Solución de errores de Customer AI

La inteligencia artificial aplicada al cliente muestra errores cuando falla la formación, la puntuación y la configuración del modelo. En el Instancias de servicio , una columna para ÚLTIMO ESTADO DE EJECUCIÓN muestra uno de los siguientes mensajes: Correcto, Problema de formación, y Error.

último estado de ejecución

En el caso de que Error o Problema de formación , puede seleccionar el estado de ejecución para abrir un panel lateral. El panel lateral contiene su Último estado de ejecución y Detalles de la última ejecución. Detalles de la última ejecución contiene información sobre el motivo del error de ejecución. En caso de que la inteligencia artificial aplicada al cliente no pueda proporcionar detalles sobre el error, póngase en contacto con el servicio de asistencia técnica e incluya el código de error proporcionado.

w-300

No se puede acceder a la inteligencia artificial aplicada al cliente en Chrome de incógnito

Hay errores de carga en el modo incógnito de Google Chrome debido a las actualizaciones en la configuración de seguridad del modo incógnito de Google Chrome. El problema se está trabajando activamente con Chrome para convertir a experience.adobe.com en un dominio de confianza.

w-500

Corrección recomendada

Para solucionar este problema, debe agregar experience.adobe.com como sitio que siempre puede usar cookies. Comience por navegar hasta chrome://settings/cookies. A continuación, desplácese hacia abajo hasta la Comportamientos personalizados seguido de la selección de la Añadir junto a "sitios que siempre pueden usar cookies". En la ventana emergente que aparece, copie y pegue [*.]experience.adobe.com a continuación, seleccione Inclusión de cookies de terceros casilla de verificación en este sitio. Una vez finalizado, seleccione Añadir y vuelva a cargar Customer AI en incógnito.

corrección recomendada

La calidad del modelo es mala

Si recibe el error "La calidad del modelo es mala. Se recomienda crear una aplicación nueva con la configuración modificada". Siga los pasos recomendados a continuación para solucionar los problemas.

w-300

Corrección recomendada

"La calidad del modelo es mala" significa que la precisión del modelo no está dentro de un rango aceptable. La inteligencia artificial aplicada al cliente no pudo crear un modelo fiable y el AUC (área bajo la curva ROC) < 0,65 después del entrenamiento. Para corregir el error, se recomienda cambiar uno de los parámetros de configuración y volver a ejecutar la formación.

Comience por comprobar la precisión de los datos. Es importante que los datos contengan los campos necesarios para el resultado predictivo.

  • Compruebe si el conjunto de datos tiene las fechas más recientes. La inteligencia artificial aplicada al cliente siempre supone que los datos están actualizados cuando se activa el modelo.
  • Compruebe si faltan datos en la ventana de predicción e idoneidad definida. Los datos deben estar completos sin interrupciones. Asegúrese también de que el conjunto de datos cumpla los Requisitos de datos históricos de Customer AI.
  • Compruebe si faltan datos en las propiedades de comercio, aplicación, web y búsqueda del campo de esquema.

Si los datos no parecen ser el problema, intente cambiar la condición de población de elegibilidad para restringir el modelo a ciertos perfiles (por ejemplo, _experience.analytics.customDimensions.eVars.eVar142 existe en los últimos 56 días). Esto restringe la población y el tamaño de los datos utilizados en la ventana de formación.

Si la restricción de la población elegible no ha funcionado o no es posible, cambie la ventana de predicción.

  • Pruebe a cambiar la ventana de predicción a 7 días y vea si el error persiste. Si el error ya no se produce, esto indica que es posible que no tenga suficientes datos para la ventana de predicción definida.

Errores

Código de error
Título
Plantilla de mensaje
Ejemplo de mensaje
400
OBJETIVO INSUFICIENTE
Hay muy pocos usuarios ({{actual_num_samples}} in total) meeting the prediction goal definition from {{outcome_window_start}} to {{outcome_window_end}}. We require at least {{min_num_samples}} usuarios con eventos que cumplan los requisitos para crear un modelo.

Soluciones sugeridas:

1. Comprobar disponibilidad de datos
2. Reducir el periodo de tiempo del objetivo de predicción
3. Modifique la definición del objetivo de predicción para incluir a más usuarios (Código de error: VALIDATION-400 NOT_ENOUGH_OBJECTIVE)
Hay muy pocos usuarios (200 en total) que cumplan la definición del objetivo de predicción de 2020-04-01 a 2021-04-01. Necesitamos al menos 500 usuarios con eventos calificados para construir un modelo.

Soluciones sugeridas:
1. Comprobar disponibilidad de datos
2. Reducir el periodo de tiempo del objetivo de predicción
3. Modifique la definición del objetivo de predicción para incluir a más usuarios. (Código de error: VALIDATION-400 NOT_ENOUGH_OBJECTIVE)
401
POBLACIÓN INSUFICIENTE
Hay muy pocos usuarios aptos ({{actual_num_samples}} in total) from {{eligibility_window_start}} to {{eligibility_window_end}}. We require at least {{min_num_samples}} usuarios aptos para crear un modelo.

