Kişiselleştirme nedir?

Azure AI Kişiselleştirme, uygulamalarınızın pekiştirme öğrenmesini kullanarak büyük ölçekte daha akıllı kararlar aldığı bir yapay zeka hizmetidir. Kişiselleştirme, uygulamanızın, senaryonuzun ve/veya kullanıcılarınızın (bağlamlar) durumu hakkındaki bilgileri ve alınacak en iyi kararı belirlemek için bir dizi olası kararı ve ilgili öznitelikleri (eylemler) işler. Uygulamanızdan geri bildirim (ödüller), neredeyse gerçek zamanlı olarak karar alma becerisini nasıl geliştireceğinizi öğrenmek için Kişiselleştirici'ye gönderilir.

Kişiselleştirme, çeşitli senaryolarda yapılması gereken en iyi eylemleri belirleyebilir:

• E-ticaret: Satın alma olasılığını en üst düzeye çıkarmak için müşterilere hangi ürün gösterilmelidir?
• İçerik önerisi: Tıklama oranını artırmak için hangi makale gösterilmelidir?
• İçerik tasarımı: Bir web sitesinde kullanıcı katılımını iyileştirmek için bir reklam nereye yerleştirilmelidir?
• İletişim: Yanıt olasılığını en üst düzeye çıkarmak için ne zaman ve nasıl bildirim gönderilmelidir?

Kişiselleştirme'yi kullanmaya başlamak için hızlı başlangıç kılavuzunu izleyin veya bu etkileşimli tanıtımla tarayıcınızda Kişiselleştirme'yi deneyin.

Bu belge aşağıdaki makale türlerini içerir:

• Hızlı başlangıçlar , hizmete API istekleri göndermeye başlamak için kurulum ve örnek kodda size yol gösterecek adım adım yönergeler sağlar.
• Nasıl yapılır kılavuzları , Kişiselleştirme özelliklerini ve gelişmiş özellikleri kullanma yönergelerini içerir.
• Kod örnekleri , Kişiselleştirme'nin nasıl kullanılacağını gösterir ve uygulamanızı hizmetle kolayca arabirime bağlamanıza yardımcı olur.
• Öğreticiler , daha geniş bir iş çözümünün parçası olarak Kişiselleştirme'yi uygulayan daha uzun kılavuzlardır.
• Kavramlar Kişiselleştirme özellikleri, özellikleri ve temelleri hakkında daha fazla ayrıntı sağlar.

Kişiselleştirme nasıl çalışır?

Kişiselleştirme, ortalama ödülü en üst düzeye çıkarmak için tüm kullanıcılar genelinde belirli bir bağlam için en iyi eylemi seçmek için pekiştirici öğrenmeyi kullanır.

• Bağlam: Karar vermeyle ilgili olabilecek uygulamanızın, senaryonuzun veya kullanıcınızın durumunu açıklayan bilgiler.
  • Örnek: Web sitesini ziyaret eden kullanıcıların konumu, cihaz türü, yaşı ve sık kullanılan konuları.
• Eylemler: Seçilebilen ayrı bir öğe kümesi ve her öğeyi açıklayan öznitelikler.
  • Örnek: Bir dizi haber makalesi ve her makalede ele alınan konular.
• Ödül: Kararın kötü mü (0) yoksa iyi mi (1) olduğunu gösteren 0 ile 1 arasında bir sayısal puan
  • Örnek: "1", kullanıcının önerilen makaleye tıkladığını, "0" ise kullanıcının tıklamadığını gösterir.

Derece ve Ödül API'leri

Kişiselleştirme, yalnızca iki birincil API kullanarak pekiştirici öğrenmenin gücünden ve esnekliğinden yararlanmanızı sağlar.

Sıralama API'si, her karar alınmasında uygulamanız tarafından çağrılır. Uygulama, bir dizi eylem, her eylemi açıklayan özellikler ve geçerli bağlamı açıklayan özellikler içeren bir JSON gönderir. Her Sıralama API'si çağrısı bir olay olarak bilinir ve benzersiz bir olay kimliğiyle not edilir. Kişiselleştirme daha sonra temel alınan model tarafından belirlenen toplam ortalama ödülü en üst düzeye çıkaran en iyi eylemin kimliğini döndürür.

