AWS descrive l’architettura di un sistema Next-Best-Product (NBP) per il banking costruito con Amazon SageMaker AI e PyTorch. Il problema è noto: le banche hanno storici di transazioni, prodotti posseduti, dati demografici e comportamentali, ma i sistemi rule-based e il collaborative filtering faticano a catturare i pattern temporali con cui i clienti adottano i prodotti. Il post è una panoramica architetturale, non una guida passo-passo.
Architettura multi-tower
Il modello usa quattro “tower” specializzate, ognuna dedicata a un tipo di dato: una Sequence Tower con GRU a 2 layer per la storia di adozione prodotti, e tre MLP per transazioni, dati del cliente e segmenti comportamentali. Forzare dati così diversi negli stessi layer sprecherebbe capacità del modello; separarli lascia specializzare ciascuna tower.
Il cuore dell’explainability è il meccanismo di attention appresa che fonde gli output delle tower. I pesi sono per-cliente: un cliente con storico transazionale ricco ottiene un peso alto sulla transaction tower, un nuovo cliente con pochi movimenti ma demografia chiara pesa di più sulla customer tower. Un Feature Importance Module produce, come parte del forward pass, punteggi che sommano a 1.0, generando spiegazioni del tipo “per questo cliente, il 40% della raccomandazione deriva dalla sequenza prodotti, il 30% dai pattern transazionali”. Questo evita di ricorrere a metodi post-hoc come SHAP o LIME e fornisce l’explainability richiesta dai regolatori bancari.
Scelte di design
Gli autori motivano le scelte: GRU invece di LSTM perché su sequenze brevi (20 elementi o meno) rende in modo comparabile con circa un terzo di parametri in meno; GRU invece dei Transformer in produzione per interpretabilità più chiara, niente attention quadratica e un modello più piccolo (circa 5 MB contro 15 MB). Le feature transazionali usano finestre temporali multiple (7, 30, 60, 180 e 365 giorni) per catturare intenti immediati e pattern stagionali.
Sul fronte operativo: training su istanze ml.g5.12xlarge, ETL con AWS Glue su PySpark, storage in Parquet compresso su S3, orchestrazione con SageMaker Pipelines e retraining mensile con deploy condizionato al miglioramento delle metriche. Il modello in produzione, riferisce il post, colloca costantemente il prodotto corretto tra le prime tre raccomandazioni.
In sintesi
- Architettura multi-tower con attention appresa: accuratezza ed explainability per-cliente senza metodi post-hoc.
- GRU preferito a LSTM e Transformer per sequenze brevi, interpretabilità e footprint ridotto.
- Pipeline end-to-end su SageMaker con retraining mensile condizionato alle metriche.
Fonte: Build an explainable next-best-product recommendation system for banking on AWS — https://aws.amazon.com/blogs/machine-learning/build-an-explainable-next-best-product-recommendation-system-for-banking-on-aws/
Hai qualcosa da aggiungere? Unisciti alla discussione.