개요
Discovering Hot Topics Using Machine Learning 솔루션은 제품, 정책, 이벤트 및 브랜드와 관련하여 가장 지배적인 주제를 식별합니다. 새로운 성장 기회에 신속하게 대응하고, 부정적인 브랜드 연관 관계를 해결하고, 비즈니스에 대한 더 높은 수준의 고객 만족도를 제공하는 데 도움이 됩니다. 이 솔루션은 브랜드에 대한 고객의 평가를 파악하는 데 도움이 될 뿐만 아니라 비즈니스와 관련된 주제에 대한 인사이트를 제공합니다.
이 솔루션은 다음 소스에서 자동으로 데이터를 모으는 AWS CloudFormation 템플릿을 배포합니다.
- RSS 뉴스 피드
- 동영상에 연결된 YouTube 댓글
- Reddit(관심 서브레딧의 댓글)
- JSON 또는 XLSX 형식의 사용자 지정 데이터
이점
AWS Well-Architected 프레임워크 방법론으로 개발된 AWS CloudFormation 템플릿을 사용하여 클릭 한 번으로 안전하게 배포할 수 있습니다.
텍스트 및 이미지를 포함한 스트리밍 데이터를 수집한 다음, 실시간에 가까운 속도로 분석합니다. 주제 모형화를 통해 지배적 주제를 탐지하고 고객 피드백 내에서 집합적으로 주제를 형성하는 용어들을 식별합니다.
Amazon Translate를 사용하여 여러 언어로 된 데이터를 수집합니다. 고객이 말할 때의 감정을 파악하고 상황별 시맨틱 검색을 사용하여 온라인 대화의 성격을 이해합니다.
사전 구축된 Amazon QuickSight 대시보드를 시작하여 솔루션의 대규모 고객 분석을 시각화합니다. 거의 실시간으로 인사이트를 식별하여 컨텍스트, 위협, 기회를 거의 즉시 더 잘 이해할 수 있습니다.
기술 세부 정보
구현 가이드 및 함께 제공되는 AWS CloudFormation 템플릿을 사용하여 이 아키텍처를 자동으로 배포할 수 있습니다.
이러한 구성 요소는 AWS Well-Architected Framework 및 AWS Well-Architected Pillars(운영 우수성, 보안, 신뢰성, 성능 효율성 및 비용 최적화)를 사용하여 구축되었기 때문에 인프라의 보안, 고성능, 복원력 및 효율성이 보장됩니다.
1단계 - 수집
AWS Lambda 함수, Amazon DynamoDB 및 Amazon EventBridge가 소셜 미디어 및 RSS 피드를 수집하고 관리합니다. YouTube 댓글 및 RSS 뉴스 피드 및 Amazon Simple Storage Service(S3) 버킷을 사용한 사용자 지정 수집에 대한 자세한 참조 아키텍처 다이어그램은 구현 가이드를 참조하세요.
2단계 - 데이터 스트림
Amazon Kinesis Data Streams를 통해 데이터가 버퍼링되어 복원력을 제공하고 수신 요청을 조절합니다. Kinesis Data Streams에는 피드 처리 중에 모든 오류를 포착하는 DLQ가 구성되어 있습니다.
3단계 - 워크플로
Kinesis Data Streams의 소비자(Lambda 함수)는 AWS Step Functions 워크플로를 시작하여 Amazon Translate, Amazon Comprehend, Amazon Rekognition을 포함한 Amazon Machine Learning 기능을 오케스트레이션합니다.
4단계 - 통합
추론 데이터는 EventBridge를 사용하는 이벤트 중심 아키텍처를 통해 스토리지 구성 요소와 통합됩니다. EventBridge는 규칙을 구성하여 추가적인 대상을 추가할 수 있는 사용자 지정을 허용합니다.
5단계 - 저장 및 시각화
Amazon Kinesis Data Firehose, S3 버킷, AWS Glue 테이블, Amazon Athena, Amazon QuickSight의 조합이 저장 및 시각화를 제공합니다.
1단계 - 수집
AWS Lambda 함수, Amazon DynamoDB 및 Amazon EventBridge가 소셜 미디어 및 RSS 피드를 수집하고 관리합니다. YouTube 댓글 및 RSS 뉴스 피드 및 Amazon Simple Storage Service(S3) 버킷을 사용한 사용자 지정 수집에 대한 자세한 참조 아키텍처 다이어그램은 구현 가이드를 참조하세요.
2단계 - 데이터 스트림
Amazon Kinesis Data Streams를 통해 데이터가 버퍼링되어 복원력을 제공하고 수신 요청을 조절합니다. Kinesis Data Streams에는 피드 처리 중에 모든 오류를 포착하는 DLQ가 구성되어 있습니다.
3단계 - 워크플로
Kinesis Data Streams의 소비자(Lambda 함수)는 AWS Step Functions 워크플로를 시작하여 Amazon Translate, Amazon Comprehend, Amazon Rekognition을 포함한 Amazon Machine Learning 기능을 오케스트레이션합니다.
4단계 - 통합
추론 데이터는 EventBridge를 사용하는 이벤트 중심 아키텍처를 통해 스토리지 구성 요소와 통합됩니다. EventBridge는 규칙을 구성하여 추가적인 대상을 추가할 수 있는 사용자 지정을 허용합니다.
5단계 - 저장 및 시각화
Amazon Kinesis Data Firehose, S3 버킷, AWS Glue 테이블, Amazon Athena, Amazon QuickSight의 조합이 저장 및 시각화를 제공합니다.
관련 콘텐츠
이 블로그 게시물에서는 Discovering Hot Topics using Machine Learning 솔루션을 사용하여 소셜 미디어 피드에서 인사이트를 도출함으로써 빠르게 변화하는 성장 기회를 활용하고, 부정적 감정을 해결하며, 고객 만족도를 개선하는 방법을 알려줍니다. 설명을 위해 미디어 및 엔터테인먼트 산업의 비즈니스 사용 사례를 소개합니다.