Kişiselleştirme'nin Sıralama çağrısında döndürülen eylem kimliğinin sağlanan değer olup olmadığını öğrenmesine yardımcı olabilecek geri bildirimler olduğunda Ödül API'si uygulamanız tarafından çağrılır . Örneğin, bir kullanıcı önerilen haber makalesine tıkladıysa veya önerilen bir ürünün satın alımını tamamladıysa. Reward API'sine yapılan bir çağrı gerçek zamanlı (Rank çağrısı yapıldıktan hemen sonra) veya senaryonun gereksinimlerine daha uygun olacak şekilde geciktirilebilir. Ödül puanı, iş ölçümlerinize ve hedeflerinize göre belirlenir ve uygulamanızdaki bir algoritma veya kurallar tarafından oluşturulabilir. Puan, 0 ile 1 arasında gerçek değerli bir sayıdır.

Öğrenme modları

• Çırak modu Çırak modunun bir uzmanı gözlemleyerek bir el sanatları öğrenmesine benzer şekilde, Çırak modu da Kişiselleştirme'nin uygulamanızın geçerli karar mantığını gözlemleyerek öğrenmesini sağlar. Bu, yeni bir eğitilmeyen modelde "soğuk başlangıç" olarak adlandırılan sorunu hafifletmeye yardımcı olur ve Kişiselleştirme'ye gönderilen eylem ve bağlam özelliklerini doğrulamanıza olanak tanır. Çırak modunda, Sıralama API'sine yapılan her çağrı, uygulamanın Kişiselleştirici kullanmadan yapacağı eylem olan temel eylemi veya varsayılan eylemi döndürür. Bu, uygulamanız tarafından olası eylemler kümesinin ilk öğesi olarak Derece API'sindeki Kişiselleştirme'ye gönderilir.

• Çevrimiçi mod Kişiselleştirme, temel alınan RL modeli tarafından belirlenen bağlam göz önüne alındığında en iyi eylemi döndürür ve performansı geliştirebilecek diğer olası eylemleri inceler. Kişiselleştirici, Ödül API'sine yapılan çağrılarda sağlanan geri bildirimlerden öğrenir.

Kişiselleştirme'nin geçerli bağlama göre en iyi eylemleri öğrenmek için tüm kullanıcılar genelinde toplu bilgileri kullandığını unutmayın. Hizmet aşağıdakileri yapmaz:

• Kullanıcı profili bilgilerini kalıcı hale gelip yönetin. Benzersiz kullanıcı kimlikleri Kişiselleştirme'ye gönderilmemelidir.
• Tek tek kullanıcıların tercihlerini veya geçmiş verilerini günlüğe kaydetme.

Örnek senaryolar

Kişiselleştirici'nin bir kullanıcı için işlenecek en iyi içeriği seçmek için kullanılabildiği birkaç örnek aşağıda verilmiştir.

Senaryo gereksinimleri

Senaryonuzda şu durumlarda Kişiselleştirme kullanın:

• Her kişiselleştirme olayında arasından seçim yapmak için sınırlı bir eylem veya öğe kümesi. Her Rank API çağrısında en fazla yaklaşık 50 eylem önerilir. Daha büyük bir olası eylem kümeniz varsa, Rank API'sini çağırmadan önce eylem listesini azaltmak için bir öneri altyapısı veya başka bir mekanizma kullanmanızı öneririz.
• Eylemleri açıklayan bilgiler (eylem özellikleri).
• Geçerli bağlamı (bağlamsal özellikler) açıklayan bilgiler.
• Kişiselleştirme'nin öğrenmesini sağlamak için yeterli veri hacmi. Genel olarak, Kişiselleştirme'nin etkili bir şekilde öğrenmesini sağlamak için günde en az yaklaşık 1.000 etkinlik öneririz. Kişiselleştirme yeterli veri almazsa hizmetin en iyi eylemleri belirlemesi daha uzun sürer.

