Öffnet die Suche ist eine skalierbare, flexible und erweiterbare Open-Source-Software-Suite für Such-, Analyse-, Sicherheitsüberwachungs- und Observability-Anwendungen, lizenziert unter der Apache 2.0-Lizenz. Amazon OpenSearch-Dienst ist ein vollständig verwalteter Dienst, der die Bereitstellung, Skalierung und den Betrieb von OpenSearch in der AWS Cloud vereinfacht.

OpenSearch verwendet ein probabilistisches Ranking-Framework namens BM-25, um Relevanzwerte zu berechnen. Wenn ein bestimmtes Schlüsselwort in einem Dokument häufiger vorkommt, weist BM-25 diesem Dokument einen höheren Relevanzwert zu. Dieses Framework berücksichtigt jedoch nicht das Benutzerverhalten wie Klick- oder Kaufdaten, was die Relevanz für einzelne Benutzer weiter verbessern kann.

Die Verbesserung der Suchfunktionalität ist ein wesentlicher Aspekt der Verbesserung des gesamten Benutzererlebnisses und des Engagements auf einer Website oder Anwendung. Der Suchverkehr gilt als hochintelligent, da Benutzer aktiv nach einem bestimmten Artikel suchen, und es wurde festgestellt, dass sie im Durchschnitt bis zu doppelt so viele Conversions erzielen wie Besucher, die nicht über die Website-Suche verfügen. Durch die Verwendung von Benutzerinteraktionsdaten wie Klicks, „Gefällt mir“-Angaben und Käufen können Unternehmen die Suchrelevanz verbessern, um aus diesem Datenverkehr Kapital zu schlagen und die Zahl der Benutzer, die ihre Sitzungen aufgrund von Schwierigkeiten beim Auffinden der gewünschten Artikel abbrechen, zu reduzieren. Durch die Verbesserung der Qualität der Suchergebnisse können Unternehmen ihre Kundenbindung, -zufriedenheit und -treue erheblich verbessern sowie ihre Konversionsraten steigern, was letztendlich zu mehr Rentabilität und Erfolg führt.

Amazon personalisieren ermöglicht es Ihnen, Ihren Anwendungen anspruchsvolle Personalisierungsfunktionen hinzuzufügen, indem Sie dieselbe Technologie des maschinellen Lernens (ML) verwenden, die auch bei verwendet wird Amazon.com seit über 20 Jahren. Es sind keine ML-Kenntnisse erforderlich.

Amazon Personalize unterstützt die automatische Anpassung von Empfehlungen basierend auf Kontextinformationen über Ihren Benutzer, wie z. B. Gerätetyp, Standort, Tageszeit oder anderen von Ihnen bereitgestellten Informationen. Sie versorgen Amazon Personalize mit historischen Daten über Ihre Benutzer und deren Interaktionen innerhalb Ihrer Anwendung, wie z. B. Kaufhistorie, Bewertungen und „Gefällt mir“-Angaben. Sie können Daten in großen Mengen zu Amazon Personalize hinzufügen, indem Sie große historische Datensätze auf einmal aus einem importieren Amazon Simple Storage-Service (Amazon S3) CSV-Datei, die ein von Amazon Personalize benötigtes Format verwendet. Sie können Daten auch schrittweise hinzufügen, indem Sie Datensätze mithilfe der Amazon Personalize-Konsole oder -API importieren. Nachdem Ihre historischen Daten importiert wurden, können Sie weiterhin neue Daten in Echtzeit bereitstellen, indem Sie Benutzerinteraktionsereignisse senden. Basierend auf dem Anwendungsfall, den Sie ansprechen möchten, beispielsweise Produktempfehlungen, wählen Sie ein vorgefertigtes Rezept aus, das für dieses Ziel optimiert ist. Amazon Personalize analysiert Ihre Daten und trainiert ein benutzerdefiniertes ML-Modell basierend auf den Parametern im Rezept, um personalisierte Empfehlungen zu generieren, die für Ihre Benutzer und Anwendung optimiert sind. Nachdem das Modell trainiert wurde, können Sie in Echtzeit personalisierte Empfehlungen für Ihre Benutzer generieren.

