Η συγκέντρωση προτιμήσεων συνδυάζει πολλαπλές ατομικές προτιμήσεις σε συλλογικές αποφάσεις, ενώ η μοντελοποίηση ατομικών προβλέψεων προβλέπει την προσωπική συμπεριφορά χρησιμοποιώντας μηχανική μάθηση σε δεδομένα ενός χρήστη. Και οι δύο εξυπηρετούν διαφορετικούς σκοπούς σε συστήματα Τεχνητής Νοημοσύνης, από μηχανές συστάσεων έως δημοκρατικές πλατφόρμες ψηφοφορίας.
Κορυφαία σημεία
Η συνάθροιση προτιμήσεων καταπιάνεται με θεμελιώδη θεωρήματα αδυναμίας που η ατομική πρόβλεψη αποφεύγει εντελώς
Τα μεμονωμένα μοντέλα πρόβλεψης αντιμετωπίζουν μοναδικά προβλήματα ψυχρής εκκίνησης, τα οποία οι συλλογικές μέθοδοι παρακάμπτουν μέσω κοινών δεδομένων.
Τα ζητήματα που αφορούν τη δικαιοσύνη αποκλίνουν έντονα: διαδικαστική ομαδική δικαιοσύνη έναντι ισότητας ατομικής μεταχείρισης
Οι σύγχρονες μέθοδοι συνόλων συγχωνεύουν με ενδιαφέροντα τρόπο και τα δύο παραδείγματα συγκεντρώνοντας πολλές μεμονωμένες προβλέψεις.
Τι είναι το Συγκέντρωση προτιμήσεων;
Συνδυάζει πολλαπλές ατομικές προτιμήσεις για να παράγει μια συλλογική απόφαση ή κατάταξη.
Το παράδοξο του Condorcet καταδεικνύει ότι οι προτιμήσεις της πλειοψηφίας μπορούν να κυκλωθούν αμετάβατα, καθιστώντας τη συσσωμάτωση θεωρητικά δύσκολη.
Το θεώρημα αδυναμίας του Arrow αποδεικνύει ότι καμία τέλεια μέθοδος συνάθροισης δεν ικανοποιεί όλα τα κριτήρια δικαιοσύνης ταυτόχρονα
Η καταμέτρηση Borda, η πολλαπλή ψηφοφορία και η σύγκριση ανά ζεύγη αντιπροσωπεύουν θεμελιωδώς διαφορετικές φιλοσοφίες συσσωμάτωσης
Οι σύγχρονες εφαρμογές τεχνητής νοημοσύνης περιλαμβάνουν μεθόδους συνεργατικού φιλτραρίσματος και συναρμολόγησης που συγκεντρώνουν προβλέψεις σε όλα τα μοντέλα.
Ο σχεδιασμός μηχανισμών στα οικονομικά χρησιμοποιεί τη συσσωμάτωση προτιμήσεων για να δημιουργήσει συστήματα συμβατά με κίνητρα για ειλικρινή αποκάλυψη.
Τι είναι το Μοντελοποίηση Ατομικής Πρόβλεψης;
Χρησιμοποιεί μηχανική μάθηση για να προβλέψει τη μελλοντική συμπεριφορά ενός ατόμου από τα ιστορικά του δεδομένα.
Η λογιστική παλινδρόμηση και η ενίσχυση της κλίσης εξακολουθούν να χρησιμοποιούνται ευρέως για προβλέψεις σε ατομικό επίπεδο στη βιομηχανία.
Η μηχανική χαρακτηριστικών συχνά ενσωματώνει χρονικά μοτίβα, δημογραφικά σήματα και ενσωματώσεις με βάση τα συμφραζόμενα.
Ανησυχίες για την ισότητα προκύπτουν όταν τα μοντέλα κάνουν διακρίσεις με βάση προστατευόμενα χαρακτηριστικά όπως η φυλή ή το φύλο.
Η βαθμονόμηση και η διάκριση είναι ξεχωριστές προγνωστικές ιδιότητες. Ένα μοντέλο μπορεί να είναι καλά βαθμονομημένο αλλά και άδικο.
