自动生成细分客户方案，搞定精准营销！

于 2024-10-14 11:36:59 发布
阅读量180 收藏
点赞数
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg4NjU5NDUxNg==&mid=2247582214&idx=2&sn=f7d24c56de8bb866e89e8a043fe0bd67&chksm=cefe6986b05e02619e536a81fcf395ea94ef48e21d41fb5e49a7624cce6ecd75fdf4906966b7&scene=126&sessionid=0
版权

bb89be6c71e29e6ade5722e23931dbbe.gif

目标客户群体细分（Segment）允许营销人员更好地针对特定的受众群体量身定制他们的营销活动。采用客户细分的企业可以创建并传达与特定客户群体产生共鸣的有针对性的营销信息。细分增加了客户与品牌互动的可能性，并减少了信息疲劳的潜在风险——即客户对收到太多与他们无关的信息而产生的反感。例如，如果您的企业想要开展一次关于正装的电子邮件活动，目标受众应该只包括穿正装的人。

本文介绍了一种使用Amazon Personalize生成高度个性化的Amazon Pinpoint客户细分（Segment）的解决方案。使用Amazon Pinpoint，您可以通过活动（Campaign）和旅程（Journey）向这些客户Segment发送消息。

个性化Pinpoint Segment

营销人员首先需要通过收集客户数据（如关键特征、交易数据和行为数据）来了解他们的客户。这些数据有助于形成买家人物画像、了解他们如何消费以及他们对接收什么类型的信息感兴趣。

您可以在Amazon Pinpoint中创建两种类型的客户细分：导入细分和动态细分。对于这两种类型的细分，您都需要执行客户数据分析并识别行为模式。在确定了细分特征后，您可以构建包含适当条件的动态细分。您可以在Amazon Pinpoint用户手册中了解有关动态和导入细分的更多信息。

Amazon Pinpoint用户手册

https://docs.aws.amazon.com/pinpoint/latest/userguide/segments.html

在线销售产品和服务的企业可以从基于已知客户偏好（如产品类别、颜色或配送选项）的细分中获益。想要推广新产品或通知客户某个产品类别促销活动的营销人员可以使用这些细分来启动Amazon Pinpoint活动（Campaign）和旅程（Journey），从而提高客户完成交易的可能性。

活动（Campaign）

https://docs.aws.amazon.com/pinpoint/latest/userguide/campaigns.html

旅程（Journey）

https://docs.aws.amazon.com/pinpoint/latest/userguide/journeys.html

构建有针对性的细分需要您获取历史客户交易数据，然后投入时间和资源进行分析。这里就可以使用机器学习技术节省时间并提高准确性。

Amazon Personalize是一项全面托管的机器学习服务，无需任何先验机器学习知识即可运行。它提供了用于细分创建和产品推荐的现成模型（称为配方/Recipes）。使用Amazon Personalize USER_SEGMENTATION配方，您可以基于产品ID或产品属性生成细分。

Amazon Personalize

https://aws.amazon.com/personalize/

USER_SEGMENTATION配方

https://docs.aws.amazon.com/personalize/latest/dg/user-segmentation-recipes.html

关于本解决方案

本方案引用了下面解决方案的架构设计：

  • Maintaining Personalized Experiences with Machine Learning。

  • Amazon S3 Triggered Endpoint Imports。

Maintaining Personalized Experiences with Machine Learning

https://aws.amazon.com/solutions/implementations/maintaining-personalized-experiences-with-ml/

Amazon S3 Triggered Endpoint Imports

https://github.com/aws-samples/communication-developer-services-reference-architectures#Amazon-S3-Triggered-Endpoint-Imports

上面解决方案以nested stacks的形式与主体应用一同被部署。其用于展示Amazon Personalize如何与Amazon Pinpoint集成来完成基于上下文的细分。

