🤖 AI

Three-in-One World Model: Energy-Based Consistency, Prediction, and Counterfactual Inference for Marketing Intervention

Este artigo propõe uma arquitetura de modelo de mundo Três-em-Um que integra uma Máquina de Boltzmann Profunda para aprender representações de crença congeladas com adaptadores específicos de tarefa para alcançar simultaneamente avaliação de consistência baseada em energia, previsão de resultados e inferência contrafactual, demonstrando desempenho superior na recuperação de efeitos de tratamento heterogêneos e na penalização de trajetórias contrafactuais implausíveis em comparação com as linhas de base existentes.

Autores originais: Junichiro Niimi

Publicado 2026-05-11

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Junichiro Niimi

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando entender por que um cliente específico compra um produto específico. Geralmente, os modelos de marketing atuam como um adivinho: eles olham para o passado e adivinham o futuro. Mas frequentemente perdem o porquê de o cliente ter feito aquela escolha ou o que teria acontecido se você tivesse oferecido um acordo diferente.

Este artigo propõe um novo tipo de "cérebro de marketing" chamado Modelo de Mundo Três-em-Um. Pense nele não como um adivinho, mas como um simulador que constrói uma compreensão profunda e interna de como a mente de um cliente funciona e, em seguida, usa essa compreensão para fazer três coisas ao mesmo tempo.

Veja como funciona, dividido em partes simples:

1. O "Cérebro Congelado" (A Máquina de Boltzmann Restrita)

Imagine que você tem um cérebro muito inteligente e pesado (a MBR) que estuda o histórico completo de um cliente: sua idade, renda, o que comprou na semana passada e quais cupons viu.

O que faz: Ele digere todas essas informações e forma uma "crença" sobre quem esse cliente realmente é no fundo. Aprende traços ocultos, como quão sensível ele é ao preço ou o quanto ama promoções.
O "Congelamento": Uma vez que esse cérebro aprende a personalidade do cliente, ele congela. Ele não muda mais. Torna-se um mapa estável e inalterável de quem aquele cliente é.

2. As "Ferramentas Leves" (Os Adaptadores)

Acopladas a esse cérebro congelado estão pequenas ferramentas leves (chamadas Adaptadores). São como diferentes chapéus que o cérebro pode usar para diferentes trabalhos. Como o cérebro está congelado, você pode trocar esses chapéus para dentro e para fora sem bagunçar a memória do cérebro.

Chapéu 1: O Preditor. Esta ferramenta olha para a "crença" do cliente e pergunta: "Se mostrarmos um cupom hoje, eles visitarão a loja?" Ela prevê o resultado.
Chapéu 2: O Verificador da Realidade. Esta ferramenta usa a pontuação interna de "energia" do cérebro. Se um cenário parecer estranho ou impossível (como um cliente comprando 100 itens mas nunca tendo visto uma promoção), o cérebro diz: "Isso não faz sentido", e aplica uma alta penalidade de "energia". É como um detector de mentiras para cenários de marketing.

3. A Máquina do "E Se?" (Inferência Contrafactual)

Este é o superpoder do artigo. Geralmente, você só pode ver o que realmente aconteceu. Você não pode voltar no tempo para ver o que teria acontecido se tivesse oferecido um preço diferente.

Como este modelo faz isso: Como a "crença" (a personalidade do cliente) está congelada, você pode manter o cliente exatamente o mesmo, mas trocar a ação.
A Analogia: Imagine um videogame. Você pausa o jogo (congela a crença). Você pergunta ao jogo: "O que acontece se eu apertar o botão 'Comprar'?" Então, sem alterar as estatísticas do personagem, você pergunta: "O que acontece se eu apertar o botão 'Não Comprar'?"
O Resultado: O modelo pode calcular instantaneamente a diferença entre esses dois cenários. Isso diz a você o verdadeiro "ganho" de uma intervenção de marketing (por exemplo: "Este cupom específico fez esta pessoa específica comprar, não apenas porque ela já ia comprar de qualquer maneira").

Por que isso é melhor do que o jeito antigo?

O artigo testou isso contra outros métodos populares (como "S-learners" ou "Florestas Causais") usando um mundo simulado onde os pesquisadores conheciam as respostas "verdadeiras".

O Problema com os outros: Quando os clientes são complicados (por exemplo, pessoas ricas que amam liquidações), outros modelos ficam confusos. Eles misturam o amor natural do cliente por compras com o efeito do cupom.
O Vencedor: O modelo "Três-em-Um" foi muito melhor em desemaranhar esses nós. Ele identificou corretamente que um cupom funcionou para uma pessoa, mas não para outra, mesmo quando os dados estavam bagunçados.

