A/B-тестування.
Постійне навчання.

Зустрічайте Reinforcement Learning для Drupal. Тестуйте свій контент, вчіться на справжніх відгуках відвідувачів і давайте сильнішим варіантам більше шансів проявити себе.

Приклад ландшафту апостеріорного розподілу RL: оцінка конверсії (%) залежно від загальної кількості показів і варіанта контенту, з підписаними осями та шкалою кольорів.
  • Відкритий код
  • Нативні інтеграції Drupal
  • Відгуки зберігаються у вашій базі даних

Уже працює.
На всьому вашому сайті Drupal.

Один рушій навчання, підключений до місць, де ваш контент зустрічається з відвідувачами. Ці інтеграції існують уже сьогодні.

Сторінки, побудовані в DXPR Builder

Розміщуйте альтернативний контент у слотах варіантів DXPR Builder. Взаємодії відвідувачів живлять експеримент, а інтеграція обирає, який варіант показати, навіть на сторінках із повносторінкового кешу.

Докладніше про DXPR Builder

Наявна інтеграція DXPR Builder

Заголовки сторінок, що привертають увагу

Дайте сторінці більше, ніж один заголовок. Тестуйте альтернативи на сторінках контенту, сторінках Views і сторінках, згенерованих контролерами, через вбудований модуль заголовків сторінок.

Докладніше про тестування заголовків

Вбудований підмодуль · rl_page_title

Порядок контенту у Views

Нехай залученість допомагає вирішувати, що показувати першим. Модуль RL-сортування додає плагін сортування Views, тож ваші наявні списки контенту можуть вчитися, які елементи отримують відгук.

Докладніше про тестування контенту Views

Супутній модуль · rl_sorting

Підписи меню, що ведуть далі

Чи «Resources», чи «Learn» допомагають людям знайти наступний крок? Тестуйте альтернативні підписи посилань меню через вбудований модуль посилань меню, використовуючи кліки як відгук.

Докладніше про тестування посилань меню

Вбудований підмодуль · rl_menu_link

Кожна взаємодія
додає доказів.

Тест не мусить бути нагадуванням у календарі обрати переможця. RL постійно оновлює свої рішення в міру надходження відгуків.

Криві навчання показують, як оцінка конверсії кожного варіанта заголовка стабілізується в міру накопичення показів. Розрізайте той самий експеримент за показами, днями, тижнями чи місяцями.

Діаграма ефективності варіантів: оцінка конверсії за загальною кількістю показів для п’яти варіантів заголовків блогу.

Результати за варіантами поєднують необроблені покази з оцінкою конверсії, скоригованою навчанням, що лишається змістовною ще до перших конверсій. Показаний зразок ранній: усі варіанти досі мають нуль конверсій.

Таблиця варіантів із сортуванням: покази, конверсії, коефіцієнт конверсії та оцінка конверсії.

Ландшафт апостеріорного розподілу показує скориговану навчанням оцінку кожного варіанта разом із рівнем довіри. Вищі, яскравіші області позначають сильніші докази, а не гарантоване зростання.

3D-ландшафт апостеріорного розподілу оцінки конверсії за загальною кількістю показів і варіантом контенту.

  1. Почніть з альтернатив

    Оберіть контент для тестування й визначте взаємодію, що вважається успіхом.

  2. Вчіться на тому, що роблять люди

    Покази фіксують охоплення. Кліки чи інші налаштовані конверсії дають винагороди. Семплювання Томпсона балансує між дослідженням альтернатив і показом перспективних.

  3. Переглядайте. Уточнюйте. Продовжуйте вчитися.

    Перевіряйте трафік, ефективність і впевненість у звітах Drupal. Додавайте свіжі альтернативи в міру розвитку контенту; результати лишаються доказами для оцінки, а не гарантованим зростанням.

Читайте, як працює модуль RL

Ваші експерименти.
Ваша інфраструктура Drupal.

Тримайте експерименти поруч із контентом, кодом і людьми, які ведуть ваш сайт.

Зведені відгуки

RL записує анонімні підрахунки взаємодій у вашу базу даних Drupal. Його відстеження не потребує профілів відвідувачів, ID користувачів чи файлів cookie для відстеження.

Впишіться у свій стек доставки

Обирайте варіанти на стороні сервера або використовуйте JavaScript API для кешованих сторінок. Ваша інтеграція керує тим, як рішення вписуються у вашу стратегію рендерингу й кешування.

Розширюйте наявне

Використовуйте сервіси Drupal, JavaScript API та HTTP-ендпоїнти, щоб підключити власні компоненти. Той самий рушій навчання може обслуговувати більше одного модуля.

Почніть там,
де живе ваш контент.

Додайте RL до наявного сайту Drupal, потім увімкніть інтеграції, які підходять вашому контенту. Будуєте щось нове? DXPR CMS містить RL і сортування контенту Views.

Установіть рушій навчання

composer require drupal/rl
drush en rl

Дотримуйтеся документації з установлення, щоб налаштувати бібліотеку діаграм та ендпоїнти, потім підключіть свій перший експеримент.

Читати посібник з установлення

Працюєте з ШІ-агентом? Установіть навичку агента Reinforcement Learning щоб допомогти керувати й переглядати свої експерименти.