当更多数据还不够时：生成人工智能个性化的上下文充足前沿

个性化长期以来一直依赖客户数据来推断个人可能看重的东西。我们将此称为客户证据：客户的历史行为和偏好。生成式人工智能允许提供商在产生响应时提供不断变化的情境信息，而无需提前对每个条件进行编码，从而扩展了个性化。我们将这个提供者端上下文定义为有关现在可能的、允许的或建议的信息。这种灵活性产生了一个新问题：一旦上下文变得容易提供，更多并不一定更好。我们开发了一种上下文充分性理论，其中上下文与客户当前意图的相关性比其数量更重要。该理论确定了四种状态：不足、充足、饱和和干扰，并引入上下文充足前沿来定位最小相关集。在一家大型家居零售商使用生成推荐器进行的全因子实验中，相关上下文提高了适当性，而不相关上下文则降低了适当性并破坏了检索的稳定性。该框架将个性化从提供更多上下文转向确定当前交互实际需要的内容并在整个服务流程中实施约束。