Bài đăng này được đồng viết với Dave Gowel, Giám đốc điều hành của RallyPoint. Nói theo cách của mình, "Điểm tập hợp là một mạng xã hội và nghề nghiệp trực tuyến dành cho các cựu chiến binh, quân nhân, thành viên gia đình, người chăm sóc và những người ủng hộ dân sự khác của lực lượng vũ trang Hoa Kỳ. Với hai triệu thành viên trên nền tảng, công ty cung cấp một nơi thoải mái để những người xứng đáng này kết nối với nhau và các chương trình được thiết kế để hỗ trợ họ".

Tất cả những người phục vụ - và những người hỗ trợ họ - thường phải đối mặt với nhiều thách thức về việc làm khi một quân nhân chuyển trở lại cuộc sống dân sự. RallyPoint đã xác định giai đoạn chuyển tiếp sang sự nghiệp dân sự là cơ hội lớn để cải thiện chất lượng cuộc sống cho nhóm dân số này bằng cách tạo các đề xuất công việc tự động và hấp dẫn. Tuy nhiên, nhóm trước đây đã sử dụng phương pháp tuyển chọn dựa trên quy tắc để đề xuất công việc trong suốt trải nghiệm người dùng của mình, điều này không cho phép các thành viên nhận được đề xuất công việc được cá nhân hóa theo kinh nghiệm, chuyên môn và sở thích cá nhân của họ.

“Để cải thiện trải nghiệm này cho các thành viên của mình, tại RallyPoint, chúng tôi muốn khám phá cách máy học (ML) có thể trợ giúp. Chúng tôi không muốn các quân nhân, cựu chiến binh và người thân của họ lãng phí thời gian để tìm kiếm con đường sự nghiệp dân sự viên mãn khi họ quyết định rời quân ngũ. Nó phải là một quá trình dễ dàng. Chúng tôi muốn các thành viên của mình kể cho chúng tôi về kinh nghiệm quân sự của họ, bất kỳ trường nào họ đã theo học và sở thích cá nhân của họ. Sau đó, bằng cách tận dụng những gì chúng tôi biết từ hàng triệu thành viên quân đội và cựu chiến binh của mình, các công việc mở có liên quan sẽ dễ dàng xuất hiện thay vì tìm kiếm tốn công sức. Dịch vụ miễn phí này dành cho các thành viên của chúng tôi cũng được kỳ vọng sẽ thúc đẩy doanh thu ít nhất bảy con số từ các nhà tuyển dụng đang tìm kiếm tài năng quân sự và cựu chiến binh phù hợp, cho phép chúng tôi xây dựng nhiều khả năng miễn phí hơn cho các thành viên của mình.”

Bài đăng trên blog này tóm tắt cách Phòng thí nghiệm giải pháp máy học của Amazon (MLSL) đã hợp tác với RallyPoint để cải thiện 35% các đề xuất nghề nghiệp được cá nhân hóa và tăng 66 lần mức độ phù hợp, trong số các cải tiến khác dành cho các thành viên RallyPoint từ việc triển khai dựa trên quy tắc hiện tại.

“MLSL đã giúp RallyPoint cứu và cải thiện cuộc sống của cộng đồng quân nhân Hoa Kỳ. May mắn được làm việc trên nhiều dự án phức tạp và có tác động lớn với MLSL để hỗ trợ những nhóm dân số xứng đáng nhất, RallyPoint đã đẩy nhanh tốc độ tăng trưởng trong nhiều chỉ số tổ chức cốt lõi trong quá trình này. Tài năng, văn hóa tầm cỡ của MLSL và sự tập trung vào việc hỗ trợ chúng tôi nhận ra các kết quả có thể đo lường và hấp dẫn từ các khoản đầu tư vào máy học đã giúp chúng tôi giảm nguy cơ tự tử, cải thiện quá trình chuyển đổi nghề nghiệp và tăng tốc các kết nối quan trọng cho các quân nhân, cựu chiến binh và gia đình của họ.”

*Ảnh do nhóm RallyPoint cung cấp.

Các phần sau đây đề cập đến các thách thức về kinh doanh và kỹ thuật, cách tiếp cận của nhóm AWS và RallyPoint cũng như hiệu suất của giải pháp đã triển khai thúc đẩy Cá nhân hóa Amazon.

