في دراسة جديدة منشورة، يكشف الباحثون عن نموذج جديد يُعرف بإسم **UTTSI (Uncertainty-Triggered Test-Time Selective Inference)**، الذي يعد بمثابة اختراق في طريقة تقييم توقعات النقر. هذا النموذج لا يعتمد على التدريب التقليدي، بل يمكنه التكيف مع عدم اليقين الموجود في البيانات بطريقة مبتكرة.
نموذج UTTSI؟">كيف يعمل نموذج UTTSI؟
تظهر التحديات عادة بسبب التباين بين المجموعات الممثلة جيدًا في التدريب، والتي تُنتج توقعات واضحة، وبين المجموعات الأقل تمثيلاً، التي قد تُنتج نتائج غير موثوقة. يعالج نموذج UTTSI هذه المشكلة من خلال استخدام تقدير ثنائي الإشارة يجمع بين ثقة النموذج ومعلومات سابقة على مستوى البيانات، مما يساعد في تصنيف عدم اليقين.
عند تطبيق هذا النموذج، يخضع كل إدخال لعملية تصفية ديناميكية، حيث يتم إزالة التضمينات غير الموثوقة. وهذا يعني أن الإدخالات غير المعروفة تمر بمسارات استكشاف عشوائية، بينما يتم تقييم الإدخالات الواثقة بشكل أسرع وأكثر كفاءة. لذا تبقى التكلفة التشغيلية تقريبًا 2.8 مرة من تكلفة النموذج الأساسي، مع عدم تغيير زمن الانتظار في أسوأ الحالات.
الأداء">النتائج واختبارات الأداء
أظهرت التجارب على أربع مجموعات بيانات مع ثلاث هياكل أساسية تحقيق مكاسب ملحوظة إحصائيًا، حيث تم دعم هذه النتائج من خلال اختبار A/B عبر الإنترنت على مدى سبعة أيام، والذي أظهر زيادة بنسبة 5.3% في معدل النقر نسبياً. مما يبرز أهمية تخصيص الحساب الانتقائي كملحق فعال للابتكارات في مرحلة التدريب.
في النهاية، يمثل نموذج UTTSI خطوة جديدة نحو تحسين تجربة المستخدم وتقديم نتائج أفضل في توقعات النقر باستخدام الذكاء الاصطناعي.
ما رأيكم في هذا التطور؟ شاركونا في التعليقات!