解决方案技术架构

f6fb4ed4caed889b175275a440b11818.jpeg

本文解决方案架构图

一旦训练数据和训练配置被上传到Amazon Personalize数据Amazon S3存储桶（1），Amazon Step Function状态机就会被执行（2）。该状态机实现了一个训练工作流来为Amazon Personalize提供所需的所有资源。它基于Item-Attribute-Affinity配方训练推荐模型（3a）。一旦该Amazon Personalize方案创建完成，工作流就会创建一个批量细分作业来获取用户细分（3b）。本例中，作业配置专注于生成对动作类型电影感兴趣的用户细分。

当批量细分作业完成时，结果会被上传到Amazon S3（3c）。训练工作流状态机将在自定义Event Bus上发布Amazon Personalize状态更改（4）事件。Amazon EventBridge规则会监听描述批量细分作业已完成的事件（5）。一旦此事件被发布到Event Bus总线上，批量细分后处理工作流就会作为Amazon Step Function状态机执行（6）。该工作流读取并转换来自Amazon Personalize的细分作业输出（7），将其转换为可以作为静态细分导入Amazon Pinpoint的.csv 文件（8）。.csv文件只包含与Amazon Personalize推荐细分中相应用户的Amazon Pinpoint Endpoint ID，格式如下：

{ "itemAttributes": "ITEMS.genres = \"Action\"" }

左右滑动查看完整示意

解析Amazon Pinpoint端点ID的机制依赖于在Amazon Personalize中设置的用户ID也在Amazon Pinpoint中的每个端点上使用user ID属性进行引用。

使用user ID属性进行引用

https://docs.aws.amazon.com/pinpoint/latest/developerguide/audience-define-user.html

Id
hcbmnng30rbzf7wiqn48zhzzcu4
tujqyruqu2pdfqgmcgkv4ux7qlu
keul5pov8xggc0nh9sxorldmlxc
lcuxhxpqh/ytkitku2zynrqb2ce

该工作流确保细分文件具有唯一的文件名，以便可以在Amazon Pinpoint中独立识别细分。一旦细分.csv文件被上传到Amazon S3（7），细分导入工作流就会在Amazon Pinpoint中创建一个新的导入细分（8）。

数据集

该解决方案使用了一个名为Bingewatch的人工生成的电影数据集用于演示。该数据已经过预处理，可在Amazon Personalize和Amazon Pinpoint的上下文中使用。预处理后的数据包括以下内容：

  • 从Bingewatch csv创建的交互（Interaction）元数据。

  • 从Bingewatch csv创建的项目（Item）元数据。

  • 从Bingewatch csv创建的用户元数据，并用虚构的电子邮件地址和年龄数据进行了扩充。

  • Amazon Pinpoint端点数据。

交互数据集

交互数据集描述了Bingewatch用户对电影的评分。每一行描述了一个用户对一部电影的单次评分，用户由用户ID标识。

EVENT_VALUE描述了1.0到5.0之间的实际评分，EVENT_TYPE指定该评分是因为用户在给定的TIMESTAMP观看了该电影，如下例所示:

USER_ID，ITEM_ID，EVENT_VALUE，EVENT_TYPE，TIMESTAMP
1，1，4.0，Watch，964982703
2，3，4.0，Watch，964981247
3，6，4.0，Watch，964982224
...

左右滑动查看完整示意

项目数据集

项目数据集包含了系统中每部电影的信息，如TITLE（电影名）、RELEASE_YEAR（发行时间）、CREATION_TIMESTAMP （数据创建时间）、以及GENRES（一段包含多个属性的文本）。如下例所示：

ITEM_ID，TITLE，RELEASE_YEAR，CREATION_TIMESTAMP，GENRES
1，Toy Story，1995，788918400，Adventure|Animation|Children|Comedy|Fantasy
2，Jumanji，1995，788918400，Adventure|Children|Fantasy
3，Grumpier Old Men，1995，788918400，Comedy|Romance
...

左右滑动查看完整示意

项目数据集在本文中所需的数据结构：

{
    "type": "record",
    "name": "Items",
    "namespace": "com.amazonaws.personalize.schema",
    "fields": [
        {
            "name": "ITEM_ID",
            "type": "string"
        },
        {
            "name": "GENRE",
            "type": ["null", "string"],
            "categorical": true
        }
    ],
    "version": "1.0"
}

左右滑动查看完整示意

用户数据集

用户数据集包含所有已知用户的信息，由USER_ID标识。该数据集包含人工生成的元数据，描述了用户的GENDER （性别）和AGE（年龄），如下例所示：

USER_ID，GENDER，E_MAIL，AGE
1，Female，success1@simulator.amazonses.com，21
2，Female，success+2@simulator.amazonses.com，35
3，Male，success+3@simulator.amazonses.com，37
4，Female，success+4@simulator.amazonses.com，47
5，Agender，success+5@simulator.amazonses.com，50
...

左右滑动查看完整示意

用户数据集在本文中所需的数据结构：

{
    "type": "record",
    "name": "Users",
    "namespace": "com.amazonaws.personalize.schema",
    "fields": [
        {
            "name": "USER_ID",
            "type": "string"
        },
        {
            "name": "AGE",
            "type": ["null", "int"]
        },
        {
            "name": "GENDER",
            "type": ["null", "string"]
        }
    ],
    "version": "1.0"
}

左右滑动查看完整示意

Amazon Pinpoint 端点

要将Amazon Pinpoint端点映射到Amazon Personalize中的用户，重要的是要有统一的用户标识符。解析Amazon Pinpoint端点ID的过程依赖于在Amazon Personalize中设置的用户ID也在Amazon Pinpoint中的每个端点上通过userId属性进行引用，如下例所示：

User.UserId，ChannelType，User.UserAttributes.Gender，Address，User.UserAttributes.Age
1，EMAIL，Female，success+1@simulator.amazonses.com，21
2，EMAIL，Female，success+2@simulator.amazonses.com，35
3，EMAIL，Male，success+3@simulator.amazonses.com，37
4，EMAIL，Female，success+4@simulator.amazonses.com，47
5，EMAIL，Agender，success+5@simulator.amazonses.com，50
...

左右滑动查看完整示意

解决方案实施

前置条件

要部署此解决方案，您必须具备以下条件：

  • 一个亚马逊云科技账户。

  • 本地机器上的Amazon CLI。更多信息，请参阅安装Amazon CLI指南。

  • 本地机器上的SAM CLI。更多信息，请参阅Amazon Serverless Application Model开发人员指南中的安装SAM CLI。

  • 最新版本的Boto3。更多信息，请参阅Boto3文档中的安装说明。

注意：此解决方案会创建一个名为Personalize的Amazon Pinpoint项目。如果您想在现有的Amazon Pinpoint项目上部署此解决方案，您需要在.yaml模板中进行有针对性的更改。

部署解决方案

步骤 1：部署SAM解决方案。

将GitHub存储库克隆到您的本地机器（如何克隆GitHub存储库）。使用SAM CLI进入到本地机器上的GitHub存储库位置，并执行以下命令：

sam deploy --stack-name contextual-targeting --guided

左右滑动查看完整示意

GitHub存储库

https://github.com/aws-samples/amazon-personalize-pinpoint-contextual-targeting

如何克隆GitHub存储库

https://docs.github.com/en/repositories/creating-and-managing-repositories/cloning-a-repository

按照显示填写以下字段。将亚马逊云科技区域更改为Amazon Pinpoint和Amazon Personalize可用的亚马逊云科技区域（Amazon Region）。电子邮件参数用于Amazon Simple Notification Service（SNS） 在Amazon Personalize作业完成时向您发送电子邮件通知。

Configuring SAM deploy
======================
        Looking for config file [samconfig.toml] :  Not found
        Setting default arguments for 'sam deploy'     
=========================================
        Stack Name [sam-app]: contextual-targeting
        AWS Region [us-east-1]: eu-west-1
        Parameter Email []: me@example.com
        Parameter PEVersion [v1.2.0]:
        Parameter SegmentImportPrefix [pinpoint/]:
        #Shows you resources changes to be deployed and require a 'Y' to initiate deploy
        Confirm changes before deploy [y/N]:
        #SAM needs permission to be able to create roles to connect to the resources in your template
        Allow SAM CLI IAM role creation [Y/n]:
        #Preserves the state of previously provisioned resources when an operation fails
        Disable rollback [y/N]:
        Save arguments to configuration file [Y/n]:
        SAM configuration file [samconfig.toml]:
        SAM configuration environment [default]:
        Looking for resources needed for deployment:
        Creating the required resources...
        [...]
        Successfully created/updated stack - contextual-targeting in eu-west-1
======================

