Co jsou kontextuální bandité?

Kontextové bandity jsou varianta algoritmů multi-armed bandit, kde v každém kroku algoritmus obdrží určitý kontext (například informace o uživateli nebo prostředí) a musí vybrat akci (například zobrazit reklamu nebo doporučit produkt), aby maximalizoval očekávanou odměnu. Na rozdíl od klasických banditů, kde je volba provedena bez ohledu na kontext, zde se zohledňuje dodatečná informace, což umožňuje efektivnější přizpůsobení různým situacím.

Příklad použití je personalizace doporučení: systém vidí profil uživatele (kontext) a vybírá nejlepší možnost obsahu (akci), přičemž dostává zpětnou vazbu (odměnu) ve formě kliknutí nebo nákupu. To pomáhá provádět efektivnější A/B testy a experimentovat s různými možnostmi, minimalizujíc ztráty z neúspěšných doporučení.