Η συλλογιστική με βάση τα αντιπαραδείγματα βοηθά στην αξιολόγηση του τι θα συνέβαινε εάν οι παρεμβάσεις άλλαζαν συγκεκριμένες μεταβλητές για το συγκεκριμένο άτομο.
Πίνακας Σύγκρισης
Λειτουργία
Συγκέντρωση προτιμήσεων
Μοντελοποίηση Ατομικής Πρόβλεψης
Πρωταρχικός στόχος
Συνθέστε συλλογική επιλογή από πολλές εισροές
Πρόβλεψη μελλοντικών ενεργειών ενός ατόμου
Δομή Δεδομένων
Πολλαπλά προφίλ προτίμησης ή κατατάξεις
Διαχρονικά ίχνη συμπεριφοράς ενός μεμονωμένου χρήστη
Βασική Θεωρητική Βάση
Θεωρία κοινωνικής επιλογής και οικονομικά της ευημερίας
Στατιστική θεωρία μάθησης και αιτιώδης συμπερασματολογία
Ανησυχία για τη Δικαιοσύνη
Διαδικαστική δικαιοσύνη μεταξύ των ψηφοφόρων ή των συμμετεχόντων
Ισότιμη μεταχείριση σε ατομικό επίπεδο και μη διακριτική μεταχείριση
Μορφή εξόδου
Συλλογική κατάταξη, νικητής ή κατανομή πιθανοτήτων
Εκτίμηση σημείου, πιθανότητα ή σύσταση απόφασης
Πρόκληση επεκτασιμότητας
Υπολογιστική πολυπλοκότητα της εκθετικής συγκέντρωσης πολλών προτιμήσεων
Λιγότερα δεδομένα και ψυχρή εκκίνηση για νέους χρήστες
Τυπική εφαρμογή
Συστήματα συστάσεων, πλατφόρμες ψηφοφορίας, ensemble AI
Η ομαδοποίηση προτιμήσεων ουσιαστικά ρωτά τι θέλει μια ομάδα, αντιμετωπίζοντας τις ατομικές προτιμήσεις ως εισροές σε μια συλλογική συνάρτηση λήψης αποφάσεων. Οι φιλοσοφικές ρίζες ανάγονται στη γενική βούληση του Ρουσσώ και στον ωφελιμιστικό λογισμό του Μπένθαμ. Αντίθετα, η μοντελοποίηση ατομικής πρόβλεψης αντιμετωπίζει το άτομο ως μονάδα ανάλυσης - τι θα κάνει στη συνέχεια αυτό το συγκεκριμένο άτομο; Το πρώτο δίνει έμφαση στη δημοκρατική νομιμότητα και την κοινωνική ευημερία. Το δεύτερο βελτιστοποιεί την προγνωστική ακρίβεια και την εφαρμόσιμη παρέμβαση.
Θεωρητικά Θεμέλια
Η θεωρία κοινωνικής επιλογής παρέχει τη μαθηματική ραχοκοκαλιά για τη συνάθροιση προτιμήσεων, με πρωτοποριακά αποτελέσματα από τους Condorcet, Borda, Arrow και Sen που διαμορφώνουν αυτό που πιστεύουμε ότι είναι εφικτό. Η μοντελοποίηση ατομικών προβλέψεων βασίζεται στη στατιστική θεωρία μάθησης, όπου η διάσταση Vapnik-Chervonenkis και το σφάλμα γενίκευσης που συνδέεται με την πολυπλοκότητα Rademacher. Είναι ενδιαφέρον ότι οι μέθοδοι συνόλου, όπως η bagging και η boosting, δημιουργούν μια γέφυρα: συναθροίζουν προβλέψεις από πολλούς αδύναμους μαθητές, συνδυάζοντας και τα δύο παραδείγματα.
