From Prediction to Incrementality: Causal Optimization for Large-Scale Targeting and Recommendation
تقدم هذه الورقة إطار عمل متمحوراً حول القرار يستبدل الاستهداف التنبؤي التقليدي بالتحسين السببي لأنظمة التوصية واسعة النطاق، من خلال دمج الشبكات العصبية السببية، والاستكشاف البايزي، والتخصيص المقيد لتحقيق زيادة ذات دلالة إحصائية قدرها 7.20% في القيمة طويلة الأمد خلال اختبار A/B عبر الإنترنت على LinkedIn.
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 سفينة سياحية ضخمة، ومهمتك هي توزيع الآيس كريم المجاني على الركاب. في الطريقة القديمة المتبعة، كنت ستنظر إلى قائمة توضح من هم الأشخاص الذين "عادةً" ما يأكلون الآيس كريم، ثم تقوم بتوزيعه عليهم. لكن هنا تكمن المشكلة: بعض هؤلاء الأشخاص كانوا سيأكلون الآيس كريم على أي حال، حتى لو لم تقدمه لهم. لقد أهدرت ملاعق الآيس كريم الخاصة بك على أشخاص لم يكونوا بحاجة إلى دفعة، بينما لم يحصل الركاب الذين كانوا مترددين بشأن الحصول على حلوى على أي شيء. هذه هي مشكلة "التنبؤ" مقابل "الزيادة النوعية" (incrementality). التنبؤ يسأل: "من سيأكل الآيس كريم؟"، بينما الزيادة النوعية تسأل: "من سيأكل الآيس كريم فقط لأنني قدمته له؟".
يغوص هذا البحث في عالم "تعلم الآلة السببي" (Causal Machine Learning)، وهو فرع من فروع الذكاء الاصطناعي يحاول فهم السبب والنتيجة بدلاً من مجرد رصد الأنماط. الأمر يشبه الانتقال من خبير أرصاد جوية يقول فقط "إنها تمطر عادةً أيام الثلاثاء" إلى عالم يمكنه إثبات أنه "إذا أطلقنا صاروخاً لبذر السحب، فسيجعل المطر يهطل بالفعل". يعمل المؤلفون على نظام يُستخدم من قبل المنصات الضخمة عبر الإنترنت (مثل LinkedIn) لتقرير من يرى الرسائل التسويقية، أو إعلانات الوظائف، أو التنبيهات. السؤال الكبير هو: كيف نتوقف عن إضاعة الأموال على الأشخاص الذين كانوا سينقرون على الإعلان على أي حال، وبدلاً من ذلك نركز ميزانيتنا المحدودة على الأشخاص الذين يحتاجون حقاً إلى تلك الدفعة الإضافية لاتخاذ إجراء ما؟
لقد بنى الباحثون في LinkedIn نظاماً جديداً وأكثر ذكاءً لحل هذا اللغز. يسمونه "إطار عمل متمحور حول القرار" (decision-centric framework)، وهي طريقة منمقة لقول إنهم توقفوا عن مجرد التخمين بشأن من سينقر، وبدأوا في الحساب رياضياً لمن سيتغير سلوكه بسبب الرسالة. يتكون نظامهم من ثلاثة أجزاء رئيسية تعمل معاً كفريق أحلام. أولاً، تعمل "الشبكة العصبية السببية" (المعتمدة على تقنية Transformer، وهي نفس نوع العقل الكامن وراء العديد من أدوات الذكاء الاصطناعي الحديثة) كـ "محقق". فهي تنظر في تاريخ المستخدم وتقدر "تأثير المعالجة" (treatment effect) — أي مدى احتمالية شراء شيء ما أو التقديم لوظيفة تحديداً بسبب رؤيته للإعلان.
