Personalizzazione & Ranking
Classifica azioni/contenuti in base al contesto (sessione, device, storia recente) con feedback espliciti/impliciti.
Decision
Raccomandazioni, ranking contestuale, anomaly/metrics e policy engine con i servizi Azure AI.
Cluster Tecnologie · Torna a Cognitive Services · Use case decisioni
Servizi & pattern
Sistemi di raccomandazione
Collaborative/content‑based, sequenziali o ibridi per e‑commerce, media, training e knowledge.
Anomaly & Metrics
Rileva anomalie su KPI/serie temporali per campagne, inventario e qualità; attiva alert e remediation.
Policy & regole
Combina ML con regole (es. conformità, limiti budget, priorità) per decisioni spiegabili e controllabili.
Integrazione di riferimento
API & Feature Store
Esporre endpoint REST/SDK; mantenere un feature store (ad es. utenti, item, segnali) con aggiornamenti near real‑time.
POST /ranking/v1/rank
Ocp-Apim-Subscription-Key: <key>
Content-Type: application/jsonFeedback loop & A/B
Raccolta reward/click, registri di esposizione, esperimenti A/B e targeting; pipeline con Azure ML, Functions e Storage.
Confronto rapido
| Capacità | Quando usarla | Output |
|---|---|---|
| Ranking contestuale | Scelte in sessione (hero/banner/azioni) | Lista ordinata + score |
| Raccomandazioni | Personalizzazione cataloghi/articoli | Top‑N item + confidenza |
| Anomaly | Monitoraggio KPI e campagne | Segnali anomalia + severità |
| Policy engine | Vincoli/deroghe e compliance | Decisione motivata + log |
Best practice
Dati & feature
Evita perdite di informazione, definisci ID stabili, gestisci cold‑start e ritardi di aggiornamento.
Valutazione continua
CTR/CR, NDCG, MAP; separa offline vs online; controlla bias e saturazione offerte.
Governance
Responsible AI, explainability, limiti per categorie sensibili, auditing e roll‑back sicuri.
Prossimi passi
Esplora use case decisionali Inizia da AI‑900 Prosegui con AI‑102
FAQ
Come gestire il cold‑start?
Usa popolarità, regole editoriali, similarità di contenuto e progressive profiling per colmare la mancanza di storico.
Online learning o batch?
Batch per stabilità e costi; online/near‑real‑time quando il contesto varia rapidamente e il feedback è abbondante.
Come garantire equità e trasparenza?
Log delle esposizioni, limiti su categorie, metriche di fairness e spiegazioni delle decisioni dove possibile.