Solução de problemas de erro do Customer AI
- Tópicos:
- IA do cliente
Criado para:
- Usuário
A IA do cliente exibe erros quando o treinamento do modelo, a pontuação e a configuração falham. Na seção Instâncias de serviço, uma coluna para STATUS DA ÚLTIMA EXECUÇÃO exibe uma das seguintes mensagens: Êxito, Problema de treinamento e Falha.
Caso Falha ou Problema de treinamento seja exibido, você pode selecionar o status de execução para abrir um painel lateral. O painel lateral contém o status da última execução e os detalhes da última execução. Detalhes da última execução contém informações sobre o motivo da falha na execução. Caso a IA do cliente não possa fornecer detalhes sobre o erro, entre em contato com o suporte com o código de erro fornecido.
Não é possível acessar a IA do cliente no Chrome incógnito
Erros de carregamento no modo incógnito do Google Chrome estão presentes devido a atualizações nas configurações de segurança do modo incógnito do Google Chrome. O problema está sendo ativamente trabalhada com a Chrome para tornar experience.adobe.com um domínio confiável.
Correção recomendada
Para contornar esse problema, é necessário adicionar experience.adobe.com como um site que sempre pode usar cookies. Comece navegando até chrome://settings/cookies. Em seguida, role para baixo até a seção Comportamentos personalizados, seguida pelo botão Adicionar ao lado de "sites que sempre podem usar cookies". Na janela pop-up exibida, copie e cole [*.]experience.adobe.com e marque a caixa de seleção Incluir cookies de terceiros neste site. Depois de concluído, selecione Adicionar e recarregue a IA do cliente em incógnito.
A qualidade do modelo é ruim
Se você receber o erro "A qualidade do modelo é ruim. Recomendamos criar um novo aplicativo com a configuração modificada "". Siga as etapas recomendadas abaixo para ajudar a solucionar problemas.
Correção recomendada
"A qualidade do modelo é ruim" significa que a precisão do modelo não está dentro de uma faixa aceitável. A IA do cliente não conseguiu criar um modelo confiável e a AUC (Área sob a curva ROC) < 0,65 após o treinamento. Para corrigir o erro, é recomendável alterar um dos parâmetros de configuração e executar novamente o treinamento.
Comece verificando a precisão dos seus dados. É importante que seus dados contenham os campos necessários para o resultado preditivo.
- Verifique se o conjunto de dados tem as datas mais recentes. A IA do cliente sempre presume que os dados estão atualizados quando o modelo é acionado.
- Verifique se há dados ausentes na janela de previsão e qualificação definida. Seus dados precisam ser completos sem lacunas. Verifique também se o conjunto de dados atende aos requisitos de dados históricos da IA do cliente.
- Verifique se há dados ausentes no comércio, no aplicativo, na web e na pesquisa, nas propriedades do campo de esquema.
Se seus dados não parecerem ser o problema, tente alterar a condição de população de qualificação para restringir o modelo a determinados perfis (por exemplo, _experience.analytics.customDimensions.eVars.eVar142 existe nos últimos 56 dias). Isso restringe o público e o tamanho dos dados usados na janela de treinamento.
Se a restrição da população de qualificação não funcionar ou não for possível, altere a janela de previsão.
- Tente alterar a janela de previsão para 7 dias e veja se o erro continua ocorrendo. Se o erro não ocorrer mais, isso indica que talvez você não tenha dados suficientes para a janela de previsão definida.
Erros
{{actual_num_samples}} no total) atendendo à definição da meta de previsão de {{outcome_window_start}} a {{outcome_window_end}}. São necessários pelo menos {{min_num_samples}} usuários com eventos qualificados para criar um modelo.Soluções sugeridas:
1. Verifique a disponibilidade dos dados
2. Diminuir o período da meta de previsão
3. Modifique a definição da meta de previsão para incluir mais usuários (Código de erro: VALIDATION-400 NOT_ENOUGH_OBJETIVE)
Soluções sugeridas:
1. Verifique a disponibilidade dos dados
2. Diminuir o período da meta de previsão
3. Modifique a definição da meta de previsão para incluir mais usuários. (Código de erro: VALIDATION-400 NOT_ENOUGH_OBJETIVE)
{{actual_num_samples}} no total) de {{eligibility_window_start}} a {{eligibility_window_end}}. São necessários pelo menos {{min_num_samples}} usuários qualificados para criar um modelo.Soluções sugeridas:
1. Verifique a disponibilidade dos dados
2. Se uma definição de População elegível for fornecida, diminua o período de tempo 3 do filtro de qualificação. Se uma definição de População elegível não for fornecida, tente adicionar uma (Código de erro: VALIDATION-401 NOT_ENOUGH_POPULATION)
Soluções sugeridas:
