🎭 A/B 테스트란 고객마다 A안과 B안을 다르게 보여주고 반응이 더 좋은 안을 선택하는 테스트다. A/B 테스트에서 '탐색(Exploration)의 문제'란 테스트를 하면 할수록 기회 비용이 발생하는 것이다. '활용(Exploitation)의 문제'는 테스트 기간이 짧으면 표본이 작아지므로 결과를 신뢰할 수 없는 것이다. 이렇게 A/B 테스트에는 탐색-활용 사이의 trade-off가 존재한다. 🎰 이 문제를 체계화한 것인 MAB(Multi Armed Bandit) 알고리즘이다. MAB는 탐색과 활용을 최적화하여 매번 수익률이 높을 것으로 예상되는 슬롯머신을 선택해 수익률을 극대화하는 알고리즘이다. 🧮 MAB에서 행동(action)은 선택된 대안, 보상(reward)는 한 번의 행동에 따른 수치화된 결과, 가치(value)는 행동으로 인한 기대 보상을 의미한다. MAB에서는 모든 행동이 순서대로 발생한다 가정하고 각 시점에서의 보상 및 가치를 계산한다. 💻 탐색과 활용을 최적화하는 과정에 다양한 알고리즘을 사용할 수 있다. 대표적인 알고리즘으로는 그리디(Greedy) 알고리즘, 입실론-그리디(Epsilon-Greedy) 알고리즘, UCB(Upper Confidence Bound), 톰슨 샘플링(Thompson Sampling) 등이 있다. 💡 A/B 테스트의 확장판이라는 제목에 흥미가 생겨서 읽어본 포스트. 강화학습 분야에서도 많이 사용되는 알고리즘이라고 한다. 아직 완벽하게 MAB가 무엇인지는 이해하지 못했지만, 그래도 흥미로운 이론인 것 같다.