L. L. Thurstone, ein amerikanischer Psychologe, stellte 1927 eine für seine Zeit revolutionäre Idee vor – dargelegt in seiner Abhandlung “A law of comparative judgment” (Ein Gesetz des vergleichenden Urteils). Im Wesentlichen besagte Thurstones These, dass Menschen, wenn ihnen mehrere Optionen angeboten werden, sich ausnahmslos für die entscheiden, die sie am meisten schätzen, auch wenn sie nicht genau begründen können, warum.
Thurstone war ein Pionier auf dem Gebiet der Psychometrie, deren Kernaussage darin besteht, dass auch mentale Prozesse, die man weder sehen noch anfassen kann, wissenschaftlich gemessen und verstanden werden können. Dies ebnete den Weg für die spätere Entwicklung von Random-Utility-Modellen (RUMs) – mathematischen Rahmenwerken, die dazu dienen, menschliche Präferenzen zu veranschaulichen und vorherzusagen.
RUMs können dazu verwendet werden, den Nutzen oder die “Nützlichkeit” einer bestimmten Entscheidung zu bewerten. Angenommen, Sie suchen sich aus einem Stapel in der Bibliothek ein Buch aus, das Sie als Nächstes lesen möchten – ein RUM könnte dabei helfen, Ihre Wahl vorherzusagen. Diese Modelle beinhalten ein Element der Zufälligkeit, das der Tatsache Rechnung trägt, dass individuelle Vorlieben recht wechselhaft sein und sich im Laufe der Zeit ändern können. Wie Gabriele Farina, Assistenzprofessor am MIT, erklärt, bevorzugt man vielleicht morgens Kaffee, entscheidet sich abends jedoch stattdessen für eine Tasse Tee.
Diese Modelle finden in einer Vielzahl von Bereichen Anwendung, die von der öffentlichen Verwaltung bis zur Industrie reichen, und helfen dabei, Verhaltensweisen in Szenarien wie der Wahl optimaler Verkehrsmittel während Bauarbeiten oder der bestmöglichen Verteilung von Mitteln zum Wohle der Allgemeinheit vorherzusagen. Trotz ihrer weit verbreiteten Nutzung gibt es bei diesen Modellen jedoch immer noch Verbesserungspotenzial.
Kürzlich wurde auf der Internationalen Konferenz „Learning Representations“ in Rio de Janeiro ein aufschlussreicher Beitrag vorgestellt. Dieser Beitrag, verfasst von einem Team, zu dem Yeshwanth Cherapanamjeri, Gabriele Farina, Constantinos Daskalakis und Sobhan Mohammadpour gehörten, zeigte, dass herkömmliche Methoden zur Schätzung von Präferenzen, die sich weitgehend auf den Vergleich von jeweils zwei Optionen stützen, deutliche Mängel aufweisen. Sie stellten fest, dass solche paarweisen Vergleiche es erschweren, die Korrelationen zu erkennen, die häufig zwischen mehreren Auswahlmöglichkeiten bestehen. Das Erkennen dieser Korrelationen, so argumentieren sie, ist der Schlüssel zu genauen Präferenzschätzungen.
Ein wichtiges Ergebnis ihrer Untersuchung ist, dass Zusammenhänge besser erkennbar sind, wenn die Befragten drei statt zwei Alternativen bewerten. Dies führt zu einem umfassenderen Verständnis der Präferenzen und vermittelt ein klareres Gesamtbild.
Der Schwerpunkt dieser Gruppe vom MIT liegt auf der rechnerischen Seite von RUMs, wobei ein besonderes Interesse der Entwicklung von Algorithmen gilt, die Präferenzdaten effizient extrahieren. Emma Frejinger, Informatikerin an der Universität Montreal, hebt diese Arbeit hervor, da sie mathematisch belegt, warum herkömmliche Datenerhebungsmethoden unzureichend sind, und zudem das Potenzial der „Best-of-Three“-Auswahl für ein präzises Modelltraining aufzeigt.
Das Forschungsteam ist der Ansicht, dass die Entwicklung von Utility-Modellen auch weiterhin ein wichtiger Schwerpunkt in diesem Bereich sein wird. Diese Modelle waren seit Ende der 1990er Jahre von entscheidender Bedeutung für internetbasierte Unternehmen und werden auch weiterhin eine wichtige Rolle bei der Feinabstimmung von KI-Modellen spielen. Ihr Nutzen erstreckt sich auch auf Sprachmodelle (LLMs), bei denen während des Trainings Ranglisten von Präferenzen verwendet werden, um die Leistung des Modells zu verbessern.
In einer Welt, in der es mehr Auswahlmöglichkeiten gibt als je zuvor, ist es unrealistisch zu erwarten, dass Menschen ihre Präferenzen für jedes einzelne Szenario festlegen. Stattdessen müssen Modelle Präferenzen vorhersagen und sich kontinuierlich weiterentwickeln, um bessere Vorhersagen zu treffen. Weitere Einzelheiten finden Sie im Originalartikel. hier.
Wenn Sie KI-Automatisierung für Ihr Unternehmen nutzen möchten, entdecken Sie die unzähligen Möglichkeiten mit implementi.ai.
Diese Website verwendet Cookies.