2024-07-15
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Koneen sydän alkuperäinen
Kirjailija: Zhang Qian
Tarjouksen tekeminen on myös hyvin käytännöllinen taito.
Mihin NeurIPS kuuluu monien parhaiden tekoälykonferenssien joukossa? Joku laittoi sen "The Legend of Zhen Huanin" universumiin ja teki kuvan: se luultavasti ansaitsee "toisen sijan".
Kuvan lähde: Xiaohongshun käyttäjä @云juanyeshu
Tämä sijoitus voi olla kiistanalainen, mutta ei ole epäilystäkään siitä, että NeurIPS on aina ollut kolmen parhaan joukossa parhaiden tekoälykonferensseissa ja on ollut pitkään Google Scholarin maailmanlaajuisten lehtien ja huippukonferenssien kymmenen parhaan joukossa kaikilla aloilla.
Siksi esitysten julkaiseminen tässä konferenssissa on monien tekoälytutkijoiden yhteinen tavoite. Uraauurtavat AlexNet-, Transformer- ja GPT-3-paperit ovat kaikki tämän huippukonferenssin hyväksyttyjä papereita.
On kuitenkin syytä huomata, että artikkelit eivät edusta NeurIPS:n täyttä arvoa. Jotkut konferenssin aikana järjestetyt kilpailut voivat olla sopivampia joillekin tekoälyn harjoittamiseen keskittyville tutkijoille ja insinööreille. Jopa NeurIPS-virkailijat sanoivat:Näillä kilpailuilla on tärkeä rooli monimutkaisten ongelmien tutkimisessa ja ratkaisemisessa」。
Joten mistä löydän nämä kilpailut? Itse asiassa NeurIPS-virkailijat julkaisivat kesäkuussa blogin, jossa oli luettelo näistä kilpailuista.
Lista sisältää yhteensä 16 kilpailukysymystä, joista jokainen on seulottu ja jossa on "Laaja tieteellinen tutkimusarvo」。
Nämä kilpailukysymykset kerää virallisesti NeurIPS. Viime vuosien kokemuksen perusteella suurin osa lopullisesti valittavista kilpailukysymyksistä tulee yliopistoilta, tutkimuslaitoksilta tai ulkomaisista teknologiayrityksiltä, kuten Google, OpenAI, Meta jne. Kotimaisen teollisuuden lähettämät kilpailukysymykset ovat erittäin matalalla mahdollisuus tulla valituksi. Tänä vuonna suuren malliradan suosion vuoksi kilpailu kilpailussa on entistä tiukempaa.
Mutta yllättävää on, että niin kovassa kilpailuympäristössä kotimaisella teollisuudella on edelleen ihmisiä, jotka erottuvat joukosta."Automaattiset tarjoukset suurissa huutokaupoissa: päätöksenteon oppiminen epävarmoissa ja kilpailullisissa peleissä(Automaattinen hinnoittelu suurissa huutokaupoissa: oppimispäätökset epävarmoissa ja kilpailevissa peleissä)" on heidän lähettämänsä kilpailuaihe.
Kilpailun virallinen verkkosivusto: https://tianchi.aliyun.com/specials/promotion/neurips2024_alimama#/
Tämän kilpailukysymyksen teki Pekingin yliopiston ja Alimaman tekoälyn yhteislaboratorion (PAAI) päätöksentekoälyn yhteistyöryhmä ensimmäisenä yksikkönä, joka toimitti ehdotuksen yhdessä tutkimusryhmän kanssa. Professori Deng Xiaotie ja professori Lu Zongqing Pekingin yliopistosta. Kilpailuaiheen valinnan jälkeen Alimama voitti kilpailun isännöintioikeuden ja voitti kotimaisen alan ainoana organisaationa NeurIPS-kilpailun isännöintioikeuden tänä vuonna.