Δικαιοσύνη και Ηθική
Η δικαιοσύνη συνάθροισης αφορά το κατά πόσον η διαδικασία σέβεται τους συμμετέχοντες εξίσου — δίνει ο κανόνας ψήφου σε κάποιον δυσανάλογη επιρροή; Η δικαιοσύνη ατομικής πρόβλεψης ρωτά εάν παρόμοια άτομα λαμβάνουν παρόμοιες προβλέψεις, οι οποίες συχνά επισημοποιούνται μέσω δημογραφικής ισοτιμίας ή εξισωμένων πιθανοτήτων. Αυτές οι έννοιες δικαιοσύνης μπορεί να έρχονται σε σύγκρουση. Μια μέθοδος συνάθροισης που αντικατοπτρίζει τέλεια τις προτιμήσεις της πλειοψηφίας μπορεί να θέσει συστηματικά σε μειονεκτική θέση τις μειονοτικές ομάδες.
Πρακτική εφαρμογή
Η ανάπτυξη της συσσωμάτωσης προτιμήσεων σε κλίμακα απαιτεί τον χειρισμό της υπολογιστικής δυσκολίας: Η βέλτιστη συσσωμάτωση Kemeny είναι NP-δύσκολη και ακόμη και οι προσεγγιστικές λύσεις απαιτούν εξελιγμένους αλγόριθμους. Τα μεμονωμένα μοντέλα πρόβλεψης αντιμετωπίζουν διαφορετικά εμπόδια - μηχανική χαρακτηριστικών για αραιά δεδομένα συμπεριφοράς, διαχείριση της απόκλισης εννοιών καθώς εξελίσσονται οι προτιμήσεις των χρηστών και διατήρηση της ανανέωσης του μοντέλου χωρίς υπερβολικό κόστος επανεκπαίδευσης. Και οι δύο απαιτούν προσεκτική προσοχή στην υποδομή δεδομένων, αλλά οι περιορισμοί μηχανικής διαφέρουν σημαντικά.
Αξιολόγηση και μετρήσεις επιτυχίας
Η αξιολόγηση της ποιότητας της συσσωμάτωσης περιλαμβάνει αξιωματική ανάλυση — ικανοποιεί μια μέθοδος την ανεξαρτησία από άσχετες εναλλακτικές λύσεις, την αποδοτικότητα Pareto ή τη μη δικτατορία; Εμπειρικά, οι συναρτήσεις κοινωνικής ευημερίας μετρούν πόση χρησιμότητα επιτυγχάνει το συλλογικό στοιχείο. Τα ατομικά μοντέλα πρόβλεψης χρησιμοποιούν μετρήσεις προγνωστικής απόδοσης, ωστόσο αυτές μπορούν να παραπλανήσουν: ένα τέλεια βαθμονομημένο μοντέλο μπορεί να παράγει επιβλαβείς αποφάσεις εάν αναπτυχθεί χωρίς να ληφθούν υπόψη οι αντιπαραδειγματικές συνέπειες της δράσης βάσει προβλέψεων.
Πλεονεκτήματα & Μειονεκτήματα
Συγκέντρωση προτιμήσεων
Πλεονεκτήματα
+Δημοκρατική νομιμότητα στις αποφάσεις
+Ανθεκτικό σε αστοχίες ενός σημείου
+Ενσωματώνει ποικίλες οπτικές γωνίες
+Θεωρητικά θεμελιωμένες ιδιότητες δικαιοσύνης
Συνέχεια
−Περιορισμοί αδυναμίας του Arrow
−Υπολογιστικά ακριβό σε κλίμακα
−Ευάλωτο σε στρατηγικό χειρισμό
−Μπορεί να καταστείλει τις προτιμήσεις των μειονοτήτων
Μοντελοποίηση Ατομικής Πρόβλεψης
Πλεονεκτήματα
+Εξαιρετικά εξατομικευμένες εξόδους
+Στόχευση εφαρμόσιμης παρέμβασης
+Ταχεία επεκτασιμότητα με το cloud computing
+Συνεχής βελτίωση από βρόχους ανατροφοδότησης
Συνέχεια
−Ανησυχίες για την προστασία της ιδιωτικής ζωής και την επιτήρηση
−Ενισχύει τις ιστορικές προκαταλήψεις
−Λιγότερα δεδομένα για νέους χρήστες
−Αδιαφάνεια σε σύνθετες αποφάσεις μοντέλων
Συνηθισμένες Παρανοήσεις
Μύθος
Η συγκέντρωση προτιμήσεων παράγει πάντα την επιλογή που προτιμούν οι περισσότεροι άνθρωποι.