左右滑动查看完整示意

Amazon Simple Notification Service（SNS）

https://aws.amazon.com/ec2/instance-types/p5/https://aws.amazon.com/sns/

步骤 2：将初始细分导入Amazon Pinpoint。

我们将导入一些人工生成的初始端点到Amazon Pinpoint。

在本地机器上通过Amazon CLI执行以下命令。

以下命令适用于Linux：

SEGMENT_IMPORT_BUCKET=$(aws cloudformation describe-stacks --stack-name contextual-targeting --query 'Stacks[0].Outputs[?OutputKey==`SegmentImportBucket`].OutputValue' --output text)
aws s3 sync ./data/pinpoint s3://$SEGMENT_IMPORT_BUCKET/pinpoint

左右滑动查看完整示意

对于Windows PowerShell，请使用以下命令：

$SEGMENT_IMPORT_BUCKET = (aws cloudformation describe-stacks --stack-name contextual-targeting --query 'Stacks[0].Outputs[?OutputKey==`SegmentImportBucket`].OutputValue' --output text)
aws s3 sync ./data/pinpoint s3://$SEGMENT_IMPORT_BUCKET/pinpoint

左右滑动查看完整示意

步骤 3：上传Amazon Personalize的训练数据和配置。

现在我们准备好训练初始推荐模型了。此解决方案为您提供了模拟训练数据以及训练和推理配置，需要将其上传到Amazon Personalize S3存储桶。模型训练可能需要45到60分钟。

在本地机器上通过Amazon CLI执行以下命令。

以下命令适用于Linux：

PERSONALIZE_BUCKET=$(aws cloudformation describe-stacks --stack-name contextual-targeting --query 'Stacks[0].Outputs[?OutputKey==`PersonalizeBucketName`].OutputValue' --output text)
aws s3 sync ./data/personalize s3://$PERSONALIZE_BUCKET

左右滑动查看完整示意

对于Windows PowerShell，请使用以下命令：

$PERSONALIZE_BUCKET = (aws cloudformation describe-stacks --stack-name contextual-targeting --query 'Stacks[0].Outputs[?OutputKey==`PersonalizeBucketName`].OutputValue' --output text)
aws s3 sync ./data/personalize s3://$PERSONALIZE_BUCKET

左右滑动查看完整示意

步骤 4：查看来自Amazon Personalize推理得出的细分。

一旦训练工作流完成，您应该会在您部署堆栈时提供的电子邮件地址收到一封电子邮件。电子邮件应该如下面的屏幕截图所示：

775801a79b0493cd6ef1d8ac4f391f6c.png

Amazon SES 电子邮件示例

在亚马逊云科技控制台界面上，导航到Amazon Pinpoint控制台 > 您的项目 > 细分，您应该会看到两个导入的细分。一个名为endpoints.csv，包含步骤2中导入的所有端点。另一个名为ITEMSgenresAction_-.csv，包含由Amazon Personalize推理出的对动作电影感兴趣的端点ID。

728c1de54b613e17fcba8225c20f466b.jpeg

Amazon Pinpoint Segments 管理页面

您可以通过活动和旅程与Amazon Pinpoint客户细分互动。有关如何创建和执行Amazon Pinpoint活动和旅程的更多信息，请访问Building Customer Experiences with Amazon Pinpoint研讨会。

Building Customer Experiences with Amazon Pinpoint研讨会

https://catalog.workshops.aws/amazon-pinpoint-customer-experience/en-US/api-operations/sendmessage

后续步骤

上下文定位不仅限于单一渠道（如本解决方案中的电子邮件）。您可以继续开发并扩展批量细分后处理工作流（batch-segmentation-postprocessing），以满足您的参与和定位需求。

