Freigeben über


Anwendungsfälle für die Personalisierung

Wichtig

Ab dem 20. September 2023 können Sie keine neuen Personalisierungsressourcen mehr erstellen. Der Personalisierungsdienst wird am 1. Oktober 2026 eingestellt.

Was ist ein Transparenzhinweis?

Ein KI-System umfasst nicht nur die Technologie, sondern auch die Personen, die das System verwenden, die davon betroffenen Personen und die Umgebung, in der es bereitgestellt wird. Die Schaffung eines Systems, das für seinen vorgesehenen Zweck geeignet ist, erfordert ein Verständnis dafür, wie die Technologie funktioniert, ihre Möglichkeiten und Einschränkungen und wie die beste Leistung erreicht wird.

Microsoft stellt Transparenzhinweise zur Verfügung, um Ihnen zu helfen, zu verstehen, wie unsere KI-Technologie funktioniert. Dies betrifft auch die Entscheidungen, die Systembesitzer*innen treffen können, die die Systemleistung und das Systemverhalten beeinflussen, und die Wichtigkeit, das gesamte System zu betrachten, einschließlich der Technologie, der Menschen und der Umgebung. Sie können Transparenzhinweise verwenden, wenn Sie Ihr eigenes System entwickeln oder bereitstellen, oder sie mit den Personen teilen, die Ihr System verwenden oder von ihm betroffen sind.

Transparenzhinweise sind Teil einer größeren Initiative bei Microsoft, unsere KI-Prinzipien praktisch umzusetzen. Weitere Informationen finden Sie unter Verantwortungsvolle KI.

Einführung in den Dienst „Personalisierung“

Die Azure KI Personalisierung ist ein cloudbasierter Dienst, mit dessen Hilfe Ihre Anwendungen Benutzer*innen den jeweils am besten geeigneten Inhalt anzeigen können. Sie können die Personalisierung verwenden, um festzulegen, welches Produkt Kunden vorgeschlagen werden soll oder welche Position für eine Anzeige optimal ist. Nachdem dem Benutzer die Inhalte angezeigt wurden, überwacht Ihre Anwendung die Reaktion des Benutzers und gibt eine Relevanzbewertung an die Personalisierung zurück. Die Relevanzbewertung wird verwendet, um das Machine Learning-Modell kontinuierlich mit vertiefendem Lernen zu verbessern. Dadurch verbessert sich die Fähigkeit der Personalisierung, auf der Grundlage der für jedes Inhaltselement empfangenen Kontextinformationen das beste Element auszuwählen.

Weitere Informationen finden Sie unter

Schlüsselbegriffe

Begriff Definition
Lernschleife Sie erstellen eine Personalisierungsressource, eine sogenannte Lernschleife, für jeden Teil Ihrer Anwendung, der von der Personalisierung profitieren kann. Wenn Sie mehr als eine zu personalisierende Erfahrung haben, erstellen Sie für jede eine Schleife.
Onlinemodell Das standardmäßige Lernverhalten für die Personalisierung, bei dem Ihre Lernschleife maschinelles Lernen verwendet, um das Modell zu erstellen, das die Top-Aktion für Ihre Inhalte vorhersagt.
Ausbildungsmodus Ein Lernverhalten, das beim Warmstart eines Personalisierungsmodels beim Training hilft, ohne die Ergebnisse und Aktionen der Anwendung zu beeinflussen.
Belohnungen Ein Maß dafür, wie der Benutzer auf die von der Rang-API zurückgegebene Relevanzaktions-ID reagiert hat, als eine Bewertung zwischen 0 und 1. Der Wert von 0 bis 1 wird von Ihrer Geschäftslogik festgelegt, basierend darauf, wie die Auswahl dabei geholfen hat, Ihre geschäftlichen Ziele der Personalisierung zu erreichen. Die Lernschleife speichert diese Relevanz nicht als individuellen Benutzerverlauf.
Durchsuchen Der Personalisierungsdienst erkundet, wenn er, anstatt die beste Aktion zurückzugeben, eine andere Aktion für den Benutzer auswählt. Der Personalisierungsdienst kann durch Erkunden Verschiebungen und Stagnation vermeiden sowie sich an laufendes Benutzerverhalten anpassen.

Weitere Informationen und zusätzliche Schlüsselbegriffe finden Sie in der Dokumentation Terminologie zur Personalisierung und in der konzeptionellen Dokumentation.

