في عالم الإعلانات الرقمية، تعتبر المزايدة التلقائية (Auto-bidding) أداة حيوية لتحسين أداء الحملات الإعلانية. ومع التطور المستمر في تكنولوجيا الذكاء الاصطناعي، تم تقديم أساليب ناجحة للتعامل مع المزايدة التلقائية، منها تقنية المزايدة التلقائية المدعومة بالذكاء الاصطناعي (AIGB) التي تعتمد على تخطيط شرط توليدي من بيانات سابقة.

لقد أسفرت الأبحاث الأخيرة عن نتائج مشجعة، حيث أظهرت AIGB تفوقاً على الأساليب التقليدية المعتمدة على التعلم المعزز (Reinforcement Learning) في المزايدة التلقائية. ومع ذلك، كان على هذه الأساليب مواجهه إشكالية تتعلق بالاستكشاف المحدود ضمن مجموعة بيانات ثابتة، مما كبح جماح الأداء.

لحل هذه المشكلة، تم اقتراح طريقة جديدة تعرف بـ AIGB-Pearl، والتي تعني التخطيط القائم على التقييم عبر التعلم المعزز. تعتمد هذه التقنية على إنشاء مُقَيِّم للمسارات (trajectory evaluator) يمكنه تقييم جودة الدرجات المولَّدة. بالإضافة إلى ذلك، تتضمن AIGB-Pearl خطة لتطوير نظام تعلم آمن وفعال يمكّن من الاستكشاف الفعّال خارج مجموعة البيانات المحددة.

يتمثل جوهر AIGB-Pearl في تصميم مخطط للتعظيم المتسق للدرجات، ما يضمن اكتشافاً آمناً وفعّالاً للبيانات. تم تطوير خوارزمية عملية تتضمن تقنية الاقتران المتزامن (synchronous coupling technique) لضمان انتظام النموذج المطلوب من قبل المنهج المطروح.

تُظهر التجارب الواسعة على أنظمة الإعلانات الحقيقية والمحاكاة الأداء المتميز لهذه الطريقة الجديدة، مما يفتح آفاقاً مبتكرة في مجال الإعلان الرقمي.