Ranking Ottimizzato dall’IA: L’Agente che Trasforma le Raccomandazioni
Il ranking delle raccomandazioni è intrinsecamente un problema di allocazione dell’influenza. Un algoritmo di ordinamento distribuisce l’influenza tra i diversi fattori, e il risultato finale dipende dall’ottimizzazione di queste ‘tassi di cambio’. Ma i benchmark offline spesso sbagliano a interpretare come questa riallocazione di influenza si traduca in un impatto reale, con distorsioni asimmetriche che una singola correzione non può risolvere.
Un nuovo paper di Takara AI presenta Sortify, il primo agente di ottimizzazione del ranking basato su LLM implementato in un sistema di raccomandazione su larga scala. Sortify trasforma l’ottimizzazione del ranking in un continuo scambio di influenza, chiudendo il ciclo dall’analisi all’implementazione dei parametri senza intervento umano. Lo fa attraverso tre meccanismi:
- Framework a Canale Doppio: Basato sulla teoria di Savage (Subjective Expected Utility), separa la correzione del trasferimento offline-online (Belief channel) dall’aggiustamento delle penalità (Preference channel).
- Meta-Controller LLM: Un LLM che opera sui parametri a livello di framework, non su variabili di ricerca di basso livello.
- Memory DB Persistente: Un database relazionale con 7 tabelle per l’apprendimento tra round.
Il metrica chiave, Influence Share, fornisce una misura scomponibile dove la somma di tutte le contribuzioni dei fattori è esattamente il 100%.
I risultati sono impressionanti: in Country A, Sortify ha aumentato il GMV dal -3.6% al +9.2% in 7 round, raggiungendo picchi di ordini del +12.5%. In Country B, un lancio “a freddo” ha generato +4.15% GMV/UU e +3.58% Ads Revenue in un test A/B di 7 giorni, portando a una piena implementazione in produzione.
Paper originale: https://tldr.takara.ai/p/2603.27765
