Kapan dan cara menggunakan Personalizer
Penting
Mulai tanggal 20 September 2023 Anda tidak akan dapat membuat sumber daya Personalizer baru. Layanan Personalizer dihentikan pada tanggal 1 Oktober 2026.
Gunakan Personalizer dalam situasi apa pun ketika aplikasi Anda harus memilih tindakan (konten) yang tepat - untuk membuat pengalaman lebih baik, mencapai hasil bisnis yang lebih baik, atau meningkatkan produktivitas.
Personalizer menggunakan pembelajaran penguatan untuk memilih tindakan (konten) mana yang akan ditampilkan pengguna. Pilihan dapat bervariasi secara signifikan bergantung pada kuantitas, kualitas, dan distribusi data yang dikirim ke layanan.
Contoh kasus penggunaan untuk Personalizer
- Klarifikasi niat & disambiguasi: membantu pengguna Anda memiliki pengalaman yang lebih baik ketika niat mereka tidak jelas dengan memberikan opsi yang dipersonalisasi.
- Saran default untuk menu & opsi lain: minta bot menyarankan item yang paling mungkin dengan cara yang dipersonalisasi sebagai langkah pertama, alih-alih menyajikan menu impersonal atau daftar alternatif.
- Ciri-ciri & nada bot: untuk bot yang dapat memvariasikan nada, verbositas, dan gaya penulisan, pertimbangkan untuk memvariasikan sifat-sifat ini.
- Pemberitahuan & konten pemberitahuan: putuskan teks apa yang akan digunakan untuk pemberitahuan agar melibatkan lebih banyak pengguna.
- Pemberitahuan & waktu pemberitahuan: mempersonalisasi pembelajaran tentang kapan harus mengirim pemberitahuan kepada pengguna untuk lebih melibatkan mereka.
Ekspektasi yang diperlukan untuk menggunakan Personalizer
Anda dapat menerapkan Personalizer dalam situasi ketika Anda memenuhi atau dapat menerapkan pedoman berikut.
| Pedoman | Penjelasan |
|---|---|
| Tujuan bisnis | Anda memiliki tujuan bisnis atau kegunaan untuk aplikasi Anda. |
| Konten | Anda memiliki tempat di aplikasi Anda tempat membuat keputusan kontekstual tentang apa yang ditampilkan kepada pengguna akan meningkatkan tujuan tersebut. |
| Kuantitas konten | Anda memiliki kurang dari 50 tindakan untuk memberi peringkat per panggilan. |
| Mengagregasi data. | Pilihan terbaik dapat dan harus dipelajari dari perilaku pengguna kolektif dan skor hadiah total. |
| Penggunaan etis | Penggunaan pembelajaran mesin untuk personalisasi mengikuti pedoman penggunaan yang bertanggung jawab dan pilihan yang Anda pilih. |
| Opsi tunggal terbaik | Keputusan kontekstual dapat dinyatakan sebagai peringkat opsi (tindakan) terbaik dari serangkaian pilihan terbatas. |
| Hasil penilaian | Seberapa baik performa pilihan peringkat untuk aplikasi Anda dapat ditentukan dengan mengukur beberapa aspek perilaku pengguna, dan mengekspresikannya dalam skor hadiah. |
| Waktu yang relevan | Skor hadiah tidak membawa terlalu banyak faktor membingungkan atau eksternal. Durasi eksperimen cukup rendah sehingga skor hadiah dapat dihitung saat masih relevan. |
| Fitur konteks yang memadai | Anda dapat mengekspresikan konteks untuk peringkat sebagai daftar setidaknya 5 fitur yang menurut Anda akan membantu membuat pilihan yang tepat, dan itu tidak termasuk informasi identitas spesifik pengguna. |
| Fitur tindakan yang memadai | Anda memiliki informasi tentang setiap pilihan konten, tindakan, sebagai daftar setidaknya 5 fitur yang menurut Anda akan membantu Personalizer membuat pilihan yang tepat. |