Mit dem neu eingeführten Amazon personalisiertes Such-Plugin für Amazon OpenSearch Servicekönnen Sie Benutzerinteraktionshistorien und -interessen verwenden, um deren Suchergebnisse zu verbessern. Durch die Verwendung eines Amazon Personalize-Rezept sowie Personalisiertes Rankingkönnen Sie dazu beitragen, die Suchergebnisse für relevante Elemente basierend auf den Benutzerinteressen zu verbessern, wenn Suchergebnisse vom OpenSearch Service abgerufen werden.

In diesem Beitrag wird erläutert, wie Sie das Amazon Personalize Search Ranking-Plugin in OpenSearch Service integrieren, um personalisierte Sucherlebnisse zu ermöglichen. Um in diesem Beitrag Amazon Personalize-Artefakte zu erstellen, verwenden wir einen Datensatz von IMDb, der weltweit zuverlässigsten Quelle für Film-, Fernseh- und Promi-Inhalte. verfügbar auf AWS Marketplace, sowie MovieLens-Datensatz erstellt von GroupLens-Forschung an der University of Minnesota, bestehend aus Nutzerrankings für verschiedene Filme.

Lösungsüberblick

Das folgende Diagramm zeigt die Lösungsarchitektur.

Der Workflow umfasst die folgenden Schritte:

1. Ein Benutzer stellt über seine Website oder sein Portal eine Suchanfrage. Diese Suchanfrage wird an den OpenSearch-Dienst gesendet.
2. Die Top-N-Suchergebnisse werden vom OpenSearch-Service-Index zurückgegeben und an das Plugin gesendet, um die Eingabe vorzuverarbeiten und für eine vorzubereiten Amazon Personalize-Kampagne.
3. Die Anfrage wird an Amazon Personalize gesendet, um die neu eingestuften Suchergebnisse zu erhalten.
4. Amazon Personalize gibt das personalisierte Ranking der Suchergebnisse mit der entsprechenden Bewertung für jedes Ergebnis zurück.
5. Die neu eingestuften Treffer werden vom Plugin an OpenSearch Service zurückgegeben, wobei eine Gewichtung zwischen dem Relevanz-Score von OpenSearch Service und dem personalisierten Ranking-Score von Amazon Personalize angewendet wird. Sie geben einen Gewichtungsparameter (zwischen 0.0 und 1.0) an, der das Gleichgewicht zwischen OpenSearch Service und Amazon Personalize beim Neuranking der Ergebnisse steuert. Eine höhere Gewichtung bedeutet mehr Einfluss der Amazon Personalize-Ranking-Scores im Vergleich zu den OpenSearch Service-Scores. Auf diese Weise können Sie anpassen, wie stark sich die personalisierten Empfehlungen auf das endgültige Ranking der Suchergebnisse auswirken, das dem Benutzer zurückgegeben wird.
6. Der Benutzer erhält personalisierte Suchergebnisse basierend auf seinen Vorlieben und Interaktionen.

Voraussetzungen:

Folgende Voraussetzungen sollten Sie mitbringen:

• An AWS-Konto.
• An AWS Identity and Access Management and (IAM)-Rolle mit entsprechenden Zugriffsberechtigungen. Wir bieten an AWS CloudFormation Vorlagen und Jupyter-Notebooks, die beim Einrichten der erforderlichen IAM-Rolle und des erforderlichen Zugriffs helfen.
• Um die Personalisierung im OpenSearch Service zu aktivieren, müssen Sie die erforderlichen Amazon Personalize-Ressourcen einrichten, einschließlich einer Datensatzgruppe, einer Lösungsversion und einer Kampagne. Wir haben eine bereitgestellt Jupyter Notizbuch Dadurch werden alle Amazon Personalize-Ressourcen erstellt und die vollständig verwalteten Funktionen der Jupyter-Notebook-Instanz genutzt Amazon Sage Maker.

