Så här fungerar Personanpassning

  • Artikel
  • 2 minuter för att läsa

Personalresursen, din inlärningsloop, använder maskininlärning för att skapa modellen som förutsäger den viktigaste åtgärden för ditt innehåll. Modellen tränas exklusivt på dina data som du har skickat till den med anropen rankning och belöning. Varje loop är helt oberoende av varandra.

RANKNING och belönings-API:er påverkar modellen

Du skickar åtgärder med funktioner och kontextfunktioner till Rank-API:et. Rank-API:et bestämmer sig för att använda antingen:

  • Sårbarhet: Den aktuella modellen för att välja den bästa åtgärden baserat på tidigare data.
  • Utforska: Välj en annan åtgärd i stället för den översta åtgärden. Du konfigurerar den här procentandelen för din personalresurs i Azure Portal.

Du fastställer belöningspoängen och skickar poängen till belönings-API:et. Belönings-API:et:

  • Samlar in data för att träna modellen genom att registrera funktioner och belöningspoäng för varje rangsamtal.
  • Använder dessa data för att uppdatera modellen baserat på konfigurationen som anges i Learning princip.

Ditt system anropar Personanpassare

Följande bild visar det arkitektoniska flödet för att anropa anropen av rangordning och belöning:

alternativ text

  1. Du skickar åtgärder med funktioner och kontextfunktioner till Rank-API:et.

    • Personanpassaren bestämmer om den aktuella modellen ska utnyttjas eller utforska nya alternativ för modellen.
    • Rangordningsresultatet skickas till EventHub.

  2. Den översta rangordningen returneras till systemet som åtgärds-ID för belöning. Ditt system presenterar innehållet och fastställer en belöningspoäng baserat på dina egna affärsregler.

  3. Systemet returnerar belöningspoängen till inlärningsloopen.

    • När personanpassaren får belöningen skickas den till EventHub.
    • Rangordningen och belöningen är korrelerade.
    • AI-modellen uppdateras baserat på korrelationsresultaten.
    • Inferensmotorn uppdateras med den nya modellen.

Personanpassaren omtränar din modell

Personanpassaren tränar om din modell baserat på din uppdateringsinställning för modellfrekvens på din personalresurs i Azure Portal.

Personanpassaren använder alla data som för närvarande behålls, baserat på inställningen Databevarande i antal dagar på din personanpassarresurs i Azure Portal.

Forskning bakom Personanpassare

Personanpassaren baseras på avancerad vetenskap och forskning inom området kunskapsförstärkning Learning rapporter, forskningsaktiviteter och pågående områden inom Microsoft Research.

Nästa steg

Lär dig mer om de främsta scenarierna för Personanpassare