Πραγματικότητα
Το παράδοξο του Condorcet και το θεώρημα του Arrow αποκαλύπτουν ότι οι προτιμήσεις της πλειοψηφίας μπορούν να κυκλωθούν αμετάβατα και καμία μέθοδος δεν ικανοποιεί όλα τα κριτήρια διαισθητικής δικαιοσύνης. Ένας υποψήφιος που κερδίζει κάθε άλλον σε ζευγαρωτές αντιστοιχίσεις μπορεί να μην υπάρχει, γεγονός που επιβάλλει συμβιβασμούς μεταξύ των επιθυμητών ιδιοτήτων.
Μύθος
Τα ατομικά μοντέλα πρόβλεψης προβλέπουν τι θα κάνουν στην πραγματικότητα οι άνθρωποι.
Πραγματικότητα
Αυτά τα μοντέλα προβλέπουν τη συμπεριφορά υπό την προϋπόθεση ιστορικών μοτίβων και όχι γνήσιων μελλοντικών επιλογών. Οι άνθρωποι αλλάζουν, τα συμφραζόμενα μεταβάλλονται και οι προβλέψεις γίνονται αυτοαναιρούμενες όταν χρησιμοποιούνται παρεμβατικά — η πρόβλεψη ότι κάποιος θα αποχωρήσει και στη συνέχεια η προσφορά κινήτρων διατήρησης αλλοιώνει το ίδιο το αποτέλεσμα που προβλέπεται.
Μύθος
Οι μέθοδοι συσσωμάτωσης είναι ουδέτερες και απαλλαγμένες από προκαταλήψεις.
Πραγματικότητα
Κάθε κανόνας συσσωμάτωσης κωδικοποιεί αξίες σχετικά με το ποιοι προτιμούν έχουν σημασία και πώς επιλύονται οι συγκρούσεις. Η πλειοψηφική ψήφος ευνοεί τις συγκεντρωμένες μειονότητες. Η καταμέτρηση Borda επιβραβεύει την ευρεία αποδοχή. Η επιλογή της μεθόδου είναι εγγενώς πολιτική, όχι απλώς τεχνική.
Μύθος
Περισσότερα δεδομένα βελτιώνουν πάντα τις ατομικές προβλέψεις.
Πραγματικότητα
Πέρα από ένα σημείο, πρόσθετα χαρακτηριστικά εισάγουν θόρυβο, υπολογιστικό κόστος και κίνδυνο για την ιδιωτικότητα. Οι άσχετες μεταβλητές προκαλούν υπερπροσαρμογή και τα ιστορικά δεδομένα από μεταβαλλόμενες συνθήκες υποβαθμίζουν τη συνάφεια του μοντέλου. Η επιμέλεια των στοιχείων που πρέπει να εξαιρεθούν συχνά έχει την ίδια σημασία με τα στοιχεία που πρέπει να συμπεριληφθούν.
Μύθος
Αυτές οι δύο προσεγγίσεις δεν επικαλύπτονται ποτέ στην πράξη.
Πραγματικότητα
Το συνεργατικό φιλτράρισμα στα συστήματα προτάσεων τα συνδυάζει ρητά—συγκεντρώνοντας προτιμήσεις παρόμοιων χρηστών για την πρόβλεψη μεμονωμένων επιλογών. Οι μέθοδοι συνόλου συγκεντρώνουν πολλά μεμονωμένα μοντέλα. Τα όρια είναι θολά στις εξελιγμένες αρχιτεκτονικές τεχνητής νοημοσύνης.
Μύθος
Η δικαιοσύνη στη συγκέντρωση σημαίνει ότι ο καθένας παίρνει αυτό που θέλει.