Kilpailun aihe pyörii "suurten huutokauppojen automaattisen tarjouksen" ongelman ympärillä. Tämä ongelma liittyy läheisesti käyttöliittymään, jossa avaamme ostossovelluksia joka päivä etsiä ja selata tuotteita. Sen takana on valtava tutkimus ja kaupallinen arvo.NeurIPS-asiantuntijatuomarit arvioivat kilpailukysymyksen "Käytännössä tärkeä, hyvin organisoitu ja hyvin testattu (Käytännössä tärkeä, hyvin organisoitu ja hyvin testattu)"。
Joten mikä ongelma on "automaattisessa huutokaupassa"? Miksi Pekingin yliopiston ja Alimaman tekoälyn innovaatioyhteislaboratorio ehdotti sitä ja sai niin paljon kiitosta? Mitä kilpailijat tarkalleen ottaen tekevät? Koneen sydän puretaan yksitellen tässä artikkelissa.
Mitä on "automaattinen hinnoittelu suurissa huutokaupoissa"?
Ymmärtääksemme, mitä "automaattinen hinnoittelu suurissa huutokaupoissa" on, muistetaan ensin Taobaon avaamisen ja ostosten aloittamisen kokemus.
Aina kun annat avainsanan, järjestelmä avaa tuotesivun. Itse asiassa tämä sivu on hyvin erityinen: mitkä tuotteet tulevat näkyviin ja mitkä tuotteet sijoittuvat ensimmäiseksi, ovat järjestelmän tarkkojen laskelmien tuloksia. Mainokset ovat tulosta alustasta, joka käyttää huutokauppamekanismia mainospaikkojen jakamiseksi mainostajille.
Koko prosessin toimintalogiikka on seuraava: Ensin alusta rakentaa käyttäjäprofiilin analysoimalla käyttäjän kiinnostuksen kohteita ja käyttäytymismalleja. Kun käyttäjät etsivät tai selaavat tuotteita Taobaossa, alusta aloittaa välittömästi mainoshuutokauppaprosessin taustalla. Mainostajat osallistuvat tähän huutokauppaan tarjousmekanismin kautta toivoen saavansa mahdollisuuden näyttää mainoksiaan. Automaattinen tarjousjärjestelmä on keskeisessä asemassa tässä prosessissa. Se ottaa huomioon käyttäjän profiilin, käyttäytymistiedot, mainostajan myynninedistämistavoitteet, budjettirajoitukset ja erilaiset huutokauppaympäristön tekijät laskeakseen optimaalisen hintatarjousstrategian reaaliajassa. Näiden tietojen ja laskentatulosten perusteella alusta valitsee mainoksen, jolla on korkein tarjous ja osuvimmat käyttäjien tarpeet. Nämä mainostulokset näytetään käyttäjille orgaanisten tulosten ohella. Koko prosessi on täysin automatisoitu ja voidaan suorittaa hyvin lyhyessä ajassa.
Tästä prosessista voidaan nähdä, ettäAutomaattisen hintatarjousjärjestelmän avulla mainostajat voivat yksinkertaistaa huomattavasti mainosten sijoitteluprosessia ja käyttää tekoälyteknologiaa täsmällisen markkinoinnin saavuttamiseen, mikä säästää aikaa ja energiaa.
Vuonna 2023 maailmanlaajuiset verkkomainonnan markkinat nousevat 626,8 miljardiin dollariin. Automaattinen hintatarjoustekniikka on ratkaisevan tärkeä sen jatkuvan kasvun edistämisessä. Vastaavia tutkimuskysymyksiä ovat mainontastrategiat ja muut mekanismisuunnittelut, jotka kaikki kuuluvat päätöksentekoälyn tutkimusalueeseen. Päätöksentekoälyyn liittyvä tutkimus voi tuoda yrityksiin uusia toimintatapoja ja vähentää niiden riippuvuutta ihmisistä päätöksentekomekanismeissa, mikä lisää merkittävästi yrityksen liikevaihdon kasvuvauhtia ja kasvattaa kasvutilaa.
