Updated by task 'AUTO_TM_MT_1765219465717'

Changes for core/source commit https://git.corp.adobe.com/AdobeDocs/journey-optimizer.en/commit/54ed4dec71703a0444920baf4fb0a2d8318034cd

Author: glgitprd

help/using/experience-decisioning/decisioning-faq.md

@@ -8,9 +8,9 @@ level: Intermediate
 version: Journey Orchestration
 hide: true
 hidefromtoc: true
-source-git-commit: 7bf0b3fbfe56ef8ae3a35be9aa604287f43d6d74
+source-git-commit: 54ed4dec71703a0444920baf4fb0a2d8318034cd
 workflow-type: tm+mt
-source-wordcount: '770'
+source-wordcount: '785'
 ht-degree: 0%
 
 ---
@@ -32,30 +32,30 @@ Als u twee plafondregels voor een aanbieding definieert:
 
 Het aanbod wordt niet meer weergegeven aan een gebruiker als deze het vijf keer per week heeft gezien, zelfs als de totale limiet van 100 nog niet is bereikt. Op dezelfde manier, zodra 100 totale indrukken worden bereikt, houdt de aanbieding op worden getoond aan alle gebruikers.
 
-Leer meer over [​ het begrenzen regels ​](items.md#capping).
+Leer meer over [ het begrenzen regels ](items.md#capping).
 
 +++
 
 ## Beoordelingsformule {#ranking-formulas}
 
 +++**wat is de rol van publiek tegenover een volledige dataset in AI modellen?**
 
-Wanneer het vormen van [​ AI modellen ​](ranking/ai-models.md), zowel dienen de datasets als het publiek afzonderlijke doeleinden.
+Wanneer het vormen van [ AI modellen ](ranking/ai-models.md), zowel dienen de datasets als het publiek afzonderlijke doeleinden.
 
 * **Datasets**: De omzettingsgebeurtenissen van de Vangst (kliks, orden, opbrengst) die als optimaliseringsdoelstellingen voor het model dienen.
 * **Soorten publiek**: Functie als voorspellende variabelen die het model toelaten om aanbevelingen te personaliseren die op het lidmaatschap van het klantensegment worden gebaseerd.
 
 Het publiek beperkt of vergroot het bereik van het model niet. In plaats daarvan, verstrekken zij contextafhankelijke attributen die de capaciteit van het model verbeteren om gepersonaliseerde voorspellingen over verschillende klantensegmenten te maken.
 
-Beide componenten worden vereist voor efficiënte [​ gepersonaliseerde optimalisatiemodellen ​](ranking/personalized-optimization-model.md) modelprestaties.
+Beide componenten worden vereist voor efficiënte [ gepersonaliseerde optimalisatiemodellen ](ranking/personalized-optimization-model.md) modelprestaties.
 
 +++
 
 +++**hoe de veranderingen om inzamelingen aan te bieden auto-optimalisering of gepersonaliseerde optimalisatiemodellen beïnvloeden?**
 
-Beide modellen zullen verkeer aan de volgende beste beschikbare aanbieding leveren die op verkeersgegevens van de laatste 30 dagen wordt gebaseerd.
+Het auto-optimaliseringsmodel dient verkeer aan de volgende beste beschikbare aanbieding die op verkeersgegevens van de laatste 14 dagen wordt gebaseerd, of het gepersonaliseerde optimaliseringsmodel verkeersgegevens van de laatste 30 dagen gebruikt.
 
-Wanneer verscheidene aanbiedingen gelijktijdig worden verwijderd en de resterende aanbiedingen minimale verkeersgegevens binnen het venster van 30 dagen hebben, kan het model suboptimaal gedrag, met inbegrip van willekeurige distributiepatronen of bias naar aanbiedingen met hogere omzettingspercentages die op beperkte beeldgegevens worden gebaseerd tonen.
+Wanneer verscheidene aanbiedingen gelijktijdig worden verwijderd en de resterende aanbiedingen minimale verkeersgegevens binnen het venster van 14 dagen of 30 dagen hebben, kan het model suboptimaal gedrag vertonen, met inbegrip van willekeurige distributiepatronen of afwijking naar aanbiedingen met hogere omzettingen die op beperkte beeldgegevens worden gebaseerd.
 
 **Beste praktijken**: Wanneer het wijzigen van aanbiedingsinzamelingen beduidend, verifieer dat de resterende aanbiedingen voldoende historische prestatiesgegevens hebben om modeldoeltreffendheid te handhaven.
 
@@ -70,7 +70,7 @@ In AI-modellen worden nieuwe aanbiedingen tijdens de volgende trainingscyclus ge
 
 Zodra beide modellen zijn geïdentificeerd, zullen zij onmiddellijk de nieuwe aanbiedingen aan sommige bezoekers gaan bedienen om hun prestaties te testen en gegevens over hun doeltreffendheid te verzamelen.
 
-Leer meer over [​ auto-optimalisering ​](ranking/auto-optimization-model.md) en [​ gepersonaliseerde optimalisering ​](ranking/personalized-optimization-model.md) modellen.
+Leer meer over [ auto-optimalisering ](ranking/auto-optimization-model.md) en [ gepersonaliseerde optimalisering ](ranking/personalized-optimization-model.md) modellen.
 
 +++
 
@@ -102,7 +102,7 @@ Standaard probeert het systeem geen gepersonaliseerde modellen te maken voor aan
 >
 >In productieomgevingen met grote aanbiedingen voor catalogi (~300 aanbiedingen) en restrictieve bedrijfsregels, kunnen sommige aanbiedingen lagere absolute drempels benaderen (250 beelden en 25 omzettingen per 30 dagen). Deze zijn de minimale gegevensvereisten voor modeltraining, maar bieden mogelijk geen garantie voor optimale prestaties.
 
-Leer meer over [​ vereisten van de gegevensinzameling ​](data-collection/data-collection.md).
+Leer meer over [ vereisten van de gegevensinzameling ](data-collection/data-collection.md).
 
 +++