Személyre szabás automatikus optimalizálása (előzetes verzió)
Fontos
2023. szeptember 20-tól nem hozhat létre új Personalizer-erőforrásokat. A Personalizer szolgáltatás 2026. október 1-jén megszűnik.
Bevezetés
A Personalizer automatikus optimalizálása manuális erőfeszítést takarít meg, hogy a Personalizer-ciklus a legjobb gépi tanulási teljesítményt nyújtsa azáltal, hogy automatikusan megkeresi a modellek betanításához és alkalmazásához használt továbbfejlesztett tanulási beállításokat. A Personalizer szigorú feltételekkel rendelkezik az új tanulási beállítások alkalmazásához a fejlesztések érdekében, nem valószínű, hogy veszteségessé teszi a jutalmakat.
A Személyre szabás automatikus optimalizálása nyilvános előzetes verzióban érhető el, és a felhasználói visszajelzések alapján változnak a funkciók, a megközelítések és a folyamatok.
Mikor érdemes használni az automatikus optimalizálást?
A legtöbb esetben a legjobb megoldás az automatikus optimalizálás bekapcsolása. Az automatikus optimalizálás alapértelmezés szerint be van kapcsolva az új Personalizer-hurkok esetében.
Az automatikus optimalizálás a következő helyzetekben segíthet:
- Számos bérlő által használt alkalmazásokat hozhat létre, és mindegyik saját Personalizer-ciklust kap; Ha például több e-kereskedelmi webhelyet üzemeltet. Az automatikus optimalizálás lehetővé teszi, hogy elkerülje a sok Personalizer-hurok tanulási beállításainak finomhangolásához szükséges manuális erőfeszítést.
- Üzembe helyezte a Personalizert, és igazolta, hogy jól működik, jó jutalmakat kap, és meggyőződett arról, hogy nincsenek hibák vagy problémák a funkciókban.
Feljegyzés
Az automatikus optimalizálás időnként felülírja a Személyre szabás tanulási beállításait. Ha a használati eset vagy iparág megköveteli a modellek és beállítások naplózását és archiválását, vagy ha biztonsági másolatra van szüksége a korábbi beállításokról, a Personalizer API-val lekérheti a tanulási beállításokat, vagy letöltheti őket az Azure Portalon.
Az automatikus optimalizálás engedélyezése és letiltása
Az automatikus optimalizálás engedélyezéséhez használja a kapcsolót az Azure Portal "Modell és tanulási beállítások" paneljén.
Másik lehetőségként aktiválhatja az Automatikus optimalizálás szolgáltatást a Personalizer /configurations/service API használatával.
Az automatikus optimalizálás letiltásához kapcsolja ki a kapcsolót.
Jelentések automatikus optimalizálása
A Modell- és tanulási beállítások panelen megtekintheti az automatikus optimalizálások előzményeit és az egyes műveleteken végrehajtott műveletet.
A táblázat a következőt mutatja:
- Amikor automatikus optimalizálási futtatás történt,
- Milyen adatablak volt benne,
- Mi volt az online, az alapkonfiguráció és a legjobban talált tanulási beállítások jutalomteljesítménye?
- Végrehajtott műveletek: ha a tanulási beállítások frissültek vagy sem.
A különböző tanulási beállítások jutalomteljesítménye minden automatikus optimalizálási előzménysorban abszolút számokban és az alapkonfiguráció teljesítményéhez viszonyított százalékos értékekben jelenik meg.
Példa: Ha az alapkonfiguráció átlagos jutalmát 0,20-ra becsülik, és az online Personalizer viselkedése 0,30-at ér el, ezek 100%-os, illetve 150%-os értékként jelennek meg. Ha az automatikus optimalizálás olyan tanulási beállításokat talált, amelyek képesek 0,40 átlagos jutalom elérésére, akkor az 200% -ként jelenik meg (0,40 a 0,20 200%-a). Feltéve, hogy a megbízhatósági margók lehetővé teszik, az új beállítások lesznek alkalmazva, és ezek a következő futtatásig online beállításokként vezetik a Personalizert.
Az elemzéshez legfeljebb 24 korábbi automatikus optimalizálás-futtatás szerepel. Ezekről az offline értékelésekről és jelentésekről további részleteket is megtudhat. A jelentések emellett az előzményekben található tanulási beállításokat is tartalmazzák, amelyeket megtalálhat, letölthet vagy alkalmazhat.
Hogyan működik?
A Personalizer folyamatosan betanítja az általa használt AI-modelleket a jutalmak alapján. Ez a betanítás néhány tanulási beállítás után történik, amelyek hiperparamétereket és a betanítási folyamat során használt egyéb értékeket tartalmaznak. Ezek a tanulási beállítások az adott Personalizer-példányra "hangolhatók".
A Personalizer offline kiértékelések elvégzésére is képes. Az offline értékelések a múltbeli adatokat vizsgáljuk, és statisztikai becslést készíthetnek arról az átlagos jutalomról, amelyet a Personalizer különböző algoritmusok és modellek érhettek el. A folyamat során a Personalizer a jobb tanulási beállításokat is megkeresi, és megbecsüli a teljesítményüket (hány jutalmat kaptak volna) az elmúlt időszakban.
Gyakoriság automatikus optimalizálása
Az automatikus optimalizálás rendszeres időközönként fut, és a múltbeli adatok alapján elvégzi az automatikus optimalizálási műveletet
- Ha az alkalmazás az elmúlt két hétben körülbelül 20 Mb-nál több adatot küld a Personalizernek, az utolsó két hét adatait fogja használni.
- Ha az alkalmazás ennél kevesebbet küld, a Personalizer addig ad hozzá adatokat az előző napokból, amíg nincs elegendő adat az optimalizálásra, vagy eléri a legkorábbi tárolt adatokat (a napok adatmegőrzési számáig).
Az automatikus optimalizálás futásának pontos idejét és napjait a Personalizer szolgáltatás határozza meg, és idővel ingadozni fog.
A tanulási beállítások frissítésének feltételei
A Personalizer ezeket a jutalombecsléseket használja annak eldöntésére, hogy módosítja-e mások aktuális tanulási beállításait. Minden becslés egy eloszlási görbe, amelynek felső és alsó 95%-os megbízhatósági határa van. A Personalizer csak akkor alkalmazza az új tanulási beállításokat, ha:
- Magasabb átlagos jutalmakat mutattak a kiértékelési időszakban, ÉS
- A 95%-os megbízhatósági intervallum alsó határa magasabb, mint az online tanulási beállítások 95%-os megbízhatósági intervallumának alsó határa. Ezt a kritériumot, hogy maximalizálja a jutalom javulását, miközben megpróbálja kiküszöbölni a jövőbeli jutalmak elvesztésének valószínűségét, a Personalizer kezeli, és a seldoni algoritmusokban és az AI-biztonságban végzett kutatásokból merít.
Az automatikus optimalizálás korlátozásai
A Personalizer automatikus optimalizálása az elmúlt időszak kiértékelésére támaszkodik a jövőbeli teljesítmény becsléséhez. Előfordulhat, hogy a világ, az alkalmazás és a felhasználók külső tényezői miatt a Personalizer elmúlt időszakra vonatkozó modelljeire vonatkozó becslések és előrejelzések nem reprezentatívak a jövőre nézve.
Az automatikus optimalizálási előzetes verzió nem érhető el azokhoz a Személyre szabási hurkokhoz, amelyek engedélyezték a többhelyes személyre szabási API előzetes verzióját.