ИИ-редактор научился восстанавливать политику ценообразования без единой экспертной подсказки
Исследователи изучили задачу автоматического редактирования политик принятия решений с помощью агентных ИИ-систем. В центре внимания оказался симулятор ценообразования в отелях, где ИИ-редактор должен был восстановить эталонную политику, не имея доступа к экспертным действиям на каждом шаге.
Вместо этого редактор получал только региональную диагностику: сводки о том, как его распределение цен отличается от эталона по времени, запасам и рыночным зонам. Ему были недоступны исходный код эталона, числовые награды или результаты на отложенных эпизодах. Редактор мог предлагать лишь ограниченные изменения в таблицу целевых действий.
На 5000 отложенных эпизодах мульти-рестарт LLM-редактор показал RevPAR (доход на доступный номер) в 108,47 (95% ДИ 107,61–109,34), что очень близко к эталонным 108,75 (95% ДИ 107,81–109,68). Парный разрыв составил всего -0,276 с 95% ДИ [-0,692; 0,146], что указывает на статистическую незначимость разницы.
Интересно, что простая диагностическая проекция уже восстанавливала большую часть дохода (107,90). Основное преимущество LLM-редактора проявилось не только в чистом доходе, но и в снижении композиционного расстояния эпизодов с 1,153 до 0,609 — это лучший результат среди неэталонных методов.
Авторы проверили, не объясняется ли успех простым перебором: не-семантические генераторы с до 2500 оценок отставали на 8,77–14,57 пунктов RevPAR. Также был проверен эффект формата подсказок: контроль с перемешанной диагностикой нарушал соответствие регионов и ошибок, и RevPAR падал до 94,30.
Древесный редактор показал более сильное выравнивание (0,214 против 0,266) и лучшее D1 по эталонным состояниям (0,328 против 1,197), но его доход упал до 98,91. Это демонстрирует, что оценка ремонта политик не должна полагаться на единственную поведенческую метрику.
Исследование подчёркивает: агентное редактирование политик следует оценивать по тому, становится ли диагностическая обратная связь надёжным замкнутым результатом, а не по какому-то одному поведенческому расстоянию.
