Gebruiksvoorbeelden voor Personalizer
Belangrijk
Vanaf 20 september 2023 kunt u geen nieuwe Personalizer-resources maken. De Personalizer-service wordt op 1 oktober 2026 buiten gebruik gesteld.
Wat is een transparantienotitie?
Een AI-systeem omvat niet alleen de technologie, maar ook de mensen die het gebruiken, de personen die worden beïnvloed door het systeem en de omgeving waarin het wordt geïmplementeerd. Voor het maken van een systeem dat geschikt is voor het beoogde doel, moet u begrijpen hoe de technologie werkt, wat de mogelijkheden en beperkingen zijn en hoe u de beste prestaties kunt behalen.
Microsoft biedt transparantienotities om inzicht te verkrijgen in de werking van onze AI-technologie. Dit omvat de keuzes die systeemeigenaren kunnen maken die invloed hebben op de prestaties en het gedrag van het systeem, en het belang van het nadenken over het hele systeem, waaronder de technologie, de mensen en de omgeving. U kunt Transparantienotities gebruiken bij het ontwikkelen of implementeren van uw eigen systeem, of deze delen met de personen die door uw systeem worden gebruikt of beïnvloed.
Transparantienotities maken deel uit van een bredere inspanning van Microsoft om onze AI-principes in de praktijk te brengen. Zie Microsoft AI Principles voor meer informatie.
Inleiding tot Personalizer
Azure AI Personalizer is een cloudservice waarmee uw toepassingen het beste inhoudsitem kunnen kiezen om uw gebruikers weer te geven. U kunt Personalizer gebruiken om te bepalen welk product aan klanten moet worden voorgesteld of om de optimale positie voor een advertentie te bepalen. Nadat de inhoud aan de gebruiker is weergegeven, controleert uw toepassing de reactie van de gebruiker en rapporteert een beloningsscore terug naar Personalizer. De beloningsscore wordt gebruikt om het machine learning-model continu te verbeteren met behulp van versterkingsleer. Dit verbetert de mogelijkheid van Personalizer om het beste inhoudsitem te selecteren in volgende interacties op basis van de contextuele informatie die voor elk item wordt ontvangen.
Zie voor meer informatie:
Belangrijke termen
| Term | Definitie |
|---|---|
| Leerlus | U maakt een Personalizer-resource, een leerlus genoemd, voor elk onderdeel van uw toepassing dat kan profiteren van persoonlijke instellingen. Als u meer dan één ervaring hebt om te personaliseren, maakt u een lus voor elk. |
| Onlinemodel | Het standaardleergedrag voor Personalizer waarbij uw leerlus gebruikmaakt van machine learning om het model te bouwen dat de belangrijkste actie voor uw inhoud voorspelt. |
| Leerlingmodus | Een leergedrag waarmee u een Personalizer-model kunt trainen zonder dat dit van invloed is op de resultaten en acties van toepassingen. |
| Beloningen | Een meting van hoe de gebruiker heeft gereageerd op de geretourneerde beloningsactie-id van de Rank-API, als score tussen 0 en 1. De waarde 0 tot 1 wordt ingesteld door uw bedrijfslogica, op basis van de wijze waarop de keuze heeft geholpen bij het bereiken van uw bedrijfsdoelen van persoonlijke instellingen. De leerlus slaat deze beloning niet op als afzonderlijke gebruikersgeschiedenis. |
| Exploratie | De Personalizer-service onderzoekt wanneer, in plaats van de beste actie te retourneren, een andere actie wordt gekozen voor de gebruiker. De Personalizer-service voorkomt drift, stagnatie en kan zich aanpassen aan doorlopend gebruikersgedrag door te verkennen. |
Raadpleeg de Personalizer-terminologie en conceptuele documentatie voor meer informatie en aanvullende belangrijke termen.