例如，您可以根据引用的端点渠道类型实现多个分支，并创建可通过推送通知、短信、语音呼出和应用内消息参与的 Amazon Pinpoint 客户细分。

清理实验资源

要删除已部署的本解决方案，请在Amazon CLI中运行以下命令。

以下命令适用于Linux：

SEGMENT_IMPORT_BUCKET=$(aws cloudformation describe-stacks --stack-name contextual-targeting --query 'Stacks[0].Outputs[?OutputKey==`SegmentImportBucket`].OutputValue' --output text)
PERSONALIZE_BUCKET=$(aws cloudformation describe-stacks --stack-name contextual-targeting --query 'Stacks[0].Outputs[?OutputKey==`PersonalizeBucketName`].OutputValue' --output text)
aws s3 rm s3://$SEGMENT_IMPORT_BUCKET/ --recursive
aws s3 rm s3://$PERSONALIZE_BUCKET/ --recursive
sam delete

左右滑动查看完整示意

对于Windows PowerShell，请使用以下命令：

$SEGMENT_IMPORT_BUCKET=$(aws cloudformation describe-stacks --stack-name contextual-targeting --query 'Stacks[0].Outputs[?OutputKey==`SegmentImportBucket`].OutputValue' --output text)
$PERSONALIZE_BUCKET=$(aws cloudformation describe-stacks --stack-name contextual-targeting --query 'Stacks[0].Outputs[?OutputKey==`PersonalizeBucketName`].OutputValue' --output text)
aws s3 rm s3://$SEGMENT_IMPORT_BUCKET/ --recursive
aws s3 rm s3://$PERSONALIZE_BUCKET/ --recursive
sam delete

左右滑动查看完整示意

由于Amazon Personalize资源（如数据集组、数据集等）不是通过Amazon Cloudformation创建的，因此您需要手动删除它们，请按照官方亚马逊云科技文档中的说明清理已创建的资源。

本篇作者

e98878ae8409c23ff75f341bc743c556.jpeg

Pavlos Ioannou Katidis

亚马逊云科技Amazon Pinpoint和Amazon Simple Email Service 资深产品专家解决方案架构师。他热衷于深入研究客户的技术问题，并帮助他们设计通信相关解决方案。

48b920fc7bb9fe753807ce309ee22448.jpeg

马競斌

亚马逊云科技资深解决方案架构师，致力于帮助客户构建具有优良架构的产品和应用，以及帮助国内客户出海和海外用户进入中国。在互联网行业有十多年产品研发经验和多年技术管理经验，2023年初开始聚焦生成式AI，已帮助多个国内知名IT公司成功落地了多个生成式AI项目。

