Fehlerbehebung bei der Kunden-KI
Die Kunden-KI zeigt Fehler an, wenn Modell-Training, -bewertung und -konfiguration fehlschlagen. Im Abschnitt Service-Instanzen wird in einer Spalte für STATUS DES LETZTEN DURCHGANGS eine der folgenden Meldungen angezeigt: Erfolg, Problem mit Training und Fehlgeschlagen.
Falls Fehlgeschlagen oder Problem mit Training angezeigt wird, können Sie den Status des Durchgangs auswählen, um einen Seitenbereich zu öffnen. Im Seitenbereich sind der Status des letzten Durchgangs und Details des letzten Durchgangs einsehbar. Der Abschnitt Details des letzten Durchgangs enthält Informationen darüber, warum der Durchgang fehlgeschlagen ist. Falls die Kunden-KI keine Details zu Ihrem Fehler bereitstellen kann, wenden Sie sich an den Support unter Angabe des angegebenen Fehler-Codes.
Inkognito-Zugriff auf Kunden-KI in Chrome nicht möglich
Ladefehler im Inkognito-Modus von Google Chrome sind auf Aktualisierungen in den Sicherheitseinstellungen des Inkognito-Modus von Google Chrome zurückzuführen. An dem Problem wird aktiv mit Chrome gearbeitet, um experience.adobe.com als vertrauenswürdige Domain einzustufen.
Empfohlene Fehlerbehebung
Um dieses Problem zu umgehen, müssen Sie experience.adobe.com als Website hinzufügen, die immer Cookies verwenden darf. Navigieren Sie zunächst zu chrome://settings/cookies. Scrollen Sie dann nach unten zum Abschnitt Benutzerdefinierte Einstellungen und wählen Sie die Schaltfläche Hinzufügen neben „Websites, die immer Cookies verwenden dürfen“ aus. Kopieren Sie [*.]experience.adobe.com und fügen Sie dies in das angezeigte Popup ein. Aktivieren Sie dann das Kontrollkästchen Einschließlich Cookies von Drittanbietern auf dieser Website. Wählen Sie anschließend die Option Hinzufügen aus und laden Sie die Kunden-KI im Inkognito-Modus neu.
Modellqualität ist schlecht
Wenn der Fehler „Modellqualität ist schlecht. Es wird empfohlen, eine neue App mit der geänderten Konfiguration zu erstellen“ angezeigt wird, befolgen Sie die unten empfohlenen Schritte zur Fehlerbehebung.
Empfohlene Fehlerbehebung
„Modellqualität ist schlecht“ bedeutet, dass die Modellgenauigkeit nicht innerhalb eines akzeptablen Bereichs liegt. Die Kunden-KI konnte nach dem Training kein zuverlässiges Modell und keine zuverlässige AUC (Area under the ROC Curve) von < 0,65 erstellen. Um den Fehler zu beheben, wird empfohlen, einen der Konfigurationsparameter zu ändern und das Training erneut durchzuführen.
Überprüfen Sie zunächst die Genauigkeit Ihrer Daten. Es ist wichtig, dass Ihre Daten die erforderlichen Felder enthalten, die für Ihr prognostiziertes Ergebnis erforderlich sind.
- Überprüfen Sie, ob Ihr Datensatz die neuesten Daten enthält. Die Kunden-KI geht immer davon aus, dass die Daten beim Auslösen des Modells aktuell sind.
- Überprüfen Sie im definierten Prognose- und Eignungsfenster, ob Daten fehlen. Ihre Daten müssen vollständig und lückenlos sein. Stellen Sie außerdem sicher, dass Ihr Datensatz die Kunden-KI-Anforderungen an historische Daten erfüllt.
- Suchen Sie in den Eigenschaften Ihres Schemafelds nach fehlenden Daten in Commerce, Anwendung, Web und Suche.
Wenn das Problem offenbar nicht auf Ihre Daten zurückzuführen ist, versuchen Sie, die Eignungsbedingung der Population zu ändern, um das Modell auf bestimmte Profile zu beschränken (z. B. _experience.analytics.customDimensions.eVars.eVar142 in den letzten 56 Tagen vorhanden). Dadurch werden die Population und die Größe der im Trainings-Fenster verwendeten Daten eingeschränkt.
Wenn die Einschränkung der Eignungspopulation nicht funktioniert hat oder nicht möglich ist, ändern Sie das Prognosefenster.
