程的一部分。透過個人化提示，您可以使用生成式 AI 來建立針對每位客戶興趣量身打造的吸引人行銷電子郵件。

若要取得建議中繼資料，請先完成 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 推薦者或行銷活動時，請啟用 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。

用於個人化之預先設定的 LangChain 程式碼

LangChain 是開發語言模型支援之應用程式的架構。它具有為 Amazon Personalize 建置的程式碼。您可以使用此程式碼，將 Amazon Personalize 建議與您的生成式 AI 解決方案整合。

例如，您可以使用下列程式碼將 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)