Bereitstellen des CloudFormation-Stack

Der CloudFormation-Stack automatisiert die Bereitstellung der OpenSearch Service-Domäne und der SageMaker Notebook-Instanz. Führen Sie die folgenden Schritte aus, um den Stack bereitzustellen:

1. Melden Sie sich bei der an AWS-Managementkonsole Geben Sie Ihre Anmeldeinformationen in dem Konto ein, in dem Sie den CloudFormation-Stack bereitstellen möchten.
2. Starten Sie den CloudFormation-Stack direkt.
3. Auf dem Geben Sie Details an Geben Sie auf der Seite alle für die Vorlage erforderlichen Parameter an, z. B. die Instanzgrößen von OpenSearch Service und SageMaker.
4. Auf dem Konfigurieren Sie die Stapeloptionen Geben Sie auf der Seite einen Stack-Namen und alle anderen Optionen an, die Sie festlegen möchten.
5. Schließen Sie die Erstellung des Stacks ab und überwachen Sie den Status auf der Stack-Detailseite.
6. Nachdem der Stapel erstellt wurde, öffnen Sie die SageMaker-Notebook-Instanz über die Konsole.

Die Notebook-Instanz ist bereits mit den erforderlichen Notebooks vorinstalliert.

Richten Sie den Amazon Personalize-Workflow ein und schließen Sie ihn ab

Öffnen Sie den Microsoft Store auf Ihrem Windows-PC. 1.Configure_Amazon_Personalize.ipynb Notebook zum Einrichten der Amazon Personalize-Artefakte. Dieses Notizbuch führt Sie durch die folgenden Schritte:

1. Laden Sie den Datensatz herunter und verarbeiten Sie die Daten vor, um die erforderlichen Eingabedateien zum Erstellen der Datensätze zu erstellen.
2. Erstellen Sie eine Datensatzgruppe.
3. Erstellen Sie Datensätze und Schemata.
4. Daten vorbereiten und importieren.
5. Erstellen Sie eine Lösung und eine Lösungsversion.
6. Erstellen Sie eine Kampagne für die Lösungsversion.

Installieren Sie das Amazon Personalize Search Ranking-Plugin mit einem Jupyter-Notebook

Öffnen Sie den Microsoft Store auf Ihrem Windows-PC. 2.Configure_Amazon_OpenSearch.ipynb Nehmen Sie Ihr Notizbuch und gehen Sie die Anweisungen durch. Dieses Notizbuch führt Sie durch die folgenden Schritte:

1. Nehmen Sie Beispielindexdaten in die OpenSearch Service-Instanz auf. Das Auffüllen des Index mit repräsentativen Daten erleichtert das gründliche Testen und Validieren des Plugins.
2. Installieren Sie das Plugin-Paket in der OpenSearch Service-Domäne. Dadurch werden die Personalisierungsfunktionen in die OpenSearch-Umgebung integriert.
3. Richten Sie Suchpipelines ein, um die Funktionalität des Plugins zu aktivieren. Suchpipelines enthalten Anforderungs-Präprozessoren und Antwort-Postprozessoren, die Abfragen und Ergebnisse umwandeln. Geben Sie beim Erstellen einer Pipeline den zuvor in a erstellten Amazon Personalize-Kampagnen-ARN an personalized_search_ranking Postprozessor, um eine personalisierte Neubewertung zu ermöglichen. Dadurch wird das Plugin so konfiguriert, dass Personalisierungsergebnisse in Echtzeit von Amazon Personalize zur Anwendung während der Ergebnisverarbeitung abgerufen werden. Durch die Definition von Pipelines kann das Plugin die Suchrelevanz basierend auf Benutzerpräferenzen erhöhen.

Installieren Sie das Amazon Personalize Search Ranking-Plugin über die Konsole

Sie können das Amazon Personalize-Such-Plugin auch über die Konsole einrichten. Sie müssen dies nur tun, wenn Sie das Plugin nicht zuvor mit dem Jupyter-Notebook installiert haben.

Um das Amazon Personalize Search Ranking-Plugin auf OpenSearch Service zu installieren, führen Sie die folgenden Schritte aus:

1. Navigieren Sie in der OpenSearch Service-Konsole zu Ihrer Domain.
2. Auf dem Angebote Tab, wählen Sie Paket verknüpfen um das Amazon Personalize Search Ranking-Plugin mit Ihrer OpenSearch Service-Domäne zu verknüpfen. Die Plugin-Version muss mit der OpenSearch Service-Domänenversion übereinstimmen.

Das Amazon Personalize Search Ranking-Plugin kann auf OpenSearch Service-Versionen 2.9 und höher installiert werden.

3. Suchen Sie das Amazon Personalize Search Ranking-Plugin in der Liste der verfügbaren Plugins.
4. Auswählen Partnerschaftsräte neben dem Plugin, um es zu installieren und mit Ihrer vorhandenen OpenSearch Service-Domäne zu verknüpfen.

