在 AWS 上使用上下文老虎机通过个性化提升获客漏斗的转化率 | Amazon Web Services

📌 One-Sentence Summary

Amazon Payments 分享了如何在 Amazon SageMaker 上使用多目标上下文老虎机（特别是 LinUCB）来实现整个客户获客漏斗的个性化。

📝 Summary

本文详细介绍了如何实现上下文多臂老虎机（MAB）以解决生成式 AI 个性化中的选择挑战。与标准的 A/B 测试不同，老虎机能够实时平衡探索与利用。该团队采用多目标方法来优化三个阶段——申请开始、提交和审核，从而防止了某一阶段的优化导致另一个阶段的性能下降。文章涵盖了使用 SageMaker AI 批处理的 AWS 架构、LinUCB 算法逻辑，以及审查内容构建块以确保大规模场景下品牌一致性的策略。

💡 Main Points

上下文老虎机 vs 传统的 A/B 测试

A/B 测试需要等待测试结束，而老虎机在提供服务的同时不断学习，使其成为生成式 AI 产生的高波动环境的理想选择。

针对漏斗的多目标优化

通过结合漏斗多个阶段（开始、提交、审核）的评分，该系统避免了因优化高点击率而导致低质量转化的「跷跷板问题」。

用于算法效率的 LinUCB

选择 Linear UCB 是因为其具有计算效率、确定性选择（可审计性），以及通过特征级上下文向量泛化到新访问者的能力。

用于扩展的批处理架构

使用 SageMaker AI 处理作业每周更新模型，并将结果存储在 DynamoDB 中，可以实现低延迟服务，同时避免了实时推理的成本和复杂性。

💬 Key Quotes

利用（提供当前最佳臂）与探索（尝试不确定性较高的臂以收集证据）之间的根本权衡。

上下文老虎机直接条件于特征向量（属性的数值表示），因此在一种种语境下学习到的模式可以转移到每一次类似的访问中。

孤立地优化一个阶段可能会损害另一个阶段。

老虎机的效果取决于臂池的质量。

📊 Article Meta

AI Screening： 90

Source： AWS Artificial Intelligence

Author： Chidi Prince John

Category： 人工智能

Language： 英文

Read Time： 13 min

Word Count： 3162

Tags：

AWS , AI Agents , Machine Learning , Reinforcement Learning , Personalization