Amazon Personalize giúp các nhà phát triển dễ dàng xây dựng các ứng dụng có khả năng mang lại nhiều trải nghiệm cá nhân hóa, bao gồm đề xuất sản phẩm cụ thể, xếp hạng lại sản phẩm được cá nhân hóa và tiếp thị trực tiếp tùy chỉnh. Amazon Personalize là một dịch vụ ML được quản lý hoàn toàn vượt xa các hệ thống đề xuất dựa trên quy tắc tĩnh, cứng nhắc bằng cách đào tạo, điều chỉnh và triển khai các mô hình ML tùy chỉnh để cung cấp các đề xuất được tùy chỉnh cao cho khách hàng trong các ngành như bán lẻ, truyền thông và giải trí.

Thách thức kinh doanh và kỹ thuật

Nhiều thách thức kinh doanh đã truyền cảm hứng cho sự hợp tác này. Thích hợp nhất là tỷ lệ nhấp vào 10 công việc được đề xuất hàng đầu trên trang web RallyPoint. RallyPoint đã phân tích mức độ tương tác của người dùng trong nền tảng của họ và phát hiện ra rằng họ cần tăng số lượng công việc phù hợp mà người dùng đang nhấp vào. Ý tưởng là công việc được đề xuất càng phù hợp thì khả năng các thành viên nộp đơn vào những công việc đó càng cao, dẫn đến kết quả việc làm được cải thiện.

Thách thức tiếp theo là tăng cường sự tham gia của các thành viên vào các dịch vụ việc làm được cung cấp trên trang web. RallyPoint mang đến cơ hội cho mọi người “Xây dựng thương hiệu của bạn và thu hút cộng đồng quân sự, quảng cáo sản phẩm và dịch vụ của bạn, chạy các chiến dịch tiếp thị tuyển dụng, đăng việc làm và tìm kiếm tài năng kỳ cựu.” Một lần nữa, họ đã xác định cơ hội áp dụng AWS Personalize để giúp nhiều người hơn chuyển sang cuộc sống dân sự và tìm cách cải thiện số lượt chuyển đổi từ nhấp chuột thành khách hàng, mang lại kết quả tốt hơn cho khách hàng trực tiếp của RallyPoint.

Từ góc độ kỹ thuật, giống như nhiều vấn đề về hệ thống tư vấn truyền thống, dữ liệu thưa thớt và đuôi dài là một thách thức cần vượt qua. Tập hợp mẫu dữ liệu đã được chia sẻ công khai, đã được hủy nhận dạng bao gồm hàng nghìn hồ sơ người dùng được ẩn danh, với hơn XNUMX điểm siêu dữ liệu người dùng, nhưng nhiều điểm có thông tin siêu dữ liệu/hồ sơ không nhất quán hoặc bị thiếu. Để giải quyết vấn đề này, nhóm đã tận dụng chức năng đề xuất khởi động nguội của Amazon Personalize cho những người dùng có liên quan.

Tổng quan về giải pháp

Để giải quyết vấn đề, MLSL đã hợp tác với RallyPoint để xây dựng một quy trình Amazon Personalize tùy chỉnh cho RallyPoint. Một số dịch vụ được sử dụng bao gồm Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3), Phiên bản máy tính xách tay Amazon SageMaker, và Cá nhân hóa Amazon. Sơ đồ sau đây minh họa kiến ​​trúc giải pháp.

Dữ liệu thô ẩn danh được sử dụng cho giải pháp bao gồm lịch sử tương tác với các tin tuyển dụng cùng với siêu dữ liệu về hồ sơ người dùng và vị trí công việc. Điều này đã được lưu trữ trong S3. Nhóm MLSL đã sử dụng Phiên bản Amazon SageMaker Notebook để chuẩn bị dữ liệu làm đầu vào cho Amazon Personalize. Bước này bao gồm tiền xử lý dữ liệu, kỹ thuật tính năng và tạo các nhóm tập dữ liệu cũng như lược đồ cần thiết cho Amazon Personalize. Để biết thêm thông tin tham khảo Tạo nhóm tập dữ liệu tùy chỉnh.

Bước tiếp theo là tạo giải pháp trong Amazon Personalize. Một giải pháp đề cập đến sự kết hợp của một công thức Amazon Personalize, các tham số tùy chỉnh và một hoặc nhiều phiên bản giải pháp. Để biết thêm thông tin tham khảo Tạo ra một giải pháp. Đội đã sử dụng Công thức cá nhân hóa người dùng để tạo các đề xuất công việc dành riêng cho người dùng cho người dùng trong bộ xác thực. Đầu ra của Amazon Personalize, bao gồm đề xuất công việc và chỉ số hiệu suất, được lưu trữ trong bộ chứa Amazon S3 để phân tích thêm.