Nachdem Sie das Plugin verbunden haben, erscheint es in der Liste der Pakete als Plugin-Typ. Mit der Installation des Plugins ist der Installationsvorgang nun abgeschlossen.

Aktivieren Sie das Amazon Personalize Search Ranking-Plugin

Das Amazon Personalize Search Ranking-Plugin verwendet das search-pipeline Funktion von OpenSearch Service, veröffentlicht ab Version 2.9. Das Plugin hängt von der ab search-pipeline Funktion zum Anwenden des personalisierten Amazon-Rankings auf die vom OpenSearch Service bereitgestellten Suchergebnisse und muss auch als eingerichtet werden search-pipeline Antwortprozessor. Diese Pipeline-Definition enthält die Konfiguration für das Amazon Personalize-Plugin, das die Amazon Personalize-Kampagne zum Abrufen des Amazon Personalize-Rankings, die IAM-Rolle für den Zugriff auf Amazon Personalize-Ressourcen sowie die in der folgenden Tabelle definierten Parameter umfasst.

Der folgende Python-Codeausschnitt erstellt eine Suchpipeline mit a personalized_search_ranking Antwortprozessor auf einer OpenSearch Service-Domäne. Sie führen diesen Schritt einmal als Teil des Notizbuchs aus, das diesem Beitrag beiliegt:

Definieren Sie die Suchpipeline für personalisiertes Ranking

Mit dem folgenden Python-Code können Sie eine Suchpipeline mit a erstellen personalized_search_ranking Antwortprozessor auf einer OpenSearch Service-Domäne. Ersetzen Sie den Domänenendpunkt durch die URL Ihres Domänenendpunkts. Zum Beispiel: https://<domain name>.<AWS region>.es.amazonaws.com.

import requests
from requests_auth_aws_sigv4 import AWSSigV4

domain_endpoint = 'domain endpoint'
pipeline_name = 'pipeline name'
url = f'{domain_endpoint}/_search/pipeline/{pipeline_name}'
auth = AWSSigV4('es')

headers = {'Content-Type': 'application/json'}

body = {
  "description": "A pipeline to apply custom re-ranking from Amazon Personalize",
  "response_processors": [
    {
      "personalized_search_ranking" : {
        "campaign_arn" : "<Replace with Amazon Personalize Campaign ARN>",
        "item_id_field" : "itemId",
        "recipe" : "aws-personalized-ranking",
        "weight" : "0.3",
        "tag" : "personalize-processor",
        "iam_role_arn": "<Replace with Role ARN>",
        "aws_region": "<Replace with AWS region>",
        "ignore_failure": true
    }
  ]
}
try:
    response = requests.put(url, auth=auth, json=body, headers=headers)
    print(response.text)
except Exception as e:
    print(f"Error: {e}")

Wenden Sie eine Suchpipeline auf eine einzelne Abfrage an

Nachdem Sie eine Suchpipeline mit a konfiguriert haben personalized_search_ranking Antwortprozessor können Sie das Amazon Personalize Search Ranking-Plugin auf Ihre OpenSearch-Abfragen anwenden und die neu eingestuften Ergebnisse anzeigen. Aktualisieren Sie den Code, um Ihren Domänenendpunkt, Ihren OpenSearch Service-Index, den Namen Ihrer Pipeline (den Sie oben konfiguriert haben) und Ihre Abfrage (wir verwenden „Tom Cruise“ für die Abfrage) anzugeben. Für user_idGeben Sie die ID des Benutzers an, für den Sie Suchergebnisse erhalten. Dieser Benutzer muss in den Daten enthalten sein, die Sie zum Erstellen Ihrer Amazon Personalize-Lösungsversion verwendet haben.

import requests
from requests_auth_aws_sigv4 import AWSSigV4

domain_endpoint = 'domain endpoint'
index = 'index name'
url = f'{domain_endpoint}/{index}/_search/'

auth = AWSSigV4('es')
headers = {'Content-Type': 'application/json'}
params = {"search_pipeline": "<Replace with pipeline-name>"}
body = {
    "query": {
        "multi_match": {
            "query": "Tom Cruise",
            "fields": ["title", "plot", "genres", "directedBy", "starring"]
        }
    },
    "ext": {
        "personalize_request_parameters": {
            "user_id": "<Replace with USER ID>"
        }
    }
}
try:
    response = requests.post(url, auth=auth, params=params, json=body, headers=headers)
    print(response)
except Exception as e:
    print(f"Error: {e}")

