Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Pertanyaan yang sering diajukan untuk Amazon Personalize
Berikut ini adalah jawaban atas pertanyaan yang sering diajukan terkait dengan mengimpor data, pelatihan, penerapan model, rekomendasi, dan filter di Amazon Personalize.
Untuk pertanyaan dan jawaban selengkapnya, lihat [Lembar Cheat Amazon Personalize di repositori](https://github.com/aws-samples/amazon-personalize-samples/blob/master/PersonalizeCheatSheet2.0.md) [Amazon](https://github.com/aws-samples/amazon-personalize-samples) Personalize samples.
**Topics**
+ [Impor dan manajemen data](#data-import-questions)
+ [Membuat solusi khusus dan versi solusi](#training-questions)
+ [Penerapan model (kampanye khusus)](#deployment-questions)
+ [Rekomendasi](#recommendations-questions)
+ [Rekomendasi penyaringan](#filters-questions)
## Impor dan manajemen data
*Format apa yang harus dimiliki data massal saya?*
Data massal Anda harus dalam format nilai yang dipisahkan koma (CSV). Baris pertama file CSV Anda harus berisi header kolom. Header kolom dalam file CSV Anda perlu dipetakan ke skema untuk membuat kumpulan data. Jika data Anda menyertakan karakter yang tidak dikodekan ASCII, file CSV Anda harus dikodekan dalam format UTF-8. Jangan lampirkan header dalam tanda kutip (“). `TIMESTAMP`dan `CREATION_TIMESTAMP` data harus dalam format waktu *epoch UNIX*. Untuk informasi selengkapnya tentang data stempel waktu, lihat. [Data stempel waktu](interactions-datasets.md#timestamp-data) Untuk informasi lebih lanjut tentang skema, lihat[Membuat file JSON skema untuk skema Amazon Personalize](how-it-works-dataset-schema.md).
Untuk panduan format data lengkap, lihat[Mempersiapkan data pelatihan untuk Amazon Personalize](preparing-training-data.md). Jika Anda tidak yakin cara memformat data Anda, Anda dapat menggunakan Amazon SageMaker AI Data Wrangler (Data Wrangler) untuk menyiapkan data Anda. Untuk informasi selengkapnya, lihat [Mempersiapkan dan mengimpor data massal menggunakan Amazon SageMaker AI Data Wrangler](preparing-importing-with-data-wrangler.md).
*Berapa banyak data pelatihan yang saya butuhkan?*
Untuk semua kasus penggunaan (Grup kumpulan data Domain) dan resep khusus, data interaksi Anda harus memiliki yang berikut:
+ Minimal 1000 catatan interaksi item dari pengguna yang berinteraksi dengan item di katalog Anda. Interaksi ini dapat berasal dari impor massal, atau acara streaming, atau keduanya.
+ Minimal 25 pengguna unik IDs dengan setidaknya dua interaksi item untuk masing-masing.
Untuk rekomendasi kualitas, kami sarankan Anda memiliki setidaknya 50.000 interaksi item dari setidaknya 1.000 pengguna dengan dua atau lebih interaksi item masing-masing.
Anda dapat memulai dengan kumpulan data interaksi Item kosong dan, ketika Anda telah merekam cukup data, buat pemberi rekomendasi Anda (Grup kumpulan data Domain) atau versi solusi khusus hanya dengan menggunakan peristiwa baru yang direkam. Beberapa resep dan kasus penggunaan mungkin memiliki persyaratan data tambahan. Untuk informasi tentang persyaratan kasus penggunaan, lihat[Memilih kasus penggunaan](domain-use-cases.md). Untuk informasi tentang persyaratan resep, lihat[Memilih resep](working-with-predefined-recipes.md).
*Bagaimana cara memperbarui item atau atribut pengguna?*
Gunakan konsol Amazon Personalize atau [PutUsers](API_UBS_PutUsers.md) operasi [PutItems](API_UBS_PutItems.md) atau untuk mengimpor item atau pengguna dengan ID item yang sama tetapi dengan atribut yang dimodifikasi.
*Bagaimana cara menghapus item atau pengguna?*
Amazon Personalize tidak mendukung penghapusan item atau pengguna tertentu. Untuk memastikan bahwa item atau pengguna tidak muncul dalam rekomendasi, gunakan filter untuk mengecualikan item. Untuk informasi selengkapnya, lihat [Memfilter rekomendasi dan segmen pengguna](filter.md).
*Bagaimana cara menghapus skema?*
Anda dapat menghapus skema hanya dengan [DeleteSchema](API_DeleteSchema.md) operasi. Anda tidak dapat menggunakan konsol Amazon Personalize untuk menghapus skema.
## Membuat solusi khusus dan versi solusi
*Resep apa yang harus saya gunakan?*
Resep Amazon Personalize yang Anda gunakan tergantung pada kasus penggunaan Anda. Untuk informasi tentang pencocokan kasus penggunaan dengan resep, lihat[Memilih resep](working-with-predefined-recipes.md). [Lembar Cheat Amazon Personalize](https://github.com/aws-samples/amazon-personalize-samples/blob/master/PersonalizeCheatSheet2.0.md) juga menyertakan informasi kasus penggunaan dan resep.
*Seberapa sering saya harus berlatih?*
Kami merekomendasikan penggunaan pelatihan otomatis dengan setidaknya frekuensi pelatihan mingguan. Pelatihan otomatis memudahkan Anda untuk mempertahankan relevansi rekomendasi. Frekuensi pelatihan Anda tergantung pada kebutuhan bisnis Anda, resep yang Anda gunakan, dan seberapa sering Anda mengimpor data. Untuk informasi selengkapnya, lihat [Mengkonfigurasi pelatihan otomatis](solution-config-auto-training.md). Untuk informasi tentang menjaga relevansi, lihat[Mempertahankan relevansi rekomendasi](maintaining-relevance.md).
*Haruskah saya menggunakan AutoML?*
Tidak, kami sarankan Anda mencocokkan kasus penggunaan Anda dengan resep Personalisasi Amazon yang berbeda dan memilih resep. Untuk informasi tentang pencocokan kasus penggunaan dengan resep, lihat[Memilih resep](working-with-predefined-recipes.md).
## Penerapan model (kampanye khusus)
*Apa yang harus saya tetapkan untuk minProvisionedTPS kampanye saya?*
Tinggi `minProvisionedTPS` akan meningkatkan biaya Anda. Sebaiknya mulai dengan 1 untuk `minProvisionedTPS` (default). Lacak penggunaan Anda menggunakan CloudWatch metrik Amazon, dan tingkatkan `minProvisionedTPS` seperlunya.
*Bagaimana cara memantau biaya kampanye saya?*
Proyek Amazon Personalize Monitor menyediakan CloudWatch dasbor, metrik khusus, alarm pemanfaatan, dan fungsi pengoptimalan biaya untuk kampanye Amazon Personalize. Lihat [Monitor Personalisasi Amazon](https://github.com/aws-samples/amazon-personalize-monitor) di repositori [Amazon Personalize samples](https://github.com/aws-samples/amazon-personalize-samples).
*Bagaimana cara mengatur throughput transaksi maksimum untuk kampanye?*
Anda hanya dapat mengatur throughput *minimum* untuk kampanye. Saat membuat kampanye Amazon Personalize, Anda menentukan kapasitas transaksi khusus untuk membuat rekomendasi real-time bagi pengguna aplikasi Anda. Jika TPS Anda meningkat lebih dari itu`minProvisionedTPS`, Amazon Personalize secara otomatis menskalakan kapasitas yang disediakan ke atas dan ke bawah, tetapi tidak pernah di bawah. `minProvisionedTPS` Untuk informasi selengkapnya, lihat [Minimum transaksi yang disediakan per detik dan auto-scaling](campaigns.md#min-tps-auto-scaling).