O Teste de "Energia"

O artigo também mostrou que a pontuação de "energia" do modelo atua como um medidor de plausibilidade.

Se você tentar enganar o modelo dizendo: "Este cliente comprou muitos itens caros, mas nunca viu um único anúncio", a "energia" do modelo dispara. Ele diz: "Isso é impossível!"
Crucialmente, o modelo sabe por que é impossível com base nos traços ocultos do cliente. Se um cliente tem uma alta "preferência base" (eles simplesmente amam a marca), o modelo fica menos surpreso com uma compra sem promoção. Se eles não amam a marca, o modelo fica muito suspeito.

Resumo

Em resumo, este artigo constrói um modelo de marketing que:

Aprende a personalidade oculta de um cliente e a congela.
Prevê o que eles farão a seguir.
Verifica se uma história sobre um cliente faz sentido.
Simula cenários de "E se?" para ver o verdadeiro poder de uma campanha de marketing, separando os hábitos naturais do cliente do efeito real do anúncio.

É como ter um simulador que permite que você execute um milhão de experimentos de "E se?" na sua mente antes de gastar um único dólar em publicidade.

Resumo Técnico: Modelo de Mundo Três-em-Um para Intervenção de Marketing

1. Declaração do Problema

Decisões de marketing envolvem interações complexas entre heterogeneidade latente do consumidor, estados internos que variam no tempo e intervenções explícitas. Modelos atuais orientados à previsão (por exemplo, MLPs padrão) e modelos orientados à linguagem (por exemplo, LLMs) falham em capturar essa estrutura de maneira unificada. Especificamente:

LLMs dependem da previsão do próximo token, carecendo de mecanismos explícitos para raciocínio causal ou representação interna do mundo.
Modelos de Mundo Existente em marketing (por exemplo, abordagens baseadas em DBM) foram limitados à co-ocorrência estática, incapazes de modelar dinâmicas que variam no tempo ou avaliar a consistência de trajetórias temporais.
Métodos de Inferência Causal (por exemplo, aprendizes S-, T-, X-, DR-, Florestas Causais) frequentemente lutam para recuperar efeitos de tratamento heterogêneos (CATE) quando a atribuição do tratamento está confundida com traços latentes do consumidor, pois tipicamente estimam resultados em vez de isolar efeitos de tratamento através de contrastes contrafactuais.

O artigo aborda a necessidade de uma estrutura unificada que suporte avaliação de consistência, previsão de resultados e inferência contrafactual dentro de uma única arquitetura capaz de desentrelaçar traços latentes.

2. Metodologia

Os autores propõem uma arquitetura de Modelo de Mundo Três-em-Um baseada em uma Máquina de Boltzmann Profunda (DBM) combinada com adaptadores leves e específicos para tarefas.

Componentes da Arquitetura:

Modelo de Mundo (DBM Congelado): Uma DBM Bernoulli–Bernoulli com camadas ocultas empilhadas (64–32–16) serve como núcleo.
- Camada Visível: Contém dados demográficos estáticos, características de calendário e estados que variam no tempo atrasados (recente visita/compra, contagens cumulativas) e ações/resultados atrasados (últimos 4 períodos). Crucialmente, o vetor de ação do período atual é excluído da camada visível.
- Treinamento: A DBM é treinada em duas etapas: pré-treinamento ganancioso camada a camada de RBMs seguido de ajuste fino conjunto usando divergência contrastiva persistente.
- Representação de Crença: Após o treinamento, a DBM é congelada. O vetor de "crença" é formado pela concatenação das ativações de campo médio de todas as camadas ocultas. Essa representação captura o estado do consumidor independente da intervenção atual.
Adaptadores Específicos para Tarefas: MLPs leves são treinados sobre a crença congelada.
- Entrada: A concatenação do vetor de crença congelado e o vetor de ação do período atual.
- Função: Esses adaptadores mapeiam o par estado-ação para resultados a jusante (por exemplo, probabilidade de visita ou compra).

Três Tarefas Integradas:

Avaliação de Consistência Baseada em Energia: A energia livre da DBM ( $F(v)$ ) pontua a plausibilidade de uma trajetória de entrada. Baixa energia indica uma configuração plausível de dados demográficos, histórico e comportamento; alta energia sinaliza cenários implausíveis.
Previsão de Resultados: Adaptadores preveem resultados (visita/compra) com base no estado de crença e na ação atual.
Inferência Contrafactual: Para estimar o Efeito Médio de Tratamento Condicional (CATE), o vetor de crença é mantido fixo (representando o estado do consumidor) e a entrada de ação atual no adaptador é alternada (por exemplo, de 0 para 1). A diferença nos resultados previstos gera uma estimativa de efeito de tratamento em nível individual.