| Data harian | Ada cukup peristiwa untuk tetap berada di atas personalisasi yang optimal jika masalah menyimpang dari waktu ke waktu (seperti preferensi dalam berita atau mode). Personalizer akan beradaptasi dengan perubahan berkelanjutan di dunia nyata, tetapi hasilnya tidak akan optimal jika tidak ada cukup peristiwa dan data untuk dipelajari untuk menemukan dan menyelesaikan pola baru. Anda harus memilih kasus penggunaan yang terjadi cukup sering. Pertimbangkan untuk mencari kasus penggunaan yang terjadi setidaknya 500 kali per hari. |
| Data riwayat | Aplikasi Anda dapat menyimpan data cukup lama untuk mengakumulasi riwayat setidaknya 100.000 interaksi. Hal ini memungkinkan Personalizer mengumpulkan data yang cukup untuk melakukan evaluasi offline dan pengoptimalan kebijakan. |
Jangan gunakan Personalizer ketika perilaku yang dipersonalisasi bukan sesuatu yang dapat ditemukan di semua pengguna. Misalnya, menggunakan Personalizer untuk menyarankan urutan pizza pertama dari daftar 20 item menu yang mungkin berguna, tetapi kontak mana yang harus dihubungi dari daftar kontak pengguna saat memerlukan bantuan dengan pengasuhan anak (seperti "Nenek") bukanlah sesuatu yang dapat dipersonalisasi di seluruh basis pengguna Anda.
Cara menggunakan Personalizer dalam aplikasi web
Menambahkan perulangan pembelajaran ke aplikasi web meliputi:
- Tentukan pengalaman mana yang harus dipersonalisasi, tindakan dan fitur apa yang Anda miliki, fitur konteks apa yang akan digunakan, dan hadiah apa yang akan Anda tetapkan.
- Tambahkan referensi ke Personalization SDK di aplikasi Anda.
- Panggil API Peringkat saat Anda siap untuk mempersonalisasi.
- Simpan eventId. Anda mengirim hadiah dengan API Hadiah nanti.
- Panggil Aktifkan untuk peristiwa setelah Anda yakin pengguna sudah melihat halaman yang dipersonalisasi.
- Tunggu pilihan pengguna dari konten berperingkat.
- Panggil API Hadiah untuk menentukan seberapa baik output API Peringkat.
Cara menggunakan Personalizer dengan bot obrolan
Dalam contoh ini, Anda akan melihat cara menggunakan Personalisasi untuk membuat saran default alih-alih mengirim pengguna ke serangkaian menu atau pilihan setiap saat.
- Dapatkan kode untuk sampel ini.
- Siapkan solusi bot Anda. Pastikan untuk menerbitkan aplikasi LUIS Anda.
- Kelola panggilan API Peringkat dan Hadiah untuk bot.
- Tambahkan kode untuk mengelola pemrosesan niat LUIS. Jika Tidak Adadikembalikan sebagai tujuan teratas atau skor niat teratas di bawah ambang logika bisnis Anda, kirim daftar niat ke Personalizer untuk memberi Peringkat niat.
- Tampilkan daftar niat ke pengguna sebagai tautan yang dapat dipilih dengan tujuan pertama adalah tujuan peringkat teratas dari respons API Peringkat.
- Abadikan pilihan pengguna dan kirim ini di panggilan API Hadiah.
Pola bot yang direkomendasikan
- Buat panggilan API Peringkat Personalizer setiap kali disambiguasi diperlukan, sebagai lawan dari hasil caching untuk setiap pengguna. Hasil dari niat disambigu dapat berubah dari waktu ke waktu untuk satu orang, dan mengizinkan API Peringkat mengeksplorasi varians akan mempercepat pembelajaran keseluruhan.
- Pilih interaksi yang umum dengan banyak pengguna sehingga Anda memiliki cukup data untuk dipersonalisasi. Misalnya, pertanyaan pengantar mungkin lebih cocok daripada klarifikasi yang lebih kecil di dalam grafik percakapan yang hanya dapat diperoleh oleh beberapa pengguna.