Soluciones sugeridas:
1. Comprobar disponibilidad de datos
2. Si se proporciona una definición de población elegible, disminuya el periodo de tiempo del filtro de elegibilidad 3. Si no se proporciona una definición de población elegible, intente agregar una (Código de error: VALIDATION-401 NOT_ENOUGH_POPULATION)
Hay muy pocos usuarios aptos (200 en total) desde el 1 de abril de 2020 al 1 de abril de 2021. Necesitamos al menos 500 usuarios aptos para crear un modelo.

Soluciones sugeridas:
1. Comprobar disponibilidad de datos
2. Si se proporciona una definición de población elegible, disminuya el periodo de tiempo del filtro de elegibilidad.
3. Si no se proporciona una definición de población elegible, intente añadir una. (Código de error: VALIDATION-401 NOT_ENOUGH_POPULATION)
402
MODELO INCORRECTO
No podemos producir un modelo de calidad con el conjunto de datos de entrada y la configuración actuales.

Algunas sugerencias incluyen:
1. Modifique la configuración para añadir una definición de población apta.
2. Uso de fuentes de datos adicionales para mejorar la calidad del modelo
3. Agregue eventos personalizados para incluir más datos en el modelo (Código de error: VALIDATION-402 BAD_MODEL)
No podemos producir un modelo de calidad con el conjunto de datos de entrada y la configuración actuales.

Algunas sugerencias incluyen:
1. Considere la posibilidad de modificar su configuración para añadir una definición de población apta.
2. Considere la posibilidad de utilizar fuentes de datos adicionales para mejorar la calidad del modelo. (Código de error: VALIDATION-402 BAD_MODEL)
403
PUNTUACIONES NO APTAS
La distribución de la puntuación se desvía demasiado de lo esperado.

Algunas sugerencias incluyen:
1. Asegúrese de que el modelo esté entrenado con datos recientes; si no es así, considere la posibilidad de volver a entrenar el modelo.
2. Asegúrese de que no haya ningún problema de datos (como datos que falten o retraso de datos) en las tareas de puntuación. (Código de error: VALIDATION-403 INELIGIBLE_SCORES)
La distribución de la puntuación se desvía demasiado de lo esperado.

Algunas sugerencias incluyen:
1. Asegúrese de que el modelo esté entrenado con datos recientes; si no es así, considere la posibilidad de volver a entrenar el modelo.
2. Asegúrese de que no haya ningún problema de datos (como datos que falten o retraso de datos) en las tareas de puntuación. (Código de error: VALIDATION-403 INELIGIBLE_SCORES)
405
SIN DATOS DE PUNTUACIÓN
No hay datos de perfil o comportamiento de usuario disponibles para la puntuación desde {{eligibility_window_start}} to {{eligibility_window_end}}Compruebe los datos para asegurarse de que se actualizan con regularidad. (Código de error: VALIDATION-405 NO_SCORING_DATA)
No hay datos de perfil o comportamiento de usuarios disponibles para la puntuación desde el 01-04-2020 al 01-04-2021. Compruebe los datos para asegurarse de que se actualizan regularmente. (Código de error: VALIDATION-405 NO_SCORING_DATA)
407
NO HAY SUFICIENTES DATOS DE EVENTOS HISTÓRICOS
No hay suficientes datos para crear un modelo. Del 01-04-2020 al 01-04-2021, solo hay 90 días de datos.

Necesitamos 120 días de datos recientes. Para obtener más información, consulte la documentación de requisitos de datos.

Soluciones sugeridas:
1. Comprobar disponibilidad de datos
2. Reducir el periodo de tiempo del objetivo de predicción
3. Si se proporciona una definición de población elegible, disminuya el periodo de tiempo del filtro de elegibilidad
4. Si no se proporciona una definición de población elegible, intente agregar una (Código de error: VALIDATION-407 NOT_ENOUGH_HISTORICAL_EVENT_DATA)
No hay suficientes datos para crear un modelo. Del 01-04-2020 al 01-04-2021, solo hay 90 días de datos.

Necesitamos 120 días de datos recientes. Para obtener más información, consulte la documentación de requisitos de datos.

Soluciones sugeridas:
1. Compruebe la disponibilidad de datos.
2. Disminuir el periodo de tiempo del objetivo de predicción.
3. Si se proporciona una definición de población elegible, disminuya el periodo de tiempo del filtro de elegibilidad.
4. Si no se proporciona una definición de población elegible, intente añadir una. (Código de error: VALIDATION-407 NOT_ENOUGH_HISTORICAL_EVENT_DATA)
408
NO HAY DATOS RECIENTES PARA LOS ELEGIBLES
No hay datos de comportamiento del usuario para usuarios aptos en {{data_days}} days prior to {{etl_window_end}}. Compruebe el conjunto de datos para asegurarse de que se actualiza con regularidad. (Código de error: VALIDATION-408 NO_RECENT_DATA_FOR_ELIGIBLE_POPULATION)
No hay datos de comportamiento del usuario para los usuarios aptos en los 60 días anteriores al uno de abril de 2021. Compruebe el conjunto de datos para asegurarse de que se actualiza con regularidad. (Código de error: VALIDATION-408 NO_RECENT_DATA_FOR_ELIGIBLE_POPULATION)
409
SIN OBJETIVO
Ningún usuario cumple la definición del objetivo de predicción de {{outcome_window_start}} to {{outcome_window_end}}. We require at least {{min_num_samples}} usuarios con eventos que cumplan los requisitos para crear un modelo.