3. Configuração Experimental

O modelo foi avaliado usando uma simulação controlada onde traços latentes da verdade fundamental eram conhecidos:

Dados: 1.024 consumidores sintéticos ao longo de 365 dias.
Parâmetros Latentes: Cada consumidor tinha sensibilidade ao preço conhecida ( $\alpha$ ), resposta à promoção conhecida ( $\gamma$ ) e preferência base conhecida ( $\beta$ ).
Confusão: $\alpha$ e $\beta$ foram negativamente confundidos via renda/idade; $\gamma$ e $\beta$ foram positivamente confundidos via lealdade.
Baselines: O "Adaptador de Crença" proposto foi comparado contra:
- Uma forte baseline MLP (treinada de ponta a ponta em características brutas).
- Meta-aprendizes: aprendizes S-, T-, X- e DR-.
- Floresta Causal.

4. Resultados Chave

A. Consistência Baseada em Energia

A DBM penalizou com sucesso trajetórias contrafactuais que eram implausíveis dado o histórico do consumidor. Especificamente, fixar uma trajetória para mostrar "compras sem exposição promocional recente" resultou em uma energia livre significativamente mais alta (menor plausibilidade) em comparação com trajetórias observadas.
A penalidade ( $\Delta F$ ) foi heterogênea: consumidores com alta preferência base latente ( $\beta$ ) receberam uma penalidade menor do que aqueles com baixo $\beta$ , demonstrando que a paisagem de energia reflete traços latentes aprendidos a partir de dados demográficos.

B. Desempenho de Previsão

O "Adaptador de Crença" igualou o desempenho da baseline MLP de ponta a ponta na previsão de visitas e compras (diferenças de AUC estavam dentro de $\pm 0,001$ ). Isso confirma que a redução de dimensionalidade da DBM não sacrificou o poder preditivo.

C. Recuperação de CATE (Inferência Contrafactual)

Intervenção Não Confundida (Impulso $\to$ Visita): O Adaptador de Crença alcançou a maior correlação de posto de Spearman ( $\rho = 0,625$ ) entre o CATE estimado e a verdadeira resposta à promoção ( $\gamma$ ), superando a melhor baseline de meta-aprendiz ( $\rho = 0,579$ ).
Intervenção Confundida (Venda $\to$ Compra): A vantagem foi mais pronunciada aqui. O Adaptador de Crença recuperou a verdadeira sensibilidade ao preço ( $\alpha$ $α$ ) com $\rho = 0,548$ $ρ = 0, 548$ . Em contraste, as baselines padrão lutaram significativamente:
- Aprendiz T: $\rho = 0,161$
- Floresta Causal: $\rho = 0,040$
- Aprendiz X: $\rho = 0,123$
- Aprendiz DR: $\rho = -0,016$
O adaptador também exibiu a correlação negativa esperada com o parâmetro de confusão ( $\beta$ ), sugerindo que confiou no sinal latente correto em vez de atalhos.

5. Significado e Alegações

O artigo alega que a arquitetura proposta fornece um substrato unificado para intervenção de marketing que supera limitações específicas das abordagens atuais:

Desentrelaçamento: A representação de crença da DBM desentrela com sucesso traços latentes (sensibilidade ao preço, resposta à promoção, preferência base) em uma forma que sobrevive a consultas contrafactuais.
Modularidade: Ao congelar o modelo de mundo e treinar apenas adaptadores leves, a estrutura evita o esquecimento catastrófico ao adicionar novas tarefas.
Robustez Causal: Diferentemente de meta-aprendizes padrão que operam em características brutas, o mecanismo de "crença congelada + ação variável" permite uma recuperação mais fiel de efeitos causais heterogêneos, particularmente em cenários com atribuição de tratamento confundida.
Consistência Temporal: Diferentemente de aplicações anteriores de DBM estáticas, este modelo avalia a consistência de trajetórias estendidas no tempo, não apenas co-ocorrências estáticas.

Limitações Reconhecidas pelos Autores:

Os resultados são baseados em uma única semente de simulação e processo de geração de dados; replicação é necessária para caracterizar a variância.
A análise baseada em energia examinou uma única configuração de fixação contrafactual.
O estudo está restrito a uma única categoria de produto e resultados binários; extensão para resultados contínuos e dados reais de teste A/B é trabalho futuro.
O artigo não alega resolver o aprendizado de política ótima (fechando o ciclo com um controlador), mas identifica isso como um próximo passo necessário.