Teilen über


Was ist die Personalisierung?

Wichtig

Ab dem 20. September 2023 können Sie keine neuen Personalisierungsressourcen mehr erstellen. Der Personalisierungsdienst wird am 1. Oktober 2026 eingestellt.

Die Azure KI Personalisierung ist ein KI-Dienst, mit dessen Hilfe Ihre Anwendungen dank Verstärkungslernen in großem Stil intelligentere Entscheidungen treffen können. Die Personalisierung verarbeitet Informationen zum Zustand Ihrer Anwendung, dem Szenario und/oder den Benutzern (Kontexte) sowie einer Reihe möglicher Entscheidungen und verwandter Attribute (Aktionen), um die beste Entscheidung zu treffen. Feedback von Ihrer Anwendung (Relevanz) wird an die Personalisierung gesendet, um zu erfahren, wie Sie ihre Entscheidungsfähigkeit nahezu in Echtzeit verbessern können.

Die Personalisierung kann in einer Vielzahl von Szenarien die besten Aktionen zum Ausführen bestimmen:

  • E-Commerce: Welches Produkt soll Kunden angezeigt werden, um die Wahrscheinlichkeit eines Kaufs zu maximieren?
  • Inhaltsempfehlung: Welcher Artikel sollte angezeigt werden, um die Durchklickrate (Click-Through-Rate) zu erhöhen?
  • Inhaltsdesign: Wo sollte eine Werbung platziert werden, um die Benutzerbindung auf einer Website zu optimieren?
  • Kommunikation: Wann und wie sollte eine Benachrichtigung gesendet werden, um die Chance auf eine Antwort zu maximieren?

Um mit der Personalisierung zu beginnen, folgen Sie dem Schnellstarthandbuch oder testen Sie die Personalisierung in Ihrem Browser mit dieser interaktiven Demo.

Diese Dokumentation enthält die folgenden Arten von Artikeln:

  • Schnellstarts bieten schrittweise Anweisungen, um Sie durch Setup- und Beispielcode zu führen, um API-Anforderungen an den Dienst zu erstellen.
  • Schrittanleitungen zum Verwenden von Features und erweiterten Funktionen der Personalisierung enthalten Anweisungen.
  • Codebeispiele veranschaulichen, wie Sie die Personalisierung verwenden, und helfen Ihnen, komfortabel eine Schnittstelle Ihrer Anwendung mit dem Dienst zu realisieren.
  • Tutorials sind längere exemplarische Vorgehensweisen, in denen die Personalisierung als Teil einer breiteren Geschäftslösung implementiert wird.
  • Konzepte bieten weitere Details zu Features, Funktionen und Grundlagen der Personalisierung.

Wie funktioniert die Personalisierung?

Die Personalisierung verwendet Verstärkungslernen, um die beste Aktion für einen bestimmten Kontext für alle Benutzer auszuwählen, um den Durchschnitt der Relevanz zu maximieren.

  • Kontext: Informationen, die den Zustand Ihrer Anwendung, Ihres Szenarios oder Benutzers beschreiben, die für das Treffen einer Entscheidung relevant sein können.
    • Beispiel: Der Standort, der Gerätetyp, das Alter und die bevorzugten Themen der Benutzer, die eine Website besuchen.
  • Aktionen: Eine diskrete Gruppe von Elementen, die ausgewählt werden können, zusammen mit Attributen, die jedes Element beschreiben.
    • Beispiel: Eine Reihe von Nachrichtenartikeln und die Themen, die in jedem Artikel behandelt werden.
  • Relevanz: Eine numerische Bewertung zwischen 0 und 1, die angibt, ob die Entscheidung schlecht (0) oder gut (1) war.
    • Beispiel: Eine „1“ gibt an, dass ein Benutzer auf den vorgeschlagenen Artikel geklickt hat, während eine „0“ bedeutet, dass der Benutzer dies nicht getan hat.

Rang- und Belohnungs-APIs

Die Personalisierung ermöglicht es Ihnen, die Leistungsfähigkeit und Flexibilität von Verstärkungslernen mithilfe von nur zwei primären APIs zu nutzen.

Die Rang-API wird von Ihrer Anwendung immer dann aufgerufen, wenn eine Entscheidung zu treffen ist. Die Anwendung sendet eine JSON, die eine Reihe von Aktionen enthält sowie Features, die jede Aktion beschreiben, und Features, die den aktuellen Kontext beschreiben. Jeder Aufruf der Rang-API wird als Ereignis bezeichnet und mit einer eindeutigen Ereignis-ID gekennzeichnet. Die Personalisierung gibt dann die ID der besten Aktion zurück, die den Gesamtdurchschnitt der Relevanz maximiert, wie vom zugrunde liegenden Modell bestimmt.

