Gunakan kasus untuk Personalizer
Penting
Mulai tanggal 20 September 2023 Anda tidak akan dapat membuat sumber daya Personalizer baru. Layanan Personalizer dihentikan pada tanggal 1 Oktober 2026.
Apa itu Catatan Transparansi?
Sistem AI tidak hanya menangani teknologi, tetapi juga orang-orang yang akan menggunakannya, orang-orang yang akan terpengaruh olehnya, dan lingkungan tempat AI disebarkan. Menciptakan sistem yang sesuai dengan tujuan yang dimaksudkan membutuhkan pemahaman tentang cara kerja teknologi, kemampuan dan batasannya, serta cara mencapai performa terbaik.
Microsoft menyediakan Catatan Transparansi untuk membantu Anda memahami cara kerja teknologi AI kami. Termasuk pilihan yang dapat diambil pemilik sistem yang memengaruhi performa dan perilaku sistem, dan pentingnya memikirkan keseluruhan sistem, termasuk teknologi, manusia, dan lingkungan. Anda dapat menggunakan Catatan Transparansi saat mengembangkan atau menyebarkan sistem Anda sendiri, atau membagikannya dengan orang-orang yang akan menggunakan atau terpengaruh oleh sistem Anda.
Catatan Transparansi adalah bagian dari upaya yang lebih luas di Microsoft untuk menerapkan prinsip AI kami. Untuk mengetahui selengkapnya, lihat Prinsip Microsoft AI.
Pengenalan pada Personalizer
Azure AI Personalizer adalah layanan berbasis cloud yang membantu aplikasi Anda memilih item konten terbaik untuk menampilkan pengguna Anda. Anda dapat menggunakan Personalizer untuk menentukan produk apa yang disarankan kepada pembeli atau untuk mencari tahu posisi optimal untuk iklan. Setelah konten ditampilkan kepada pengguna, aplikasi Anda memantau reaksi pengguna dan melaporkan skor hadiah kembali ke Personalizer. Skor hadiah digunakan untuk terus meningkatkan model pembelajaran mesin menggunakan pembelajaran penguatan. Ini meningkatkan kemampuan Personalizer untuk memilih item konten terbaik dalam interaksi berikutnya berdasarkan informasi kontekstual yang diterimanya untuk masing-masing item.
Untuk informasi selengkapnya, lihat:
Istilah kunci
| Istilah | Definisi |
|---|---|
| Perulangan Pembelajaran | Anda membuat sumber daya Personalizer, yang disebut perulangan pembelajaran, untuk setiap bagian aplikasi Anda yang dapat memperoleh manfaat dari personalisasi. Jika Anda memiliki lebih dari satu pengalaman untuk dipersonalisasi, buat perulangan untuk masing-masing. |
| Model online | Perilaku pembelajaran default untuk Personalizer saat perulangan pembelajaran Anda, menggunakan pembelajaran mesin untuk membangun model yang memprediksi tindakan teratas untuk konten Anda. |
| Mode magang | Perilaku pembelajaran yang membantu memulai model Personalizer untuk berlatih tanpa memengaruhi hasil dan tindakan aplikasi. |
| Imbalan | Ukuran bagaimana pengguna merespons ID tindakan hadiah yang dikembalikan API Peringkat, sebagai skor antara 0 hingga 1. Nilai 0 hingga 1 ditetapkan oleh logika bisnis Anda, berdasarkan bagaimana pilihan membantu mencapai tujuan bisnis personalisasi Anda. Perulangan pembelajaran tidak menyimpan hadiah ini sebagai riwayat pengguna individual. |
| Eksplorasi | Layanan Personalizer sedang mengeksplorasi kapan, bukan mengembalikan tindakan terbaik, layanan memilih tindakan yang berbeda untuk pengguna. Layanan Personalizer menghindari penyimpangan, stagnasi, dan dapat beradaptasi dengan perilaku pengguna yang sedang berlangsung dengan menjelajahi. |
Untuk informasi selengkapnya dan istilah kunci tambahan, silakan lihat Terminologi Personalizer dan dokumentasi konseptual.