Bewerten Sie die Ergebnisse

Öffnen Sie den Microsoft Store auf Ihrem Windows-PC. 3.Testen.ipynb Notizbuch und gehen Sie die Schritte durch, um die Ergebnisse für Abfragen zu testen und zu vergleichen, bei denen Personalisierung verwendet wird, und bei Abfragen, bei denen dies nicht der Fall ist. Das Amazon Personalize Search Ranking-Plugin ordnet die Suchergebnisse in der OpenSearch Service-Anfrageantwort neu. Es berücksichtigt sowohl das Ranking von Amazon Personalize als auch das Ranking von OpenSearch Service. Dieses Notizbuch führt Sie durch die folgenden Schritte:

1. Definieren Sie die notwendigen Verbindungsparameter, um eine Verbindung mit Ihrer OpenSearch Service-Domäne herzustellen. Dazu gehört die Angabe des Domänenendpunkts, der Authentifizierungsdaten und aller zusätzlichen Konfigurationseinstellungen, die für Ihr spezifisches OpenSearch-Service-Setup erforderlich sind.
2. Erstellen Sie eine Reihe von Beispielabfragen, einschließlich Abfragen mit Personalisierungsparametern und Abfragen ohne Personalisierungsparameter. Diese Abfragen werden verwendet, um die Auswirkung der Personalisierung auf die Suchergebnisse zu bewerten.
3. Führen Sie die Ergebnisse für Abfragen aus, die Personalisierung verwenden, und für Abfragen, bei denen dies nicht der Fall ist, und vergleichen Sie sie.

Für unser Beispiel haben wir eine Abfrage nach „Tom Cruise“ verwendet und für den Personalisierungsparameter haben wir einen Benutzer verwendet, der in jüngster Zeit die Genres Drama und Liebesfilme gesehen hat. Die nachfolgenden Suchergebnisse zeigen, wie das Plugin Empfehlungen basierend auf dem beobachteten Sehverhalten des Benutzers anpasst und priorisiert. Dies ist ein Beispiel für die Fähigkeit des Plugins, ein individuelles, kuratiertes Erlebnis zu bieten, indem individuelle Benutzerpräferenzen und Interaktionsmuster berücksichtigt werden. Die Möglichkeit, Suchergebnisse auf der Grundlage von Rückschlüssen auf die Präferenzen eines Benutzers zu verfeinern und abzustimmen, ermöglicht eine höhere Relevanz und einen höheren Nutzen.

Personalisierte vs. nicht personalisierte Ergebnisse

Betrachten wir die Personalisierung der Ergebnisse für einen Benutzer mit der ID 12. Zuerst überprüfen wir die letzten Interaktionen dieses Benutzers, indem wir den Code im ausführen 3.Testen.ipynb Notizbuch, um ihren Interaktionsverlauf abzurufen. Auf diese Weise können wir sehen, welche Arten von Filmen dieser Benutzer kürzlich rezensiert hat, was uns dabei helfen kann, Empfehlungen für ihn zu personalisieren.

In diesem Beispiel sehen wir, dass der Benutzer Interesse an den Filmgenres Drama, Liebesroman und Thriller bekundet hat. Um personalisierte Empfehlungen bereitzustellen, führen wir zunächst Abfragen mit aktivierten Personalisierungsparametern durch und nutzen dabei die Genrepräferenzen des Benutzers. Zum Vergleich führen wir dann dieselben Abfragen ohne aktivierte Personalisierung durch. Die folgenden Ergebnisse zeigen den Unterschied zwischen den nicht personalisierten und personalisierten Empfehlungsausgaben.

