ИИ уже генерирует варианты — Amazon Payments учит bandit выбирать их в live

Generative AI на Bedrock быстро раздувает число текстов и картинок под воронку, но узкое место смещается к выбору: что показать этому визиту и как выучить ответ на живом трафике без долгого A/B/n. Amazon Payments показала кейс на Amazon SageMaker AI , multi-objective contextual multi-armed bandit. Семь недель онлайн: у одной аудитории высокие одноцифные проценты относительного роста финальной конверсии, у другой , ноль к текущему опыту; команда свела это к пулу контента, а не к алгоритму. Зачем bandit, когда вариантов много Multi-armed bandit одновременно отдаёт показы сильным вариантам и оставляет долю на проверку слабых , не ждёт финала сплит-теста. Каждая версия страницы , отдельная «рука». В Payments взяли Upper Confidence Bound: выбор детерминированный, каждое решение можно объяснить и воспроизвести. Контекст визита и три стадии воронки Contextual bandit смотрит на вектор признаков визита , payment behavior, transaction mix и похожие сигналы , вместо одного лучшего варианта для всех. LinUCB (Li et al., 2010) обновляет опыт на каждом показе без полного переобучения. Воронка из start, submit и approve даёт seesaw: гнаться только за стартами бьёт по approval. Три LinUCB по стадии складывают через взвешенную сумму UCB с примерно равными весами; α по умолчанию 1.0, на практике калибруют в диапазоне 0.1, 2.0. Награда по approve приходит с задержкой , её учитывают через attribution window под недельный batch. Пул вариантов и репозиторий на SageMaker Bandit силён только при богатом пуле arms. Страницы собрали из проверенных блоков , themed images и benefit taglines; каждый arm , пара (картинка, слоган), пространство растёт как декартово произведение частей. Блоки ревьюят по одному, не каждую комбинацию; design system держит визуал в guardrails. Gen AI наращивает parts, bandit отбирает связки под похожие визиты. LinUCBDisjoint , отдельные параметры на arm, обновление без переобучения с нуля MultiObjectiveLinUCB , три стадии воронки в одном выборе Jupyter quick start, CLI demo и unit tests на synthetic data в репозитории под SageMaker AI Источник: Uplifting conversion across the acquisition funnel with personalization using contextual bandits on AWS .