Share via

Data och sekretess för personanpassning

  • Artikel

Viktigt!

Från och med den 20 september 2023 kommer du inte att kunna skapa nya personaliseringsresurser. Personanpassningstjänsten dras tillbaka den 1 oktober 2026.

Den här artikeln innehåller information om vilka data som Azure AI Personalizer använder för att fungera, hur de bearbetar dessa data och hur du kan styra dessa data. Det förutsätter grundläggande kunskaper om vad Personanpassning är och hur Personanpassning fungerar. Specifika termer finns i Terminologi.

Vilka data bearbetar Personanpassning?

Personanpassning bearbetar följande typer av data:

  • Kontextfunktioner och åtgärdsfunktioner: Ditt program skickar information om användare, produkter eller innehåll för att anpassa, i aggregerat format. Dessa data skickas till Personanpassning i varje Rank API-anrop i argument för Kontext och Åtgärder. Du bestämmer vad du ska skicka till API:et och hur du aggregerar det. Data uttrycks som attribut eller funktioner. Du anger information om dina användare, till exempel deras enhet och deras miljö, som kontextfunktioner. Du bör inte skicka funktioner som är specifika för en användare, t.ex. ett telefonnummer, ett e-postmeddelande eller användar-ID. Åtgärdsfunktioner innehåller information om ditt innehåll och din produkt, till exempel filmgenre eller produktpris. Mer information finns i Funktioner för åtgärder och kontext.
  • Belöningsinformation: En belöningspoäng (ett tal mellan 0 och 1) rangordnar hur väl användarinteraktionen är resultatet av anpassningsvalet som mappats till ett affärsmål. Till exempel kan en händelse få en belöning på "1" om en rekommenderad artikel har klickats på. Mer information finns i Belöningar.

Mer information om vilken information du vanligtvis använder med Personanpassning finns i Funktioner är information om åtgärder och kontext.

[! TIPS] Du bestämmer vilka funktioner som ska användas, hur du aggregerar dem och var informationen kommer ifrån när du anropar Api:et för personanpassningsrankning i ditt program. Du bestämmer också hur du skapar belöningspoäng.

Hur bearbetar Personanpassning data?

Följande diagram illustrerar hur dina data bearbetas.

Diagram that shows how Personalizer processes data.

Personanpassning bearbetar data på följande sätt:

  1. Personanpassning tar emot data varje gång programmet anropar Rank API för en anpassningshändelse. Data skickas via argumenten för Kontext och Åtgärder.

  2. Personanpassning använder informationen i Kontext och Åtgärder, dess interna AI-modeller och tjänstkonfiguration för att returnera rankningssvaret för ID:t för åtgärden som ska användas. Innehållet i kontexten och åtgärderna lagras i högst 48 timmar i tillfälliga cacheminnen med EventID som används eller genereras i ranknings-API:et.

  3. Programmet anropar sedan Reward-API:et med en eller flera belöningspoäng. Den här informationen lagras också i tillfälliga cacheminnen och matchas med information om åtgärder och kontext.

  4. När ranknings- och belöningsinformationen för händelser är korrelerad tas den bort från tillfälliga cacheminnen och placeras i mer permanent lagring. Den förblir i permanent lagring tills det antal dagar som anges i inställningen Datakvarhållning har gått, då informationen tas bort. Om du väljer att inte ange ett antal dagar i inställningen Datakvarhållning sparas dessa data så länge som Personalizer Azure-resursen inte tas bort eller tills du väljer rensa data via användargränssnittet eller API:erna. Du kan när som helst ändra inställningen Datakvarhållning.

  5. Personanpassning tränar kontinuerligt interna Personanpassnings-AI-modeller som är specifika för den här personanpassningsloopen med hjälp av data i konfigurationsparametrarna för permanent lagring och maskininlärning i Utbildningsinställningar.

  6. Personalizer skapar offlineutvärderingar antingen automatiskt eller på begäran. Offlineutvärderingar innehåller en rapport över belöningar som erhållits av Personanpassningsmodeller under en tidigare tidsperiod. En offlineutvärdering bäddar in de modeller som är aktiva när de skapas och de inlärningsinställningar som används för att skapa dem, samt en historisk mängd genomsnittlig belöning per händelse för den tidsperioden. Utvärderingar omfattar även funktionsvikt, som är en lista över funktioner som observerats under tidsperioden och deras relativa betydelse i modellen.