Contoh kasus penggunaan
Beberapa motivasi pelanggan umum untuk menggunakan Personalizer adalah untuk:
- Keterlibatan pengguna: Menangkap minat pengguna dengan memilih konten untuk meningkatkan klik tayang, atau untuk memprioritaskan tindakan terbaik berikutnya untuk meningkatkan pendapatan rata-rata. Mekanisme lain untuk meningkatkan keterlibatan pengguna mungkin termasuk memilih video atau musik di saluran atau daftar putar dinamis.
- Pengoptimalan konten: Gambar dapat dioptimalkan untuk produk (seperti memilih poster film dari serangkaian opsi) untuk mengoptimalkan klik tayang, atau tata letak UI, warna, gambar, dan blurbs dapat dioptimalkan di halaman web untuk meningkatkan konversi dan pembelian.
- Maksimalkan konversi menggunakan diskon dan kupon: Untuk mendapatkan saldo margin dan konversi terbaik, pilih diskon mana yang akan diberikan aplikasi kepada pengguna atau putuskan produk mana yang akan disorot dari hasil mesin rekomendasi untuk memaksimalkan konversi.
- Maksimalkan perubahan perilaku positif: Pilih pertanyaan tip kesehatan mana yang akan dikirim dalam pemberitahuan, olahpesan, atau pendorongan SMS untuk memaksimalkan perubahan perilaku positif.
- Tingkatkan produktivitas dalam layanan pelanggan dan dukungan teknis dengan menyoroti tindakan terbaik berikutnya yang paling relevan atau konten yang sesuai saat pengguna mencari dokumen, manual, atau item database.
Pertimbangan saat memilih kasus penggunaan
- Menggunakan layanan yang belajar untuk mempersonalisasi konten dan antarmuka pengguna yang berguna. Namun, demikian juga dapat disalahgunakan jika personalisasi menciptakan efek samping yang berbahaya di dunia nyata. Pertimbangkan bagaimana personalisasi juga membantu pengguna Anda mencapai tujuan mereka.
- Pertimbangkan apa konsekuensi negatif di dunia nyata jika Personalizer tidak menyarankan item tertentu karena sistem dilatih dengan bias terhadap pola perilaku sebagian besar pengguna sistem.
- Pertimbangkan situasi di mana perilaku eksplorasi Personalizer dapat menyebabkan kerusakan.
- Pertimbangkan dengan cermat pilihan personalisasi yang konsekuensial atau tidak dapat diubah, dan yang tidak boleh ditentukan oleh sinyal dan hadiah jangka pendek.
- Jangan memberikan tindakan kepada Personalisasi yang tidak boleh dipilih. Misalnya, film yang tidak pantas harus difilter dari tindakan untuk mempersonalisasi jika membuat rekomendasi untuk pengguna anonim atau di bawah umur.
Berikut adalah beberapa skenario di mana panduan di atas akan berperan dalam apakah dan bagaimana menerapkan Personalizer:
- Hindari menggunakan Personalizer untuk penawaran peringkat pada produk pinjaman, keuangan, dan asuransi tertentu, di mana fitur personalisasi diatur, berdasarkan data yang tidak diketahui individu, tidak dapat diperoleh, atau tidak dapat disengketakan; dan pilihan yang membutuhkan bertahun-tahun dan informasi "di luar klik" untuk benar-benar menilai seberapa bagus rekomendasi untuk bisnis dan pengguna.
- Pertimbangkan dengan cermat untuk mempersonalisasi sorotan dari kursus sekolah dan lembaga pendidikan di mana rekomendasi tanpa eksplorasi yang cukup dapat menyebarkan bias dan mengurangi kesadaran pengguna akan opsi lain.
- Hindari menggunakan Personalizer untuk mensintesis konten secara algoritma dengan tujuan memengaruhi pendapat dalam demokrasi dan partisipasi sipil, karena konsekuensial dalam jangka panjang dan dapat bersifat manipulatif jika tujuan kunjungan pengguna adalah untuk mendapatkan informasi, bukan dipengaruhi.