Tag: module-m7
-
【AI 核心深度 M7-089】解释反事实评估的因果图与假设（Explain Causal Directed Acyclic Graphs (DAGs), Do-Calculus, and Backdoor Paths in Counterfactual Evaluation）深度数理推导与工程落地解析
用因果图（DAG）表达’混淆、动作、奖励’的关系；OPE 的目标是估计’干预（do）’的效果，需切断混淆路径。
-
【AI 核心深度 M7-090】解释序列决策的 OPE（多步 IPS / DR）（Explain Off-Policy Evaluation for Sequential Decision-Making: Multi-Step Trajectory IPS and Doubly Robust）深度数理推导与工程落地解析
序列决策中动作影响后续状态（长期效应）；多步 IPS 用’轨迹级’权重，方差随长度指数增长。
-
【AI 核心深度 M7-091】解释 OPE 的置信区间与样本量（Explain Confidence Interval Estimation and Effective Sample Size (ESS) in Off-Policy Evaluation）深度数理推导与工程落地解析
OPE 估计有方差，需报告置信区间（bootstrap/解析）；有效样本量（ESS）比原始样本量更关键。
-
【AI 核心深度 M7-092】解释 OPE 在推荐/广告中的实践流程（Explain the End-to-End Practical Workflow for Off-Policy Evaluation in Production Recommendation and Ad Systems）深度数理推导与工程落地解析
标准流程：明确目标与假设 → 收集数据（含随机化）→ 训练倾向/模型 → 估计 + CI → 与历史 A/B 验证 → 离线粗筛 → A/B 定胜负。
-
【AI 核心深度 M7-093】解释推荐/搜索的核心在线指标（Explain the Taxonomy and Measurement of Core Online Business Metrics in Search and Recommendation）深度数理推导与工程落地解析
参与度（CTR/时长/会话深度）、转化（CVR/GMV）、留存（次日/次周）、生态（多样性/创作者）；分层报告。
-
【AI 核心深度 M7-094】解释为什么需要护栏指标（Guardrail Metrics）（Explain the Purpose, Categories, and Veto Mechanisms of Guardrail Metrics in Production Systems）深度数理推导与工程落地解析
护栏指标是’必须不恶化’的指标（一票否决）；防止短期优化损害长期（用户体验/生态/安全）。
-
【AI 核心深度 M7-095】解释搜索/推荐中的位置偏置对在线指标的影响（Explain the Impact of Position Bias on Online Experimentation and Metric Confounding）深度数理推导与工程落地解析
位置偏置使’排名提升’自动带来’指标提升’（与相关性无关）；故 A/B 中需注意’位置变化’的混淆。
-
【AI 核心深度 M7-096】解释网络效应与干扰（Interference）对实验的影响（Explain Network Interference, Marketplace Cannibalization, and SUTVA Violations in Online Experimentation）深度数理推导与工程落地解析
用户间/物品间相互影响（社交、供需、竞争）破坏 SUTVA；需集群随机化、switchback、或预算分割。
-
【AI 核心深度 M7-097】解释长期效应评估的方法（Explain Methodologies for Measuring Long-Term Algorithmic Effects in Digital Platforms）深度数理推导与工程落地解析
长期效应需长周期实验（holdout 组）、代理指标（需验证）、或切换实验；短期 A/B 无法捕捉。
-
【AI 核心深度 M7-098】解释实验平台的能力要求（Explain the Architectural and Algorithmic Requirements of an Enterprise Experimentation Platform）深度数理推导与工程落地解析
需支持：流量分配（分层/互斥）、指标计算（实时/离线）、方差降低（CUPED）、多重比较校正、以及’实验管理’。