Användningsfall för Personanpassning
Viktigt!
Från och med den 20 september 2023 kommer du inte att kunna skapa nya personaliseringsresurser. Personanpassningstjänsten dras tillbaka den 1 oktober 2026.
Vad är en transparensanteckning?
Ett AI-system omfattar inte bara tekniken, utan även de personer som ska använda den, de personer som påverkas av den och miljön där den distribueras. Att skapa ett system som är lämpligt för sitt avsedda syfte kräver en förståelse för hur tekniken fungerar, dess funktioner och begränsningar och hur du uppnår bästa prestanda.
Microsoft tillhandahåller Transparensanteckningar som hjälper dig att förstå hur vår AI-teknik fungerar. Detta inkluderar de val systemägare kan göra som påverkar systemets prestanda och beteende, och vikten av att tänka på hela systemet, inklusive tekniken, människorna och miljön. Du kan använda Transparensanteckningar när du utvecklar eller distribuerar ditt eget system eller delar dem med de personer som kommer att använda eller påverkas av systemet.
Transparensanteckningar är en del av ett bredare arbete på Microsoft för att omsätta våra AI-principer i praktiken. Mer information finns i Microsoft AI-principer.
Introduktion till Personanpassning
Azure AI Personalizer är en molnbaserad tjänst som hjälper dina program att välja det bästa innehållsobjektet för att visa användarna. Du kan använda Personanpassning för att avgöra vilken produkt som ska föreslås till kunder eller för att ta reda på den optimala positionen för en annons. När innehållet visas för användaren övervakar programmet användarens reaktion och rapporterar en belöningspoäng tillbaka till Personanpassning. Belöningspoängen används för att kontinuerligt förbättra maskininlärningsmodellen med hjälp av förstärkningsinlärning. Detta förbättrar möjligheten för Personanpassning att välja det bästa innehållsobjektet i efterföljande interaktioner baserat på den kontextuella information som den tar emot för var och en.
Mer information finns i:
Nyckeltermer
| Period | Definition |
|---|---|
| Inlärningsloop | Du skapar en Personalizer-resurs som kallas för en inlärningsloop för varje del av ditt program som kan dra nytta av anpassning. Om du har mer än en upplevelse att anpassa skapar du en loop för var och en. |
| Onlinemodell | Standardinlärningsbeteendet för Personanpassning där din inlärningsloop använder maskininlärning för att skapa den modell som förutsäger den främsta åtgärden för ditt innehåll. |
| Lärlingsläge | Ett inlärningsbeteende som hjälper till att starta en personanpassningsmodell att träna utan att påverka programresultaten och åtgärderna. |
| Belöningar | Ett mått på hur användaren svarade på ranknings-API:ets returnerade belöningsåtgärds-ID, som en poäng mellan 0 och 1. Värdet 0 till 1 anges av din affärslogik, baserat på hur valet hjälpte dig att uppnå dina affärsmål för anpassning. Inlärningsloopen lagrar inte den här belöningen som enskild användarhistorik. |
| Utforskning | Tjänsten Personalizer utforskar när den väljer en annan åtgärd för användaren i stället för att returnera den bästa åtgärden. Personanpassningstjänsten undviker drift, stagnation och kan anpassa sig till pågående användarbeteende genom att utforska. |
Mer information och ytterligare viktiga termer finns i dokumentationen om personanpassningsterminologi och konceptuell.
Användningsexempel
Några vanliga kundmotiveringar för att använda Personanpassning är att:
- Användarengagemang: Fånga användarnas intresse genom att välja innehåll för att öka klickningen eller för att prioritera nästa bästa åtgärd för att förbättra den genomsnittliga intäkten. Andra mekanismer för att öka användarengagemanget kan vara att välja videor eller musik i en dynamisk kanal eller spellista.
- Innehållsoptimering: Bilder kan optimeras för en produkt (t.ex. genom att välja en filmaffisch från en uppsättning alternativ) för att optimera klickning, eller så kan användargränssnittets layout, färger, bilder och blurbs optimeras på en webbsida för att öka konverteringen och köpet.
- Maximera konverteringar med hjälp av rabatter och kuponger: För att få den bästa balansen mellan marginal och konvertering väljer du vilka rabatter programmet ska ge användarna, eller bestäm vilken produkt som ska markeras från resultatet av en rekommendationsmotor för att maximera konverteringen.
- Maximera positiv beteendeförändring: Välj vilken fråga om hälsotips som ska skickas i en meddelande-, meddelande- eller SMS-push-överföring för att maximera positiv beteendeförändring.
- Öka produktiviteten i kundtjänst och teknisk support genom att markera de mest relevanta näst bästa åtgärderna eller lämpligt innehåll när användarna letar efter dokument, handböcker eller databasobjekt.
Överväganden när du väljer ett användningsfall
- Det är användbart att använda en tjänst som lär sig att anpassa innehåll och användargränssnitt. Men det kan också tillämpas felaktigt om anpassningen skapar skadliga biverkningar i den verkliga världen. Fundera på hur anpassning också hjälper användarna att uppnå sina mål.
- Tänk på vad de negativa konsekvenserna i den verkliga världen kan bli om Personanpassning inte föreslår vissa objekt eftersom systemet tränas med en bias mot beteendemönstren hos de flesta systemanvändare.
- Överväg situationer där personanpassningens utforskningsbeteende kan orsaka skada.
- Överväg noggrant att anpassa val som är följdriktiga eller oåterkalleliga, och som inte bör bestämmas av kortsiktiga signaler och belöningar.
- Ange inte åtgärder för personanpassning som inte ska väljas. Till exempel bör olämpliga filmer filtreras bort från åtgärderna för att anpassa om du ger en rekommendation för en anonym eller minderårig användare.
Här följer några scenarier där ovanstående vägledning spelar en roll i huruvida och hur du ska tillämpa Personanpassning:
- Undvik att använda Personanpassning för rankningserbjudanden på specifika lån, finansiella produkter och försäkringsprodukter, där anpassningsfunktioner regleras, baserat på data som individerna inte känner till, inte kan erhålla eller inte kan bestrida; och val som behöver år och information "bortom klicket" för att verkligen bedöma hur bra rekommendationer var för företaget och användarna.
- Överväg noggrant att anpassa höjdpunkter från skolkurser och utbildningsinstitutioner där rekommendationer utan tillräcklig utforskning kan sprida fördomar och minska användarnas medvetenhet om andra alternativ.
- Undvik att använda Personanpassning för att syntetisera innehåll algoritmiskt med målet att påverka åsikter i demokrati och medborgarinflytande, eftersom det är följdriktigt på lång sikt och kan vara manipulativt om användarens mål för besöket är att informeras, inte påverkas.