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 la sección Instancias de servicio, una columna para ÚLTIMO ESTADO DE EJECUCIÓN muestra uno de los siguientes mensajes: Éxito, Problema de formación y Error.
En caso de que se muestre Error o Problema de formación, puede seleccionar el estado de ejecución para abrir un panel lateral. El panel lateral contiene Último estado de ejecución y Detalles de la última ejecución. Detalles de la última ejecución contiene información sobre el motivo del error de la 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.
No se puede acceder a la inteligencia artificial aplicada al cliente en Chrome de incógnito
Los errores de carga en el modo incógnito de Google Chrome están presentes debido a las actualizaciones en la configuración de seguridad del modo incógnito de Google Chrome. El problema se está trabajando activamente con Chrome para hacer de experience.adobe.com un dominio de confianza.
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 sección Comportamientos personalizados y, a continuación, seleccione el botón Agregar junto a "Sitios que siempre pueden usar cookies". En la ventana emergente que aparece, copie y pegue [*.]experience.adobe.com y, a continuación, active la casilla de verificación Incluyendo cookies de terceros en este sitio. Una vez finalizado, selecciona Agregar y vuelve a cargar la inteligencia artificial aplicada al cliente de incógnito.
La calidad del modelo es mala
Si recibe el error "La calidad del modelo es deficiente. Se recomienda crear una aplicación nueva con la configuración modificada "". Siga los pasos recomendados a continuación para solucionar los problemas.
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 inteligencia artificial aplicada al cliente.
- 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
{{actual_num_samples}} en total) que cumplan la definición del objetivo de predicción de {{outcome_window_start}} a {{outcome_window_end}}. Se requieren al menos {{min_num_samples}} usuarios con eventos calificados para crear un modelo.Soluciones sugeridas:
1. Comprobar disponibilidad de datos
2. Reducir el intervalo 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)
Soluciones sugeridas:
1. Comprobar disponibilidad de datos
2. Reducir el intervalo 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)
{{actual_num_samples}} en total) de {{eligibility_window_start}} a {{eligibility_window_end}}. Se requiere al menos {{min_num_samples}} usuarios elegibles 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)
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)
Algunas sugerencias incluyen:
1. Modifique la configuración para añadir una definición de población apta.
2. Usar 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)
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)
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)
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)
{{eligibility_window_start}} a {{eligibility_window_end}}. Compruebe los datos para asegurarse de que se actualizan con regularidad. (Código de error: VALIDATION-405 NO_SCORING_DATA)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 intervalo de tiempo del objetivo de predicción
3. Si se proporciona una definición de población elegible, reduzca 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)
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)
{{data_days}} días previos a {{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){{outcome_window_start}} a {{outcome_window_end}}. Se requieren al menos {{min_num_samples}} usuarios con eventos calificados 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)
Soluciones sugeridas:
1. Compruebe la disponibilidad de datos.
2. Modifique la definición del objetivo de predicción. (Código de error: VALIDATION-409 NO_OBJECTIVE)
{{eligibility_window_start}} y {{eligibility_window_end}}. Se requiere al menos {{min_num_samples}} usuarios elegibles 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)
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)
{{etl_start_date}} y {{etl_end_date}}. Asegúrese de que el conjunto de datos tenga datos suficientes. (Código de error: VALIDATION-411 NO_INPUT_DATA_AFTER_ETL){{etl_start_date}} y {{etl_end_date}}. Asegúrese de que el conjunto de datos tenga datos suficientes.{{etl_window_start}} y {{etl_window_end}}.Soluciones sugeridas:
1. Modifique la definición de 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)
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)