這是一項金融服務和 IT 公司之間的國際象棋錦標賽。作為 FinChess 公開演講的一部分，MyTracker 預測分析團隊的研究程式設計師 Alexander Smirnov 談到了 MyTracker 中使用的國際象棋演算法和機器學習模型的相似性。
本文介紹了他的報告的主要要點，分為三個部分：
國際象棋和推薦系統；
國際象棋和預測分析；
國際象棋和反詐欺系統。
我們將研究國際象棋遊戲和 IT 產品之間的一些令人興奮的相似之處，以及 MyTracker 的個人化、LTV 預測和詐欺掃描器解決方案的工作原理。它將對分析師、行銷人員和國際象棋愛好者很有用。
國際象棋和推薦系統
運算能力的提高改變了國際象棋和當今 IT 的遊戲規則，有助於將數十年累積的數值建模技術付諸實踐。
這催生了國際象棋引擎，它們學會了處理資源密集型任務，例如最佳走法的建議。
推薦在國際象棋和數位服務中如何發揮作用？
對下一步行動的建議是計算和選擇最有可能導致理想結果（遊戲勝利）的行動組合。
這也是任何推薦服務的工作，例如：
汽車導航器可協助駕駛者找到最快、最安全的路線到達目的地，而不會出現交通擁擠或事故。
音樂串流平台會編制 比利時 電話號碼庫 最有可能符合聽眾喜好的曲目播放清單。
推薦服務選擇最有可能吸引客戶並導致購買的商品。
國際象棋引擎的推薦
推薦服務
推薦最有可能導致遊戲勝利的動作。
選擇最有可能導致購買或其他理想行動的商品。
移動次數是有限的，這就是 有針對性的電子郵件行銷 – 如何為您的業務使用有 為什麼系統可以遍歷所有移動並找到能夠導致所需結果的移動。由於這項工作最終是關於計算能力和要計算的步數的指數級增長，因此高級國際象棋引擎以及推薦服務依賴於強化學習。
強化學習
強化學習是一種用於訓練演算法與環境互動並從回饋中學習的技術。如果某個動作會帶來獎勵，演算法將更頻繁地執行該動作或一系列動作。
獎勵範例：
汽車導航儀－旅行時間。路線完成的速度越快，系統向其他使用者推薦該路線的頻率就越高。
學習演算法依賴 台灣數據 用戶的旅行數據。
音樂串流平台－按讚和保存。聽眾越頻繁地將各種流派的曲目添加到他們的播放清單中，平台就越頻繁地向其他人推薦它們。
學習演算法依賴串流曲目的數據
推薦服務－購買次數。購買某種商品的頻率越高，系統就越頻繁地將其推薦給具有相似行為和特徵的使用者。
學習演算法依賴所採取的行動。
西洋棋引擎 – 獲勝的步數。移動組合帶來物質或位置優勢和勝利的速度越快，引擎就越頻繁地選擇這種組合。
學習演算法依賴所玩的遊戲。
這原理是 AlphaGo Zero 的基礎，而這種學習演算法取得了令人驚訝的結果。 2017年，它擊敗了最強的傳統引擎之一Stockfish 。 AlphaGo Zero 與自己進行了大量的對弈，並學會了在大多數情況下選擇最佳走法。
多臂強盜
多臂老虎機演算法通常用於推薦服務（例如MyTracker Personalize）以選擇最佳產品（報價），也是建立在強化學習的基礎上的。
提出報價後，盜賊會收到用戶是否付款的回饋。透過這種方式，強盜可以了解其行為（報價顯示）如何影響環境（用戶支付行為）並提出最佳報價。
要了解有關 MyTracker Personalize 推薦服務的更多信息，請閱讀我們關於 Hustle Castle 手機遊戲的案例。
國際象棋和預測分析
比賽前，棋手及其團隊分析對手的行動（走法）。在這個階段，他們收集對手的資訊——他們的比賽風格、最近的比賽、喜歡的動作和弱點。
預測分析在分析廣告活動的投資報酬率時有類似的目標。您越早獲得此訊息，您就能越早結束不成功的活動並節省金錢。就像國際象棋一樣，數據是透過回顧以前的廣告統計數據獲得的——受眾覆蓋、進度和收入。