bts防弹少年团演唱会

bts防弹少年团演唱会

智能代理:A.I.优化视图

《智能代理:A.I.优化视图》

作为数字分析师或营销人员,您了解分析决策的重要性。

去任何行业会议,博客,见面,甚至只是阅读流行的新闻,你会听到和看到机器学习,人工智能和预测分析等各种主题。

因为我们中的许多人不是来自技术/统计背景,所以这可能有点混乱和令人生畏。

但是,不要冒汗,在这篇文章中,我将尝试通过引入一个简单而强大的框架 – 智能代理 – 来解决一些混乱,这将有助于将这些新想法与熟悉的工具和概念(如A / B测试和优化。

注意:智能代理框架被用作Russell和Norvig优秀文本的指导原则 %E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%EF%BC%9A%E7%8E%B0%E4%BB%A3%E6%96%B9%E6%B3%95“>- 这是一本很棒的书,我建议任何想要了解更多知识的人去获取副本或查看他们的 %E5%9C%A8%E7%BA%BFAI%E5%BD%93%E7%84%B6“>。

什么是智能代理?

您可以将代理视为具有特定任务的自主角色或决策者。 最初,我们的代理人可能不是很擅长其任务。 但随着时间的推移,它会尝试根据某些特定目标或目标来改善其表现。

示例:Roomba

《智能代理:A.I.优化视图》

例如,考虑Roomba。 它的任务是清洁地板,并希望在最短的时间内完成任务。

我将争辩说,优化您的网站,移动应用程序,呼叫中心或任何交易营销应用程序,可以被认为与机器人试图学习在最短的时间内清理地板的方式相同。

通过在Web优化和智能代理(特别是软件代理)之间建立联系,我们可以利用AI和机器学习的方法和思想,并将它们应用到我们的营销优化问题中。

智能代理的基础知识

让我们来看看智能代理及其环境的基本组件,并介绍主要元素。

《智能代理:A.I.优化视图》

首先,我们在左侧拥有代理,在右侧拥有环境。 您可以将环境视为代理商“生活”的地方,并将其视为实现其目标的业务。

房间是Roomba的环境。 您的网络应用程序位于由用户组成的环境中,这是一个比房间更复杂,更动态的地方,但一般概念保持不变。

什么是目标和奖励?

目标是代理商想要实现的目标,以及它正在努力实现的目标。 当代理人实现目标时,它会根据目标的价值获得奖励。 这与%E5%AD%A6%E4%B9%A0%E7%90%86%E8%AE%BA%E4%B8%AD%E7%9A%84%E7%A7%AF%E6%9E%81%E5%BC%BA%E5%8C%96%E7%9B%B8%E5%90%8C%E3%80%82″>

鉴于代理具有一组目标和允许的操作,代理的任务是了解每种情况应采取的操作 – 所以它“看到”,“听到”,“感觉”等等。

假设代理人试图在一段时间内最大化其目标的总价值,那么它需要选择最大化该值的动作,对于它可以进行的每个不同的观察。

为了弄清楚如何最好地执行其任务,代理程序采取以下两个基本步骤::

  • 行动第一
    • 观察环境以确定其当前情况。 您可以将其视为数据收集,因此我们通常在Web分析中执行此操作。
    • 从允许的操作集合中预测要执行的最佳下一个操作。
    • 采取行动。
  • 然后从行动中学习
    • 再次观察环境,看看我们行动的影响。
    • 评估影响的好坏 – 它是否导致了目标? 如果没有,我们是否比我们采取行动之前更接近或远离目标?
    • 根据行动“移动”代理接近或远离目标的程度来更新预测模型。

通过重复此过程,代理可以了解哪些操作在每种情况下都最有效。

可以学习的软件代理是机器学习。

开始理解或思考机器学习的好方法是考虑智能代理。
“智能代理”从最初一无所知到能够在其任务中表现良好的过程就是机器学习的过程。

正如%E6%B1%A4%E5%A7%86%C2%B7%E7%B1%B3%E5%88%87%E5%B0%94” mitchell> )所说,更为正式的是,据称计算机程序可以从某些任务和绩效衡量方面的经验中学习,如果通过绩效指标衡量,其在任务中的表现会随着经验而提高。

因此,通过这种方式,机器学习不仅仅是“数学”,而且实际上是从经验和环境中学习以改进,适应和优化行动的过程。

智能代理的两个任务

智能代理有两个相互关联的任务 – 学习和控制。
事实上,所有在线测试和行为定位工具都可以被认为是由这两个主要组成部分组成:

  • 学习/预测器组件
  • 控制器组件。

控制器工作是采取行动,它最终决定在每种情况下采取什么行动。
学习者的任务是预测环境如何响应控制器的动作。

您可以将学习者视为控制器的一种顾问,为控制器提供有关每个可能操作的建议。

啊,但我们有一点问题 – 代理商的主要目标是获得尽可能多的奖励。 但是,为了做到这一点,需要弄清楚在每种环境情况下应采取的行动。

输入:探索与利用困境

《智能代理:A.I.优化视图》

对于每项任务,我们需要尝试每种可能的操作,以确定哪种方法最有效。 当然,为了取得最大的整体成功,应该尽可能少地采取表现不佳的行动。

这导致了选择预测的高价值行动的愿望与尝试看似次优但被探索的行动的需要之间的内在张力。 这种紧张关系通常被称为“探索与利用”之间的权衡,是不确定环境中优化的一部分。 真的,这是有机会成本学习(OCL)。

为探索/利用权衡取舍提供一些背景,考虑熟悉的A / B优化方法。

《智能代理:A.I.优化视图》

该应用程序通过首先将不同用户随机暴露于不同的A / B处理来运行A / B测试。 应用程序收集有关每种治疗的信息的初始阶段可以被认为是探索期。 然后,在达到某个预定义的统计阈值后,一个处理被宣布为“获胜者”,因此被选择为默认用户体验的一部分。 这是漏洞利用期,因为应用程序正在利用其学习,以提供最佳的用户体验。

AB /多变量测试代理如何执行这些任务?