Soluciones sugeridas:
1. Comprobar disponibilidad de datos
2. Modifique la definición del objetivo de predicción (Código de error: VALIDATION-409 NO_OBJECTIVE)
Ningún usuario cumple la definición del objetivo de predicción del 1 de abril de 2020 al 1 de abril de 2021. Necesitamos al menos 500 usuarios con eventos calificados para construir un modelo.

Soluciones sugeridas:
1. Compruebe la disponibilidad de datos.
2. Modifique la definición del objetivo de predicción. (Código de error: VALIDATION-409 NO_OBJECTIVE)
410
NO HAY POBLACIÓN
No hay usuarios aptos de {{eligibility_window_start}} to {{eligibility_window_end}}. We require at least {{min_num_samples}} usuarios aptos para crear un modelo.

Soluciones sugeridas:
1. Comprobar disponibilidad de datos
2. Si se proporciona una definición de población elegible, modifique la condición o aumente el periodo de tiempo del filtro de elegibilidad (Código de error: VALIDATION-410 NO_POPULATION)
No hay usuarios aptos desde el 01-04-2020 hasta el 01-04-2021. Necesitamos al menos 500 usuarios aptos para crear un modelo.

Soluciones sugeridas:
1. Compruebe la disponibilidad de datos.
2. Si se proporciona una definición de población elegible, modifique la condición o aumente el periodo de tiempo del filtro de elegibilidad. (Código de error: VALIDATION-410 NO_POPULATION)
411
NO HAY DATOS DE ENTRADA DESPUÉS DE ETL
No hay datos de perfil o comportamiento de usuario disponibles para que el modelo los use entre {{etl_start_date}} and {{etl_end_date}}. Asegúrese de que el conjunto de datos tenga datos suficientes. (Código de error: VALIDATION-411 NO_INPUT_DATA_AFTER_ETL)
No hay datos de perfil o comportamiento de usuario disponibles para que el modelo los utilice entre los meses de abril y abril de 2020. Asegúrese de que el conjunto de datos tenga datos suficientes. (Código de error: VALIDATION-411 NO_INPUT_DATA_AFTER_ETL)
412
SIN EVENTO DESPUÉS DE ETL
No hay datos de comportamiento de usuario disponibles para que el modelo use entre {{etl_start_date}} and {{etl_end_date}}. Asegúrese de que el conjunto de datos tenga datos suficientes.
No hay datos de comportamiento del usuario disponibles para que el modelo los utilice entre los meses de abril y abril de 2021. Asegúrese de que el conjunto de datos tenga datos suficientes. (Código de error: VALIDATION-412 NO_EVENT_DATA_AFTER_ETL)
413
VALOR ÚNICO EN EL OBJETIVO
La inteligencia artificial aplicada al cliente requiere que el conjunto de datos tenga eventos calificadores y no calificadores para la definición del objetivo de predicción. El conjunto de datos de entrada solo contiene eventos entre {{etl_window_start}} and {{etl_window_end}}.

Soluciones sugeridas:
1. Modificación de la definición del objetivo de predicción
2. Compruebe la integridad de los datos o utilice un diferente que incluya ejemplos de eventos no calificadores para el objetivo de predicción (Código de error: VALIDATION-413 SINGLE_VALUE_IN_OBJECTIVE)
La inteligencia artificial aplicada al cliente requiere que el conjunto de datos tenga eventos calificadores y no calificadores para la definición del objetivo de predicción. El conjunto de datos de entrada solo contiene eventos clasificatorios entre 2020-04-01 y 2021-04-01.

Soluciones sugeridas:
1. Modifique la definición del objetivo de predicción.
2. Compruebe la integridad de los datos o utilice un diferente que incluya ejemplos de eventos no calificadores para el objetivo de predicción. (Código de error: VALIDATION-413 SINGLE_VALUE_IN_OBJECTIVE)
414
NO HAY FACTORES INFLUYENTES
El modelo de factores influyentes generó un resultado inesperado. Se recomienda crear una aplicación nueva con una configuración modificada. (Código de error: VALIDATION-414 NO_INFLUENTIAL_FACTORS)
El modelo de factores influyentes generó un resultado inesperado. Se recomienda crear una aplicación nueva con una configuración modificada. (Código de error: VALIDATION-414 NO_INFLUENTIAL_FACTORS)
recommendation-more-help
8959a20a-a58f-4057-9f82-870706c576e9