- Versuchen Sie, Ihr Prognosefenster auf 7 Tage zu ändern, und überprüfen Sie, ob der Fehler weiterhin auftritt. Wenn der Fehler nicht mehr auftritt, deutet dies darauf hin, dass Sie möglicherweise nicht über genügend Daten für Ihr definiertes Prognosefenster verfügen.
Fehler
{{actual_num_samples}}), die die Definition des Prognoseziels von {{outcome_window_start}} bis {{outcome_window_end}} erfüllen. Zum Erstellen eines Modells müssen mindestens {{min_num_samples}} Benutzer mit qualifizierten Ereignissen vorhanden sein.Lösungsvorschläge:
1. Datenverfügbarkeit prüfen
2. Verringern Sie den Zeitrahmen des Prognoseziels
3. Ändern Sie die Definition des Prognoseziels, um mehr Benutzer einzubeziehen (Fehlercode: VALIDATION-400 NOT_ENOUGH_OBJECTIVE)
Lösungsvorschläge:
1. Datenverfügbarkeit prüfen
2. Verringern Sie den Zeitrahmen des Prognoseziels
3. Ändern Sie die Definition des Prognoseziels, um mehr Benutzer einzubeziehen. (Fehlercode: VALIDATION-400 NOT_ENOUGH_OBJECTIVE)
{{actual_num_samples}}) von {{eligibility_window_start}} bis {{eligibility_window_end}}. Mindestens {{min_num_samples}} berechtigten Benutzer müssen ein Modell erstellen.Lösungsvorschläge:
1. Datenverfügbarkeit prüfen
2. Wenn eine Definition für geeignete Populationen angegeben ist, verringern Sie den Eignungsfilter-Zeitrahmen 3. Wenn keine geeignete Populationsdefinition angegeben ist, versuchen Sie, eine hinzuzufügen (Fehlercode: VALIDATION-401 NOT_ENOUGH_POPULATION)
Vorgeschlagene Lösungen:
1. Datenverfügbarkeit prüfen
2. Verringern Sie den Zeitrahmen für den Eignungsfilter, wenn eine Definition für geeignete Populationen angegeben ist.
3. Wenn keine Definition für geeignete Populationen angegeben ist, versuchen Sie, eine hinzuzufügen. (Fehlercode: VALIDATION-401 NOT_ENOUGH_POPULATION)
Einige Vorschläge:
1. Ändern Sie Ihre Konfiguration, um eine geeignete Populationsdefinition hinzuzufügen.
2. Verwenden Sie zusätzliche Datenquellen, um die Modellqualität zu verbessern
3. Hinzufügen benutzerdefinierter Ereignisse, um weitere Daten in das Modell aufzunehmen (Fehlercode: VALIDATION-402 BAD_MODEL)
Einige Vorschläge:
1. Erwägen Sie, Ihre Konfiguration zu ändern, um eine geeignete Populationsdefinition hinzuzufügen.
2. Erwägen Sie, zusätzliche Datenquellen zu verwenden, um die Modellqualität zu verbessern. (Fehlercode: VALIDATION-402 BAD_MODEL)
Einige Vorschläge:
1. Stellen Sie sicher, dass das Modell mit aktuellen Daten trainiert wurde. Falls nicht, sollten Sie Ihr Modell neu trainieren.
2. Stellen Sie sicher, dass bei den Scoring-Aufgaben kein Datenproblem auftritt (z. B. fehlende Daten/Datenverzögerung). (Fehlercode: VALIDATION-403 INELIGIBLE_SCORES)
Einige Vorschläge:
1. Stellen Sie sicher, dass das Modell mit aktuellen Daten trainiert wurde. Falls nicht, sollten Sie Ihr Modell neu trainieren.
2. Stellen Sie sicher, dass bei den Scoring-Aufgaben kein Datenproblem auftritt (z. B. fehlende Daten/Datenverzögerung). (Fehlercode: VALIDATION-403 INELIGIBLE_SCORES)
{{eligibility_window_start}} bis {{eligibility_window_end}} verfügbar. Bitte überprüfen Sie die Daten, um sicherzustellen, dass sie regelmäßig aktualisiert werden. (Fehlercode: VALIDATION-405 NO_SCORING_DATA)Wir benötigen aktuelle Daten für 120 Tage. Weitere Informationen finden Sie in der Dokumentation zu den Datenanforderungen.
