概述
多臂老虎機是一個決策問題，您在收益未知的選項中反覆進行選擇，並邊走邊學習，平衡探索新選項和利用找到的最佳選項。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。
深入探討
這個名字來自於一名賭徒面對幾台老虎機（單臂強盜），每台老虎機的勝率都未知，他希望在多次抽獎中獲得最大的獎勵。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。績效是透過遺憾來衡量的，即你的獎勵與始終選擇真正最好的手臂之間的累積差距；好的演算法所實現的遺憾僅隨輪數呈對數增長。經典策略包括 epsilon-greedy（利用，但以小機率隨機探索）、上置信界限（選擇具有最高樂觀估計的手臂）和湯普森採樣（從每個手臂的後驗信念中採樣並扮演獲勝者）。上下文强盗通过使用情况特征进行选择来扩展这一点。
技術洞察
UCB 體現了「不確定性下的樂觀」：它為每個臂的平均獎勵添加了置信度獎勵，大致為 (2 ln t over n_i) 的平方根，其中 t 是輪次，n_i 是嘗試臂 i 的次數。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。
掌握多臂強盜
多臂老虎機是一個決策問題，您在收益未知的選項中反覆進行選擇，並邊走邊學習，平衡探索新選項和利用找到的最佳選項。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。為了建立深入的理解，請將 Multi-Armed Bandits 視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
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。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
新聞網站使用 bandits 來決定顯示哪個標題變體，從而快速將流量轉移到點擊次數最多的版本。
網路廣告平台透過湯普森採樣在廣告素材之間分配展示次數，以最大限度地提高點擊率，同時仍測試新廣告。
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。
實施模式
實踐中的多臂強盜
新聞網站使用 bandits 來決定顯示哪個標題變體，從而快速將流量轉移到點擊次數最多的版本。
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。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的多臂強盜
網路廣告平台透過湯普森採樣在廣告素材之間分配展示次數，以最大限度地提高點擊率，同時仍測試新廣告。
網路廣告平台透過湯普森採樣在廣告素材之間分配展示次數，以最大限度地提高點擊率，同時仍測試新廣告。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
實踐中的多臂強盜
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。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
實踐中的多臂強盜
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。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。