AWS पर संदर्भित बैंडिट्स का उपयोग करके अर्जन फनल में व्यक्तिगतकरण के साथ रूपांतरण को बढ़ाना
aws ·
यह लेख विस्तार से बताता है कि अमेज़न पेमेंट्स ने AWS पर एक बहु-उद्देश्यीय संदर्भित बैंडिट (multi-objective contextual bandit) सिस्टम लागू करके तीन-चरणीय उत्पाद अधिग्रहण फ़नल में व्यक्तिगतकरण को कैसे अनुकूलित किया। अमेज़न सैजमेकर AI के भीतर LinUCB का उपयोग करते हुए, टीम ने सामग्री चयन को स्थिर खंडों के बजाय व्यक्तिगत ग्राहक व्यवहार संकेतों पर आधारित किया। मॉडल ने आवेदन शुरू करना, जमा करना और स्वीकृति प्राप्त करना—इन तीनों को एक वजन वाले स्कोर संयोजन का उपयोग करते हुए समानांतर रूप से अनुकूलित किया, जिससे 'सीसॉ प्रॉब्लम' को संबोधित किया गया, जहाँ एक चरण का अनुकूलन दूसरे पर नकारात्मक प्रभाव डाल सकता था। तैनाती साप्ताहिक बैच प्रसंस्करण आर्किटेक्चर पर निर्भर थी जो देरी वाले फीडबैक के आधार पर मॉडल को अपडेट करती थी, और सेवा के लिए सुझावों को कम लैटेंसी वाले की-वैल्यू स्टोर में संग्रहीत किया जाता था। परिणामों में एक ग्राहक खंड के लिए अंतिम-फ़नल रूपांतरण में उच्च एक-अंकीय प्रतिशत की वृद्धि देखी गई, जबकि दूसरे खंड में कोई सुधार नहीं हुआ, जिसका कारण एल्गोरिदम की विफलता नहीं बल्कि अपर्याप्त सामग्री गुणवत्ता थी। लेखकों ने जोर दिया कि भले ही जनरेटिव AI रचनात्मक विविधताओं के भंडार को बढ़ाता है, लेकिन प्रत्येक आगंतुक के लिए सबसे प्रभावी विविधता का चयन करने के लिए संदर्भित बैंडिट आवश्यक हैं। प्रमुख सीख में सामग्री भंडार की व्यापक अन्वेषण के माध्यम से वैधता सुनिश्चित करना और मजबूत प्रदर्शन को सुनिश्चित करने के लिए A/B टेस्टिंग के साथ ऑफ़लाइन मूल्यांकन का उपयोग करना शामिल है।
aws