Ở bước cuối cùng, nhóm đã sử dụng một phiên bản sổ ghi chép để chuẩn bị các đề xuất đầu ra cho đánh giá bên ngoài của người chú thích, như được mô tả trong Sử dụng chuyên gia tên miền phần.

Đánh giá kết quả Amazon Personalize

Có thể đánh giá hiệu suất của phiên bản giải pháp Amazon Personalize bằng cách sử dụng chỉ số ngoại tuyến, số liệu trực tuyếnvà Thử nghiệm A / B. Số liệu ngoại tuyến cho phép bạn xem tác động của việc sửa đổi siêu tham số và thuật toán được sử dụng để đào tạo mô hình của bạn, được tính toán dựa trên dữ liệu lịch sử. Số liệu trực tuyến là kết quả thực nghiệm được quan sát thấy trong tương tác của người dùng với các đề xuất theo thời gian thực được cung cấp trong môi trường trực tiếp (chẳng hạn như tỷ lệ nhấp). Thử nghiệm A/B là một phương pháp trực tuyến để so sánh hiệu suất của nhiều phiên bản giải pháp với một giải pháp mặc định. Người dùng được chỉ định ngẫu nhiên vào nhóm kiểm soát (mặc định) hoặc một trong các nhóm điều trị (thử nghiệm). Người dùng nhóm kiểm soát nhận đề xuất từ ​​giải pháp mặc định (đường cơ sở), trong khi mỗi nhóm điều trị tương tác với một phiên bản giải pháp khác nhau. Kiểm tra ý nghĩa thống kê được sử dụng để so sánh các chỉ số hiệu suất (chẳng hạn như tỷ lệ nhấp hoặc độ trễ) và chỉ số kinh doanh (chẳng hạn như doanh thu) với chỉ số của giải pháp mặc định.

Amazon Personalize đo lường các chỉ số ngoại tuyến trong quá trình đào tạo một phiên bản giải pháp. Nhóm đã sử dụng các chỉ số ngoại tuyến, chẳng hạn như Xếp hạng đối ứng trung bình (MRR), mức tăng tích lũy chiết khấu được chuẩn hóa (NCDG@k), Độ chính xác@k và Mức độ phù hợp. Để biết định nghĩa về tất cả các chỉ số ngoại tuyến có sẵn, hãy tham khảo định nghĩa số liệu.

Mặc dù Amazon Personalize cung cấp một danh sách đầy đủ các chỉ số ngoại tuyến mà nhóm có thể sử dụng để đo lường khách quan hiệu suất của các giải pháp trong quá trình đào tạo, nhưng các chỉ số trực tuyến và thử nghiệm A/B được khuyến nghị để theo dõi và xác thực hiệu suất của mô hình. Một lưu ý đối với các thử nghiệm này là chúng yêu cầu người dùng tương tác với các đề xuất của Amazon Personalize trong thời gian thực. Vì mô hình RallyPoint Amazon Personalize chưa được triển khai trước lần xuất bản này nên nhóm không có kết quả để báo cáo cho các thử nghiệm này.

Sử dụng chuyên gia tên miền

Thử nghiệm A/B là phương pháp ưu tiên để phân tích chất lượng của hệ thống đề xuất, tuy nhiên, việc sử dụng các chuyên gia miền để chú thích các đề xuất là một tiền đề khả thi. Vì thử nghiệm trực tuyến không phải là một tùy chọn, nên để kiểm tra tính mạnh mẽ của các đề xuất, nhóm đã yêu cầu các chuyên gia miền trong RallyPoint chú thích các đề xuất do các mô hình tạo ra và đếm số lượng vị trí công việc mà các chuyên gia đồng ý là nên được đề xuất (cung cấp thông tin của người dùng và tùy chọn được chỉ định) như số khuyến nghị “đúng”. Số liệu này được sử dụng để so sánh các phiên bản giải pháp. MỘT giải pháp phổ biến (tiêu chí dựa trên quy tắc hiện tại) đã được sử dụng làm đường cơ sở bao gồm đề xuất năm vị trí công việc phổ biến nhất cho mọi người dùng. Ngoài ra, một giải pháp với cài đặt mặc định đã được sử dụng làm mô hình cơ sở khác có tên là Giải pháp cơ bản của Amazon Personalize.

Kết quả

Việc sử dụng mô hình hoạt động tốt nhất giúp cải thiện 35% số lượng đề xuất "đúng" so với giải pháp cơ sở Amazon Personalize và cải thiện 54% so với giải pháp phổ biến. Nhóm cũng có thể đạt được mức cải thiện 66 lần về phạm vi bao phủ, cải thiện 30 lần về MRR và cải thiện gấp 2 lần về độ chính xác@10 khi so sánh với giải pháp phổ biến. Ngoài giải pháp về mức độ phổ biến, nhóm đã quan sát thấy MRR và độ chính xác@2 tăng gấp 10 lần so với giải pháp cơ bản của Amazon Personalize.

