Personalizer Auto-Optimize (wersja zapoznawcza)

Important

Od 20 września 2023 r. nie będzie można tworzyć nowych zasobów usługi Personalizacja. Usługa Personalizacja jest wycofywana 1 października 2026 r. Zalecamy migrację do projektu open source microsoft/learning-loop.

Introduction

Automatyczna optymalizacja personalizacji pozwala zaoszczędzić nakład pracy ręcznej w utrzymaniu pętli personalizacji w najlepszej wydajności uczenia maszynowego, automatycznie wyszukując ulepszone ustawienia uczenia używane do trenowania modeli i stosowania ich. Usługa Personalizacja ma ścisłe kryteria stosowania nowych ustawień dotyczących uczenia, aby zapewnić, że wprowadzane ulepszenia prawdopodobnie nie spowodują utraty nagród.

Automatyczna optymalizacja personalizacji jest dostępna w publicznej wersji zapoznawczej i funkcje, podejścia i procesy zmienią się w oparciu o opinie użytkowników.

Kiedy używać autooptymalizowania

W większości przypadków najlepszą opcją jest włączenie automatycznej optymalizacji. Autooptymalizowanie jest włączone domyślnie dla nowych pętli personalizacji.

Automatyczna optymalizacja może pomóc w następujących sytuacjach:

  • Tworzysz aplikacje, które są używane przez wielu najemców, a każdy z nich uzyskuje własne pętle personalizacji, na przykład w przypadku hostowania wielu witryn e-commerce. Funkcja automatycznej optymalizacji pozwala uniknąć ręcznego nakładu pracy potrzebnego do dostrojenia ustawień uczenia dla dużej liczby pętli personalizacji.
  • Wdrożyłeś usługę Personalizator i potwierdziłeś, że działa ona dobrze, uzyskuje dobre wyniki, i upewniłeś się, że w funkcjach nie ma żadnych usterek ani problemów.

Note

Automatyczna optymalizacja będzie okresowo zastępować ustawienia nauki personalizatora. Jeśli przypadek użycia lub branża wymaga inspekcji i archiwum modeli i ustawień lub jeśli potrzebujesz kopii zapasowych poprzednich ustawień, możesz użyć interfejsu API personalizacji do pobrania ustawień uczenia lub pobrać je za pośrednictwem portalu Azure.

Jak włączyć i wyłączyć automatyczną optymalizację

Aby włączyć automatyczną optymalizację, użyj przełącznika w bloku "Ustawienia modelu i uczenia" w portalu Azure.

Alternatywnie możesz aktywować automatyczną optymalizację, korzystając z interfejsu API Personalizer /configurations/service.

Aby wyłączyć automatyczne optymalizowanie, wyłącz przełącznik.

Automatyczne optymalizowanie raportów

W panelu Ustawienia modelu i uczenia można zobaczyć historię przebiegów automatycznego optymalizowania oraz podjęte działania.

W tabeli przedstawiono następujące informacje:

  • Po uruchomieniu automatycznej optymalizacji,
  • Jakie okno danych zostało uwzględnione,
  • Jakie były wyniki wydajności nagród w trybie online, linii bazowej i najlepiej znalezionych ustawieniach uczenia się.
  • Podjęte akcje: jeśli ustawienia uczenia zostały zaktualizowane lub nie.

Wyniki nagradzania różnych ustawień uczenia w każdym wierszu historii automatycznej optymalizacji są wyświetlane w liczbach bezwzględnych i jako wartości procentowe względem wydajności bazowej.

Przykład: Jeśli średnia nagroda według planu bazowego wynosi 0,20, a zachowanie online Personalizatora osiąga 0,30, zostaną one wyświetlone w postaci 100% i 150%. Jeśli automatyczna optymalizacja znalazła ustawienia uczenia umożliwiające osiągnięcie średniej nagrody 0,40, zostanie wyświetlona jako 200% (0,40 to 200% z 0,20). Zakładając, że marginesy ufności zezwalają na to, nowe ustawienia zostaną zastosowane, a następnie będą one napędzać usługę Personalizacja jako ustawienia online do następnego uruchomienia.

Historia maksymalnie 24 poprzednich przebiegów automatycznej optymalizacji jest przechowywana na potrzeby analizy. Możesz uzyskać więcej informacji na temat ocen offline i raportów dotyczących każdego z nich. Ponadto raporty zawierają wszystkie ustawienia uczenia, które znajdują się w tej historii, które można znaleźć i pobrać lub zastosować.

Jak to działa

Personalizer stale szkoli modele sztucznej inteligencji, których używa w oparciu o nagrody. To szkolenie odbywa się zgodnie z niektórymi ustawieniami uczenia, które zawierają hiperparametry i inne wartości używane w procesie szkolenia. Te ustawienia nauczania można "stuningować" dla określonej wersji Personalizer.

Personalizator ma również możliwość przeprowadzania ocen w trybie offline. Oceny w trybie offline analizują dotychczasowe dane i mogą generować statystyczne oszacowanie średniej nagrody, którą "Personalizer" z różnymi algorytmami i modelami mógłby osiągnąć. W trakcie tego procesu personalizacja będzie również wyszukiwać lepsze ustawienia uczenia się, szacując ich wydajność (ile nagród uzyskaliby) w tym okresie.

Częstotliwość automatycznego optymalizowania

Automatyczna optymalizacja będzie uruchamiana okresowo i przeprowadzi optymalizację na podstawie przeszłych danych.

  • Jeśli aplikacja wysyła do Personalizer ponad 20 MB danych w ciągu ostatnich dwóch tygodni, to będzie korzystać z danych z tego okresu.
  • Jeśli aplikacja wyśle mniej niż ta ilość, Personalizer doda dane z poprzednich dni, dopóki nie będzie wystarczającej ilości danych do optymalizacji lub osiągnie najwcześniej przechowywane dane (do liczby dni retencji danych).

Dokładne czasy i dni, w których jest uruchamiana automatyczna optymalizacja, są określane przez usługę Personalizatora i zmieniają się w czasie.

Kryteria aktualizowania ustawień uczenia

Usługa Personalizer używa tych oszacowań wyników, aby zdecydować o zmianie bieżących ustawień procesu uczenia dla innych użytkowników. Każde oszacowanie jest krzywą rozkładu, z górną i dolną 95% granicą ufności. Personalizer będzie stosować tylko nowe ustawienia szkoleniowe, jeśli:

  • Wykazały wyższe średnie nagrody w okresie oceny, AND
  • Mają dolną granicę przedziału ufności 95%, która jest wyższa niż dolna granica przedziału ufności 95% w ustawieniach uczenia online. Te kryteria są maksymalizowane, aby poprawić nagrody, starając się wyeliminować prawdopodobieństwo utraty przyszłych nagród. Zarządza nimi Personalizer i czerpie z badań w algorytmach Seldonian i bezpieczeństwie sztucznej inteligencji.

Ograniczenia automatycznej optymalizacji

Automatyczna optymalizacja w Personalizerze opiera się na ocenie wyników z poprzedniego okresu, aby oszacować wydajność w przyszłości. Istnieje możliwość, że ze względu na czynniki zewnętrzne na świecie, twoją aplikację oraz twoich użytkowników, dotychczasowe oszacowania i przewidywania dotyczące modeli usługi Personalizer nie są reprezentatywne dla przyszłości.

Podgląd automatycznej optymalizacji jest niedostępny dla pętli personalizacji, które włączyły funkcje interfejsu API personalizacji w wielu miejscach w wersji zapoznawczej.

Dalsze kroki

  • Last updated on