Personalizer-loopars oberoende

Varje personanpassningsloop är separat och oberoende av andra, enligt följande:

  • Ingen extern dataförstoring: Varje Personanpassningsloop använder bara de data som du har angett via API-anrop för rankning och belöning för att träna modeller. Personanpassning använder inte någon ytterligare information från något ursprung, till exempel andra Personanpassningsloopar i din egen Azure-prenumeration, Microsoft, källor från tredje part eller underprocessorer.
  • Inga data, modeller eller informationsdelning: En Personanpassningsloop delar inte information om händelser, funktioner och modeller med någon annan Personanpassningsloop i din prenumeration, Microsoft, tredje part eller underprocessorer.

Hur bevaras data och vilka kundkontroller är tillgängliga?

Personanpassning behåller olika typer av data på olika sätt och tillhandahåller följande kontroller för var och en.

Personanpassnings- och belöningsdata

Personanpassning lagrar funktionerna om åtgärder och kontext som skickas via ranknings- och belöningsanrop för det antal dagar som anges i konfigurationen under Datakvarhållning. Om du vill styra datakvarhållningen kan du:

  1. Ange hur många dagar du vill behålla logglagringen i Azure-portalen för Personalizer-resursenunder Kvarhållning av konfigurationsdata>eller via API:et. Standardinställningen för datakvarhållning är sju dagar. Personanpassning tar bort alla ranknings- och belöningsdata som är äldre än det här antalet dagar automatiskt.

  2. Rensa data för loggade personanpassnings- och belöningsdata i Azure-portalen under Modell- och inlärningsinställningar>Rensa data>Loggade anpassnings- och belöningsdata eller via API:et.

  3. Ta bort personanpassningsloopen från din prenumeration i Azure-portalen eller via AZURE-resurshanterings-API:er.

Du kan inte komma åt tidigare data från RANK- och Reward API-anrop direkt i Personanpassningsresursen. Om du vill se alla data som sparas konfigurerar du loggspegling för att skapa en kopia av dessa data på en Azure Blob Storage-resurs som du har skapat och ansvarar för att hantera.

Tillfälliga cacheminnen för personanpassning

Personanpassning lagrar partiella data om en händelse som är separat från ranknings- och belöningsanrop i tillfälliga cacheminnen. Händelser rensas automatiskt från den tillfälliga cachen 48 timmar från den tidpunkt då händelsen inträffade.

Om du vill ta bort tillfälliga data kan du:

  1. Rensa data för loggad anpassning och belöningsdata i Azure-portalen under Modell- och inlärningsinställningar>Rensa data eller via API:et.

  2. Ta bort personanpassningsloopen från din prenumeration i Azure-portalen eller via AZURE-resurshanterings-API:er.

Personanpassningsmodeller och inlärningsinställningar

En Personanpassningsloop tränar modeller med data från RANK- och Reward API-anrop, som drivs av de hyperparametrar och konfiguration som anges i modell- och inlärningsinställningarna i Azure-portalen. Modeller är flyktiga. De förändras ständigt och tränas på ytterligare data nästan i realtid. Personanpassning sparar inte automatiskt äldre modeller och skriver över dem med de senaste modellerna. Mer information finns i (Så här hanterar du modeller och utbildningsinställningar). Så här rensar du modeller och inlärningsinställningar:

  1. Återställ dem i Azure-portalen under Modell- och inlärningsinställningar>Rensa data eller via API:et.

  2. Ta bort personanpassningsloopen från din prenumeration i Azure-portalen eller via AZURE-resurshanterings-API:er.

Utvärderingsrapporter för personanpassning

Personanpassning behåller också den information som genereras i offlineutvärderingar för rapporter.

Om du vill ta bort utvärderingsrapporter offline kan du:

  1. Gå till personanpassningsloopen under Azure-portalen. Gå till Utvärderingar och ta bort relevant utvärdering.

  2. Ta bort utvärderingar via utvärderings-API:et.

  3. Ta bort personanpassningsloopen från din prenumeration i Azure-portalen eller via AZURE-resurshanterings-API:er.

Ytterligare lagringsöverväganden

  • Kundhanterade nycklar: Kunder kan konfigurera tjänsten för att kryptera data i vila med sina egna hanterade nycklar. Det andra krypteringsskiktet ligger ovanpå Microsofts egen kryptering.
  • Geografi: I samtliga fall bearbetas inkommande data, modeller och utvärderingar i samma geografiska område där personanpassningsresursen skapades.

Se även:

Nästa steg

Mer information om Microsofts sekretess- och säkerhetsåtaganden finns i Microsoft Trust Center.