Die Belohnungs-API wird von Ihrer Anwendung aufgerufen, wenn Feedback vorhanden ist, das der Personalisierung helfen kann zu erfahren, ob die im Rang-Aufruf zurückgegebene Aktions-ID einen Wert darstellt. Beispielsweise, wenn ein Benutzer auf den vorgeschlagenen Nachrichtenartikel klickt oder den Kauf eines vorgeschlagenen Produkts abgeschlossen hat. Ein Aufruf an die Relevanz-API kann in Echtzeit (direkt nach Abschluss des Rangaufrufs) erfolgen oder verzögert werden, wenn dies besser zu den Anforderungen des Szenarios passt. Die Relevanzbewertung bestimmt Ihre Geschäftsmetriken und -ziele und kann von einem Algorithmus oder Regeln in Ihrer Anwendung generiert werden. Die Bewertung ist eine reelle Zahl zwischen 0 und 1.

Lernmodi

  • Ausbildungsmodus Ähnlich wie ein Lehrling ein Handwerk erlernt, indem er einen Experten beobachtet, ermöglicht es der Ausbildungsmodus der Personalisierung, die aktuelle Entscheidungslogik Ihrer Anwendung zu beobachten. Dies hilft Ihnen, das so genannte "Kaltstart"-Problem bei einem neuen untrainierten Modell zu verringern, und ermöglicht Ihnen das Überprüfen der Aktionen und Kontextfeatures, die an die Personalisierung gesendet werden. Im Ausbildungsmodus gibt jeder Aufruf der Rang-API die Basisaktion oder Standardaktion zurück, also die Aktion, die die Anwendung ohne Verwendung der Personalisierung durchgeführt hätte. Diese wird von Ihrer Anwendung an die Personalisierung in der Rang-API gesendet, als erstes Element in der Reihe möglicher Aktionen.

  • Onlinemodus Die Personalisierung gibt die in Anbetracht des Kontexts beste Aktion zurück, wie sie durch das zugrunde liegende RL-Modell bestimmt wird, und untersucht andere mögliche Aktionen, die die Leistung verbessern können. Die Personalisierung lernt aus dem Feedback, das in Aufrufen der Relevanz-API bereitgestellt wird.

Beachten Sie, dass die Personalisierung über alle Benutzer ermittelte Sammelinformationen verwendet, um die besten Aktionen auf der Grundlage des aktuellen Kontexts zu lernen. Diese Aktionen führt der Dienst nicht aus:

  • Speichern und Verwalten von Benutzerprofilinformationen. Es sollten keine eindeutigen Benutzer-IDs an die Personalisierung gesendet werden.
  • Protokollieren von Einstellungen oder Verlaufsdaten einzelner Benutzer.

Beispielszenarien

Hier sehen Sie einige Beispiele, in denen die Personalisierung dazu verwendet werden kann, die besten Inhalte zur Anzeige für einen Benutzer auszuwählen.

Inhaltstyp Aktionen {features} Kontextfeatures Zurückgegebene Relevanzaktion-ID
(anzuzeigender Inhalt)
News-Artikel a. The president..., {national, politics, [Text]}
b. Premier League ... {global, sports, [Text, Bild, Video]}
c. Hurricane in the ... {regional, weather, [Text,Bild]}
Country='USA',
Recent_Topics=('Politik', 'Geschäft'),
Month='October'
a The president...
Movies 1. Star Wars {1977, [Action, Abenteuer, Fantasy], George Lucas}
2. Hoop Dreams {1994, [Dokumentation, Sport], Steve James}
3. Casablanca {1942, [Romanze, Drama, Krieg], Michael Curtiz}
Device='smart TV',
Screen_Size='large',
Favorite_Genre='classics'
3. Casablanca
E-Commerce-Produkte i. Product A {3 kg, $$$$, Lieferung in 1 Tag}
ii. Product B {20 kg, $$, Lieferung in 7 Tagen}
iii. Product C {3 kg, $$$, Lieferung in 2 Tagen}
Device='iPhone',
Spending_Tier='low',
Month='June'
ii. Product B

Anforderungen für das Szenario

Verwenden Sie die Personalisierung, wenn auf Ihr Szenario Folgendes zutrifft:

  • Es weist in jedem Personalisierungsereignis eine begrenzte Anzahl von Aktionen oder Elementen auf, die zur Wahl stehen. Wir empfehlen nicht mehr als ~50 Aktionen in jedem Aufruf der Rang-API. Wenn Sie über eine größere Gruppe möglicher Aktionen verfügen, empfehlen wir die Verwendung eines Empfehlungsmoduls oder eines anderen Mechanismus, um die Liste der Aktionen vor dem Aufrufen der Rang-API zu reduzieren.
  • Informationen zur Beschreibung der Aktionen (Aktionsfeatures).
  • Informationen zur Beschreibung des aktuellen Kontexts (kontextbezogene Features).
  • Ausreichendes Datenvolumen, damit die Personalisierung lernen kann. Im Allgemeinen empfehlen wir mindestens ~1.000 Ereignisse pro Tag, um der Personalisierung ein effektives Lernen zu ermöglichen. Wenn die Personalisierung nicht ausreichend Daten empfängt, benötigt der Dienst länger zum Bestimmen der besten Aktionen.

