noun
Un bandit contextuel est un modèle d’IA qui équilibre exploration et exploitation pour optimiser les décisions en temps réel. Il apprend en testant différentes options et en s’ajustant en fonction des retours, comme une machine à sous qui s’adapte à vos préférences.
Il fonctionne en utilisant les interactions passées pour prédire la meilleure action dans une situation donnée, tout en essayant occasionnellement de nouvelles options pour découvrir de meilleures solutions. Cette approche est largement utilisée dans les systèmes de recommandation, la publicité ciblée et la personnalisation.
Pour les développeurs, cela change la manière de concevoir les boucles de rétroaction—nécessitant une collecte de données en temps réel et des algorithmes adaptatifs. Cela réduit la dépendance aux règles statiques, mais exige une surveillance attentive pour éviter de renforcer les biais. Par exemple, un service de streaming pourrait utiliser un bandit contextuel pour suggérer des vidéos, améliorant l’engagement des utilisateurs de 15 % par rapport aux méthodes traditionnelles.
Une application de shopping utilise un bandit contextuel pour décider quelle réduction proposer ensuite, en apprenant des réponses passées des utilisateurs.
Dans les autres langues
Voir aussi : reinforcement learning