Dit artikel bevat antwoorden op veelgestelde vragen over het oplossen van problemen met de Personalizer-service.
Gegevenslocatie voor één regio
Wanneer wordt Personalizer afgeschaft?
Vanaf 20 september 2023 kunt u geen nieuwe Personalizer-resources maken. De Personalizer-service wordt op 1 oktober 2026 buiten gebruik gesteld.
Hoe worden mijn gegevens gerepliceerd in een regio met gegevenslocatie in één regio?
Personalizer slaat geen klantgegevens op buiten de regio waarin de klant het service-exemplaar implementeert.
Configuratieproblemen
Ik heb een configuratie-instelling gewijzigd en nu wordt mijn lus niet op hetzelfde leerniveau uitgevoerd. Wat is er gebeurd?
Bij sommige configuratie-instellingen wordt uw model opnieuw ingesteld. Configuratiewijzigingen moeten worden gepland en zorgvuldig worden uitgevoerd na het lezen van de documentatie.
Bij het configureren van Personalizer met de API heb ik een fout ontvangen. Wat is er gebeurd?
Als u één API-aanvraag gebruikt om uw service te configureren en uw leergedrag te wijzigen, krijgt u een foutmelding. U moet eerst twee afzonderlijke API-aanroepen maken: eerst om uw service te configureren en vervolgens het leergedrag te wijzigen.
Transactiefouten
Ik krijg een HTTP 429-antwoord (te veel aanvragen) van de service. Wat kan ik doen?
Als u een gratis prijscategorie hebt gekozen bij het maken van het Personalizer-exemplaar, is er een quotumlimiet voor het aantal Rank-aanvragen dat is toegestaan. Controleer het aantal API-aanroepen voor de Rank-API (in het deelvenster Metrische gegevens in Azure Portal voor uw Personalizer-resource) en pas de prijscategorie (in het deelvenster Prijscategorie) aan als uw API-aanroepvolume naar verwachting hoger is dan de drempelwaarde voor de gekozen laag.
Ik krijg een 5xx-fout bij Rank- of Reward-API's. Wat moet ik doen?
5xx-fouten moeten tijdelijke problemen zijn. Als deze zich blijven voordoen, neemt u contact op met de ondersteuning door nieuwe ondersteuningsaanvraag te selecteren in de sectie Ondersteuning en probleemoplossing in Azure Portal voor uw Personalizer-resource.
Leerlus
In de Apprentice-modus bereikt de leerlus geen 100% overeenkomst met het niet-gepersonaliseerde (basislijn) beleid. Hoe kan ik dit oplossen?
De effectiviteit van Personalizer in de apprentice-modus zal zelden bijna 100% van de basislijn van de toepassing bereiken; en nooit overschrijden. De best practice zou niet gericht zijn op een verwezenlijking van 100%; maar een bereik van 60% – 80% moet haalbaar zijn, afhankelijk van de use-case. Als de leerprestaties echter traag zijn of lager zijn dan 60%, kunnen de volgende problemen zijn opgetreden:
- Onvoldoende functies die zijn verzonden met Rank API-aanroep
- Bugs in de verzonden functies, zoals het verzenden van niet-geaggregeerde functiegegevens, zoals tijdstempels naar rank-API
- Bugs met lusverwerking, zoals het niet verzenden van beloningsgegevens naar reward-API voor gebeurtenissen
Om deze problemen op te lossen, moet u mogelijk aanpassingen aanbrengen door de functies te wijzigen die naar de lus worden verzonden of ervoor te zorgen dat de beloningsscore de waarde van de actie die wordt geretourneerd door de Rank API-aanroep nauwkeurig vastlegt.
De leerlus lijkt niet effectief of snel te leren. Hoe kan ik dit oplossen?
De leerlus heeft een paar duizend Reward-aanroepen nodig voordat Rang-aanroepen effectief prioriteit geven.
Als u niet zeker weet hoe uw leerlus zich momenteel gedraagt, voert u een offline evaluatie uit en past u het gecorrigeerde leerbeleid toe.
Ik blijf rangschikkingsresultaten krijgen met dezelfde waarschijnlijkheden voor alle items. Hoe kan ik weten dat Personalizer leert?
Personalizer retourneert dezelfde waarschijnlijkheden in een Rank API-resultaat wanneer deze net is gestart en een leeg model heeft, of wanneer u de Personalizer-lus opnieuw instelt en uw model zich nog steeds binnen de frequentieperiode van de modelupdate bevindt.
Wanneer de nieuwe updateperiode begint, ziet u de waarschijnlijkheden veranderen met de bijgewerkte modelresultaten.
De leerlus was leren, maar lijkt niet meer te leren, en de kwaliteit van de Rank-resultaten is niet zo goed. Wat moet ik doen?
- Zorg ervoor dat u één evaluatie hebt voltooid en toegepast in Azure Portal voor die lus.
- Zorg ervoor dat alle beloningen zijn verzonden via de Reward-API en verwerkt.
Hoe kan ik weten dat de leerlus regelmatig wordt bijgewerkt en wordt gebruikt om mijn gegevens te beoordelen?
U vindt het tijdstip waarop het model voor het laatst is bijgewerkt op de pagina Model en Learning Instellingen van Azure Portal. Als u een oud tijdstempel ziet, is het waarschijnlijk omdat u de Rank- en Reward-aanroepen niet verzendt. Als de service geen binnenkomende gegevens heeft, wordt het leren niet bijgewerkt. Als u ziet dat de leerlus niet vaak genoeg wordt bijgewerkt, kunt u de frequentie van de modelupdate van de lus bewerken.
Offline evaluaties
Het belang van een functie van een offline evaluatie retourneert een lange lijst met honderden of duizenden items. Wat is er gebeurd?
Dit wordt meestal veroorzaakt door tijdstempels, gebruikers-id's of een aantal andere verfijnde functies die worden verzonden.
Ik heb een offline evaluatie gemaakt en het is bijna onmiddellijk gelukt. Waarom is dat? Ik zie geen resultaten?
De offline evaluatie maakt gebruik van het getrainde model en de gegevens van de gebeurtenissen die in die periode zijn verzonden naar de Rank/Reward-API's. Als uw toepassing geen gegevens heeft verzonden tussen de begin- en eindtijd van de evaluatie, wordt deze snel voltooid zonder resultaten.
Leerbeleid
Hoe kan ik een leerbeleid importeren?
Meer informatie over het leren van beleidsconcepten en het toepassen van een nieuw leerbeleid. Als u geen leerbeleid wilt selecteren, kunt u de offline evaluatie gebruiken om een leerbeleid voor te stellen op basis van uw huidige gebeurtenissen.
Beveiliging
Welke API-verificatieprotocollen ondersteunt Personalizer?
Personalizer-API's maken gebruik van Microsoft Entra-id, die ondersteuning biedt voor diverse verificatie- en synchronisatieprotocollen.
De API-sleutel voor mijn lus is gecompromitteerd. Wat kan ik doen?
U kunt één sleutel opnieuw genereren nadat u uw clients hebt verwisseld om de andere sleutel te gebruiken. Als u twee sleutels hebt, kunt u de sleutel op een luie manier doorgeven zonder dat u downtime hoeft te hebben. Voor veiligheidsdoeleinden raden we u aan dit regelmatig te doen.