Dépannage des erreurs de l’IA dédiée aux clients
L’IA dédiée aux clients affiche des erreurs lorsque l’entraînement, la notation et la configuration des modèles échouent. Dans la section Instances de service, une colonne pour le STATUT DE LA DERNIÈRE EXÉCUTION affiche l’un des messages suivants : Succès, Problème de formation, et Échec.
Dans le cas où Échec ou Problème d’entraînement s’affiche, vous pouvez sélectionner le statut d’exécution pour ouvrir un panneau latéral. Le panneau latéral contient le statut de votre dernière exécution et les détails de la dernière exécution. Les détails de la dernière exécution contiennent des informations sur les raisons de l’échec de l’exécution. Dans le cas où l’IA dédiée aux clients ne peut pas fournir de détails sur votre erreur, contactez l’assistance avec le code d’erreur fourni.
Impossible d’accéder à l’IA dédiée aux clients dans Chrome en navigation privée
Les erreurs de chargement en mode navigation privée de Google Chrome sont présentes en raison des mises à jour des paramètres de sécurité du mode navigation privée de Google Chrome. Le problème est en cours de traitement avec Chrome pour faire d’experience.adobe.com un domaine de confiance.
Correctif recommandé
Pour contourner ce problème, vous devez ajouter experience.adobe.com en tant que site pouvant toujours utiliser des cookies. Commencez par accéder à chrome://settings/cookies. Faites ensuite défiler l’écran jusqu’à la section Comportements personnalisés, puis sélectionnez le bouton Ajouter en regard de « Sites autorisés à utiliser des cookies ». Dans la fenêtre contextuelle qui s’affiche, effectuez un copier-coller de [*.]experience.adobe.com puis cochez la case Inclure les cookies tiers de ce site. Une fois l’opération terminée, sélectionnez Ajouter et chargez à nouveau l’IA dédiée aux clients en navigation privée.
La qualité du modèle est médiocre.
Si vous recevez l’erreur « La qualité du modèle est médiocre. Nous vous recommandons de créer une application avec la configuration modifiée. ». Suivez les étapes recommandées ci-dessous pour résoudre les problèmes.
Correctif recommandé
« La qualité du modèle est médiocre » signifie que la précision du modèle n’est pas comprise dans une plage acceptable. L’IA dédiée aux clients n’a pas pu créer de modèle fiable et l’AUC (aire sous la courbe ROC) est inférieure à 0,65 après l’entraînement. Pour corriger l’erreur, il est recommandé de modifier l’un des paramètres de configuration et de relancer l’entraînement.
Commencez par vérifier l’exactitude de vos données. Il est important que vos données contiennent les champs nécessaires à votre résultat prédictif.
- Vérifiez si votre jeu de données comporte les dates les plus récentes. L’IA dédiée aux clients suppose toujours que les données sont à jour lorsque le modèle est déclenché.
- Recherchez les données manquantes dans la fenêtre de prédiction et d’éligibilité que vous avez définie. Vos données doivent être complètes sans oubli. Assurez-vous également que votre jeu de données respecte les exigences en matière de données historiques de l’IA dédiée aux clients.
- Recherchez les données manquantes dans les propriétés de champ de schéma dans le commerce, l’application, le web et la recherche.
Si vos données ne semblent pas poser problème, essayez de modifier la condition de la population d’éligibilité pour restreindre le modèle à certains profils (par exemple, _experience.analytics.customDimensions.eVars.eVar142 existe dans les 56 derniers jours). Cela limite la population et la taille des données utilisées dans la fenêtre d’entraînement.
Si limiter la population d’éligibilité n’a pas fonctionné ou si cela n’est pas possible, modifiez votre fenêtre de prédiction.
- Essayez de passer votre fenêtre de prédiction à 7 jours et vérifiez si l’erreur se produit toujours. Si l’erreur ne se produit plus, cela indique que vous ne disposez peut-être pas de suffisamment de données pour la fenêtre de prédiction que vous avez définie.
Erreurs
{{actual_num_samples}} au total) répondent à la définition de l’objectif de prédiction, de {{outcome_window_start}} à {{outcome_window_end}}. Nous avons besoin d’au moins {{min_num_samples}} utilisateurs avec des événements admissibles pour créer un modèle.Solutions suggérées :
1. Vérifiez la disponibilité des données
2. Diminuez la période de l’objectif de prédiction
3. Modifiez la définition de l’objectif de prédiction pour inclure plus d’utilisateurs (Code d’erreur : VALIDATION-400 NOT_ENOUGH_OBJECTIVE).
Solutions suggérées :
1. Vérifiez la disponibilité des données
2. Diminuez la période de l’objectif de prédiction
3. Modifiez la définition de l’objectif de prédiction pour inclure plus d’utilisateurs. (Code d’erreur : VALIDATION-400 NOT_ENOUGH_OBJECTIVE)
{{actual_num_samples}} au total) de {{eligibility_window_start}} à {{eligibility_window_end}}. Nous avons besoin d’au moins {{min_num_samples}} utilisateurs éligibles pour créer un modèle.Solutions suggérées :
1. Vérifiez la disponibilité des données
2. Si une définition de population éligible est fournie, réduisez la période du filtre d’éligibilité 3. Si aucune définition de population éligible n’est fournie, essayez d’en ajouter une (Code d’erreur : VALIDATION-401 NOT_ENOUGH_POPULATION)
Solutions suggérées :
