Les systèmes de recommandation sont essentiels pour l'engagement des utilisateurs, mais leur optimisation est laborieuse. Le framework RecHarness de Kuaishou aborde ce problème en intégrant des algorithmes de bandit avec des agents basés sur LLM. L'idée centrale est de traiter chaque modification candidate du modèle de recommandation comme un 'bras' dans un problème de bandit manchot. Le système évalue quelles modifications sont les plus prometteuses et alloue les ressources en conséquence, tandis que les agents LLM génèrent et affinent ces candidats. Cette approche réduit les coûts d'essai-erreur des workflows MLE traditionnels et permet au système de s'améliorer continuellement. RecHarness répond à un défi clé : router efficacement les ressources de test limitées vers les changements les plus impactants. Les premiers résultats suggèrent des gains significatifs en efficacité d'optimisation. Pour les ingénieurs construisant des systèmes de recommandation à grande échelle, cela offre un aperçu de l'avenir des opérations ML automatisées.
Le framework RecHarness de Kuaishou combine des algorithmes de bandit avec des agents LLM pour automatiser l'optimisation des systèmes de recommandation.