7153791a905e427f32e29be232318fa6.png

10a8d83cdd64ed7ae1bd6e47b7cfe03a.gif

星标不迷路，开发更极速！

关注后记得星标「亚马逊云开发者」

听说，点完下面4个按钮

就不会碰到bug了！

20a12f749d490714d9b3408bf9d0eeaf.gif

点击阅读原文查看博客！获得更详细内容！

博客
企业DevOps探讨：“谁构建、谁运行”原则的理论基础
12-30 9437
“谁构建，谁运行” --沃纳·沃格尔这样的场景大家想必不会陌生：我们正与家人共度美好时光，突然刺耳的电话铃声嗡嗡响起，我们的注意力也为之吸引。听筒中的尖叫声告知，我们的应用程序——也就是那些定期受到内存泄漏侵扰、但重启之后又能恢复正常的小冤家们——现在终于彻底起义了，服务器资源在几分钟之内就被其彻底榨干。目前该应用已经无法正常起效，而运维团队除了尝试重启与回滚之外无法可想——而最新
博客
企业DevOps：实施过程中需要关注的各项要点
12-29 8062
作者：亚马逊云科技企业市场战略总监Stephen Orban“经验并非凭空创造，而是依靠点滴积累所实现” ---阿尔贝·加缪在此次的企业DevOps探索之旅系列文章当中，我将带大家一同探讨企业在具备一定DevOps经验之后又该如何处理下一步可能面临的状况。当然，这些只是我个人在接触自动化、面向客户服务之IT体系以及“谁构建、谁运行”方面事务的同时积累下的一些心得体
博客
将DevOps纳入企业环境引发的思考
10-13 6330
作者：亚马逊云科技企业市场战略总监Stephen Orban“发展是一种以渐进式改善为载体的持续性行为”——英德拉瓦蒂虽然DevOps可以算是相对新鲜的概念，不过在我看来、其本质思路很早之前就已经出现。从这个角度看，目前很多企业已经广泛接纳这一概念并将其作为文化性产物看待，具体而言就是将大量原本孤立的团队融合起来，从而实现速度更快、频率更高且更为可靠的工作成果。我个人非常幸运
博客
利用Amazon Machine Learning与Amazon Redshift建立二进制分类模型
09-07 8247
日常生活中的大部分决策都以二进制形式存在，具体来说就是这类问题能够以是或者否来回答。而在商业活动中，能够以二进制方式回答的问题也有很多。举例来说：“这种情况是否属于交易欺诈？”，“这位客户是否会购买该产品？”或者“这位用户是否存在流失风险？”等等。在机器学习机制中，我们将此称为二进制分类问题。很多商业决策都能够通过准确预测二进制问题的答案来得到强化。Amazon Michine Learning（
博客
利用Amazon Mobile Analytics与R深入探究移动应用的使用模式
08-31 6788
作者：Sandeep Atluri 亚马逊数据科学家要真正鼓励用户使用我们的移动应用程序，最重要的前提就是深入了解用户使用应用程序时的行为模式，而后据此作出体验优化。不过通过应用程序事件数据来找出有意义的模式往往极具挑战性，而标准KPI所提供的诸如月度活跃用户（简称MAU）以及每日活跃用户（简称DAU）并不足以勾勒出完整的图景。举例来说，所发布应用在过去三十天中的用户开启次数能够帮
博客
亚马逊云科技使用心得：当初我曾错过的那些宝贵经验
07-08 2万+
在今天的文章中，我整理出了大量当初曾经错过、而至今仍将我追悔莫及的亚马逊云科技（Amazon Web Services）使用心得。在几年来的实践当中，我通过在亚马逊云科技之上新手构建及部署各类应用程序而积累到了这些经验。虽然内容有些杂乱，但相信仍然能给各位带来一点启示。从物理服务器向“云环境”转移的过程不仅仅是一项技术任务，同时也意味着我们的思维方式需要作出针对性的转变。总体而言，在物理环境下我们
博客
浅谈如何使用 Amazon CUR 报告做更完善的成本分析
04-30 248
自动刷新」也需要打开，因为亚马逊云科技账单有两个状态，一个是未结算状态（Unfinalized），一个是已结算状态（Finalized），在正式结算之前，可能会发生退款等费用变化，所以我们需要打开自动刷新，在账单发生变化时，让账单服务帮我们自动更新 CUR 报告的文件。希望通过这篇博客，更多的客户可以更深入的了解自己的云用量，监控自己的云用量变化，知道自己的每分钱是否花在了正确的位置，也知道出现意外成本时如何来做梳理和优化。是的，CUR 仍然有一定程度的汇总，但是粒度已经足够小，足够我们做分析。