Tổng kết

RallyPoint đã nhận ra cơ hội để phục vụ khách hàng của họ tốt hơn với các đề xuất nghề nghiệp được cá nhân hóa hơn. Họ bắt đầu hành trình cá nhân hóa người dùng của mình với sự quan tâm đến khách hàng, bằng cách hợp tác với Phòng thí nghiệm giải pháp máy học. RallyPoint hiện có cơ hội cung cấp cho người dùng của họ nhiều đề xuất nghề nghiệp có giá trị hơn thông qua giải pháp này. Việc kết hợp hệ thống đề xuất cải tiến này vào trang web của họ sẽ giúp người dùng RallyPoint nhìn thấy nhiều công việc phù hợp hơn trong nguồn cấp dữ liệu nghề nghiệp của họ, tạo điều kiện thuận lợi cho con đường dẫn đến sự nghiệp viên mãn hơn và chất lượng cuộc sống được cải thiện cho các thành viên của họ.

Sử dụng Cá nhân hóa Amazon để cung cấp trải nghiệm cá nhân hóa cho người dùng của bạn ngay hôm nay! Nếu bạn muốn cộng tác với các chuyên gia để mang các giải pháp ML đến tổ chức của mình, hãy liên hệ với Phòng thí nghiệm giải pháp Amazon ML.

Tài nguyên bổ sung

Để biết thêm thông tin về Amazon Personalize, hãy xem phần sau:

Về các tác giả

Dave Gowel là một cựu quân nhân và là Giám đốc điều hành của RallyPoint. Dave tốt nghiệp West Point và Trường Biệt động Quân đội Hoa Kỳ, từng phục vụ ở Iraq với tư cách là trung đội trưởng xe tăng và được giảng dạy với tư cách là trợ lý giáo sư tại chương trình ROTC của Viện Công nghệ Massachusetts. RallyPoint là công ty công nghệ thứ ba mà Dave từng là Giám đốc điều hành.

Matthew Rhodes là một nhà khoa học dữ liệu làm việc trong Phòng thí nghiệm Giải pháp ML của Amazon. Ông chuyên xây dựng các quy trình học máy liên quan đến các khái niệm như xử lý ngôn ngữ tự nhiên và thị giác máy tính.

Amin Tajgardoon là một nhà khoa học ứng dụng tại Phòng thí nghiệm Giải pháp ML của Amazon. Ông có kiến ​​thức sâu rộng về khoa học máy tính và máy học. Đặc biệt, trọng tâm của Amin là học sâu và dự báo, phương pháp giải thích dự đoán, phát hiện sai lệch mô hình, mô hình tổng quát xác suất và ứng dụng AI trong lĩnh vực chăm sóc sức khỏe.

Yash Shah là Giám đốc Khoa học trong Phòng thí nghiệm Giải pháp ML của Amazon. Ông và nhóm các nhà khoa học ứng dụng và kỹ sư máy học của mình làm việc trên một loạt các trường hợp sử dụng máy học từ chăm sóc sức khỏe, thể thao, ô tô và sản xuất.

Vamshi Krishna Enabothala là Kiến trúc sư chuyên gia AI ứng dụng cấp cao tại AWS. Anh ấy làm việc với các khách hàng từ các lĩnh vực khác nhau để tăng tốc các sáng kiến ​​về dữ liệu, phân tích và học máy có tác động cao. Anh ấy đam mê các hệ thống đề xuất, NLP và các lĩnh vực thị giác máy tính trong AI và ML. Ngoài công việc, Vamshi là một người đam mê RC, chế tạo thiết bị RC (máy bay, ô tô và máy bay không người lái), đồng thời cũng thích làm vườn.

Greg Tolmie là Người quản lý tài khoản trong nhóm đối tác AWS Public ISV. Greg hỗ trợ danh mục các đối tác ISV khu vực công của AWS để giúp họ phát triển và hoàn thiện việc áp dụng các dịch vụ AWS đồng thời tối đa hóa lợi ích của mạng đối tác AWS.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. Truy cập Tại đây.
• Đúc kết tương lai với Adryenn Ashley. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/machine-learning/how-rallypoint-and-aws-are-personalizing-job-recommendations-to-help-military-veterans-and-service-providers-transition-back-into-civilian-life-using-amazon-personalize/