آیا میدانستید در پلتفرمهای بزرگی مثل JD.com، روزانه صدها میلیارد درخواست تبلیغاتی پردازش میشود؟ فیلتر کردن تبلیغات بیکیفیت یا کلاهبرداری در این حجم عظیم، یک چالش بزرگ است.
محققان در مقاله جدیدی از چارچوب «UMDA» رونمایی کردهاند که به طور خاص برای مدلسازی عدم قطعیت در سیستمهای حراج بلادرنگ (RTA) طراحی شده است. این روش با دو نوآوری کلیدی همراه است:
1️⃣ حل مشکل عدم تعادل دادهها: با ترکیب اهداف مرتبط، ابهام در پیشبینیها را به حداقل میرساند.
2️⃣ بهینهسازی سرعت (Distillation): انتقال دانش از یک مدل سنگین به یک مدل سبکتر، هزینههای پردازش را تا ۱۰ برابر کاهش داده است، بدون اینکه دقت فدا شود.
این دستاورد نشان میدهد چطور تکنیکهای پیشرفته هوش مصنوعی میتوانند زیرساختهای عظیمِ تجاری را بهینه و ایمنتر کنند. 💡
منبع: arXiv Machine Learning