A/B Agent: A Self-Evolving Agent for Strategy Iteration in Industrial A/B Testing
تقدم هذه الورقة A/B Agent، وهو إطار عمل ذاتي التطور يستفيد من شجرة خبرة هرمية وMulti-path Tree-RAG لتوليد وتنفيذ وتحسين استراتيجيات التوصية الصناعية بشكل تكراري من خلال اختبارات A/B ذات الحلقة المغلقة، مما يحقق تحسينات كبيرة في إجمالي قيمة البضائع (GMV) في أنظمة التجارة الإلكترونية الواقعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك قبطان لسفينة فضاء ضخمة وعالية السرعة (نظام توصيات)، تحاول تقديم الوجبة الخفيفة المثالية لكل مسافر. في بعض الأحيان، تخمن بشكل صحيح، ويكون الجميع سعداء. وفي أحيان أخرى، تقدم رقائق بطاطس حارة لشخص كان يريد شيئاً حلواً، أو ينفد منك الوقود لأنك لم تخطط للمسار جيداً. في العالم الحقيقي، تستخدم شركات مثل "كوايشو" (Kuaishou) طريقة تسمى "اختبار A/B" لمعرفة أفضل مسار. الأمر يشبه تشغيل نسختين مختلفتين من السفينة في نفس الوقت: واحدة بخريطة قديمة، وأخرى بفكرة جديدة. إذا أوصلت الخريطة الجديدة المزيد من الركاب إلى وجباتهم بشكل أسرع، فإنك تحتفظ بها. لكن هنا تكمكن العقبة: القيام بذلك يدوياً أمر مرهق؛ فهو يتطلب فريقاً من الملاحين الخبراء لرسم خرائط جديدة باستمرار، وإجراء الاختبارات، والتحقق من النتائج، وتعديل الإعدادات. إنه أمر بطيء، وغالباً ما ينسون الدروس التي تعلموها من الانحرافات الفاشلة بالأمس.
مؤخراً، بدأ العلماء في تعليم الحواسيب كيفية قراءة وفهم هذه الخرائط القديمة باستخدام "نماذج اللغات الكبيرة" (ذكاء اصطناعي فائق الذكاء يقرأ النصوص) و"تقنية RAG" (التوليد المعزز بالاسترجاع، وهي تشبه إعطاء الذكاء الاصطناعي مكتبة للبحث عن الإجابات قبل أن يتحدث). ولكن حتى هؤلاء المساعدين الأذكياء من الذكاء الاصطناعي لديهم مشكلة: فهم غالباً ما يعاملون المكتبة ككومة مسطحة من الأوراق. قد يجدون قصة عن "مسار صحراوي" بينما أنت في الواقع تحتاج إلى "مسار جبلي"، أو قد يغفلون عن حقيقة أن استراتيجية نجحت مع "الوجبات الخفيفة" قد تكون خطيرة على "المشروبات". إنهم يجدون صعوبة في رؤية الصورة الكبيرة لكيفية اتصال الأجزاء المختلفة من السفينة، ولا يمكنهم التعلم بسهولة من أخطائهم بمرور الوقت دون أن يخبرهم مدير بشري بما يجب فعله تالياً.
هنا تقدم الورقة البحثية A/B Agent، وهو نوع جديد من الملاح الآلي "ذاتي التطور" المصمم لحل هذه المشكلات. بدلاً من مجرد قراءة كومة مسطحة من الملاحظات، يقوم A/B Agent ببناء "شجرة خبرات" منظمة وضخمة. تخيل شجرة حيث الجذور هي أهداف العمل الكبرى، والأغصان هي أجزاء مختلفة من السفينة (مثل بار الوجبات الخفيفة أو غرفة المحركات)، والأوراق هي استراتيجيات محددة نجحت أو فشلت في الماضي. عندما يحتاج الذكاء الاصطناعي إلى فكرة جديدة، فإنه لا يبحث فقط عن كلمات مفتاحية؛ بل يتسلق الشجرة ليجد الغصن الدقيق الذي يطابق الوضع الحالي، مما يضمن حصوله على النوع الصحيح من المعرفة.
بمجرد أن يختار استراتيجية، لا يتوقف A/B Agent عند هذا الحد. إنه يعمل كعالم دؤوب يجري الاختبار، ويراقب النتائج، ثم يقوم فوراً بتحديث شجرته الخاصة. إذا أدى مسار جديد إلى زيادة عدد الركاب ولكن تسبب في ارتفاع حرارة المحرك (مقياس "حاجز الحماية")، فإن الذكاء الاصطناعي يلاحظ ذلك، ويقوم بتعديل الإعدادات، ويجرب مرة أخرى. إنه يستمر في هذه الحلقة — التفكير، الاختبار، التعلم، وتحديث قاعدة معرفته الخاصة — حتى يجد التوازن المثالي. تُظهر الورقة أن هذا النظام ليس مجرد نظرية؛ فعند اختباره في بيئة تسوق حقيقية للفيديوهات القصيرة، نجح في تحسين "إجمالي قيمة البضائع" (إجمالي المال الذي ينفقه المستخدمون) بنسبة 4.829% مع الحفاظ على جميع مقاييس السلامة إيجابية. بل إنه تفوق على بعض أكثر نماذج الذكاء الاصطناعي تقدماً في العالم في إنشاء استراتيجيات كانت دقيقة ومبدعة في آن واحد. جوهرياً، يحول A/B Agent عملية التجربة والخطأ الفوضوية إلى دورة ذكية ذاتية التحسين تزداد جودةً من تلقاء نفسها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.