Autooptimera personanpassning (förhandsversion)
Viktigt!
Från och med den 20 september 2023 kommer du inte att kunna skapa nya personaliseringsresurser. Personanpassningstjänsten dras tillbaka den 1 oktober 2026.
Introduktion
Med automatisk optimering av personanpassning sparar du manuellt arbete med att hålla en Personanpassningsloop på bästa maskininlärningsprestanda genom att automatiskt söka efter förbättrade inlärningsinställningar som används för att träna dina modeller och tillämpa dem. Personanpassning har strikta kriterier för att tillämpa nya inlärningsinställningar för att försäkra förbättringar är osannolikt att införa förlust i belöningar.
Autooptimering av personanpassning finns i offentlig förhandsversion och funktioner, metoder och processer ändras baserat på användarfeedback.
När ska du använda Automatisk optimering?
I de flesta fall är det bästa alternativet att aktivera Automatisk optimering. Automatisk optimering är aktiverat som standard för nya Personanpassningsslingor.
Automatisk optimering kan vara till hjälp i följande situationer:
- Du skapar program som används av många klienter och var och en får sina egna Personanpassningsslingor. om du till exempel är värd för flera e-handelswebbplatser. Med automatisk optimering kan du undvika den manuella ansträngning du behöver för att justera inlärningsinställningarna för ett stort antal Personanpassningsslingor.
- Du har distribuerat Personanpassning och verifierat att det fungerar bra, får bra belöningar och du har kontrollerat att det inte finns några buggar eller problem i dina funktioner.
Kommentar
Automatisk optimering skriver regelbundet över anpassningsinställningar för inlärning. Om ditt användningsfall eller din bransch kräver granskning och arkivering av modeller och inställningar, eller om du behöver säkerhetskopior av tidigare inställningar, kan du använda Personanpassnings-API:et för att hämta utbildningsinställningar eller ladda ned dem via Azure Portal.
Så här aktiverar och inaktiverar du automatisk optimering
Om du vill aktivera automatisk optimering använder du växlingsknappen på bladet "Modell- och inlärningsinställningar" i Azure Portal.
Du kan också aktivera Automatisk optimering med hjälp av Personanpassnings-API /configurations/service :et.
Om du vill inaktivera Automatisk optimering inaktiverar du växlingsknappen.
Optimera rapporter automatiskt
På bladet Modell- och inlärningsinställningar kan du se historiken för automatisk optimering av körningar och den åtgärd som vidtas på var och en.
Tabellen visar:
- När en automatisk optimeringskörning utfördes,
- Vilket datafönster som ingick,
- Vad var belöningsprestandan för online, baslinje och bäst funna inlärningsinställningar,
- Åtgärder som vidtagits: om utbildningsinställningarna har uppdaterats eller inte.
Belöningsprestanda för olika inlärningsinställningar i varje rad för automatisk optimeringshistorik visas i absoluta tal och som procentandelar i förhållande till baslinjeprestanda.
Exempel: Om din genomsnittliga originalbelöning uppskattas till 0,20 och beteendet för onlineanpassning uppnår 0,30 visas dessa som 100 % respektive 150 %. Om den automatiska optimeringen hittade inlärningsinställningar som kan uppnå en genomsnittlig belöning på 0,40 visas det som 200 % (0,40 är 200 % av 0,20). Förutsatt att konfidensmarginalerna tillåter det, tillämpas de nya inställningarna, och då skulle dessa köra Personanpassning som Online-inställningar till nästa körning.
En historik över upp till 24 tidigare autooptimerade körningar sparas för din analys. Du kan söka efter mer information om dessa offlineutvärderingar och rapporter för var och en. Rapporterna innehåller även alla utbildningsinställningar som finns i den här historiken, som du kan hitta och ladda ned eller tillämpa.
Hur det fungerar
Personalizer tränar ständigt de AI-modeller som används baserat på belöningar. Den här träningen utförs efter vissa inlärningsinställningar som innehåller hyperparametrar och andra värden som används i träningsprocessen. De här utbildningsinställningarna kan "justeras" till din specifika personanpassningsinstans.
Personanpassning har också möjlighet att utföra offlineutvärderingar. Offlineutvärderingar tittar på tidigare data och kan generera en statistisk uppskattning av den genomsnittliga belöning som Personanpassning av olika algoritmer och modeller kunde ha uppnått. Under den här processen söker Personalizer också efter bättre inlärningsinställningar och beräknar deras prestanda (hur många belöningar de skulle ha fått) under den senaste tidsperioden.
Frekvens för automatisk optimering
Automatisk optimering körs regelbundet och utför automatisk optimering baserat på tidigare data
- Om ditt program skickar mer än 20 MB data till Personanpassning under de senaste två veckorna kommer det att använda de senaste två veckornas data.
- Om ditt program skickar mindre än den här mängden lägger Personalizer till data från tidigare dagar tills det finns tillräckligt med data för att optimera eller når de tidigaste data som lagras (upp till antalet dagar för datakvarhållning).
De exakta tider och dagar då automatisk optimering körs bestäms av personanpassningstjänsten och varierar över tid.
Kriterier för uppdatering av utbildningsinställningar
Personanpassningen använder dessa belöningsberäkningar för att avgöra om de aktuella utbildningsinställningarna ska ändras för andra. Varje uppskattning är en fördelningskurva med övre och lägre konfidensgräns på 95 %. Personanpassning tillämpar endast nya utbildningsinställningar om:
- De visade högre genomsnittliga belöningar under utvärderingsperioden, OCH
- De har en lägre gräns för konfidensintervallet på 95 % som är högre än den lägre gränsen för konfidensintervallet på 95 % för onlineinlärningsinställningarna. Detta kriterier för att maximera belöningsförbättringen, samtidigt som man försöker eliminera sannolikheten för förlorade framtida belöningar hanteras av Personalizer och bygger på forskning inom seldoniska algoritmer och AI-säkerhet.
Begränsningar för automatisk optimering
Personalizer Auto-Optimize förlitar sig på en utvärdering av en tidigare period för att uppskatta prestanda i framtiden. Det är möjligt att på grund av externa faktorer i världen, ditt program och dina användare är dessa uppskattningar och förutsägelser om Personanpassningsmodeller som gjorts under den senaste perioden inte representativa för framtiden.
Automatisk optimeringsförhandsvisning är inte tillgänglig för personanpassningsloopar som har aktiverat funktionerna för förhandsversionen av API:et för flerfacksanpassning.