From Prediction to Incrementality: Causal Optimization for Large-Scale Targeting and Recommendation
Dieses Paper präsentiert ein entscheidungszentriertes Framework, das traditionelles prädiktives Targeting durch kausale Optimierung für groß angelegte Empfehlungssysteme ersetzt und kausale neuronale Netze, Bayessche Exploration sowie beschränkte Allokation integriert, um während eines Online-A/B-Tests bei LinkedIn eine statistisch signifikante Steigerung des langfristigen Wertes um 7,20 % zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie sind der Kapitän eines riesigen Kreuzfahrtschiffes und Ihre Aufgabe ist es, den Passagieren kostenlos Eis zu verteilen. Auf die alte Art und Weise würden Sie eine Liste heranziehen, wer normalerweise Eis isst, und es dann verteilen. Aber hier ist der Haken: Einige dieser Leute hätten sowieso Eis gegessen, selbst wenn Sie es ihnen nicht gegeben hätten. Sie haben Ihre Portionen an Menschen verschwendet, die keinen Anstoß brauchten, während die Passagiere, die bezüglich eines Leckereis am Zaun standen, leer ausgingen. Dies ist das Problem der „Vorhersage“ gegenüber der „Inkrementalität“. Die Vorhersage fragt: „Wer wird Eis essen?“ Die Inkrementalität fragt hingegen: „Wer wird nur deshalb Eis essen, weil ich es ihnen gegeben habe?“
Dieses Paper taucht ein in die Welt des Causal Machine Learning, eines Zweigs der Künstlichen Intelligenz, der versucht, Ursache-Wirkungs-Zusammenhänge zu verstehen, anstatt nur Muster zu erkennen. Es ist wie der Übergang von einem Wetterberichter, der nur sagt: „Es regnet normalerweise dienstags“, zu einem Wissenschaftler, der beweisen kann: „Wenn wir eine Wolkenimpfungsrakete abfeuern, wird es tatsächlich regnen.“ Die Autoren arbeiten an einem System, das von großen Online-Plattformen (wie LinkedIn) verwendet wird, um zu entscheiden, wer Marketingbotschaften, Stellenanzeigen oder Benachrichtigungen zu sehen bekommt. Die große Frage ist: Wie hören wir auf, Geld an Menschen zu verschwenden, die ohnehin auf eine Anzeige geklickt hätten, und konzentrieren uns stattdelt auf die Menschen, die diesen zusätzlichen Anstoß wirklich brauchen, um aktiv zu werden?
Die Forscher bei LinkedIn haben ein neues, intelligenteres System entwickelt, um dieses Rätsel zu lösen. Sie nennen es ein „entscheidungsorientiertes Framework“ – was eine schicke Art zu sagen ist, dass sie aufgehört haben, nur zu raten, wer klicken würde, und stattdert angefangen haben, mathematisch zu berechnen, wer durch die Nachricht verändert würde. Ihr System besteht aus drei Hauptteilen, die wie ein Dream-Team zusammenarbeiten. Zuerst fungiert ein „kausales neuronales Netzwerk“ (betrieben von einem Transformer, derselben Art von Gehirn, die hinter vielen modernen KI-Tools steht) als Detektiv. Es analysiert die Historie eines Nutzers und schätzt den „Treatment Effect“ ein – also im Wesentlichen, wie viel wahrscheinlicher es ist, dass sie etwas kaufen oder sich auf einen Job bewerben, speziell weil sie die Anzeige gesehen haben.
Zweitens enthält das System eine „neuronale Bandit“-Schicht. Denken Sie an diesen Teil als einen neugierigen Entdecker. In der Vergangenheit gerieten KI-Systeme oft in eine Endlosschleife, in der sie Anzeigen nur denjenigen zeigten, bei denen sie sich bereits sicher waren, dass sie klicken würden, wodurch sie neue Möglichkeiten verpassten. Dieser Entdecker-Teil des Systems ist bereit, kleine Risiken einzugehen, um Neues auszuprobieren, und stellt so sicher, dass er potenzielle Kunden nicht übersieht, die noch nicht getestet wurden. Er nutzt einen cleveren mathematischen Trick namens „Laplace-Approximation“, um zu schätzen, wie unsicher er sich bei seinen Vorhersagen ist, was ihm ermöglicht, sicher zu explorieren.
Drittens, und vielleicht am wichtigsten, gibt es eine Schicht aus „groß angelegter linearer Programmierung“. Dies ist der strenge, aber faire Manager. Selbst wenn der Detektiv den perfekten Kandidaten findet und der Entdecker eine neue Strategie ausprobieren möchte, muss der Manager sicherstellen, dass sie nicht gegen die Regeln verstoßen. Das Unternehmen hat ein begrenztes Budget, ein Limit für die Häufigkeit, mit der eine Person kontaktiert werden darf, und das Bedürfnis, verschiedene Arten von Menschen fair zu erreichen. Diese Schicht löst ein riesiges mathematisches Rätsel, um die Anzeigen perfekt innerhalb dieser Grenzen zu verteilen, sodass kein Geld verschwendet wird und niemand unfair vernachlässigt wird.
Um zu testen, ob dieses neue System tatsächlich funktioniert, führten die Teamleiter Simulationen durch und führten dann ein reales Experiment mit dem Marketing-Traffic von LinkedIn durch. In den Simulationen verglichen sie ihre neue „kausale“ Methode mit älteren Methoden, die lediglich vorhersagten, wer klicken würde. Die Ergebnisse waren eindeutig: Das neue System fand wertvollere Zielgruppen und gab weniger Geld aus, um die gleichen Ergebnisse zu erzielen. Aber die wahre Magie geschah im Live-Test. Als sie das neue System acht Wochen lang gegen das alte Standardsystem laufen ließen, lieferte es einen statistisch signifikanten Lift von +7,20 % beim primären langfristigen Wertmetrik. Das bedeutet, das Unternehmen konnte deutlich mehr Wert aus seinem Marketingbudget ziehen, ohne mehr Geld auszugeben.
Das Paper hebt auch praktische Lektionen hervor, die beim Aufbau dieses Systems in der realen Welt gelernt wurden. Sie fanden heraus, dass ein intelligentes Modell allein nicht ausreicht; man muss extrem vorsichtig bei der Aufbereitung der Daten sein und die Art und Weise, wie die Anzeigen tatsächlich ausgespielt werden, kontrollieren. Wenn das neue System beispielsweise entscheidet, jemandem keine Anzeige zu zeigen (weil es glaubt, dass sich seine Meinung nicht ändern würde), das alte System dies jedoch getan hätte, muss man sicherstellen, dass man Äpfel nicht mit Birnen vergleicht. Sie entwickelten spezielle Werkzeuge, um sicherzustellen, dass die Testgruppen perfekt aufeinander abgestimmt waren, damit die Ergebnisse fair sind.
Kurz gesagt zeigt dieses Paper, dass durch die Verschiebung des Fokus von „Wer wird handeln?“ zu „Wer wird wegen uns handeln?“ und durch die Kombination von kluger KI mit striktem Budgetmanagement Unternehmen ihr Marketing wesentlich effektiver gestalten können. Es geht nicht nur darum, es bei jedem lauter zu rufen; es geht darum, die richtige Botschaft zur richtigen Zeit an die richtige Person zu flüstern, Ressourcen zu sparen und den Wert für alle Beteiligten zu steigern.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.