Kişiselleştiricinin özellikleri ve sınırlamaları
Önemli
20 Eylül 2023 tarihinden itibaren yeni Kişiselleştirme kaynakları oluşturamayacaksınız. Kişiselleştirme hizmeti 1 Ekim 2026'da kullanımdan kaldırılıyor.
Azure Yapay Zeka Kişiselleştirme birçok senaryoda çalışabilir. Kişiselleştirme'yi nereye uygulayabileceğinizi anlamak için senaryonuzun gereksinimlerinin Kişiselleştirme'nin çalışması için beklentileri karşıladığından emin olun. Kişiselleştirme'nin kullanılması gerekip gerekmediğini ve uygulamalarınızla nasıl tümleştirileceği hakkında bilgi edinmek için bkz . Kişiselleştirme için Kullanım Örnekleri. Kişiselleştirme kullanımınız için kullanım örneklerini seçme, özellik tasarlama ve ödül işlevleriyle ilgili ölçütler ve yönergeler bulacaksınız.
Bu makaleyi okumadan önce, Kişiselleştirici'nin nasıl çalıştığı hakkında bazı arka plan bilgilerini anlamanız yararlı olacaktır.
Kişiselleştirici için özellikleri seçme
İçeriği kişiselleştirmek, içerik ve kullanıcı hakkında yararlı bilgilere sahip olmasına bağlıdır. Bazı uygulamalar ve sektörler için, bazı kullanıcı özellikleri doğrudan veya dolaylı olarak ayrımcı ve potansiyel olarak yasa dışı olarak kabul edilebilir. Kişiselleştirme ile kullanılacak özellikleri değerlendirmeye ilişkin Kişiselleştirme tümleştirmesi ve sorumlu kullanım yönergelerine bakın.
Kişiselleştirici için bilgi işlem ödülleri
Kişiselleştirici, uygulama iş mantığınız tarafından sağlanan ödül puanına göre eylem seçimlerini iyileştirmeyi öğrenir. İyi oluşturulmuş bir ödül puanı, kuruluşun misyonuna bağlı bir iş hedefine kısa vadeli ara sunucu görevi görür. Örneğin tıklamaları ödüllendirmek, tıklanan öğe kullanıcının dikkatini dağıtsa veya bir iş sonucuna bağlı olmasa bile Kişiselleştirici'nin diğer her şeye karşılık tıklama aramasına neden olur. Buna karşılık, bir haber sitesi tıklamalardan daha anlamlı bir şeye bağlı ödüller ayarlamak isteyebilir; örneğin, "Kullanıcı içeriği okumak için yeterli zaman harcadı mı?" veya "Kullanıcı ilgili makalelere veya başvurulara tıkladı mı?" Kişiselleştirici ile ölçümleri ödüllere yakından bağlamak kolaydır. Ancak, kısa vadeli kullanıcı katılımını istenen sonuçlarla birleştirmemeye dikkat etmeniz gerekir.
Ödül puanlarından istenmeyen sonuçlar
En iyi niyetlerle oluşturulmuş olsa bile ödül puanları Kişiselleştirici'nin içeriği sıralama şekli nedeniyle beklenmeyen sonuçlara veya istenmeyen sonuçlara neden olabilir.
Aşağıdaki örnekleri değerlendirin:
- İzlenen video uzunluğunun yüzdesine göre video içeriğini kişiselleştirmenin ödüllendirilmesi, büyük olasılıkla daha kısa videoları daha uzun videolardan daha yüksek derecelendirme eğilimindedir.
- Sosyal medya paylaşımlarının nasıl paylaşıldığından veya içeriğin kendisinden yaklaşım analizi yapılmadan ödüllendirilmesi rahatsız edici, paylaşılmayan veya enflamatuar içeriklerin derecelendirmesine yol açabilir. Bu tür içerikler çok fazla etkileşimi teşvik etme eğilimindedir ancak genellikle zarar verir.
- Kullanıcıların değiştirmesini beklemeyen kullanıcı arabirimi öğelerindeki eylemi ödüllendirmek, kullanıcı arabiriminin kullanılabilirliğini ve öngörülebilirliğini etkileyebilir. Örneğin, konumu veya amacı uyarı olmadan değiştiren düğmeler, belirli kullanıcı gruplarının üretken kalmasını zorlaştırabilir.
Şu en iyi yöntemleri uygulayın:
- Etkiyi ve yan etkileri anlamak için farklı ödül yaklaşımlarını kullanarak sisteminizle çevrimdışı denemeler çalıştırın.
- Ödül işlevlerinizi değerlendirin ve saf bir kişinin yorumunu nasıl değiştirebileceğini ve istenmeyen veya istenmeyen sonuçlara neden olabileceğini kendinize sorun.
- Sonuçların yeniden üretilebilmesi için Kişiselleştirme'nin çalışması için kullandığı modeller, öğrenme ilkeleri ve diğer veriler gibi bilgileri ve varlıkları arşivleyin.
