Artikel ini berisi jawaban atas pertanyaan pemecahan masalah umum tentang layanan Personalizer.
Residensi data wilayah tunggal
Kapan Personalizer tidak digunakan lagi?
Mulai tanggal 20 September 2023 Anda tidak akan dapat membuat sumber daya Personalizer baru. Layanan Personalizer dihentikan pada tanggal 1 Oktober 2026.
Bagaimana data saya direplikasi di wilayah dengan residensi data wilayah tunggal?
Personalizer tidak menyimpan/memproses data pelanggan di luar wilayah tempat pelanggan menerapkan instans layanan.
Masalah konfigurasi
Saya mengubah pengaturan konfigurasi dan sekarang perulangan saya tidak bekerja pada tingkat pembelajaran yang sama. Apa yang terjadi?
Beberapa pengaturan konfigurasi akan mengatur ulang model Anda. Perubahan konfigurasi harus direncanakan dan dijalankan dengan hati-hati setelah membaca dokumentasi.
Saat mengonfigurasi Personalizer dengan API, saya menerima kesalahan. Apa yang terjadi?
Jika Anda menggunakan satu permintaan API untuk mengonfigurasi layanan dan mengubah perilaku belajar, Anda akan mendapatkan kesalahan. Anda perlu membuat dua panggilan API terpisah: pertama, untuk mengonfigurasi layanan Anda, lalu untuk mengubah perilaku pembelajaran.
Kesalahan transaksi
Saya mendapatkan respons HTTP 429 (Terlalu banyak permintaan) dari layanan. Apa yang bisa saya lakukan?
Jika Anda memilih tingkat harga gratis saat membuat instans Personalizer, ada batas kuota jumlah permintaan Peringkat yang diizinkan. Tinjau tarif panggilan API Anda untuk API Peringkat (di panel Metrik di portal Azure untuk sumber Personalizer Anda) dan sesuaikan tingkat harga (di panel Tingkat Harga) jika volume panggilan API Anda diharapkan meningkat melampaui ambang untuk tingkat yang dipilih.
Saya mendapatkan kesalahan 5xx pada API Peringkat atau Hadiah. Apa yang harus saya lakukan?
Kesalahan 5xx seharusnya merupakan masalah sementara. Jika berlanjut, hubungi dukungan dengan memilih Permintaan dukungan baru di bagian Dukungan + pemecahan masalah, di portal Azure untuk sumber daya Personalizer Anda.
Perulangan pembelajaran
Dalam mode Magang, perulangan pembelajaran tidak mencapai kecocokan 100% dengan kebijakan yang tidak dipersonalisasi (garis besar). Bagaimana cara memperbaikinya?
Efektivitas Personalisasi dalam mode Magang jarang mencapai hampir 100% dari garis besar aplikasi; dan tidak pernah melebihinya. Praktik terbaiknya adalah tidak mencoba mencapai pencapaian 100%; tetapi rentang 60% – 80% harus dapat dicapai tergantung kasus penggunaan. Namun, jika performa pembelajaran lambat atau datar di bawah 60%, maka masalah berikut mungkin telah terjadi:
- Tidak cukup fitur yang dikirim dengan panggilan API Peringkat
- Bug dalam fitur yang dikirim - seperti mengirim data fitur non-agregat seperti tanda waktu ke API Peringkat
- Bug dengan pemrosesan perulangan - seperti tidak mengirim data hadiah ke API Hadiah untuk peristiwa
Untuk mengatasi masalah ini, Anda mungkin perlu melakukan penyesuaian dengan mengubah fitur yang dikirim ke perulangan, atau memastikan bahwa skor hadiah secara akurat menangkap nilai tindakan yang dikembalikan oleh panggilan Rank API.
Perulangan pembelajaran sepertinya tidak belajar secara efektif atau cepat. Bagaimana cara memperbaikinya?
Perulangan pembelajaran membutuhkan beberapa ribu panggilan Hadiah sebelum panggilan Peringkat diprioritaskan secara efektif.
Jika Anda tidak yakin tentang perilaku siklus pembelajaran Anda saat ini, jalankan evaluasi offline, dan terapkan kebijakan pembelajaran yang diperbaiki.
Saya terus mendapatkan hasil peringkat dengan semua probabilitas yang sama untuk semua item. Bagaimana saya tahu Personalizer sedang belajar?
Personalizer mengembalikan probabilitas yang sama dalam hasil API Peringkat saat baru saja dimulai dan memiliki model kosong, atau saat Anda menyetel ulang Perulangan Personalizer, dan model Anda masih dalam periode Frekuensi pembaruan model.
Ketika periode pembaruan baru dimulai, Anda akan melihat probabilitas berubah dengan hasil model yang diperbarui.
Perulangan pembelajaran sedang belajar, tetapi tampaknya tidak belajar lagi, dan kualitas hasil Peringkat tidak begitu bagus. Apa yang harus saya lakukan?
- Pastikan Anda telah menyelesaikan dan menerapkan satu evaluasi di portal Azure untuk perulangan tersebut.
- Pastikan semua hadiah berhasil dikirim melalui Reward API, serta diproses.
Bagaimana saya tahu bahwa perulangan pembelajaran diperbarui secara berkala dan digunakan untuk menilai data saya?
Anda dapat menemukan waktu terakhir model diperbarui di halaman Pengaturan Model dan Pembelajaran portal Azure. Jika Anda melihat tanda waktu lama, kemungkinan karena Anda tidak mengirim panggilan Peringkat dan Hadiah. Jika layanan tidak memiliki data yang masuk, pembelajaran tidak diperbarui. Jika Anda melihat perulangan pembelajaran tidak cukup sering diperbarui, Anda dapat mengedit frekuensi Pembaruan Model perulangan tersebut.
Evaluasi offline
Kegunaan fitur evaluasi offline mengembalikan daftar panjang dengan ratusan atau ribuan item. Apa yang terjadi?
Ini biasanya karena tanda waktu, ID pengguna, atau beberapa fitur terperinci lainnya yang dikirim.
Saya membuat evaluasi offline dan hampir berhasil saat itu juga. Mengapa begitu? Saya tidak melihat hasil apa pun?
Evaluasi offline menggunakan model dan data terlatih dari peristiwa yang dikirim ke Rank/Reward API dalam periode waktu tersebut. Jika aplikasi Anda tidak mengirimkan data apa pun antara waktu mulai dan berakhirnya evaluasi, evaluasi akan diselesaikan dengan cepat tanpa hasil apa pun.
Kebijakan pembelajaran
Bagaimana cara mengimpor kebijakan pembelajaran?
Pelajari selengkapnya tentang konsep kebijakan pembelajaran dan cara menerapkan kebijakan pembelajaran baru. Jika Anda tidak ingin memilih kebijakan pembelajaran, Anda dapat menggunakan evaluasi offline untuk menyarankan kebijakan pembelajaran, berdasarkan peristiwa Anda saat ini.
Keamanan
Protokol autentikasi API apa yang didukung Personalizer?
API Personalizer menggunakan ID Microsoft Entra, yang mendukung berbagai protokol autentikasi dan sinkronisasi.
Kunci API untuk perulangan saya telah disusupi. Apa yang bisa saya lakukan?
Anda dapat membuat ulang satu kunci setelah menukar klien Anda untuk menggunakan kunci lainnya. Memiliki dua kunci memungkinkan Anda menyebarkan kunci dengan cara yang lambat tanpa harus mengalami waktu henti. Untuk tujuan keamanan, sebaiknya lakukan ini secara teratur.