Yapay zekanın sorumlu biçimde kullanılması

Microsoft olarak, insanları ilk sırada barındıran ilkeler doğrultusunda yapay zekanın ilerletildiğini taahhüt ediyoruz. Kişiselleştirme hizmetinde sunulanlar gibi yapay zeka modellerinin önemli potansiyel avantajları vardır, ancak dikkatli tasarım ve düşünceli azaltmalar olmadan, bu tür modeller yanlış ve hatta zararlı içerik oluşturma potansiyeline sahiptir. Microsoft, uygunsuz kullanım ve istenmeyen zararlara karşı korunmaya yardımcı olmak için önemli yatırımlar yaptı. Microsoft'un sorumlu yapay zeka kullanımına yönelik ilkelerini birleştirir, müşterileri desteklemek için içerik filtreleri oluşturur ve eklenen müşterilere sorumlu yapay zeka uygulama yönergeleri sağlar. Kişiselleştirme için Sorumlu Yapay Zeka belgelerine bakın.

Kişiselleştirmeyi bir uygulamayla tümleştirme

1. Eylemleri ve bağlamı tasarlayın ve planlayın. Geri bildirimi ödül puanı olarak yorumlamayı belirleyin.

2. Oluşturduğunuz her Kişiselleştirme Kaynağı tek bir Öğrenme Döngüsü olarak tanımlanır. Döngü, bu içerik veya kullanıcı deneyimi için hem Derece hem de Ödül çağrılarını alır ve temel alınan bir RL modelini eğitecektir. Şunlar var:

   Kaynak türü	Purpose
   Çırak modu - E0	Üretim ortamında daha iyi ilkeler öğrenmek için Çevrimiçi modu kullanmadan önce Mevcut karar verme mantığınızı mevcut uygulamanızı etkilemeden taklit etmek için Kişiselleştiriciyi eğitin.
   Çevrimiçi mod - Standart, S0	Kişiselleştirme, üretimdeki en iyi eylemleri belirlemek için RL kullanır.
   Çevrimiçi mod - Ücretsiz, F0	Kişiselleştiriciyi sınırlı bir üretim dışı ortamda deneyin.

3. Uygulamanıza, web sitenize veya sisteminize Kişiselleştirme ekleyin:

   1. En iyi eylemi belirlemek için uygulamanızda, web sitenizde veya sisteminizde Kişiselleştirme'ye bir Sıralama çağrısı ekleyin.

   2. Senaryonuzda ödül eylem kimliği olarak belirtildiği gibi en iyi eylemi kullanın.

   3. Ödül puanını belirlemek için kullanıcı davranışına veya geri bildirim verilerine iş mantığı uygulayın. Örneğin:

      Davranış	Hesaplanan ödül puanı
      Kullanıcı Kişiselleştirici tarafından önerilen bir haber makalesi seçti	1
      Kullanıcı Kişiselleştirici tarafından önerilmeyen bir haber makalesi seçti	0
      Kullanıcı bir haber makalesini seçmekten çekindi, kararsız bir şekilde kaydırdı ve sonunda Personalizer tarafından önerilen haber makalesini seçti	0.5

   4. 0 ile 1 arasında bir ödül puanı gönderen bir Reward araması ekleme

      • Geri bildirim alındıktan hemen sonra.
      • Veya gecikmeli geri bildirimin beklendiği senaryolarda bir süre sonra.

   5. Kişiselleştirme'nin çevrimiçi kararlar almak için önemli veriler aldığı bir sürenin ardından döngünüzü çevrimdışı bir değerlendirmeyle değerlendirin. Çevrimdışı değerlendirme, kod değişiklikleri veya kullanıcı etkisi olmadan Kişiselleştirme Hizmeti'nin etkinliğini test etmenizi ve değerlendirmenizi sağlar.

Sonraki adımlar

• Kişiselleştirme nasıl çalışır?
• Pekiştirici Öğrenme nedir?