Πραγματικότητα
Η ομοφωνία είναι εξαιρετικά σπάνια και η αποτελεσματικότητα Pareto εγγυάται μόνο ότι κανείς δεν μπορεί να βελτιωθεί χωρίς να βλάψει κάποιον άλλον. Η πραγματική συνάθροιση περιλαμβάνει τους ηττημένους και τους συμβιβασμούς. Η δικαιοσύνη αφορά τη διαδικασία και την αναλογικότητα, όχι την καθολική ικανοποίηση.
Συχνές Ερωτήσεις
Τι είναι η συγκέντρωση προτιμήσεων με απλά λόγια;
Φανταστείτε μια ομάδα φίλων που προσπαθούν να διαλέξουν ένα εστιατόριο. Ο καθένας κατατάσσει τις επιλογές του και με κάποιο τρόπο πρέπει να συνδυάσετε αυτές τις κατατάξεις σε μία απόφαση. Η συγκέντρωση προτιμήσεων είναι η επίσημη μελέτη του πώς να το κάνετε αυτό δίκαια και με συνέπεια. Καλύπτει συστήματα ψηφοφορίας, μηχανές προτάσεων και οποιαδήποτε κατάσταση όπου η συλλογική επιλογή έχει σημασία.
Πώς λειτουργεί στην πραγματικότητα η μοντελοποίηση ατομικών προβλέψεων;
Αυτά τα μοντέλα μαθαίνουν μοτίβα από ιστορικά δεδομένα σχετικά με το τι έκανε ένα άτομο — αγορές που πραγματοποίησε, συνδέσμους στους οποίους έκανε κλικ, πληρωμές που έχασε — και κάνουν παρέκταση προς τα εμπρός. Συνήθεις τεχνικές περιλαμβάνουν τη λογιστική παλινδρόμηση, τα τυχαία δάση και τα νευρωνικά δίκτυα. Το μοντέλο προσδιορίζει ποια χαρακτηριστικά προβλέπουν το αποτέλεσμα που μας ενδιαφέρει και στη συνέχεια εφαρμόζει αυτές τις σχέσεις που έχουν μάθει σε νέες καταστάσεις.
Γιατί είναι σημαντικό το θεώρημα αδυναμίας του Arrow για την Τεχνητή Νοημοσύνη;
Ο Arrow απέδειξε ότι κανένα σύστημα συνάθροισης προτιμήσεων δεν μπορεί να ικανοποιήσει ταυτόχρονα ένα μικρό σύνολο φαινομενικά λογικών συνθηκών δικαιοσύνης. Για τα συστήματα Τεχνητής Νοημοσύνης που συνδυάζουν τις προτιμήσεις των χρηστών - όπως η κατάταξη των αποτελεσμάτων αναζήτησης ή η πρόταση περιεχομένου - αυτό σημαίνει ότι οι θεμελιώδεις συμβιβασμοί είναι αναπόφευκτοι. Οι σχεδιαστές πρέπει να επιλέξουν ρητά ποιες ιδιότητες δικαιοσύνης θα δώσουν προτεραιότητα.
Μπορούν ποτέ τα μεμονωμένα μοντέλα πρόβλεψης να είναι πραγματικά δίκαια;
Η δικαιοσύνη έχει πολλαπλούς μαθηματικούς ορισμούς που συχνά έρχονται σε αντίθεση μεταξύ τους. Ένα μοντέλο μπορεί να ικανοποιεί τη δημογραφική ισοτιμία αλλά να παραβιάζει τις ισοσταθμισμένες πιθανότητες ή το αντίστροφο. Επιπλέον, η δικαιοσύνη στην πρόβλεψη δεν εγγυάται δικαιοσύνη στα αποτελέσματα όταν οι προβλέψεις καθοδηγούν τις αποφάσεις. Η πρόκληση είναι τόσο τεχνική όσο και βαθιά συγκυριακή.
