Los sistemas de recomendación son críticos para la participación del usuario, pero su optimización es laboriosa. El framework RecHarness de Kuaishou aborda este problema integrando algoritmos de bandidos con agentes basados en LLM. La idea central es tratar cada modificación candidata al modelo de recomendación como un 'brazo' en un problema de bandido multi-brazo. El sistema evalúa qué modificaciones son más prometedoras y asigna recursos en consecuencia, mientras que los agentes LLM generan y refinan estos candidatos. Este enfoque reduce los costos de prueba y error de los flujos de trabajo MLE tradicionales y permite que el sistema mejore continuamente. RecHarness aborda un desafío clave: enrutar eficientemente los recursos de prueba limitados a los cambios más impactantes. Los primeros resultados sugieren ganancias significativas en eficiencia de optimización. Para ingenieros que construyen sistemas de recomendación a gran escala, esto ofrece una visión del futuro de las operaciones de ML automatizadas.
El framework RecHarness de Kuaishou combina algoritmos de bandidos con agentes LLM para automatizar la optimización de sistemas de recomendación.