Ez a cikk válaszokat tartalmaz a Personalizer szolgáltatással kapcsolatos gyakori hibaelhárítási kérdésekre.
Egyrégiós adattárolás
Mikor lesz elavult a Personalizer?
2023. szeptember 20-tól nem hozhat létre új Personalizer-erőforrásokat. A Personalizer szolgáltatás 2026. október 1-jén megszűnik.
Hogyan replikálódnak az adataim egy régiós adatokkal rendelkező régióban?
A Personalizer nem tárolja/dolgozza fel az ügyféladatokat azon a régión kívül, amelyben az ügyfél üzembe helyezi a szolgáltatáspéldányt.
Konfigurációs problémák
Módosítottam egy konfigurációs beállítást, és a ciklusom nem ugyanazon a tanulási szinten működik. What happened?
Egyes konfigurációs beállítások visszaállítják a modellt. A konfigurációs módosításokat gondosan kell megtervezni és végrehajtani a dokumentáció elolvasása után.
A Personalizer API-val való konfigurálásakor hibaüzenetet kaptam. What happened?
Ha egyetlen API-kérést használ a szolgáltatás konfigurálásához és a tanulási viselkedés módosításához, hibaüzenet jelenik meg. Két külön API-hívást kell indítania: először a szolgáltatás konfigurálásához, majd a tanulási viselkedés módosításához.
Tranzakciós hibák
HTTP 429(Túl sok kérés) választ kapok a szolgáltatástól. Mit tehetek?
Ha a Personalizer-példány létrehozásakor egy ingyenes árszintet választott, az engedélyezett Rangsor kérések száma kvótakorlátot tartalmaz. Tekintse át a Rank API api-hívási sebességét (az Azure Portal Metrikák paneljén a Personalizer-erőforráshoz) és módosítsa a tarifacsomagot (a Tarifacsomag panelen), ha az API-hívások mennyisége várhatóan meghaladja a választott szint küszöbértékét.
5xx-ös hibát kapok a Rank vagy Reward API-kban. What should I do?
Az 5xx hibáknak átmeneti problémáknak kell lenniük. Ha továbbra is előfordulnak, forduljon az ügyfélszolgálathoz az Új támogatási kérés kiválasztásával a Támogatás + hibaelhárítás szakaszban, az Azure Portalon a Personalizer-erőforráshoz.
Tanulás hurok
Tanulói módban a képzési ciklus nem éri el a 100%-os egyezést a nem személyre szabott (alapkonfigurációs) szabályzattal. How do I fix this?
A Personalizer hatékonysága a Tanonc módban ritkán éri el az alkalmazás alapkonfigurációjának közel 100%-át; és soha ne lépje túl. Az ajánlott eljárás nem a 100%-os elérést célozná; de a használati esettől függően 60% – 80% közötti tartománynak kell elérhetőnek lennie. Ha azonban a tanulási teljesítmény lassú vagy 60% alatt van, akkor a következő problémák léphettek fel:
- Nincs elég szolgáltatás a Rank API-hívással
- Az elküldött funkciók hibái – például nem összesített funkcióadatok, például időbélyegek küldése a Rank API-ba
- Hurokfeldolgozással kapcsolatos hibák – például nem küldenek jutalomadatokat a Reward API-nak eseményekhez
A problémák megoldásához módosítania kell a ciklusnak küldött funkciókat, vagy gondoskodnia kell arról, hogy a jutalompont pontosan rögzítse a Rank API-hívás által visszaadott művelet értékét.
Úgy tűnik, hogy a tanulási ciklus nem tanul hatékonyan vagy gyorsan. How do I fix this?
A tanulási ciklusnak néhány ezer Reward-hívásra van szüksége, mielőtt a ranghívások hatékonyan rangsorolnak.
Ha nem biztos abban, hogy a tanulási ciklus jelenleg hogyan működik, futtasson offline értékelést, és alkalmazza a javított tanulási szabályzatot.
Folyamatosan kapok rangsoreredményeket minden elem azonos valószínűséggel. Hogyan tudja, hogy a Personalizer tanul?
A Personalizer ugyanazokat a valószínűségeket adja vissza egy Rank API-eredményben, amikor éppen most indult el, és üres modellel rendelkezik, vagy amikor alaphelyzetbe állítja a Personalizer-ciklust, és a modell továbbra is a modell frissítési gyakorisági időszakán belül van.
Az új frissítési időszak kezdetekor a modell frissített eredményeinek valószínűségét fogja látni.
A tanulási ciklus tanulás volt, de úgy tűnik, hogy már nem tanul, és a Rangsor eredményeinek minősége nem olyan jó. What should I do?
- Győződjön meg arról, hogy az Azure Portalon elvégzett és alkalmazott egy értékelést a ciklushoz.
- Győződjön meg arról, hogy az összes jutalom sikeresen el lett küldve a Reward API-val, és feldolgozva.
Hogyan tudom, hogy a tanulási ciklus rendszeresen frissül, és az adataim pontszámára szolgál?
A modell legutóbbi frissítésének időpontját az Azure Portal Modell és Tanulás Gépház lapján találja. Ha egy régi időbélyeget lát, az valószínűleg azért van, mert nem küldi el a Rang- és Reward-hívásokat. Ha a szolgáltatás nem rendelkezik bejövő adatokkal, nem frissíti a tanulást. Ha azt látja, hogy a tanulási ciklus nem frissül elég gyakran, szerkesztheti a ciklus modellfrissítési gyakoriságát.
Offline értékelések
Az offline értékelés funkciójának fontossága több száz vagy több ezer elemből álló hosszú listát ad vissza. What happened?
Ennek oka általában az időbélyegek, a felhasználói azonosítók vagy a beküldött egyéb részletes funkciók.
Létrehoztam egy offline értékelést, és szinte azonnal sikerült. Miért? Nem látok eredményt?
Az offline értékelés a betanított modellt és az adott időszakban a Rank/Reward API-knak küldött események adatait használja. Ha az alkalmazás nem küldött adatokat a kiértékelés kezdete és vége között, az eredmény nélkül gyorsan befejeződik.
Tanulási szabályzat
Hogyan importálni egy tanulási szabályzatot?
További információ a tanulási szabályzatok fogalmairól és az új tanulási szabályzatok alkalmazásáról. Ha nem szeretne tanulási szabályzatot választani, az offline értékeléssel javaslatot tehet egy tanulási szabályzatra az aktuális események alapján.
Biztonság
Milyen API-hitelesítési protokollokat támogat a Personalizer?
A Personalizer API-k a Microsoft Entra ID-t használják, amely számos hitelesítési és szinkronizálási protokollt támogat.
A hurok API-kulcsa sérült. Mit tehetek?
Az ügyfelek felcserélése után az egyik kulcsot újragenerálhatja a másik kulcs használatára. A két kulcs lehetővé teszi a kulcs lusta propagálását anélkül, hogy állásidőre lenne szüksége. Biztonsági okokból javasoljuk, hogy ezt rendszeres időközönként tegye.