Performansı anlamak ve geliştirmek için genel yönergeler
Kişiselleştirici, Pekiştirici Öğrenme'yi temel alarak zaman içinde daha iyi seçimler yapmak için ödüllerden ders çıkardığından, performans duyarlık ve geri çağırma gibi sınıflandırıcılarda kullanılan geleneksel denetimli öğrenme terimleriyle ölçülemez. Kişiselleştirici'nin performansı doğrudan Ödül API'si aracılığıyla uygulamanızdan aldığı ödül puanlarının toplamı olarak ölçülür.
Kişiselleştirme'yi kullandığınızda, Azure portalındaki ürün kullanıcı arabirimi performans bilgilerini sağlar, böylece bu bilgileri izleyebilir ve üzerinde işlem yapabilirsiniz. Performans aşağıdaki yollarla görülebilir:
- Kişiselleştirme Çevrimiçi Öğrenme modundaysa çevrimdışı değerlendirmeler gerçekleştirebilirsiniz.
- Kişiselleştirici Çırak modundaysa Azure portalındaki Değerlendirme bölmesinde performans ölçümlerini (taklit edilen olaylar ve ödüller) görebilirsiniz.
Gözetim sağlamak için sık sık çevrimdışı değerlendirmeler yapmanızı öneririz. Bu görev eğilimleri izlemenize ve etkinliği sağlamanıza yardımcı olur. Örneğin, ödül performansının düşüşe sahip olması durumunda Kişiselleştirici'yi geçici olarak Çırak Modu'na yerleştirmeye karar verebilirsiniz.
Çevrimdışı Değerlendirmeler: Sınırlamalar bölümünde gösterilen kişiselleştirme performansı tahminleri
Kişiselleştirme'nin "performansını" kullanım sırasında elde ettiği toplam ödüller olarak tanımlarız. Çevrimdışı Değerlendirmeler'de gösterilen kişiselleştirici performans tahminleri ölçülmüş yerine hesaplanır. Bu tahminlerin sınırlamalarını anlamak önemlidir:
- Tahminler geçmiş verileri temel alır, bu nedenle dünya ve kullanıcılarınız değiştikçe gelecekteki performans farklılık gösterebilir.
- Temel performans tahminleri olasılıksal olarak hesaplanır. Bu nedenle, temel ortalama ödülü için güvenilirlik bandı önemlidir. Tahmin, daha fazla olayla daha kesin hale gelecek. Her Sıralama çağrısında daha az sayıda eylem kullanırsanız, Kişiselleştirme'nin her olay için bunlardan herhangi birini (temel eylem dahil) seçme olasılığı daha yüksek olduğundan performans tahmini güvenilirlikte artabilir.
- Kişiselleştirme, her etkinlik için seçilen eylemleri geliştirmek için bir modeli sürekli olarak neredeyse gerçek zamanlı olarak eğitir ve sonuç olarak elde edilen toplam ödülleri etkiler. Model performansı, geçmiş son eğitim verilerine bağlı olarak zaman içinde değişir.
- Keşif ve eylem seçimi, Kişiselleştirme modeli tarafından yönlendirilen stokastik süreçlerdir. Bu stokastik işlemler için kullanılan rastgele sayılar Olay Kimliği'nden dağıtılır. Keşif-exploit ve diğer stokastik işlemlerin yeniden üretilebilirliğini sağlamak için aynı Olay Kimliğini kullanın.
- Çevrimiçi performans araştırmayla sınırlanabilir. Keşif ayarlarının düşürülmesi, değişen eğilimleri ve kullanım düzenlerini öğrenmek için toplanan bilgilerin miktarını sınırladığından, denge her kullanım örneğine bağlıdır. Bazı kullanım örnekleri daha yüksek keşif ayarlarıyla başlar ve zaman içinde azaltır (örneğin, %30 ile başlar ve %10'a düşer).
Yanlışlıkla kişiselleştiriciyi sapmaya neden olabilecek mevcut modelleri denetleme
Mevcut öneriler, müşteri segmentasyonu ve destek modeli çıkışları, uygulamanız tarafından Kişiselleştirme'ye giriş olarak kullanılabilir. Kişiselleştirici, ödüllere katkı yapmayan özellikleri göz ardı etmeyi öğrenir. Ödülleri tahmin etme konusunda iyi olup olmadığını ve yan etki olarak zarar oluşturabilecek güçlü yanlılıklar içerip içermediğini belirlemek için tüm eğilim modellerini gözden geçirin ve değerlendirin. Örneğin, zararlı stereotiplere dayalı olabilecek önerilere bakın. Süreci kolaylaştırmak için FairLearn gibi araçları kullanmayı göz önünde bulundurun.
Proje yaşam döngünüz sırasında proaktif değerlendirmeler
Ekip üyeleri, kullanıcılar ve işletme sahipleri için sorumlu kullanımla ilgili endişeleri ve çözümlerine öncelik veren bir süreci bildirmek için yöntemler oluşturmayı göz önünde bulundurun. Sorumlu kullanım görevlerini, kullanıcı deneyimi, güvenlik veya DevOps ile ilgili görevler gibi uygulama yaşam döngüsündeki diğer çapraz kesme görevleri gibi ele almayı göz önünde bulundurun. Sorumlu kullanımla ve gereksinimleriyle ilgili görevler artık kullanılmamalıdır. Sorumlu kullanım, uygulama yaşam döngüsü boyunca tartışılmalı ve uygulanmalıdır.