Die ersten beiden Spalten zeigen die Standardergebnisse des OpenSearch Service für die Abfrage „Tom Cruise“ in einem Filmindex und zeigen eine Vielzahl von Tom Cruise-Filmen verschiedener Genres. Die nächsten beiden Spalten zeigen personalisierte OpenSearch-Service-Ergebnisse für die gleiche „Tom Cruise“-Suche, jedoch angepasst an einen Benutzer, der sich für die Genres Drama, Liebesromane und Thriller interessiert. Im Vergleich zu den generischen Ergebnissen werden in den personalisierten Ergebnissen Tom Cruise-Filme in den vom Benutzer bevorzugten Genres Drama, Liebesroman und Thriller hervorgehoben. Das Delta verdeutlicht, wie die personalisierten Ergebnisse im Vergleich zu den nicht personalisierten Ergebnissen neu eingestuft wurden, wobei Filme priorisiert werden, die den Genrepräferenzen des Benutzers entsprechen. Dies zeigt, wie die Personalisierung die Ergebnisse des OpenSearch-Dienstes an den Geschmack und die Interessen einzelner Benutzer anpassen kann.

Dieser Vergleich zeigt, wie Amazon Personalize die Filmergebnisse des OpenSearch Service an die Interessen eines einzelnen Benutzers anpassen kann. Obwohl der Standard-OpenSearch-Dienst darauf abzielt, allgemein relevante Filmergebnisse für Tom Cruise bereitzustellen, passt Amazon Personalize die Ergebnisse so an, dass sie sich auf Tom Cruise-Filme konzentrieren, die diesem Benutzer aufgrund seines individuellen Sehverlaufs und seiner Vorlieben gefallen werden.

Die nebeneinander liegenden Ergebnisse veranschaulichen, wie Amazon Personalize ein gezielteres, benutzerzentriertes Sucherlebnis bietet, indem es die Filmergebnisse individuell personalisiert.

Aufräumen

Führen Sie die folgenden Schritte aus, um Ihre Ressourcen zu bereinigen:

1. Befolgen Sie die Schritte in der 4.Cleanup.ipynb Notebook, um die über das Notebook erstellten Ressourcen zu bereinigen.
2. Löschen Sie in der AWS CloudFormation-Konsole den von Ihnen erstellten Stack.

Zusammenfassung

Das Amazon Personalize Search Ranking-Plugin lässt sich nahtlos in den OpenSearch Service integrieren, um personalisierte Sucherlebnisse zu ermöglichen. Durch die Verwendung von Benutzerverhaltensdaten und den ML-Funktionen von Amazon Personalize kann das Plugin die Ergebnisrankings von OpenSearch Service neu ordnen, um die Relevanz für jeden einzelnen Benutzer zu erhöhen. Dadurch entsteht ein maßgeschneidertes Sucherlebnis, bei dem die relevantesten Inhalte weiter oben in den Ergebnissen angezeigt werden. Das Plugin ist konfigurierbar, um die Personalisierung mit der nativen Bewertung des OpenSearch Service in Einklang zu bringen und so für verschiedene Anwendungsfälle geeignet zu sein. Insgesamt ist das Amazon Personalize Search Ranking-Plugin eine leistungsstarke Möglichkeit, die Suchrelevanz und das Engagement von OpenSearch Service zu verbessern, indem die individuellen Interessen und Vorlieben Ihrer Benutzer berücksichtigt werden. Mit nur wenigen Konfigurationsschritten können Sie damit beginnen, hyperrelevante Ergebnisse bereitzustellen, die bei Ihren Benutzern großen Anklang finden.

Zusätzliche Ressourcen

Über die Autoren

James Jory ist Principal Solutions Architect für angewandte KI bei AWS. Er hat ein besonderes Interesse an Personalisierungs- und Empfehlungssystemen und einen Hintergrund in E-Commerce, Marketingtechnologie und Kundendatenanalyse. In seiner Freizeit liebt er Camping- und Autorennen-Simulationen.

Reagan Rosario ist Lösungsarchitekt bei AWS und auf die Entwicklung skalierbarer, hochverfügbarer und sicherer Cloud-Lösungen für Bildungstechnologieunternehmen spezialisiert. Mit über 10 Jahren Erfahrung in den Bereichen Softwareentwicklung und Architektur nutzt Reagan sein technisches Wissen gerne, um AWS-Kunden bei der Entwicklung robuster Cloud-Lösungen zu unterstützen, die die Breite und Tiefe von AWS nutzen.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://aws.amazon.com/blogs/machine-learning/unlock-personalized-experiences-powered-by-ai-using-amazon-personalize-and-amazon-opensearch-service/