A Personalizer tanulási ciklusának konfigurálása
Fontos
2023. szeptember 20-tól nem hozhat létre új Personalizer-erőforrásokat. A Personalizer szolgáltatás 2026. október 1-jén megszűnik.
A szolgáltatáskonfiguráció tartalmazza, hogy a szolgáltatás hogyan kezeli a jutalmakat, milyen gyakran vizsgálja meg a szolgáltatást, milyen gyakran tanítja újra a modellt, és mennyi adatot tárol.
Konfigurálja a tanulási ciklust a Konfiguráció lapon, az Azure Portalon az adott Personalizer-erőforráshoz.
Konfigurációmódosítások tervezése
Mivel néhány konfigurációs módosítás alaphelyzetbe állítja a modellt, érdemes megterveznie a konfiguráció módosításait.
Ha a Apprentice módot tervezi használni, ellenőrizze a Personalizer konfigurációját, mielőtt a Apprentice módra váltana.
A modell alaphelyzetbe állítását tartalmazó beállítások
Az alábbi műveletek a modell újratanítását indítják el az elmúlt 2 napban rendelkezésre álló adatok használatával.
- Jutalom
- Feltárás
Az összes adat törléséhez használja a Modell és a Tanulás beállításai lapot.
Jutalmak konfigurálása a visszajelzési ciklushoz
Konfigurálja a szolgáltatást a tanulási ciklus jutalomhasználatához. Az alábbi értékek módosításai visszaállítják az aktuális Personalizer-modellt, és újratanítást hajtanak végre az elmúlt 2 nap adataival.
| Érték | Cél |
|---|---|
| Jutalom várakozási ideje | Meghatározza, hogy a Personalizer mennyi ideig gyűjt jutalomértékeket egy ranghíváshoz, attól kezdve, hogy a Rang hívás történik. Ez az érték úgy van beállítva, hogy megkérdezi: "Mennyi ideig kell a Personalizer megvárni a jutalomhívásokat?" Az ablak után érkező jutalmak naplózásra kerülnek, de tanulásra nem használhatók. |
| Alapértelmezett jutalom | Ha a Personalizer nem kap jutalomhívást a Rang híváshoz társított Jutalom várakozási idő időszaka alatt, a Personalizer hozzárendeli az alapértelmezett jutalmat. Alapértelmezés szerint, és a legtöbb forgatókönyvben a Default Reward értéke nulla (0). |
| Jutalom aggregáció | Ha több jutalom is érkezik ugyanahhoz a Rank API-híváshoz, a rendszer ezt az összesítési módszert használja: összeg vagy legkorábbi. A legkorábbi érték a kapott legkorábbi pontszámot választja ki, és elveti a többit. Ez akkor hasznos, ha egyedi jutalomra van szüksége az esetleg ismétlődő hívások között. |
Az értékek módosítása után mindenképpen válassza a Mentés lehetőséget.
A feltárás konfigurálása a tanulási ciklus alkalmazkodásának engedélyezéséhez
A személyre szabás képes új mintákat felderíteni, és alkalmazkodni a felhasználói viselkedés időbeli változásaihoz úgy, hogy alternatív megoldásokat keres a betanított modell előrejelzése helyett. A feltárási érték határozza meg, hogy a ranghívások hány százaléka fogadható a feltárással.
Az érték módosítása visszaállítja az aktuális Personalizer-modellt, és újratanítást hajt végre az elmúlt 2 nap adataival.
Az érték módosítása után mindenképpen válassza a Mentés lehetőséget.
Modellfrissítési gyakoriság konfigurálása a modell betanításához
A modellfrissítés gyakorisága határozza meg a modell betanításának gyakoriságát.
| Gyakorisági beállítás | Cél |
|---|---|
| 1 perc | Az egyperces frissítési gyakoriságok akkor hasznosak, ha egy alkalmazás kódját a Personalizer használatával hibakereséssel , bemutatókkal vagy gépi tanulási szempontok interaktív teszteléséhez használják. |
| 15 perc | A magas modellfrissítési gyakoriságok olyan helyzetekben hasznosak, amikor szorosan nyomon szeretné követni a felhasználói viselkedés változásait . Ilyenek például az élő híreken, vírustartalmakon vagy élő terméklicencián futó webhelyek. Ezekben a forgatókönyvekben 15 perces gyakoriságot használhat. |
| 1 óra | A legtöbb használati esetben alacsonyabb frissítési gyakoriság érvényes. |
Az érték módosítása után mindenképpen válassza a Mentés lehetőséget.
Adatmegőrzés
Az adatmegőrzési időszak azt határozza meg, hogy a Personalizer hány napig tárolja az adatnaplókat. A korábbi adatnaplók szükségesek az offline értékelések elvégzéséhez, amelyek a Personalizer hatékonyságának mérésére és a tanulási szabályzat optimalizálására szolgálnak.
Az érték módosítása után mindenképpen válassza a Mentés lehetőséget.