Lösungsvorschläge:
1. Datenverfügbarkeit prüfen
2. Verringern Sie den Zeitrahmen des Prognoseziels
3. Wenn eine Definition für geeignete Populationen angegeben ist, verringern Sie den Eignungsfilter-Zeitrahmen
4. Wenn keine geeignete Populationsdefinition angegeben ist, versuchen Sie, eine hinzuzufügen (Fehlercode: VALIDATION-407 NOT_ENOUGH_HISTORICAL_EVENT_DATA)
Wir benötigen aktuelle Daten für 120 Tage. Weitere Informationen finden Sie in der Dokumentation zu den Datenanforderungen.
Vorgeschlagene Lösungen:
1. Überprüfen Sie die Datenverfügbarkeit.
2. Verringern des Zeitrahmens des Prognoseziels.
3. Verringern Sie den Zeitrahmen für den Eignungsfilter, wenn eine Definition für geeignete Populationen angegeben ist.
4. Wenn keine Definition für geeignete Populationen angegeben ist, versuchen Sie, eine hinzuzufügen. (Fehlercode: VALIDATION-407 NOT_ENOUGH_HISTORICAL_EVENT_DATA)
{{data_days}} Tagen vor der {{etl_window_end}} liegen keine Daten zum Benutzerverhalten für geeignete Benutzer vor. Überprüfen Sie den Datensatz, um sicherzustellen, dass er regelmäßig aktualisiert wird. (Fehlercode: VALIDATION-408 NO_RECENT_DATA_FOR_ELIGIBLE_POPULATION){{outcome_window_start}} bis {{outcome_window_end}} erfüllen. Zum Erstellen eines Modells müssen mindestens {{min_num_samples}} Benutzer mit qualifizierten Ereignissen vorhanden sein.Lösungsvorschläge:
1. Datenverfügbarkeit prüfen
2. Ändern der Definition des Prognoseziels (Fehlercode: VALIDATION-409 NO_OBJECTIVE)
Vorgeschlagene Lösungen:
1. Überprüfen Sie die Datenverfügbarkeit.
2. Ändern der Definition des Prognoseziels. (Fehlercode: VALIDATION-409 NO_OBJECTIVE)
{{eligibility_window_start}} bis {{eligibility_window_end}}. Mindestens {{min_num_samples}} berechtigten Benutzer müssen ein Modell erstellen.Lösungsvorschläge:
1. Datenverfügbarkeit prüfen
2. Wenn eine Definition der geeigneten Population angegeben ist, ändern Sie die Bedingung oder erhöhen Sie den Zeitrahmen des Eignungsfilters (Fehlercode: VALIDATION-410 NO_POPULATION).
Vorgeschlagene Lösungen:
1. Überprüfen Sie die Datenverfügbarkeit.
2. Wenn eine Definition der zulässigen Population angegeben ist, ändern Sie die Bedingung oder erhöhen Sie den Zeitrahmen des Eignungsfilters. (Fehlercode: VALIDATION-410 NO_POPULATION)
{{etl_start_date}} und {{etl_end_date}} verwendet werden können. Stellen Sie sicher, dass der Datensatz über ausreichende Daten verfügt. (Fehlercode: VALIDATION-411 NO_INPUT_DATA_AFTER_ETL){{etl_start_date}} und {{etl_end_date}} verwendet werden können. Stellen Sie sicher, dass der Datensatz über ausreichende Daten verfügt.{{etl_window_start}} und {{etl_window_end}}.Lösungsvorschläge:
1. Ändern Sie die Definition des Prognoseziels
2. Überprüfen Sie die Vollständigkeit der Daten oder verwenden Sie einen anderen Code, der Beispiele für nicht qualifizierte Ereignisse für das Prognoseziel enthält (Fehlercode: VALIDATION-413 SINGLE_VALUE_IN_OBJECTIVE).
Vorgeschlagene Lösungen:
1. Ändern der Definition des Prognoseziels.
2. Überprüfen Sie die Vollständigkeit der Daten oder verwenden Sie einen anderen , der Beispiele für nicht qualifizierte Ereignisse für das Prognoseziel enthält. (Fehlercode: VALIDATION-413 SINGLE_VALUE_IN_OBJECTIVE)