Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Importante
A partire dal 20 settembre 2023 non sarà possibile creare nuove risorse di Personalizer. Il servizio Personalizer sarà ritirato il 1° ottobre 2026. Consigliamo di migrare al microsoft/learning-loop open-source.
Che cos'è la nota sulla trasparenza?
Un sistema di intelligenza artificiale include non solo la tecnologia, ma anche le persone che ne faranno uso, le persone interessate e l'ambiente di distribuzione. La creazione di un sistema adatto allo scopo previsto richiede una comprensione del funzionamento della tecnologia, delle funzionalità e delle limitazioni e del modo in cui ottenere le migliori prestazioni.
Microsoft fornisce note Transparency per comprendere il funzionamento della tecnologia di intelligenza artificiale. Ciò include le scelte che i proprietari del sistema possono fare che influenzano le prestazioni e il comportamento del sistema, e l'importanza di pensare all'intero sistema, tra cui la tecnologia, le persone e l'ambiente. È possibile usare le note sulla trasparenza durante lo sviluppo o la distribuzione del proprio sistema oppure condividerle con le persone che useranno o saranno interessate dal sistema.
Le note sulla trasparenza fanno parte di un impegno più ampio in Microsoft per mettere in pratica i principi di IA. Per altre informazioni, vedere Microsoft Ai Principles.
Introduzione a Personalizer
Personalizza esperienze di Azure AI è un servizio basato sul cloud che consente alle applicazioni di scegliere l'elemento di contenuto migliore per mostrare agli utenti. È possibile usare Personalizza esperienze per determinare il prodotto da suggerire agli acquirenti o per individuare la posizione ottimale per un annuncio pubblicitario. Quando il contenuto viene presentato all'utente, l'applicazione ne monitora la reazione e segnala un punteggio di ricompensa a Personalizer. Il punteggio di ricompensa viene usato per migliorare continuamente il modello di Machine Learning usando l'apprendimento per rinforzo. Ciò migliora la capacità di Personalizza esperienze di selezionare l'elemento di contenuto migliore nelle interazioni successive in base alle informazioni contestuali ricevute per ognuna.
Per altre informazioni, vedi:
Termini importanti
| Termine | Definizione |
|---|---|
| Ciclo di apprendimento | Crei una risorsa di Personalizer, denominata loop di apprendimento, per ogni parte dell'applicazione che può trarre vantaggio dalla personalizzazione. Nel caso di più esperienze da personalizzare, creare un ciclo per ognuna. |
| Modello online | Il comportamento di apprendimento predefinito per il Personalizer, in cui il ciclo di apprendimento usa l'apprendimento automatico per costruire il modello che predice l'azione principale per il tuo contenuto. |
| Modalità Apprendista | Un comportamento di apprendimento che consente di accendere rapidamente un modello di Personalizer per addestrare senza influire sui risultati e sulle azioni delle applicazioni. |
| Ricompense | Una misura del tipo di risposta data dall'utente all'ID dell'azione di ricompensa restituita dall'API Classificazione, sotto forma di punteggio compreso tra 0 e 1. Il valore da 0 a 1 viene impostato dalla logica di business in base all'efficacia della scelta per realizzare gli obiettivi aziendali della personalizzazione. Il ciclo di apprendimento non archivia questa ricompensa come cronologia utente singola. |
| Esplorazione | il servizio Personalizer sta esplorando quando, invece di restituire l'azione ottimale, ne sceglie una diversa per l'utente. Il servizio Personalizza esperienze evita scenari di deriva e di stallo e può adattarsi al comportamento in corso dell'utente tramite esplorazione. |
Per altre informazioni e altri termini chiave, vedere terminologia di Personalizza esperienze e documentazione concettuale.
Caso d'uso di esempio
Alcune motivazioni comuni dei clienti per l'uso di Personalizer sono:
- Engagement degli utenti: catturare l'interesse degli utenti scegliendo contenuti che facciano aumentare il click-through o assegnando priorità all'azione migliore successiva per migliorare i ricavi medi. Altri meccanismi per aumentare l'engagement degli utenti possono includere la selezione di video o musica in un canale o una playlist dinamica.
- Ottimizzazione contenuto: le immagini possono essere ottimizzate per un prodotto (ad esempio la selezione di un poster di un film da un set di opzioni) per ottimizzare il click-through, o il layout dell'interfaccia utente, i colori, le immagini e le blurbs possono essere ottimizzati in una pagina Web per aumentare la conversione e l'acquisto.
- Ottimizzare le conversioni usando sconti e coupon: per ottenere il miglior equilibrio di margine e conversione, scegliere quali sconti l’applicazione offrirà all'utente o decidere quale prodotto evidenziare dai risultati di un motore di raccomandazione per massimizzare la conversione.
- Ottimizzare il cambiamento di comportamento positivo: selezionare la domanda di suggerimento per il benessere da inviare in una notifica, una messaggistica o un push SMS per massimizzare la modifica positiva del comportamento.
- Aumentare la produttività nel servizio clienti e nel supporto tecnico evidenziando le azioni migliori più rilevanti o il contenuto appropriato quando gli utenti cercano documenti, manuali o elementi di database.
Considerazioni sulla scelta di un caso d'uso
- Usare un servizio che apprende come personalizzare il contenuto e le interfacce utente è utile. Tuttavia, può anche essere applicata erroneamente se la personalizzazione crea effetti collaterali dannosi nel mondo reale. Valutare il modo in cui la personalizzazione aiuta anche gli utenti a raggiungere i propri obiettivi.
- Consideriamo quali potrebbero essere le conseguenze negative nel mondo reale se Personalizza esperienze non suggerisse determinati articoli perché il sistema è stato addestrato con una distorsione in base ai modelli di comportamento della maggior parte degli utenti del sistema.
- Si considerino situazioni in cui il comportamento di esplorazione di Personalizer potrebbe causare danni.
- Valutare attentamente la personalizzazione delle scelte che sono consequenziali o irreversibili e che non devono essere determinate da segnali e ricompense a breve termine.
- Non includere in Personalizza esperienze azioni che non devono essere scelte. Ad esempio, i filmati inappropriati dovrebbero essere esclusi tramite filtro dalle azioni da personalizzare se si crea un consiglio per un utente anonimo o minorenne.
Ecco alcuni scenari in cui le linee guida precedenti avranno un ruolo nel determinare se e come applicare Personalizza esperienze:
- Evitare di usare Personalizza esperienze per classificare le offerte su specifici prodotti di prestito, finanziari e assicurativi, dove le funzioni di personalizzazione sono regolamentate, in base ai dati che gli individui non conoscono, non possono ottenere o non possono contestare; e le scelte necessitano di anni e di informazioni “oltre il click” per valutare realmente la bontà delle raccomandazioni per l'azienda e gli utenti.
- Valutare attentamente la possibilità di personalizzare i corsi scolastici e gli istituti di istruzione, in cui le raccomandazioni senza esplorazione sufficiente potrebbero propagare distorsioni e ridurre la consapevolezza degli utenti di altre opzioni.
- Evitate di utilizzare Personalizza esperienze per sintetizzare algoritmicamente i contenuti con l'obiettivo di influenzare le opinioni in un contesto democratico e di partecipazione civica, poiché ciò ha conseguenze a lungo termine e può risultare manipolativo se l'obiettivo della visita dell'utente è informarsi e non essere influenzato.