"Automaattisen tarjouksen" tekeminen kilpailukysymyksessä ei kuitenkaan ole helppoa. Koska automaattisen tarjousjärjestelmän on käsiteltävä valtava ja monimutkainen tietotulva, joka kattaa käyttäjien käyttäytymistiedot, mainontatiedot, hintatarjoustiedot ja muut moniulotteiset tiedot, ja nämä tiedot päivitetään reaaliajassa. Lisäksi järjestelmän on myös tehtävä päätöksiä peliympäristössä, joka on täynnä epävarmuutta, eikä se voi saada täydellistä tietoa kaikista vaikuttavista tekijöistä. Siksi järjestelmä voi luottaa vain tällä hetkellä saatavilla oleviin tietoihin ja kertyneeseen historialliseen kokemukseen tehdäkseen ennusteita ja päätöksiä älykkäiden algoritmien avulla ja pyrkiä tekemään optimaalisia tarjousvalintoja nopeasti muuttuvassa markkinaympäristössä.
"Automaattinen hintatarjous" -optimointipolku
Vahvistusoppimisesta generatiiviseen tekoälyyn
Kaiken kaikkiaan alan lähestymistapa tarjouksiin on käynyt läpi neljän sukupolven evoluution. Alimama on myös tehnyt useita vuosia tutkimusta automaattisten hintatarjousstrategioiden optimoinnista.
Kun alan uusin tutkimus on kolmannessa sukupolvessaan (2022),Pekingin yliopisto-Alimama Artificial Intelligence Innovation Joint Laboratory (PAAI) perustettiin .Tämä laboratorio kokoaa yhteen monia suuria nimiä teollisuudessa ja tiedemaailmassa: Pekingin yliopiston tiedustelukoulun dekaaniZhu SongchunProfessori johtaa akateemista ohjausta, professori Pekingin yliopistossaDeng Xiaotie, apulaisprofessori, tiedustelukoulu, Pekingin yliopistoLaulu Guojieja Alimaman tekninen johtajaZheng Bo He ovat kaikki laboratorion ydinjäseniä. Useat asiantuntijat johtivat laboratorion jatkamaan päätöksenteon tiedusteluasioiden, kuten olemassa oleviin tuloksiin perustuvan automaattisen tarjouskilpailun, tutkimista.
Tutkimusprosessin aikana he havaitsivat, että alkuperäisellä vahvistusoppimismenetelmällä oli joitain rajoituksia, kuten koulutusvirheiden liiallinen kertymisen ongelma pitkän sarjan päätöksentekoskenaarioissa, kuten automaattisessa tarjouskilpailussa. Samaan aikaan ChatGPT varmistaa generatiivisen tekoälyn tehokkaat ominaisuudet useilla aloilla. Niinpä tiimi alkoi pohtia, mitä generatiiviset mallit voisivat tuoda automatisoituihin hintatarjousstrategioihin. vihdoin,He ehdottivat tarjousstrategian optimointijärjestelmää, joka perustuu generatiivisen mallin rakentamiseen-AIGB (AI Generative Bidding)。
Tarkemmin sanottuna AIGB käsittelee relevantteja indikaattoreita, kuten tarjouksia, optimointitavoitteita ja rajoituksia yhteisenä todennäköisyysjakaumana, mikä muuttaa tarjousongelman ehdollisen jakelun luomisongelmaksi. Vahvistusoppimisen näkökulmasta poiketen se korreloi suoraan päätösradan ja palkkioinformaation (kuten alla olevasta kuvasta näkyy), mikä voi välttää harjoitusvirheiden kertymisen ja soveltuu paremmin pitkien sekvenssien päätöksentekoskenaarioihin. Tämä on yhteislaboratorion ensimmäinen yritys soveltaa generatiivisia suuria malleja Smart Biddingin alalla.Aiheeseen liittyvät asiakirjat on hyväksytty kansainvälisessä huippukonferenssissa KDD 2024。
Tietenkin päätöksenteon älykkyysongelmat, kuten "automaattinen tarjouskilpailu suurissa huutokaupoissa", eivät ole kaukana ratkaistua, ja generatiivisen tekoälyn soveltaminen näihin ongelmiin on juuri siirtynyt kokeiluvaiheeseen. Tästä syystä yhteislaboratorio lähetti NeurIPSille asiaankuuluvat kilpailukysymykset toivoen voivansa hyödyntää vuosien tutkimuskertymää ja kerätä yhteisön voimaa edistääkseen yhdessä syvällistä tutkimusta ja ratkaisuja näihin ongelmiin.