Gebruiksvoorbeelden
Enkele veelvoorkomende klantredenen voor het gebruik van Personalizer zijn:
- Gebruikersbetrokkenheid: leg de interesse van de gebruiker vast door inhoud te kiezen om doorklikken te vergroten of om prioriteit te geven aan de volgende beste actie om de gemiddelde omzet te verbeteren. Andere mechanismen om de betrokkenheid van gebruikers te vergroten, zijn het selecteren van video's of muziek in een dynamisch kanaal of afspeellijst.
- Inhoudsoptimalisatie: Afbeeldingen kunnen worden geoptimaliseerd voor een product (zoals het selecteren van een filmposter uit een set opties) om clickthrough te optimaliseren, of de ui-indeling, kleuren, afbeeldingen en blurbs kunnen worden geoptimaliseerd op een webpagina om de conversie en aankoop te vergroten.
- Conversies maximaliseren met kortingen en coupons: om het beste saldo van marge en conversie te krijgen, kiezen welke kortingen de toepassing aan gebruikers zal bieden, of bepaal welk product moet worden gemarkeerd uit de resultaten van een aanbevelingsengine om de conversie te maximaliseren.
- Positieve gedragswijziging maximaliseren: Selecteer welke vraag over wellnesstips u wilt verzenden in een melding, bericht of sms-push om een positieve gedragswijziging te maximaliseren.
- Verhoog de productiviteit in klantenservice en technische ondersteuning door de meest relevante volgende beste acties of de juiste inhoud te markeren wanneer gebruikers documenten, handleidingen of database-items zoeken.
Overwegingen bij het kiezen van een use-case
- Het gebruik van een service die leert om inhoud en gebruikersinterfaces aan te passen, is handig. Het kan echter ook verkeerd worden toegepast als de personalisatie schadelijke bijwerkingen in de echte wereld veroorzaakt. Bedenk hoe persoonlijke instellingen uw gebruikers ook helpen hun doelen te bereiken.
- Bedenk wat de negatieve gevolgen in de echte wereld kunnen zijn als Personalizer geen specifieke items voorstelt omdat het systeem wordt getraind met een vooroordelen voor de gedragspatronen van de meerderheid van de systeemgebruikers.
- Denk aan situaties waarin het verkenningsgedrag van Personalizer schade kan veroorzaken.
- Overweeg zorgvuldig om keuzes te personaliseren die consequent of onherstelbaar zijn en die niet moeten worden bepaald door kortetermijnsignalen en beloningen.
- Geef geen acties op voor Personalizer die niet moeten worden gekozen. Ongepaste films moeten bijvoorbeeld worden gefilterd uit de acties die moeten worden aangepast als u een aanbeveling voor een anonieme of minderjarige gebruiker maakt.
Hier volgen enkele scenario's waarin de bovenstaande richtlijnen een rol spelen in de vraag of en hoe personalizer moet worden toegepast:
- Vermijd het gebruik van Personalizer voor het rangschikken van aanbiedingen voor specifieke leningen, financiële en verzekeringsproducten, waarbij personalisatiefuncties worden gereguleerd, op basis van gegevens waarover de personen niet weten, niet kunnen verkrijgen of niet kunnen betwisten; en keuzes die jaren en informatie "voorbij de klik" nodig hebben om echt te beoordelen hoe goede aanbevelingen voor het bedrijf en de gebruikers waren.
- Overweeg zorgvuldig de hoogtepunten van schoolcursussen en onderwijsinstellingen te personaliseren, waarbij aanbevelingen zonder voldoende verkenning vooroordelen kunnen verspreiden en het bewustzijn van andere opties van gebruikers verminderen.
- Vermijd het gebruik van Personalizer om inhoud algoritmen te synthetiseren met het doel om meningen in democratie en burgerdeelname te beïnvloeden, omdat het gevolg is op de lange termijn en kan manipulatief zijn als het doel van de gebruiker voor het bezoek wordt geïnformeerd, niet beïnvloed.