پرامپت نویسی برای هوش مصنوعی مولد | پیشنهاد استفاده از شاخص EE

در درس سیستمهای توصیه‌گر گفتیم که این سیستم‌ها با چالش‌های بسیار زیاد و متنوعی روبه‌رو هستند. بخشی از بحث آنها از جنس ریاضی، فرمول و برنامه‌نویسی است. اما بخشی دیگر، به استراتژی سیستم مربوط می‌شود.

یکی از چالش‌های بسیار شناخته‌شده در سیستم‌های توصیه‌گر، مواجهه با دوگانهٔ کشف (explore) و بهره‌برداری (exploit) است. هر بار که مطلبی را در گوگل جستجو می‌کنید، مشغول گشت‌و‌گذار در آمازون یا دیجی‌کالا هستید، یا در اینستاگرام و توییتر می‌چرخید، این سیستم‌های توصیه‌گر به‌شدت درگیر استراتژی‌های دوگانهٔ کشف و بهره‌برداری هستند.

برای این‌که این دوگانه را بهتر درک کنید به این مثال فکر کنید:

بهره‌برداری: در حالت اول، از تمام دانشی که دربارهٔ ترجیحات مشتری و محصولات خود داشته‌اید استفاده کرده‌اید و پیشنهادهایی را ارائه کرده‌اید که تقریباً‌ مطمئن هستید پذیرفته خواهند شد. چون مبنای پیشنهاد شما، بهره‌برداری (exploitation) از اطلاعات قبلی‌تان دربارهٔ محصول و مشتری بوده، به این شیوهٔ پیشنهاد کردن «استراتژی بهره‌برداری» می‌گویند.

کشف: در حالت سوم، سعی کرده‌اید دنیای تازه‌ای را کشف کنید؛ هم برای خود و هم برای مشتری. برای مشتری از این جهت کشف محسوب می‌شود که پیش از این آن گزینه‌ها را نمی‌شناخته. برای شما هم اتفاق تازه‌ای است. چون می‌خواهید بخش ناشناخته‌ای از ذهن و سلیقهٔ مشتری را کشف کنید و بکاوید. پس طبیعی است که این شیوهٔ پیشنهاد کردن را استراتژی کشف (exploration) بنامیم.

ترکیب: حالت دوم ترکیبی از هر دو استراتژیِ کشف و بهره‌برداری است. یعنی زمان محدودی را که در اختیار داشته‌اید بین هر دو استراتژی تقسیم کرده‌اید.

تقریباً همهٔ سیستم‌های توصیه‌گر در انتخاب استراتژی خود با چنین چالشی روبه‌رو هستند.

هر یک از استراتژی‌ها کجا به‌کار می‌آیند؟

ترتیبی که متمم برای خواندن مطالب سری علم داده به شما پیشنهاد می‌کند: