L. L. Thurstone, amerykański psycholog, przedstawił w 1927 roku koncepcję, która była rewolucyjna jak na tamte czasy — zawartą w jego artykule “Prawo osądu porównawczego”. Zasadniczo Thurstone stwierdził, że gdy ludzie mają do wyboru kilka opcji, niezmiennie wybierają tę, którą cenią najbardziej, nawet jeśli nie potrafią dokładnie wyjaśnić, dlaczego.
Thurstone był pionierem w dziedzinie psychometrii, której sednem jest przekonanie, że nawet procesy umysłowe, których nie da się zobaczyć ani dotknąć, można zmierzyć i zrozumieć w sposób naukowy. Stworzyło to podstawy dla późniejszego rozwoju modeli losowej użyteczności (RUM), czyli matematycznych modeli służących do ilustrowania i przewidywania ludzkich preferencji.
Modele RUM mogą służyć do oceny korzyści lub “użyteczności” wynikającej z konkretnego wyboru. Załóżmy, że wybierasz kolejną książkę do przeczytania ze stosu w bibliotece – model RUM może pomóc w przewidzeniu twojego wyboru. Modele te zawierają element losowości, który uwzględnia fakt, że indywidualne preferencje mogą być dość płynne i zmieniać się z upływem czasu. Jak wyjaśnia Gabriele Farina, adiunkt na MIT, rano ktoś może preferować kawę, ale wieczorem zdecydować się zamiast tego na filiżankę herbaty.
Modele te znalazły zastosowanie w wielu różnych dziedzinach – od sektora rządowego po przemysł – pomagając w przewidywaniu zachowań w takich scenariuszach, jak wybór optymalnych rozwiązań transportowych w trakcie prac budowlanych czy najlepsze sposoby alokacji środków na cele publiczne. Jednak pomimo ich powszechnego stosowania zawsze istnieje możliwość udoskonalenia tych modeli.
Niedawno na Międzynarodowej Konferencji poświęconej reprezentacjom uczenia się w Rio de Janeiro zaprezentowano bardzo interesujący artykuł. Artykuł ten, napisany przez zespół, w skład którego wchodzili Yeshwanth Cherapanamjeri, Gabriele Farina, Constantinos Daskalakis i Sobhan Mohammadpour, wykazał, że tradycyjne metody szacowania, opierające się w dużej mierze na porównywaniu dwóch opcji naraz, mają wyraźne wady. Odkryli oni, że takie porównania parami utrudniają dostrzeżenie korelacji, które często istnieją między wieloma opcjami. Ich zdaniem rozpoznanie tych korelacji jest kluczem do dokonywania dokładnych szacunków preferencji.
Jednym z istotnych wniosków płynących z ich badań jest to, że korelacje można lepiej dostrzec, gdy badani oceniają trzy opcje zamiast dwóch. Pozwala to na pełniejsze zrozumienie preferencji i daje jaśniejszy ogólny obraz sytuacji.
Grupa z MIT skupia się na aspekcie obliczeniowym modeli RUM, wykazując szczególne zainteresowanie opracowywaniem algorytmów, które pozwalają na wydajne pozyskiwanie danych dotyczących preferencji. Emma Frejinger, informatyk z Uniwersytetu w Montrealu, zwraca uwagę na ten artykuł ze względu na matematyczne dowody wyjaśniające, dlaczego tradycyjne metody gromadzenia danych są niewystarczające, a także ze względu na wykazanie potencjału wykorzystania wyboru „najlepszego z trzech” do dokładnego szkolenia modeli.
Zespół badawczy uważa, że tworzenie modeli użytkowych będzie nadal stanowiło ważny obszar zainteresowań w tej dziedzinie. Modele te miały kluczowe znaczenie dla przedsiębiorstw internetowych od końca lat 90. i będą nadal odgrywać ważną rolę w dostrajaniu modeli sztucznej inteligencji. Ich przydatność rozciąga się na modele językowe (LLM), w których preferencje uszeregowane według rangi podczas szkolenia są wykorzystywane do poprawy wydajności modelu.
W świecie, w którym wybór jest większy niż kiedykolwiek, nierealistyczne jest oczekiwanie, że ludzie będą w stanie określić wszystkie swoje preferencje na każdą ewentualność. Zamiast tego modele muszą przewidywać preferencje i nieustannie się rozwijać, aby generować coraz trafniejsze prognozy. Aby zapoznać się z dalszymi szczegółami, przeczytaj oryginalny artykuł tutaj.
Jeśli chcesz wykorzystać automatyzację opartą na sztucznej inteligencji w swojej firmie, zapoznaj się z niezliczonymi możliwościami, jakie oferuje implementi.ai.
Ta strona używa plików cookie.