概述
多臂老虎机是一个决策问题，您在收益未知的选项中反复进行选择，并边走边学习，平衡探索新选项和利用找到的最佳选项。它支持 A/B 测试、推荐和在线广告选择。
Multi-Armed Bandits 是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
这个名字来源于一名赌徒面对几台老虎机（单臂强盗），每台老虎机的胜率都未知，他希望在多次抽奖中获得最大的奖励。核心张力是探索与利用的权衡：继续拉看起来最好的手臂，或者对不确定的手臂进行采样以了解更多信息。绩效是通过遗憾来衡量的，即你的奖励与始终选择真正最好的手臂之间的累积差距；好的算法所实现的遗憾仅随轮数呈对数增长。经典策略包括 epsilon-greedy（利用，但以小概率随机探索）、上置信界限（选择具有最高乐观估计的手臂）和汤普森采样（从每个手臂的后验信念中采样并扮演获胜者）。上下文强盗通过使用情况特征进行选择来扩展这一点。
技术洞察
UCB 体现了“不确定性下的乐观”：它为每个臂的平均奖励添加了置信度奖励，大致为 (2 ln t over n_i) 的平方根，其中 t 是轮次，n_i 是尝试臂 i 的次数。很少拉动的手臂会获得大量奖励并被探索；充分采样的武器依赖于他们的估计。相反，汤普森采样维护每个臂的贝叶斯后验，并按每个臂最佳概率的比例进行探索。
掌握多臂强盗
多臂老虎机是一个决策问题，您在收益未知的选项中反复进行选择，并边走边学习，平衡探索新选项和利用找到的最佳选项。它支持 A/B 测试、推荐和在线广告选择。 Multi-Armed Bandits 是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将 Multi-Armed Bandits 视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用 Multi-Armed Bandits 的强大团队根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
新闻网站使用 bandits 来决定显示哪个标题变体，从而快速将流量转移到点击次数最多的版本。
在线广告平台通过汤普森采样在广告素材之间分配展示次数，以最大限度地提高点击率，同时仍然测试新广告。
适应性临床试验将更多患者分配到显示更好结果的治疗中，从而减少劣势手臂的暴露。
流媒体服务通过读取观看历史记录功能的上下文强盗来调整每个用户的推荐缩略图。
实施模式
实践中的多臂强盗
新闻网站使用 bandits 来决定显示哪个标题变体，从而快速将流量转移到点击次数最多的版本。
新闻网站使用 bandits 来决定显示哪个标题变体，快速将流量转移到获得最多点击量的版本。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的多臂强盗
在线广告平台通过汤普森采样在广告素材之间分配展示次数，以最大限度地提高点击率，同时仍然测试新广告。
在线广告平台通过汤普森采样在广告素材之间分配展示次数，以最大限度地提高点击率，同时仍然测试新广告。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
实践中的多臂强盗
适应性临床试验将更多患者分配到显示更好结果的治疗中，从而减少劣势手臂的暴露。
适应性临床试验为更多患者分配显示更好结果的治疗，减少劣质手臂的暴露。当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
实践中的多臂强盗
流媒体服务通过读取观看历史记录功能的上下文强盗来调整每个用户的推荐缩略图。
流媒体服务通过读取观看历史记录功能的上下文强盗来调整每个用户的推荐缩略图。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。