## Rekomendasi
*Bagaimana saya bisa tahu apakah model Amazon Personalize saya menghasilkan rekomendasi kualitas?*
Evaluasi kinerja versi solusi Anda dengan metrik offline dan online (lihat[Mengevaluasi versi solusi Amazon Personalize dengan metrik](working-with-training-metrics.md)) dan pengujian online (seperti A/B testing). For more information about A/B pengujian, lihat[Mengukur dampak rekomendasi dengan A/B pengujian](ab-testing-recommendations.md).
*Bagaimana cara menghapus pekerjaan inferensi batch saya dan mengapa statusnya “aktif”?*
Anda tidak dapat menghapus pekerjaan inferensi batch. Ketika status pekerjaan inferensi batch *aktif*, pekerjaan selesai. Anda dapat mengakses rekomendasi Anda di bucket atau folder Amazon S3 keluaran. Anda tidak akan dikenakan biaya tambahan dari pekerjaan inferensi batch setelah pekerjaan selesai. Namun Anda mungkin dikenakan biaya tambahan dari layanan lain seperti Amazon S3 untuk penyimpanan data input dan output.
*Mengapa kampanye yang didukung SIM saya merekomendasikan item yang tidak serupa berdasarkan metadata?*
SIMS menggunakan kumpulan data interaksi Item Anda untuk menentukan kesamaan; bukan metadata item seperti warna atau harga. SIMS mengidentifikasi kemunculan bersama item dalam riwayat pengguna di kumpulan data Interaksi Anda untuk merekomendasikan item serupa. Untuk informasi selengkapnya, lihat [Resep SIMS](native-recipe-sims.md).
*Bisakah saya mendapatkan lebih dari 500 item dari satu operasi GetRecommendations API?*
500 adalah jumlah maksimum item yang dapat Anda ambil dalam satu[GetRecommendations](API_RS_GetRecommendations.md). Nilai ini tidak dapat ditingkatkan.
## Rekomendasi penyaringan
*Mengapa rekomendasi saya tidak difilter seperti yang diharapkan?*
Hal ini dapat terjadi karena berbagai alasan:
+ Mungkin ada masalah dengan format atau sintaks ekspresi filter Anda. Untuk contoh ekspresi filter yang diformat dengan benar, lihat[Contoh ekspresi filter](filter-expression-examples.md).
+ Amazon Personalize mempertimbangkan hingga 100 interaksi terbaru per pengguna per jenis acara. Ini adalah kuota yang dapat disesuaikan. Anda dapat meminta peningkatan kuota menggunakan konsol [Service Quotas](https://console.aws.amazon.com/servicequotas/). Jika Anda tidak mengimpor interaksi item untuk pengguna selama tiga bulan, filter Anda tidak lagi mempertimbangkan data historis pengguna. Untuk mempertimbangkan data ini, Anda harus mengimpor seluruh riwayat peristiwa pengguna lagi.
Untuk informasi selengkapnya, lihat [Memfilter rekomendasi dan segmen pengguna](filter.md).
*Bagaimana saya bisa menghapus barang yang sudah dibeli dari rekomendasi?*
Untuk grup kumpulan data Domain ECOMMERCE, jika Anda membuat pemberi rekomendasi dengan kasus [Direkomendasikan untuk Anda](ECOMMERCE-use-cases.md#recommended-for-you-use-case) atau [Pelanggan yang melihat X juga melihat](ECOMMERCE-use-cases.md#customers-also-viewed-use-case) penggunaan, Amazon Personalize secara otomatis memfilter item yang dibeli pengguna berdasarkan userID yang Anda tentukan dan peristiwa. `Purchase`
Untuk kasus penggunaan grup kumpulan data Domain lainnya atau sumber daya khusus, gunakan filter untuk menghapus item yang dibeli. Tambahkan atribut tipe `Purchased` peristiwa ke data Anda, rekam peristiwa *Pembelian* dengan `PutItems` operasi, dan buat filter yang menghapus item yang dibeli dari rekomendasi. Contoh:
```
EXCLUDE ItemID WHERE Interactions.EVENT_TYPE IN ("purchased")
```
Lihat informasi yang lebih lengkap di [Memfilter rekomendasi dan segmen pengguna](filter.md).