- Gunakan panggilan Rank API untuk mengaktifkan percakapan "saran pertama benar", di mana pengguna ditanya "Apakah Anda ingin X?" atau "Apa maksud Anda X?" dan pengguna dapat mengonfirmasinya; alih-alih memberikan opsi kepada pengguna di mana mereka harus memilih dari menu. Misalnya, Pengguna:"Saya ingin memesan kopi" Bot:"Apakah Anda ingin espresso ganda?". Dengan cara ini sinyal hadiah juga kuat karena berkaitan langsung dengan satu saran.
Cara menggunakan Personalizer dengan solusi rekomendasi
Banyak perusahaan menggunakan mesin rekomendasi, alat pemasaran dan kampanye, segmentasi audiens dan pengelompokan, pemfilteran kolaboratif, dan cara lain untuk merekomendasikan produk dari katalog besar kepada pelanggan.
Repositori Microsoft Recommenders GitHub menyediakan contoh dan praktik terbaik untuk membangun sistem rekomendasi, yang disediakan sebagai notebook Jupyter. Ini memberikan contoh kerja untuk menyiapkan data, membangun model, mengevaluasi, menyetel, dan mengoperasionalkan mesin rekomendasi, untuk banyak pendekatan umum termasuk xDeepFM, SAR, ALS, RBM, DKN.
Personalizer dapat bekerja dengan mesin rekomendasi ketika ada.
- Mesin rekomendasi mengambil sejumlah besar item (misalnya, 500.000) dan merekomendasikan subset (seperti 20 teratas) dari ratusan atau ribuan opsi.
- Personalizer mengambil sejumlah kecil tindakan dengan banyak informasi tentang tindakan tersebut dan memberi peringkat secara real time untuk konteks kaya tertentu, sedangkan sebagian besar mesin rekomendasi hanya menggunakan beberapa atribut tentang pengguna, produk, dan interaksi mereka.
- Personalizer dirancang untuk secara mandiri mengeksplorasi preferensi pengguna sepanjang waktu, yang akan memberikan hasil yang lebih baik ketika konten berubah dengan cepat, seperti berita, acara langsung, konten komunitas langsung, konten dengan pembaruan harian, atau konten musiman.
Penggunaan umum adalah untuk mengambil output mesin rekomendasi (misalnya, 20 produk teratas untuk pelanggan tertentu) dan menggunakannya sebagai tindakan input untuk Personalizer.
Menambahkan perlindungan konten ke aplikasi Anda
Jika aplikasi Anda memungkinkan varians besar dalam konten yang ditampilkan ke pengguna, dan beberapa konten tersebut mungkin tidak aman atau tidak pantas untuk beberapa pengguna, Anda harus merencanakan sebelumnya untuk memastikan bahwa perlindungan yang tepat diterapkan untuk mencegah pengguna Anda melihat konten yang tidak dapat diterima. Pola terbaik untuk menerapkan perlindungan adalah: * Mendapatkan daftar tindakan untuk diberi peringkat. * Memfilter tindakan yang tidak layak untuk audiens. * Hanya memberi peringkat tindakan yang layak tersebut. * Menampilkan tindakan peringkat teratas ke pengguna.
Dalam beberapa arsitektur, urutan di atas mungkin sulit diterapkan. Dalam hal ini, ada pendekatan alternatif untuk menerapkan perlindungan setelah memberi peringkat, tetapi ketentuan perlu dibuat sehingga tindakan yang berada di luar perlindungan tidak digunakan untuk melatih model Personalizer.
- Dapatkan daftar tindakan untuk memberi peringkat, dengan pembelajaran dinonaktifkan.
- Tindakan peringkat.
- Periksa apakah tindakan teratas layak.
- Jika tindakan teratas layak, aktifkan pembelajaran untuk peringkat ini, lalu tunjukkan kepada pengguna.
- Jika tindakan teratas tidak layak, jangan aktifkan pembelajaran untuk peringkat ini, dan putuskan melalui logika Anda sendiri atau pendekatan alternatif apa yang harus ditunjukkan ke pengguna. Bahkan jika Anda menggunakan opsi peringkat terbaik kedua, jangan aktifkan pembelajaran untuk peringkat ini.