Beispiele für Anwendungsfälle

Dies sind einige häufige Motivationen auf Kundenseite für den Einsatz der Personalisierung:

  • Kundenbindung: Erfassen Sie das Kundeninteresse, indem Sie Inhalte auswählen, um die Klickaktion zu steigern oder die nächste beste Aktion zu priorisieren, um den durchschnittlichen Umsatz zu verbessern. Andere Mechanismen zum Steigern der Kundenbindung können die Auswahl von Videos oder Musik in einem dynamischen Kanal oder einer Wiedergabeliste umfassen.
  • Inhaltsoptimierung: Bilder können für ein Produkt optimiert werden (etwa die Auswahl eines Filmposters aus einer Reihe von Optionen), um die Klickführung zu optimieren, oder Layout, Farben, Bilder und Blurbs der Benutzeroberfläche können auf einer Webseite optimiert werden, um Anpassung und Kaufbereitschaft zu steigern.
  • Maximieren Sie Kaufentscheidungen mithilfe von Rabatten und Coupons: Um das beste Verhältnis von Marge und Kaufbereitschaft zu erhalten, wählen Sie aus, welche Rabatte die Anwendung Kunden anbietet, oder entscheiden Sie, welches Produkt in den Ergebnissen einer Empfehlungs-Engine hervorgehoben werden soll, um die Kaufbereitschaft zu maximieren.
  • Maximieren Sie positive Verhaltensänderungen: Wählen Sie aus, welche Wellness-Tippfrage in einer Benachrichtigung, einem Messaging oder einem SMS-Push gesendet werden soll, um positive Verhaltensänderungen zu maximieren.
  • Steigern Sie die Produktivität in Kundendienst und technischem Support, indem Sie die relevanten besten nächsten Maßnahmen oder die passenden Inhalte hervorheben, wenn Benutzer nach Dokumenten, Handbüchern oder Datenbankartikeln suchen.

Hinweise zur Auswahl eines Anwendungsfalls

  • Die Verwendung eines Diensts, der lernt, Inhalte und Benutzeroberflächen zu personalisieren, ist hilfreich. Es kann jedoch auch falsch angewendet werden, wenn die Personalisierung in der realen Welt zu schädlichen Nebenwirkungen führt. Ziehen Sie in Betracht, wie die Personalisierung auch Ihren Benutzern hilft, ihre Ziele zu erreichen.
  • Erwägen Sie, welche negativen Folgen es in der realen Welt haben könnte, wenn die Personalisierung bestimmte Elemente nicht vorschlägt, da das System mit einer Verzerrung auf die Verhaltensmuster der Mehrheit der Systembenutzer trainiert wurde.
  • Erwägen Sie Situationen, in denen das Untersuchungsverhalten der Personalisierung Schaden anrichten kann.
  • Berücksichtigen Sie sorgfältig die Personalisierung von Entscheidungen, die folgenschwer oder unumkehrbar sind, und die nicht durch kurzfristige Signale und Belohnungen bestimmt werden sollten.
  • Stellen Sie der Personalisierung keine Aktionen bereit, die nicht ausgewählt werden sollten. Beispielsweise sollten unangemessene Filme aus den zu personalisierenden Aktionen herausgefiltert werden, wenn eine Empfehlung für einen anonymen oder minderjährigen Benutzer ausgesprochen wird.

Nachfolgend finden Sie einige Szenarien, in denen die oben genannten Anleitungen eine Rolle dabei spielen, ob und wie Sie die Personalisierung anwenden:

  • Vermeiden Sie die Verwendung der Personalisierung für die Bewertung von Angeboten für bestimmte Kredit-, Finanz- und Versicherungsprodukte, bei denen Personalisierungsmerkmale auf der Grundlage von Daten reguliert sind, die die Personen nicht kennen, nicht einsehen oder nicht anfechten können. Vermeiden Sie ebenso Entscheidungen, die über den Klick hinaus Jahre und zusätzliche Informationen erfordern, um eine ernsthafte Bewertung der Empfehlungen aus Sicht des Unternehmens und der Kunden abzugeben.
  • Erwägen Sie sorgfältig die Personalisierung von Highlights bei Schulkursen und Bildungseinrichtungen, in denen Empfehlungen ohne ausreichende Erforschung Verzerrungen verbreiten und die Wahrnehmung anderer Optionen verringern können.
  • Vermeiden Sie die Verwendung der Personalisierung zur algorithmischen Synthetisierung von Inhalten, um demokratische Meinungen und Bürgerbeteiligung zu beeinflussen, da dies langfristige Folgen hat und manipulativ sein kann, wenn der Grund des Benutzers für den Besuch der Wunsch nach Information ist, nicht nach Beeinflussung.

Nächste Schritte