1. Verifique a disponibilidade dos dados
2. Se uma definição de População elegível for fornecida, diminua o período de tempo do filtro de qualificação.
3. Se uma definição de População elegível não for fornecida, tente adicionar uma. (Código de erro: VALIDATION-401 NOT_ENOUGH_POPULATION)
Algumas sugestões incluem:
1. Modifique sua configuração para adicionar uma definição de população qualificada.
2. Use fontes de dados adicionais para melhorar a qualidade do modelo
3. Adicione eventos personalizados para incluir mais dados no modelo (Código de erro: VALIDATION-402 BAD_MODEL)
Algumas sugestões incluem:
1. Considere modificar sua configuração para adicionar uma definição de população qualificada.
2. Considere o uso de fontes de dados adicionais para melhorar a qualidade do modelo. (Código de erro: VALIDATION-402 BAD_MODEL)
Algumas sugestões incluem:
1. Certifique-se de que o modelo seja treinado com dados recentes. Caso contrário, considere treinar novamente seu modelo.
2. Certifique-se de que não haja problemas de dados (como atraso de dados/dados ausentes) nas tarefas de pontuação. (Código de erro: VALIDATION-403 INELIGIBLE_SCORES)
Algumas sugestões incluem:
1. Certifique-se de que o modelo seja treinado com dados recentes. Caso contrário, considere treinar novamente seu modelo.
2. Certifique-se de que não haja problemas de dados (como atraso de dados/dados ausentes) nas tarefas de pontuação. (Código de erro: VALIDATION-403 INELIGIBLE_SCORES)
{{eligibility_window_start}} a {{eligibility_window_end}}. Verifique os dados para garantir que estejam sendo atualizados regularmente. (Código de erro: VALIDATION-405 NO_SCORING_DATA)São necessários 120 dias de dados recentes. Para obter mais informações, consulte a documentação de requisitos de dados.
Soluções sugeridas:
1. Verifique a disponibilidade dos dados
2. Diminuir o período da meta de previsão
3. Se uma definição de População elegível for fornecida, diminua o período de tempo do filtro de qualificação
4. Se uma definição de população Elegível não for fornecida, tente adicionar uma (Código de erro: VALIDATION-407 NOT_ENOUGH_HISTORICAL_EVENT_DATA)
São necessários 120 dias de dados recentes. Para obter mais informações, consulte a documentação de requisitos de dados.
Soluções sugeridas:
1. Verifique a disponibilidade dos dados.
2. Diminuir o período da meta de previsão.
3. Se uma definição de População elegível for fornecida, diminua o período de tempo do filtro de qualificação.
4. Se uma definição de População elegível não for fornecida, tente adicionar uma. (Código de erro: VALIDATION-407 NOT_ENOUGH_HISTORICAL_EVENT_DATA)
{{data_days}} dias anteriores a {{etl_window_end}}. Verifique o conjunto de dados para garantir que ele esteja sendo atualizado regularmente. (Código de erro: VALIDATION-408 NO_RECENT_DATA_FOR_ELIGIBLE_POPULATION){{outcome_window_start}} a {{outcome_window_end}}. São necessários pelo menos {{min_num_samples}} usuários com eventos qualificados para criar um modelo.Soluções sugeridas:
1. Verifique a disponibilidade dos dados
2. Modificar a definição da meta de previsão (Código de erro: VALIDATION-409 NO_OBJETIVE)
Soluções sugeridas:
1. Verifique a disponibilidade dos dados.
2. Modifique a definição da meta de previsão. (Código de erro: VALIDATION-409 NO_OBJETIVE)
{{eligibility_window_start}} a {{eligibility_window_end}}. São necessários pelo menos {{min_num_samples}} usuários qualificados para criar um modelo.Soluções sugeridas:
1. Verifique a disponibilidade dos dados
2. Se uma definição de População elegível for fornecida, modifique a condição ou aumente o período do filtro de qualificação (Código de erro: VALIDATION-410 NO_POPULATION)
Soluções sugeridas:
1. Verifique a disponibilidade dos dados.
2. Se uma definição de População elegível for fornecida, modifique a condição ou aumente o período do filtro de elegibilidade. (Código de erro: VALIDATION-410 NO_POPULATION)
{{etl_start_date}} e {{etl_end_date}}. Verifique se o conjunto de dados tem dados suficientes. (Código de erro: VALIDATION-411 NO_INPUT_DATA_AFTER_ETL){{etl_start_date}} e {{etl_end_date}}. Verifique se o conjunto de dados tem dados suficientes.{{etl_window_start}} e {{etl_window_end}}.Soluções sugeridas:
1. Modifique a definição da meta de previsão
2. Verifique a integridade dos dados ou use um diferente que inclua exemplos de eventos não qualificados para a meta de previsão (Código de erro: VALIDATION-413 SINGLE_VALUE_IN_OBJETIVE)
Soluções sugeridas:
1. Modifique a definição da meta de previsão.
2. Verifique a integridade dos dados ou use um que inclua exemplos de eventos não qualificados para a meta de previsão. (Código de erro: VALIDATION-413 SINGLE_VALUE_IN_OBJETIVE)