Τι είναι οι περιβαλλοντικοί ληστές;

Οι συμφραζόμενοι bandits είναι μια παραλλαγή των αλγορίθμων πολλαπλών βραχιόνων bandit, όπου σε κάθε βήμα ο αλγόριθμος λαμβάνει ένα συγκεκριμένο συμφραζόμενο (π.χ. πληροφορίες για τον χρήστη ή το περιβάλλον) και πρέπει να επιλέξει μια ενέργεια (π.χ. εμφάνιση διαφήμισης ή σύσταση προϊόντος) για να μεγιστοποιήσει την αναμενόμενη ανταμοιβή. Σε αντίθεση με τους κλασικούς bandits, όπου η επιλογή γίνεται χωρίς να λαμβάνεται υπόψη το συμφραζόμενο, εδώ λαμβάνονται υπόψη πρόσθετες πληροφορίες, που επιτρέπουν πιο αποτελεσματική προσαρμογή σε διαφορετικές καταστάσεις.

Ένα παράδειγμα χρήσης είναι η προσωποποίηση συστάσεων: το σύστημα βλέπει το προφίλ του χρήστη (συμφραζόμενο) και επιλέγει την καλύτερη επιλογή περιεχομένου (ενέργεια), λαμβάνοντας ανατροφοδότηση (ανταμοιβή) με τη μορφή κλικ ή αγοράς. Αυτό βοηθά στην πιο αποτελεσματική διεξαγωγή δοκιμών A/B και στην πειραματική δοκιμή διαφορετικών επιλογών, ελαχιστοποιώντας τις απώλειες από αποτυχημένες συστάσεις.