أفيتو تنظّم بطولة لنماذج uplift: X-learner يتفوّق على Causal Forest

نظّم كريوكوف، محلّل فريق الثقة والأمان في أفيتو، في يوليو 2026 «بطولة» بين أربعة نماذج uplift شائعة هي S-learner وT-learner وX-learner وCausal Forest، وشملت دور مجموعات وأدواراً إقصائية. وفاز X-learner بالذهب على نحو غير متوقع، فقد خرج من دور المجموعات ثالثاً فقط، لكنه حسم نصفي النهائي والمباراة النهائية.

لماذا نحتاج إلى نماذج uplift

يقدّر نمذجة uplift الأثر الفردي للتدخّل، أي مقدار التغيّر في سلوك شخص بعينه نتيجة حملة ما، لا متوسط الاستجابة لدى المجموعة. وتكمن الصعوبة الرئيسية في أنه لا يمكن رصد النتيجتين معاً لدى الفرد نفسه: مع التدخّل ودونه.

«المشكلة الرئيسية أننا لا نعرف أبداً الحالتين معاً للاعب الواحد»، —

غريشا كريوكوف، محلّل فريق الثقة والأمان في أفيتو.

وتعالج الأساليب الأربعة هذه المشكلة بطرق مختلفة. يمرّر S-learner مؤشر التدخّل بوصفه سمة عادية. ويدرّب T-learner نموذجين منفصلين. ويضيف X-learner التدريب على الأثر الزائف (pseudo-effects) والترجيح بميل التعيين (propensity). أما Causal Forest فيبني أشجاراً تعظّم الفرق في الأثر.

كيف نُظّمت البطولة

تألفت البطولة من دور مجموعات على بيانات اصطناعية، وأدوار إقصائية على بيانات حقيقية. وقاس المؤلف جودة النماذج بمقياس PEHE (Precision in Estimation of Heterogeneous Effect)، وكلما انخفضت قيمته كان تقدير الأثر أدق.

• النماذج: S-learner وT-learner وX-learner وCausal Forest
• المقياس: PEHE، والنقاط في المجموعة بحسب المراكز: 3-2-1-0
• دور المجموعات: بيانات اصطناعية، 5000 ملاحظة، 10 سمات، تقسيم 70/30
• نصف النهائي: مجموعة بيانات Hillstrom MineThatData، 64 ألف عميل في التجارة الإلكترونية
• النهائي: مجموعة بيانات FIFA 21، نحو 10 آلاف لاعب و26 سمة

وبعد ثلاث جولات في دور المجموعات تصدّر Causal Forest الترتيب بـ6 نقاط، وجمع كل من S-learner وX-learner 5 نقاط، فيما جاء T-learner في المركز الأخير بنقطتين.

لماذا فاز X-learner

فاز X-learner لأن بنيته تتعلّم تحديداً من الفرق بين السيناريوهين، مع التدخّل ودونه، لا من المستوى العام للاستجابة. وفي نصف النهائي اكتسح S-learner (PEHE بواقع 0.215 مقابل 0.747)، وفي النهائي تفوّق على T-learner بنتيجة PEHE بلغت 0.579 مقابل 1.135.

«البنية تعمل وفق غايتها: فبدلاً من المستوى العام، يتعلّم النموذج

تحديداً من الفرق بين العالمين، مع التدخّل ودونه»، — غريشا كريوكوف.

ويفسّر المؤلف سقوط المرشحين الأوفر حظاً بأن Causal Forest المستقر استفاد على البيانات الاصطناعية، التي تتوزع فيها القيم توزيعاً مثالياً، بينما تفوّقت البنية الأكثر مرونة على البيانات الحقيقية «المتسخة». وكان لـT-learner نصيب خاص من النقد: فنموذجاه المستقلان لا يتبادلان المعلومات، وقد بدا ذلك قاتلاً في النهائي.

ماذا يعني ذلك

لا يوجد فائز شامل في نمذجة uplift: يفوز Causal Forest على البيانات الاصطناعية المنظّمة والعيّنات الصغيرة، ويفوز X-learner على البيانات الحقيقية المشوّشة. ويُستحسن اختيار النموذج بحسب مجموعة البيانات المعنية، لا بحسب سمعة الطريقة.

الأسئلة الشائعة

ما هي نمذجة uplift؟

هي طريقة لتقدير الأثر الفردي للتدخّل، أي مقدار التغيّر في سلوك مستخدم بعينه نتيجة حملة أو رسالة بريدية، لا الأثر المتوسط لدى الجمهور كله. وتُستخدم في التسويق والاحتفاظ بالعملاء (retention) ومكافحة الاحتيال.

أي نموذج فاز في بطولة أفيتو؟

تُوّج X-learner بطلاً. فقد خرج من دور المجموعات ثالثاً فقط، لكنه فاز بنصفي النهائي وبالمباراة النهائية بنتيجة PEHE بلغت 0.579 مقابل 1.135 لدى T-learner. والسبب أن بنيته تتعلّم من الفرق بين الأثرين.

ماذا يعني مقياس PEHE؟

يقيس PEHE (Precision in Estimation of Heterogeneous Effect) مدى دقة تقدير النموذج للأثر الفردي: فكلما انخفضت القيمة اقترب التنبؤ من الأثر الحقيقي. وقد جرى توزيع المراكز في البطولة بحسبه.