博客
使用 Amazon Nova Lite 实现多快好省的智能视频审核
04-29 352
由以上的测试和分析可以看到，Nova Lite 在多方面的优势使其成为构建智能视频审核系统的理想选择。首先，Nova Lite 在图片理解能力上表现出色，能够准确识别图片中的人物、服饰、场景等元素，并可以通过 Prompt 根据不同文化背景调整审核规则。这一能力在处理全球用户上传的视频内容时尤为重要。相比之下，Rekognition 则难以适应多元文化背景下的复杂审核需求，需要客户化的再次训练才能满足要求。其次，Nova Lite 在处理速度方面可以满足需求。
博客
大胆试错、持续推进，拓展 GenAI 在客户服务领域的新场景
04-28 735
提升客户服务效率与质量是企业永恒的追求目标。2024 年初，我们与客户（华宝新能）的产品、IT、客服团队共同探讨如何借助新兴的生成式 AI（Generative AI, GenAI）技术赋能客服团队，期望通过自动化总结和提炼现有知识库内容，高效应对产品咨询、故障处理等售前售后需求，提供智能响应。经过系统集成及知识库数据准备，一阶段方案于 2024 年中期顺利上线，客服团队工作效率显著提升。相关实施细节已在。
博客
利用MCP Servers，玩转Amazon S3元数据表数据洞察
04-25 54
这就是Amazon S3元数据和Amazon S3元数据表发挥作用的地方，这些强大的工具允许组织有效地组织、跟踪和查询大规模的对象元数据。提供了一种标准化的方式，将您的设备连接到各种外设和配件，MCP提供了一种标准化的方式，将AI模型连接到不同的数据源和工具。通过利用预构建的集成、享受提供商切换的灵活性，以及遵循数据保护的最佳实践，您可以更轻松地实现您的AI项目目标。您还可以去添加新的工具，例如允许应用程序根据自定义的元数据条件发现Amazon S3内容。这些表提供了一种强大而灵活的方式来查询和分析您的。
博客
基于 Amazon Nova 和 TEN 框架的实时音视频交互解决方案
04-25 762
随着人工智能技术的飞速发展，实时音视频交互应用逐渐成为市场热点。从智能语音助手到多模态教育平台，企业对高效、低延时且可扩展的解决方案需求日益增加。借助 Amazon Nova 系列模型、Amazon Transcribe 和 Amazon Polly 等亚马逊云科技服务，您可以轻松构建功能强大的实时音视频交互系统。本文将深入介绍这些服务如何协同工作，帮助开发者打造卓越的用户体验。在客户需求调研中，我们发现许多企业希望构建一个基于 AI 的实时音视频助手，以实现多模态的交互体验。
博客
Amazon Q 从入门到精通 – 集成企业代码库
04-24 1001
此外，Amazon Q Developer 通过提供使用 Amazon Key Management Service（Amazon KMS）中客户管理的密钥加密您的定制数据的选项，帮助确保您代码的安全。根级别的任何文件都将被忽略。在 IDE 中使用创建好的 User 来登录 Amazon Q 之后，正常情况下，AmazonQ 的面板可以用快捷键来打开和关闭，对于苹果电脑，按下 Shift + Command + P 快捷键，对于 Windows 电脑，按下 Shift + Ctrl + P 快捷键。
博客
使用Amazon Q Developer构建企业自动化代码审核流程
04-24 31
传统的代码审核通常依赖于团队成员之间的相互审查，这不仅耗时，而且可能受到审核者经验和专业知识的限制。其主要功能包括代码生成、调试、故障排除和安全漏洞扫描，提供一站式代码服务，本文主要介绍其代码审核的能力。Amazon Q会检查集成到您的代码中的第三方组件、库、框架和依赖关系，确保第三方代码是安全和最新的。，该系统能够在开发者提交代码或创建合并请求时，自动分析代码变更，提供全面的审核意见，帮助团队保持高质量的代码标准。会自动审查您正在编写的文件，一旦在您的代码中检测到代码问题，就会立即生成代码问题。
博客
用Amazon Q Developer CLI构建平台跳跃游戏，全程无需编程！
04-24 33
提示词中文大意：参考项目https://github.com/clear-code-projects/PirateMaker中的代码方法和实现，用Python设计一款完整的平台游戏。分析一款公开的游戏项目作为基础知识参考，它生成了一款较完整的经典平台跳跃游戏架构，其中包含了复杂的关卡管理、物理系统和敌人系统等。进行修改的方法，对于设计一款真正全面的平台跳跃游戏来说是不够的。您可点击观看下方视频，体验这款完全由AI生成的游戏开发过程的沉浸式演示（体现了氛围编程的方法），供各位开发者参考。
