Personalizer のユース ケース
重要
2023 年 9 月 20 日以降は、新しい Personalizer リソースを作成できなくなります。 Personalizer サービスは、2026 年 10 月 1 日に廃止されます。
透過性のためのメモとは
AI システムには、テクノロジだけでなく、それを使う人、それによって影響を受ける人、それがデプロイされる環境も含まれます。 目的に合ったシステムを作成するには、テクノロジのしくみ、その機能と制限事項、および最適なパフォーマンスを実現する方法を理解する必要があります。
Microsoft では、AI テクノロジのしくみを理解するのに役立つ "透過性のためのメモ" を提供しています。 これには、システムのパフォーマンスと動作に影響を与えるシステム所有者の選択肢、およびテクノロジ、人、環境などのシステム全体について検討することの重要性が含まれています。 独自のシステムを開発または展開するときに透過性のためのメモを使用することも、システムを使用するユーザーやシステムの影響を受けるユーザーと共有することもできます。
透過性のためのメモは、AI の原則を実践するための Microsoft の広範な取り組みの一環です。 詳細については、Microsoft AI の原則に関するページを参照してください。
Personalizer の概要
Azure AI Personalizer は、最適なコンテンツ項目をアプリケーションが選択してユーザーに表示できるよう支援するクラウドベースのサービスです。 Personalizer を使用すると、買い物客に提示すべき製品を判断したり、広告の最適な表示位置を見つけ出したりすることができます。 そのコンテンツがユーザーに表示されると、アプリケーションは、ユーザーのリアクションを監視し、Personalizer に報酬スコアをレポート バックします。 報酬スコアは、強化学習を使用して機械学習モデルを継続的に改善するために使用されます。 これにより、Personalizer がそれぞれ受け取るコンテキスト情報に基づいて、後続の操作で最適なコンテンツ項目を選択する機能が強化されます。
詳細については、次を参照してください。
キーワード
| 項目 | 定義 |
|---|---|
| 学習ループ | パーソナル化によってメリットが得られるアプリケーションのあらゆる部分に対して、学習ループと呼ばれる Personalizer リソースを作成します。 パーソナル化するエクスペリエンスが複数ある場合は、それぞれにループを作成します。 |
| オンライン モデル | Personalizer の既定の学習動作である "学習ループ" では、機械学習を使用して、コンテンツの最上位のアクションを予測するモデルが構築されます。 |
| 徒弟モード | アプリケーションの結果とアクションに影響を与えることなく Personalizer モデルのトレーニングをウォームスタートできる学習動作です。 |
| 報酬 | Rank API の返された報酬アクション ID に対してユーザーがどのように応答したかを示すメジャー (0 から 1 のスコア)。 0 から 1 の値は、その選択がパーソナル化のビジネス目標の達成にどのように役立ったかに基づいて、ビジネス ロジックによって設定されます。 学習ループでは、この報酬は個々のユーザー履歴として格納されません。 |
| 探索 | Personalizer サービスは、最善のアクションを返す代わりに、ユーザーに対して別のアクションを選択するときに探索を行っています。 Personalizer サービスは、ドリフトや停滞を回避し、探索することで進行中のユーザーの動作に適応できます。 |
詳細と重要な用語については、「Personalizer の用語」と概念に関するドキュメントを参照してください。
ユース ケースの例
Personalizer を使用する一般的な顧客の動機は次のとおりです。
- ユーザー エンゲージメント: コンテンツを選択してクリックスルーを増やすか、平均収益を向上させるために次に最適なアクションに優先順位を付けることで、ユーザーの関心を引きます。 ユーザー エンゲージメントを高めるその他のメカニズムとしては、動的チャンネルやプレイリストでビデオや音楽を選択する方法があります。
- コンテンツの最適化: 画像を製品用に最適化して (一連のオプションから映画のポスターを選択するなど) クリックスルーを最適化したり、UI レイアウト、色、画像、ぼかしを Web ページで最適化してコンバージョンや購入を増やしたりできます。
- 割引とクーポンを使用してコンバージョンを最大化する: マージンと変換の最適なバランスを得るには、アプリケーションがユーザーに提供する割引を選択するか、またはコンバージョンを最大化するためにレコメンデーション エンジンの結果からどの製品を強調表示するかを決定します。
- 肯定的な動作の変更を最大化する: 肯定的な動作の変化を最大化するために、通知、メッセージング、または SMS プッシュで送信するウェルネス ヒントの質問を選択します。
- ユーザーがドキュメント、マニュアル、またはデータベース項目を探している場合に、最も関連性の高い次の最適なアクションまたは適切なコンテンツを強調表示することで、カスタマー サービスとテクニカル サポートの生産性を向上させます。
ユース ケース選択時の考慮事項
- コンテンツとユーザー インターフェイスをパーソナル化することを学習するサービスを使用すると、便利です。 ただし、パーソナル化によって実際に有害な副作用が生じれば、誤って適用される可能性もあります。 パーソナル化がユーザーの目標達成にどのように役立つのかを検討します。
- 多くのシステム ユーザーの動作パターンに偏りを持ってシステムがトレーニングされるため、Personalizer が特定の項目を提案していない場合に、実際にどのような悪影響があるかを検討してください。
- Personalizer の探索動作が害を及ぼす可能性がある状況を検討してください。
- 結果的または不可逆的であり、短期的なシグナルと報酬によって決定されるべきでないパーソナル化の選択肢を慎重に検討してください。
- 選択されるべきでないアクションを Personalizer に指定しないでください。 たとえば、匿名または未成年のユーザー向けのレコメンデーションを作成する場合、不適切なムービーはパーソナル化するアクションから除外される必要があります。
Personalizer を適用するかどうか、およびその方法で上記のガイダンスが役割を果たすシナリオをいくつか次に示します。
- 個人が知らない、取得できない、または争えないデータ、企業とユーザーにとってどれほど良いレコメンデーションであったかを真に評価するために、年数と情報を "クリックを超えて" 必要とする選択に基づいてパーソナル化機能が規制されている特定のローン、金融、保険商品のオファーのランキングには Personalizer を使用しないでください。
- 十分な調査を行わないレコメンデーションによって偏りが伝達され、他のオプションに対するユーザーの意識を低下させる可能性がある学校のコースや教育機関の強調表示のパーソナル化は慎重に検討してください。
- Personalizer を使用して民主化と市民参加の意見に影響を与えることを目的とするコンテンツをアルゴリズム的に合成することは避けてください。長期的には重大になるためです。また、アクセスに対するユーザーの目的が影響を受けることではなく、情報を得ることである場合は操作的になる可能性があります。