L. L. Thurstone, ameryka\u0144ski psycholog, przedstawi\u0142 w 1927 roku koncepcj\u0119, kt\u00f3ra by\u0142a rewolucyjna jak na tamte czasy \u2014 zawar\u0142 j\u0105 w swojej pracy zatytu\u0142owanej \u201cPrawo os\u0105du por\u00f3wnawczego\u201d. Zasadniczo Thurstone stwierdzi\u0142, \u017ce gdy ludzie maj\u0105 do wyboru kilka opcji, niezmiennie wybieraj\u0105 t\u0119, kt\u00f3r\u0105 ceni\u0105 najbardziej, nawet je\u015bli nie potrafi\u0105 dok\u0142adnie okre\u015bli\u0107, dlaczego.<\/p>\n
Thurstone by\u0142 pionierem w dziedzinie psychometrii, kt\u00f3rej podstaw\u0105 jest przekonanie, \u017ce nawet procesy umys\u0142owe, kt\u00f3rych nie da si\u0119 zobaczy\u0107 ani dotkn\u0105\u0107, mo\u017cna zmierzy\u0107 i zrozumie\u0107 w spos\u00f3b naukowy. Stworzy\u0142o to podstawy do p\u00f3\u017aniejszego opracowania modeli losowej u\u017cyteczno\u015bci (RUM), czyli matematycznych modeli s\u0142u\u017c\u0105cych do ilustrowania i przewidywania ludzkich preferencji.<\/p>\n
Modele RUM mog\u0105 s\u0142u\u017cy\u0107 do oceny korzy\u015bci lub \u201cu\u017cyteczno\u015bci\u201d wynikaj\u0105cej z konkretnego wyboru. Za\u0142\u00f3\u017cmy, \u017ce wybierasz kolejn\u0105 ksi\u0105\u017ck\u0119 do przeczytania ze stosu w bibliotece \u2013 model RUM mo\u017ce pom\u00f3c w przewidzeniu Twojego wyboru. Modele te zawieraj\u0105 element losowo\u015bci, kt\u00f3ry uwzgl\u0119dnia fakt, \u017ce indywidualne preferencje mog\u0105 by\u0107 do\u015b\u0107 p\u0142ynne i zmienia\u0107 si\u0119 w czasie. Jak wyja\u015bnia Gabriele Farina, adiunkt na MIT, kto\u015b mo\u017ce preferowa\u0107 kaw\u0119 rano, ale wieczorem zdecydowa\u0107 si\u0119 zamiast tego na fili\u017cank\u0119 herbaty.<\/p>\n
Modele te znalaz\u0142y zastosowanie w wielu r\u00f3\u017cnych dziedzinach, od sektora rz\u0105dowego po przemys\u0142, pomagaj\u0105c w przewidywaniu zachowa\u0144 w takich sytuacjach, jak wyb\u00f3r optymalnych rozwi\u0105za\u0144 transportowych w trakcie budowy czy najlepsze sposoby alokacji \u015brodk\u00f3w na cele publiczne. Jednak pomimo ich powszechnego stosowania zawsze istnieje mo\u017cliwo\u015b\u0107 udoskonalenia tych modeli.<\/p>\n
Niedawno na Mi\u0119dzynarodowej Konferencji po\u015bwi\u0119conej reprezentacjom uczenia si\u0119 w Rio de Janeiro zaprezentowano bardzo interesuj\u0105cy artyku\u0142. Artyku\u0142 ten, napisany przez zesp\u00f3\u0142, w sk\u0142ad kt\u00f3rego wchodzili Yeshwanth Cherapanamjeri, Gabriele Farina, Constantinos Daskalakis i Sobhan Mohammadpour, wykaza\u0142, \u017ce tradycyjne metody szacowania, opieraj\u0105ce si\u0119 w du\u017cej mierze na por\u00f3wnywaniu dw\u00f3ch opcji naraz, maj\u0105 wyra\u017ane wady. Odkryli oni, \u017ce takie por\u00f3wnania parami utrudniaj\u0105 dostrze\u017cenie korelacji, kt\u00f3re cz\u0119sto istniej\u0105 mi\u0119dzy wieloma opcjami. Ich zdaniem rozpoznanie tych korelacji jest kluczem do dokonywania dok\u0142adnych szacunk\u00f3w preferencji.<\/p>\n
Jednym z istotnych wniosk\u00f3w p\u0142yn\u0105cych z ich bada\u0144 jest to, \u017ce korelacje mo\u017cna lepiej dostrzec, gdy badani oceniaj\u0105 trzy opcje zamiast dw\u00f3ch. Pozwala to na pe\u0142niejsze zrozumienie preferencji i daje ja\u015bniejszy og\u00f3lny obraz sytuacji.<\/p>\n
Grupa z MIT skupia si\u0119 na aspekcie obliczeniowym modeli RUM, wykazuj\u0105c szczeg\u00f3lne zainteresowanie opracowywaniem algorytm\u00f3w, kt\u00f3re pozwalaj\u0105 na wydajne pozyskiwanie danych dotycz\u0105cych preferencji. Emma Frejinger, informatyk z Uniwersytetu w Montrealu, zwraca uwag\u0119 na ten artyku\u0142 ze wzgl\u0119du na matematyczne dowody wyja\u015bniaj\u0105ce, dlaczego tradycyjne metody gromadzenia danych s\u0105 niewystarczaj\u0105ce, a tak\u017ce ze wzgl\u0119du na wykazanie potencja\u0142u wykorzystania wyboru \u201enajlepszego z trzech\u201d do dok\u0142adnego szkolenia modeli.<\/p>\n
Zesp\u00f3\u0142 badawczy uwa\u017ca, \u017ce tworzenie modeli u\u017cytkowych b\u0119dzie nadal stanowi\u0142o wa\u017cny obszar zainteresowa\u0144 w tej dziedzinie. Modele te mia\u0142y kluczowe znaczenie dla przedsi\u0119biorstw internetowych od ko\u0144ca lat 90. i b\u0119d\u0105 nadal odgrywa\u0107 wa\u017cn\u0105 rol\u0119 w dostrajaniu modeli sztucznej inteligencji. Ich przydatno\u015b\u0107 rozci\u0105ga si\u0119 na modele j\u0119zykowe (LLM), w kt\u00f3rych preferencje uszeregowane wed\u0142ug rangi podczas szkolenia s\u0105 wykorzystywane do poprawy wydajno\u015bci modelu.<\/p>\n
W \u015bwiecie, w kt\u00f3rym mamy do wyboru wi\u0119cej opcji ni\u017c kiedykolwiek, nierealistyczne jest oczekiwanie, \u017ce ludzie b\u0119d\u0105 w stanie okre\u015bli\u0107 wszystkie swoje preferencje na ka\u017cd\u0105 ewentualno\u015b\u0107. Zamiast tego modele musz\u0105 przewidywa\u0107 preferencje i nieustannie si\u0119 rozwija\u0107, aby generowa\u0107 coraz trafniejsze prognozy. Aby zapozna\u0107 si\u0119 ze szczeg\u00f3\u0142ami, przeczytaj oryginalny artyku\u0142 tutaj<\/a>.<\/p>\n