Verantwortungsvolle Verwendung von KI

Microsoft engagiert sich für die Weiterentwicklung von KI auf der Grundlage von Prinzipien, die den Menschen in den Mittelpunkt stellen. KI-Modelle wie diejenigen, die im Personalisierungsdienst zur Verfügung stehen, bieten potenziell bedeutende Vorteile, aber ohne ein sorgfältiges Design und eine durchdachte Risikominderung können solche Modelle auch falsche oder sogar schädliche Inhalte erzeugen. Microsoft hat erhebliche Investitionen getätigt, um Missbrauch und unbeabsichtigte Schäden zu verhindern. Dazu gehören die Prinzipien von Microsoft für eine verantwortungsvolle KI-Nutzung, die Erstellung von Inhaltsfiltern zur Unterstützung der Kunden und die Bereitstellung von Anleitungen für eine verantwortungsvolle KI-Implementierung für neue Kunden. Weitere Informationen finden Sie in der Dokumentation zur verantwortungsvollen KI für die Personalisierung.

Integrieren der Personalisierung in eine Anwendung

  1. Entwerfen und planen Sie die Aktionen und den Kontext. Bestimmen Sie, wie Feedback als Belohnungsbewertung interpretiert werden soll.

  2. Jede Personalisierungsressource, die Sie erstellen, ist als eine Lernschleife definiert. Die Schleife empfängt sowohl jeweils den Rangfolge- als auch den Belohnungsaufruf für den jeweiligen Inhalt oder die Benutzererfahrung und trainiert ein zugrunde liegendes RL-Modell. Dabei handelt es sich um:

    Ressourcentyp Zweck
    Ausbildungsmodus - E0 Trainieren Sie die Personalisierung, um Ihre aktuelle Entscheidungslogik zu imitieren, ohne Einfluss auf Ihre vorhandene Anwendung zu nehmen, bevor Sie den Onlinemodus verwenden, um in einer Produktionsumgebung bessere Richtlinien zu lernen.
    Onlinemodus: Standard, S0 Die Personalisierung verwendet RL, um die besten Aktionen in der Produktion zu bestimmen.
    Onlinemodus: Kostenlos, F0 Testen Sie die Personalisierung begrenzten Nicht-Produktionsumgebung.
  3. Fügen Sie die Personalisierung Ihrer Anwendung, der Website oder dem System hinzu:

    1. Fügen Sie in Ihrer Anwendung, auf Ihrer Website oder in Ihrem System einen Rang-Aufruf an die Personalisierung hinzu, um die beste Aktion zu bestimmen.

    2. Verwenden Sie die beste Aktion, die in Ihrem Szenario durch die Relevanz-Aktions-ID angegeben ist.

    3. Wenden Sie Geschäftslogik auf Benutzerverhalten oder Feedbackdaten an, um die Relevanzbewertung zu bestimmen. Beispiel:

      Verhalten Berechnete Relevanzbewertung
      Der Benutzer hat einen Nachrichtenartikel ausgewählt, der von der Personalisierung vorgeschlagen wurde 1
      Der Benutzer hat einen Nachrichtenartikel ausgewählt, der nicht von der Personalisierung vorgeschlagen wurde 0
      Der Benutzer hat gezögert, einen Nachrichtenartikel auszuwählen, hat unentschieden herumgescrollt und schließlich den von der Personalisierung vorgeschlagenen Nachrichtenartikel ausgewählt. 0,5
    4. Fügen Sie einen Relevanz-Aufruf hinzu, bei dem eine Relevanzbewertung zwischen 0 und 1 gesendet wird.

      • Unmittelbar nach Erhalt des Feedbacks.
      • Oder später in Szenarien, in denen verzögertes Feedback erwartet wird.
    5. Bewerten Sie Ihre Schleife mit einer Offlinebewertung nach einem Zeitraum, in dem die Personalisierung entscheidende Daten erhalten hat, um Onlineentscheidungen zu treffen. Bei der Offlineauswertung können Sie die Wirksamkeit des Personalisierungsdiensts testen und beurteilen, ohne Ihren Code zu ändern oder die Benutzererfahrung zu beeinträchtigen.

Nächste Schritte