Amazon Personalize

解決する課題

EC 、動画配信、ニュースなどのサービスで「このユーザーに何をおすすめするか」を決める推薦システムは、自前で作ると機械学習モデルの設計・学習・運用が必要で、専門人材とインフラを抱える負担が大きくなります。Amazon Personalize を使うと、ユーザーの行動データから推薦モデルを機械学習で自動的に構築できます。

• 一人ひとりに合わせたおすすめ商品・コンテンツを提示する
• 商品一覧やメールの並びをユーザーごとにパーソナライズして並べ替える
• 「この商品を見た人はこちらも見ています」のような関連アイテムを出す

推薦アルゴリズムの研究や学習基盤の運用を自分で抱えず、データを渡して API で推薦を受け取るだけで利用できる点が中心的な価値です。

主要概念と用語

• データセットグループ: 1つの推薦ユースケースに使うデータセット・モデル・推薦エンドポイントをまとめる入れ物
• データセット: 学習に使うデータの種類。代表的にユーザーとアイテムのインタラクション（閲覧・購入などの行動履歴）、アイテム（商品のメタデータ）、ユーザー（属性）の三種類がある
• スキーマ: 各データセットの列構成（フィールドと型）を定義するもの
• レシピ: 推薦の目的に応じて選ぶアルゴリズムのひな型。商品推薦、関連アイテム、並べ替え（パーソナライズドランキング）などの用途別に用意される
• ソリューション: レシピとデータから学習を構成する単位
• ソリューションバージョン: 実際に学習を実行して得られた、特定時点の学習済みモデル
• キャンペーン: 学習済みモデルをリアルタイム推論できる状態にデプロイした推薦エンドポイント
• レコメンダー: ユースケース最適化型の利用形態で、用途を選ぶだけで内部のレシピ選定や学習を任せられる仕組み
• イベントトラッカー: アプリで発生したクリックや購入などのイベントをリアルタイムに取り込む仕組み
• コールドスタート: 履歴がほとんどない新規ユーザーや新規アイテムに対して、属性などを手がかりに推薦する課題

仕様・制限・クォータ

• 学習データはインタラクション、アイテム、ユーザーの各データセットとして S3 から取り込むか、API で逐次投入する
• 各データセットにはスキーマを定義し、列構成や必須フィールドの規約に従う必要がある
• 学習の品質には十分な量のインタラクション履歴が必要で、データが少ないと推薦精度が上がりにくい
• リアルタイム推薦はキャンペーンまたはレコメンダーに対して API を呼び出して取得する
• 一括で多数のユーザー分の推薦をまとめて出力するバッチ推論も利用できる
• データセット数・スキーマ・同時学習数・推薦のスループットなどにアカウント単位のクォータがあり、引き上げ申請が可能

具体的な必要データ量・スキーマ要件・クォータ値は更新されるため、最新の公式ドキュメントで確認してください。

内部の仕組み

利用者から見ると、行動データを渡すと AWS 側が推薦モデルを学習し、ユーザー ID を渡すと推薦リストを返すマネージドな仕組みとして扱えます。

• データ取り込み: S3 などからインタラクション・アイテム・ユーザーのデータをデータセットとして読み込む。運用中はイベントトラッカーで新しい行動をリアルタイムに追加できる
• 学習: 選んだレシピ（またはレコメンダーの用途）に基づき、ソリューションバージョンとして学習済みモデルを生成する。新しいデータを反映するには再学習を行う
• デプロイと推論: 学習済みモデルをキャンペーンやレコメンダーとしてデプロイし、リアルタイム API で推薦を取得する。大量ユーザー分はバッチ推論でまとめて出力する
• 継続的な改善: リアルタイムイベントを取り込みつつ定期的に再学習することで、最新の傾向を反映する

アルゴリズムの選定支援や学習基盤、スケーリング、ハードウェア管理はすべて AWS 側が担います。

設計パターン / ベストプラクティス

• まずレコメンダー型を検討: 用途別に最適化されたレコメンダーを使うと、レシピ選定や調整の手間を減らせる。細かく制御したい場合のみカスタムのソリューション・キャンペーンを選ぶ
• リアルタイムイベント連携: イベントトラッカーで最新の行動を取り込み、セッション中の関心の変化を推薦へ反映する
• 用途で取得方式を選ぶ: 画面表示の都度の推薦はリアルタイム API、メール配信やレポートなど事前にまとめて作れるものはバッチ推論
• コールドスタート対策: 新規ユーザーやアイテムにはアイテム・ユーザーの属性（メタデータ）を充実させ、履歴が少ない対象でも推薦できるようにする
• 定期的な再学習: 行動傾向は時間とともに変化するため、再学習をスケジュール化してモデルを陳腐化させない

運用・監視

• 学習ジョブや推薦エンドポイントの状態は CloudWatch のメトリクス・ログで監視する
• API 操作の監査証跡は CloudTrail に記録される
• 学習結果はオフライン指標（推薦の精度を示す評価値）で品質を確認し、ビジネス指標とあわせて効果を検証する
• データ更新と再学習の頻度を運用フローに組み込み、モデルの鮮度を保つ
• 使っていないキャンペーンやレコメンダーは稼働費用がかかるため、不要になったら削除する

コスト

• 課金は主に、データの取り込み量、モデルの学習時間、デプロイした推薦エンドポイントの稼働、および推薦リクエスト量に応じた従量制になる傾向がある
• リアルタイム推薦エンドポイント（キャンペーンやレコメンダー）は稼働している間費用が発生する
• バッチ推論は実行した処理量に応じて課金される

具体的な単価は変動するため、料金は公式の料金ページで確認してください。常時稼働する推薦エンドポイントは使わないときに削除し、必要な分だけ動かすのが安全です。

セキュリティ

• アクセス制御は IAM で行い、学習データの入出力に使う S3 バケットへは最小権限のみを付与する
• 保存データは S3 側の暗号化（KMS 管理鍵を含む）、転送は TLS で保護する
• 行動履歴は個人の嗜好に関わる情報のため、入出力バケットのアクセスポリシーを限定する
• 学習・推論に渡すユーザーデータの取り扱いは、プライバシー要件や社内規程に沿って管理する

Well-Architected の観点

• 運用上の優秀性: マネージドサービスにより推薦システムの構築・運用負荷を下げ、S3・イベントトラッカー・再学習スケジュールでパイプラインを自動化・可観測化できる
• セキュリティ: IAM の最小権限、保存・転送時の暗号化で機密性の高い行動データを保護する
• コスト最適化: 従量課金のため、不要な推薦エンドポイントは削除し、リアルタイムとバッチを用途で使い分ける
• 信頼性: 推薦取得を疎結合に設計し、エンドポイント障害時はフォールバック（人気順など）に切り替えられるようにする

試験で問われるポイント

関連サービス・比較

自由に機械学習モデルを構築・運用できる汎用基盤の Amazon SageMaker と、推薦に特化した Amazon Personalize は迷いやすいため比較します。

ハンズオン / CLI例

# 学習済みモデルをデプロイしたキャンペーンから、特定ユーザーへの推薦を取得
aws personalize-runtime get-recommendations \
  --campaign-arn arn:aws:personalize:ap-northeast-1:123456789012:campaign/my-campaign \
  --user-id "user-001" \
  --num-results 10

# アプリで発生した行動イベントをリアルタイムに投入（イベントトラッカー経由）
aws personalize-events put-events \
  --tracking-id "your-tracking-id" \
  --user-id "user-001" \
  --session-id "session-abc" \
  --event-list '[{"eventType":"click","itemId":"item-123","sentAt":1700000000}]'