《智能代理:A.I.优化视图》

在AB测试的情况下,学习和控制器组件都相当简单。 控制器选择动作的方式是随机选择其中一个(通常来自均匀分布 – 所有动作都有相同的选择机会。)

学习组件是A / B测试报告( p%E5%80%BC“>

为了利用学习,我们需要人工分析师根据测试结果进行调解,以对控制器的动作选择策略进行适当的调整。 通常这意味着分析师将选择其中一个测试选项为“获胜者”,并将其余部分从考虑中删除。

我们可以采取下一步,并自动执行此过程,以消除人员直接参与的需要(当然,仍然需要分析师审查进度)。 这些方法被称为自适应动态编程或强化学习,其中%E5%A4%9A%E8%87%82%E5%BC%BA%E7%9B%97%E6%98%AF%E7%89%B9%E5%AE%9A%E7%B1%BB%E5%9E%8B%E7%9A%84%E9%97%AE%E9%A2%98%E3%80%82″>

定位代理商

也许你称之为定位,细分或个性化,但无论你怎么称呼它,这个想法都是不同的人获得不同的体验。 使用智能代理框架,定位实际上就是我们如何精细化我们定义代理所处的环境。

让我们重新访问A / B测试代理,但是为它添加一些用户段。

《智能代理:A.I.优化视图》

您可以看到分段代理的不同之处在于其环境稍微复杂一些。 与之前不同的是,AB测试代理在采取行动后只需要了解转换(奖励),现在还需要“看到”并跟踪用户细分。

定位或测试? 这是错误的问题

请注意,通过添加基于细分的定位,我们仍需要一些方法来确定要采取的操作。

因此,定位不是测试的替代方案,反之亦然。 定位就是在您使用更复杂的环境来解决优化问题时。 您仍需要评估并选择操作。 不应将定位和测试混淆为竞争方法 – 它们实际上只是更普遍问题的不同部分。

啊,你可以说,’嘿,这只是A / B测试与细分,而不是预测目标。 真正的定位使用高级数学 – 这是完全不同的事情。

实际上,不是真的。

让我们看一下另一个定位代理,但这一次,而不是几个用户群,我们有一堆用户功能。

《智能代理:A.I.优化视图》

现在,环境由许多单独的信息组成,因此可能存在数百万甚至数十亿可能的独特组合。

嗯,尝试在这里运行标准的A / B风格测试会有点棘手。 太多可能的微细分段只是在数十亿个细胞的大表中列举它们。 如果你这样做了,你将没有足够的数据来学习任何东西,因为你的微细分段数比实际用户多很多 – 所以大多数细分市场的用户历史都是零。

实际上这并不是一个太大的问题,因为我们可以使用数学函数(模型)来近似观察到的目标特征与每个动作的预测值之间的关系,而不是将我们的目标设置为一个大的查找表。 这就是我们进入预测分析这个词的地方。

预测分析:将观察到的用户特征映射到操作

《智能代理:A.I.优化视图》

预测模型的使用允许我们在不完全相同但具有一些类似特征的观察中概括或共享学习。 通过这种信息共享,我们可以对新客户群体进行更加可靠的预测,即使对于我们之前从未见过的受众群体也是如此。 此外,预测分析可以通过确定在做出决策时我们应该考虑哪些用户特征来帮助我们进一步简化。

因此,测试是了解特定营销干预/体验的表现的过程。 预测分析采用此测试数据并混合用户属性数据,以有效地发现每个用户的每个营销活动的性能。

然后,预测分析输出预测模型,然后将其用于具有最高预测值经验的用户,特别是针对他们。 这些步骤的持续应用是机器学习和优化的一种形式。

我不能在这里做正确的预测分析,所以对于任何想要了解更多的人, %E6%88%91%E5%BB%BA%E8%AE%AE%E6%9F%A5%E7%9C%8BIain” murray> 。

结论

试图跟踪,看看所有新的(而不是那么新的)分析方法如何组合在一起可能会非常混乱。 幸运的是,我们可以借鉴人工智能(和经济学)领域的智能代理框架,它可以帮助我们组织和理解这些方法如何相互关联。

就个人而言,我发现智能代理思维方式最强大的是,它将“数据”从其崇高地位中删除。

数据优先思维方式没有提供思考如何解决问题的自然方式,也没有提供关于我们应该如何收集或评估数据的指南。 智能代理的思维方式提供了解决形式主义的整个问题,迫使我们首先阐明我们的目标以及我们可以采取的实现这些目标的可能行动。 只有在完成这项工作之后,我们才能设定有效收集数据的任务,这将有助于我们发现最佳的前进方向。

如果您想了解有关智能代理的更多信息,以及如何将它们应用于优化, %E8%AF%B7%E6%9F%A5%E7%9C%8BConductrics%E7%9A%84%E5%8D%9A%E5%AE%A2“>

相关文章

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注