Создание объяснимой системы рекомендаций следующего лучшего продукта для банков на AWS

Данная статья описывает архитектуру системы рекомендаций следующего лучшего продукта (Next-Best-Product, NBP), построенной на базе AWS и PyTorch. В основе лежит многоторовая нейронная сеть с механизмом внимания, который позволяет не только достигать высокой точности предсказаний, но и обеспечивать объяснимость рекомендаций для регуляторов и клиентов. Архитектура включает четыре специализированных нейронных модуля, каждый из которых обрабатывает разные аспекты данных клиента, такие как история покупок, транзакции, демографические показатели и поведенческие сегменты. Важной особенностью является использование механизма внимания, который позволяет адаптивно взвешивать вклад каждого модуля для каждого клиента, что повышает точность и делает рекомендации более прозрачными. В статье также рассматриваются технические детали реализации, такие как использование PyTorch для динамических графов, хранение данных в Parquet на Amazon S3, а также процессы обучения и оценки модели с помощью SageMaker. В результате, система способна предсказывать наиболее вероятные продукты для клиента с учетом временных паттернов и предоставлять объяснения, какие факторы повлияли на рекомендацию. Это важно для банков, так как регуляторы требуют прозрачности и объяснимости моделей. В целом, статья служит руководством по созданию интерпретируемых систем рекомендаций в финансовом секторе, используя современные инструменты AWS и PyTorch.