1. Vérifiez la disponibilité des données
2. Si une définition de population éligible est fournie, réduisez la période du filtre d’éligibilité.
3. Si aucune définition de population éligible n'est fournie, essayez d'en ajouter une. (Code d’erreur : VALIDATION-401 NOT_ENOUGH_POPULATION)
Voici quelques suggestions :
1. Modifiez votre configuration pour ajouter une définition de population éligible.
2. Utilisez des sources de données supplémentaires pour améliorer la qualité du modèle
3. Ajoutez des événements personnalisés pour inclure plus de données dans le modèle (Code d’erreur : VALIDATION-402 BAD_MODEL)
Voici quelques suggestions :
1. Envisagez de modifier votre configuration pour ajouter une définition de population éligible.
2. Envisagez d’utiliser des sources de données supplémentaires pour améliorer la qualité du modèle. (Code d’erreur : VALIDATION-402 BAD_MODEL)
Voici quelques suggestions :
1. Veillez à ce que le modèle soit entraîné avec des données récentes. Dans le cas contraire, envisagez de recycler votre modèle.
2. Assurez-vous qu’il n’y a aucun problème de données (comme des données manquantes/un délai de données) dans les tâches de notation. (Code d’erreur : VALIDATION-403 INELIGIBLE_SCORES)
Voici quelques suggestions :
1. Veillez à ce que le modèle soit entraîné avec des données récentes. Dans le cas contraire, envisagez de recycler votre modèle.
2. Assurez-vous qu’il n’y a aucun problème de données (comme des données manquantes/un délai de données) dans les tâches de notation. (Code d’erreur : VALIDATION-403 INELIGIBLE_SCORES)
{{eligibility_window_start}} à {{eligibility_window_end}}. Vérifiez les données pour vous assurer qu’elles sont mises à jour régulièrement. (Code d’erreur : VALIDATION-405 NO_SCORING_DATA)Nous avons besoin de 120 jours de données récentes. Pour plus d’informations, consultez la documentation sur les exigences en matière de données .
Solutions suggérées :
1. Vérifiez la disponibilité des données
2. Diminuez la période de l’objectif de prédiction
3. Si une définition de population éligible est fournie, réduisez la période du filtre d’éligibilité
4. Si aucune définition de population éligible n’est fournie, essayez d’en ajouter une (Code d’erreur : VALIDATION-407 NOT_ENOUGH_HISTORICAL_EVENT_DATA)
Nous avons besoin de 120 jours de données récentes. Pour plus d’informations, consultez la documentation sur les exigences en matière de données .
Solutions suggérées :
1. Vérifiez la disponibilité des données.
2. Réduisez la période de l’objectif de prédiction.
3. Si une définition de population éligible est fournie, réduisez la période du filtre d’éligibilité.
4. Si aucune définition de population éligible n'est fournie, essayez d'en ajouter une. (Code d’erreur : VALIDATION-407 NOT_ENOUGH_HISTORICAL_EVENT_DATA)
{{data_days}} jours précédant la {{etl_window_end}}. Vérifiez le jeu de données pour vous assurer qu’il est mis à jour régulièrement. (Code d’erreur : VALIDATION-408 NO_RECENT_DATA_FOR_ELIGIBLE_POPULATION){{outcome_window_start}} à {{outcome_window_end}}. Nous avons besoin d’au moins {{min_num_samples}} utilisateurs avec des événements admissibles pour créer un modèle.Solutions suggérées :
1. Vérifiez la disponibilité des données
2. Modifier la définition de l’objectif de prédiction (Code d’erreur : VALIDATION-409 NO_OBJECTIVE)
Solutions suggérées :
1. Vérifiez la disponibilité des données.
2. Modifiez la définition de l’objectif de prédiction. (Code d’erreur : VALIDATION-409 NO_OBJECTIVE)
{{eligibility_window_start}} à {{eligibility_window_end}}. Nous avons besoin d’au moins {{min_num_samples}} utilisateurs éligibles pour créer un modèle.Solutions suggérées :
1. Vérifiez la disponibilité des données
2. Si une définition de population éligible est fournie, modifiez la condition ou augmentez le délai du filtre d’éligibilité (Code d’erreur : VALIDATION-410 NO_POPULATION)
Solutions suggérées :
1. Vérifiez la disponibilité des données.
2. Si une définition de population éligible est fournie, modifiez la condition ou augmentez la période du filtre d'éligibilité. (Code d’erreur : VALIDATION-410 NO_POPULATION)
{{etl_start_date}} et {{etl_end_date}}. Assurez-vous que le jeu de données contient suffisamment de données. (Code d’erreur : VALIDATION-411 NO_INPUT_DATA_AFTER_ETL){{etl_start_date}} et {{etl_end_date}}. Assurez-vous que le jeu de données contient suffisamment de données.{{etl_window_start}} et {{etl_window_end}}.Solutions suggérées :
1. Modifiez la définition de l’objectif de prédiction
2. Vérifiez l’exhaustivité des données ou utilisez une méthode différente qui inclut des exemples d’événements non admissibles pour l’objectif de prédiction (Code d’erreur : VALIDATION-413 SINGLE_VALUE_IN_OBJECTIVE)
Solutions suggérées :
1. Modifiez la définition de l’objectif de prédiction.
2. Vérifiez l’exhaustivité des données ou utilisez une autre qui inclut des exemples d’événements non admissibles pour l’objectif de prédiction. (Code d’erreur : VALIDATION-413 SINGLE_VALUE_IN_OBJECTIVE)