ثانياً، يتضمن النظام طبقة "المُجرب العصبي" (neural bandit). فكر في هذا الجزء كـ "مستكشف فضولي". في الماضي، كانت أنظمة الذكاء الاصطناعي غالباً ما تقع في حلقة مفرغة، حيث تعرض الإعلانات فقط للأشخاص الذين كانت متأكدة بالفعل من نقرهم عليها، مما يؤدي إلى تفويت فرص جديدة. هذا الجزء المستكشف من النظام مستعد لخوض مخاطر صغيرة لتجربة أشياء جديدة، مما يضمن عدم تفويت العملاء المحتملين الذين لم يتم اختبارهم بعد. وهو يستخدم خدعة رياضية ذكية تسمى "تقريب لابلاتس" (Laplace approximation) لتخمين مدى عدم اليقين في تنبؤاته، مما يسمح له بالاستكشاف بأمان.
ثالثاً، والأهم من ذلك، هناك طبقة "البرمجة الخطية واسعة النطاق". هذا هو "المدير الصارم والعادل". فحتى لو وجد المحقق مرشحاً مثالياً، وأراد المستكشف تجربة استراتيجية جديدة، يجب على المدير التأكد من أنهم لا يكسرون القواعد. فالشركة لديها ميزانية محدودة، وحد في عدد المرات التي يمكن فيها مراسلة الشخص، وحاجة للوصة إلى أنواع مختلفة من الناس بإنصاف. هذه الطبقة تحل لغزاً رياضياً ضخماً لتوزيع الإعلانات بشكل مثالي ضمن هذه الحدود، مما يضمن عدم إهدار أي أموال وعدم تجاهل أي شخص بشكل غير عادل.
لاختبار ما إذا كان هذا النظام الجديد يعمل حقاً، أجرى الفريق عمليات محاكاة ثم تجربة واقعية على حركة المرور التسويقية في LinkedIn. في عمليات المحاكاة، قارنوا طريقتهم "السببية" الجديدة بالطرق القديمة التي تكتفي فقط بالتنبؤ بمن سينقر. كانت النتائج واضحة: وجد النظام الجديد أهدافاً أكثر قيمة وأنفق أموالاً أقل لتحقيق نفس النتائج. لكن السحر الحقيقي حدث في الاختبار الحي. فعندما تركوا النظام الجديد يعمل لمدة ثمانية أسابيع مقابل النظام القياسي القديم، حققوا زيادة ذات دلالة إحصائية قدرها +7.20% في مقياس القيمة الأساسي طويل الأجل. وهذا يعني أن الشركة حصلت على قيمة أكبر بشكل ملحوظ من ميزانيتها التسويقية دون إنفاق المزيد من المال.
كما يسلط هذا البحث الضوء على دروس عملية تعلموها من بناء هذا النظام في العالم الحقيقي. فقد وجدوا أن امتلاك نموذج ذكي ليس كافياً فحسب؛ بل يجب أن تكون حذراً للغاية بشأن كيفية إعداد بياناتك والتحكم في كيفية تقديم الإعلانات بالفعل. على سبيل المثال، إذا قرر نظامك الجديد عدم إظهار إعلان لشخص ما (لأنه يعتقد أنه لن يغير رأيه)، بينما قرر النظام القديم إظهار واحد، فيجب عليك التأكد من أنك لا تقارن "التفاح بالبرتقال". لقد بنوا أدوات خاصة لضمان مطابقة المجموعات التجريبية تماماً لضمان عدالة النتائج.
باختصار، يوضح هذا البحث أنه من خلال تحويل التركيز من "من سيتصرف؟" إلى "من سيتصرف بسببنا؟"، ومن خلال الجمع بين الذكاء الاصكي الذكي وإدارة الميزانية الصارمة، يمكن للشركات جعل تسويقها أكثر فعالية بكثير. الأمر لا يتعلق فقط بالصراخ بصوت عالٍ في وجه الجميع؛ بل يتعلق بالهمس بالرسالة الصحيحة للشخص المناسب في الوقت المناسب، مما يوفر الموارد ويخلق قيمة أكبر للجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.