博客
在Amazon Graviton上运行大语言模型，实测CPU推理性能
04-23 49
较小的8B模型由于参数体积更小，对计算资源的利用率更高，因此对实例硬件配置的差异会表现出更明显的性能差异。以模型DeepSeek-R1-Distill-Llama-8B-Q4_0.gguf为例，在确定运行4bit量化的8B参数模型所需的虚拟机vCPU和内存配置时，需综合考虑模型存储、计算需求和系统开销。随着vCPU核心数从8核增加到16核，再到24核，pp512的吞吐量也呈现出近乎线性的增长趋势，说明对于这类计算密集型的工作负载，增加更多的计算资源能够有效提升系统的。
博客
Werner Vogels：简单易用就是Amazon S3的核心优势
04-23 24
不过，在解决这一规模的问题时，还有一些更微妙的方面需要考虑：我们需要仔细评估桶名称数量增加带来的影响、程序化创建桶对应用设计的安全性影响，甚至涉及性能和用户界面（UI）的优化。但我当时并没有意识到，我们的工程团队会花这么多时间与Amazon S3客户的工程师交流，了解他们如何使用Amazon S3，而这些外部开发者的反馈对我们的功能优先级影响之大，远超我的想象。但现在，我想对“简单”做一点自我反思：在我提到的几乎所有例子中，我们对简单性的改进，实际上都是针对最初的功能，而这些功能在推出时并不够简单。
博客
Amazon Q 从入门到精通 – 加速构建亚马逊云基础设施
04-23 762
当反复交谈，得到了最终满足需要的提示词，即可在 Chat 窗口里输入/dev 并回车，使 Amazon Q 进入智能体模式，然后将上一个步骤的最终提示词输入后并回车，Amazon Q 将真正进行编码工作，在指定的目录里，创建出建议的 CDK 代码，如下图所示。缺点：CDK 代码本身有较大的学习成本，当开发人员具体为不同资源进行编码的时候，熟悉每一个资源的编码细节是必须的工作，为此，在实际编码的过程中，开发者不得不经常查阅开发手册，亦是十分耗时费力。
博客
使用Amazon Bedrock，运行MCP桌面客户端
04-22 62
us.anthropic.claude-3-7-sonnet-20250219-v1:0——适用于Claude Sonnet 3.7。该设置与Claude桌面设置不同的是，您只需执行相应的命令即可。作为一位生成式AI专家，Ninad拥有丰富的人工智能与机器学习经历，曾与咨询公司、初创企业以及不同行业领域的企业客户合作。MCP桌面客户端提供了基于GUI的接口，使用户无需编写代码即可在本地设置MCP工具或第三方工具。然后在“命令”一栏中，使用刚才提取的命令，点击“添加”后，第一个MCP设置完成。
博客
Amazon GameLift高阶使用技巧：部署游戏引擎专用服务器
04-22 49
这种容器化部署方案不仅简化了游戏服务器的管理流程，还提供了更好的资源利用率和扩展能力，使开发团队能够专注于提升玩家体验。同时，借助Amazon GameLift提供的会话管理、自动伸缩和监控告警等功能，开发团队可以更轻松地保障游戏服务的稳定性和玩家体验。容器组用于运行游戏服务器应用程序，是托管游戏会话和玩家的必需组件。是一个配置蓝图，用于定义如何将容器化游戏服务器部署到容器机群中，包含游戏服务器容器和支持容器的配置信息。在快速发展的游戏行业中，游戏服务器的部署和维护一直是开发团队面临的重要挑战。
博客
大语言模型助力 Support Case 分析，提升云服务效率
04-22 1066
利用大语言模型整理技术工单（Support Case）具有显著价值，可通过分析大量案例识别常见问题、建立知识库、制定培训计划、支持决策及预测需求。方案采用 EventBridge 定时触发 Lambda 函数，通过 Support API 整理工单数据，将其存储至 S3，利用 SageMaker 或 Bedrock 进行分析，分类问题类型并生成总结报告。分析结果可在 QuickSight 上展示，支持企业优化资源分配和服务策略。该解决方案架构清晰、成本低廉，为企业提供高效的技术支持工单管理与分析能力。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值