Kaupallisen arvon lisäksi näillä ongelmilla itsessään on myös korkea tutkimusarvo. Koska päätösäly yhdistää tieteenaloja, kuten tekoälyä, datatieteitä ja peliteoriaa, se tarjoaa systemaattisen kehyksen monimutkaisten ongelmien ratkaisemiseen. Tämä edistää tieteidenvälistä integraatiota ja innovointia ja yhteistyötä esimerkiksi tietojenkäsittelytieteen, tilastotieteen ja talouden aloilla.
AIGB ja General Motors ovat kaksi suurta kappaletta
Ilmoittautuminen on auki
"Automaattinen hinnoittelu suurissa huutokaupoissa" -kilpailun aihe on jaettu kahteen osaan, nimittäin:
AIGB-radalla kilpailijoiden on pohdittava, kuinka tehdä tarkkoja tarjouspäätöksiä pitkille sarjoille. Kuten aiemmin mainittiin, tämän ongelman edessä perinteisiä vahvistamisoppimismenetelmiä rajoittavat tekijät, kuten virheiden kertyminen, ja niiden suorituskyky on kuitenkin rajallinen. Siksi tämä kappale edellyttää, että kilpailijat ottavat käyttöön laajan valikoiman generatiivisia malleja, kuten diffuusiomalleja, muuntajia jne. tämän haasteen ratkaisemiseksi. Jos sinulla on tutkimus- tai teollisuustausta diffuusiomalleista, muuntajista, pohjamalleista, suurista kielimalleista (LLM) ja muista sukupolvimenetelmistä, voit harkita rekisteröitymistä tälle kappaleelle.
Yleisellä radalla kilpailijat haastetaan tekemään tehokkaita tarjouspäätöksiä suurissa huutokaupoissa, mikä edellyttää kilpailijoiden strategioiden muutosten tehokasta havaitsemista. Monimutkainen reaalimaailman mainoshuutokauppaympäristö tuo lisähaasteita, nimittäin epävarmuutta. Osallistujien on otettava huomioon kuluttajien saapumisen satunnaisuus, konversiokäyttäytymisennusteiden vaihtelu, datan harvalukuisuus ja muut tekijät. Jos sinulla on tutkimus- tai teollisuustausta vahvistusoppimisen, optimoinnin, koneoppimisen, peliteorian ja datatieteen parissa, sinun kannattaa harkita rekisteröitymistä tälle tieteelle.
Osallistuminen tähän kilpailuun tuo monia palkintoja. NeurIPSillä on erittäin suuri kansainvälinen vaikutusvalta, ja erinomaisten kilpailutulosten saavuttaminen on epäilemättä plussaa ansioluettelossasi ja on erittäin hyödyllinen tulevan urakehityksen kannalta. Lisäksi voittajalla on myös mahdollisuus voittaa 6 000 dollarin kilpailupalkinto sekä harjoittelumahdollisuuksia Alibabassa, vihreässä kampusrekrytointikanavassa, ja vierailevana tutkijana.
Tämä kilpailu tuo myös ensimmäistä kertaa saataville noin 500 miljoonaa pelidataa ja sitä vastaavan koulutuskehyksen. Tämä on hyvä käytäntö ja tutkimusmahdollisuus tutkijoille ja toimijoille päätösälyn, vahvistusoppimisen, pelien ja generatiivisten mallien aloilla.
Aikataulu ja palkinnot ovat seuraavat:
Kilpailun virallinen verkkosivusto: https://tianchi.aliyun.com/specials/promotion/neurips2024_alimama#/
Kerää ja järjestele viimeisimmät uutiset ja tee ne kaikkien tarkastettavaksi ilmaiseksi.