Τι καθιστά την ομαδοποίηση προτιμήσεων υπολογιστικά δύσκολη;
Ορισμένοι βέλτιστοι κανόνες συσσωμάτωσης, όπως η εύρεση της κατάταξης συναίνεσης Kemeny, απαιτούν την εκθετική εξέταση πολλών πιθανών ταξινομήσεων καθώς αυξάνεται ο αριθμός των εναλλακτικών λύσεων. Ακόμα και με τους αλγόριθμους προσέγγισης, η κλιμάκωση σε εκατομμύρια στοιχεία ή ψηφοφόρους παρουσιάζει πραγματικές προκλήσεις που παρακινούν την εφαρμογή ευρετικών και τυχαιοποιημένων μεθόδων.
Πώς τα συστήματα συστάσεων χρησιμοποιούν και τις δύο προσεγγίσεις μαζί;
Το συνεργατικό φιλτράρισμα συγκεντρώνει τις προτιμήσεις μεταξύ παρόμοιων χρηστών για να προβλέψει τι μπορεί να σας αρέσει. Το φιλτράρισμα βάσει περιεχομένου χρησιμοποιεί ατομική πρόβλεψη για το δικό σας ιστορικό. Τα υβριδικά συστήματα συνδυάζουν και τα δύο, αξιοποιώντας τη συλλογική σοφία όταν τα προσωπικά σας δεδομένα είναι αραιά και τα ατομικά μοτίβα όταν έχετε πλούσιο ιστορικό αλληλεπίδρασης.
Ποιο είναι το πρόβλημα της ψυχρής εκκίνησης στην ατομική πρόβλεψη;
Όταν ένας νέος χρήστης εγγράφεται σε μια πλατφόρμα ή ένα νέο προϊόν λανσάρεται, τα ιστορικά δεδομένα δεν επαρκούν για την κατασκευή ακριβών προβλέψεων. Αυτή είναι η αχίλλειος πτέρνα κάθε μεμονωμένης πρόβλεψης. Οι μέθοδοι συγκέντρωσης λύνουν εν μέρει αυτό το πρόβλημα δανειζόμενοι πληροφορίες από παρόμοιους χρήστες ή στοιχεία, γι' αυτό και οι υβριδικές προσεγγίσεις κυριαρχούν στην πράξη.
Μπορεί η συγκέντρωση προτιμήσεων να διαχειριστεί άτομα που αναφέρουν στρατηγικά λανθασμένα τις προτιμήσεις τους;
Αυτό είναι το κεντρικό ερώτημα του σχεδιασμού μηχανισμών. Ορισμένα συστήματα, όπως οι δημοπρασίες δεύτερης τιμής, καθιστούν την ειλικρινή αποκάλυψη συμβατή με κίνητρα. Ωστόσο, πολλά συστήματα ψηφοφορίας είναι χειραγωγήσιμα — οι ψηφοφόροι μπορούν μερικές φορές να επιτύχουν καλύτερα αποτελέσματα παρουσιάζοντας λανθασμένα τις προτιμήσεις τους. Ο σχεδιασμός συσσωμάτωσης που ανταποκρίνεται στις στρατηγικές παραμένει ένα ενεργό ερευνητικό μέτωπο.
Πώς διαφέρουν οι ανησυχίες για την προστασία της ιδιωτικής ζωής μεταξύ αυτών των δύο προσεγγίσεων;
Τα μεμονωμένα μοντέλα πρόβλεψης συχνά απαιτούν λεπτομερή προσωπικά δεδομένα, γεγονός που εγείρει ανησυχίες για την επιτήρηση και τη συγκατάθεση. Η συγκέντρωση προτιμήσεων μπορεί μερικές φορές να λειτουργήσει με ανώνυμες κατατάξεις, αν και οι τεχνικές διαφορικής ιδιωτικότητας είναι ολοένα και πιο απαραίτητες και για τα δύο. Η λεπτομερής έκθεση σε δεδομένα διαφέρει σημαντικά.
Ποιος είναι ο ρόλος της εξηγησιμότητας σε κάθε προσέγγιση;
Οι μέθοδοι συσσωμάτωσης αντιμετωπίζουν προκλήσεις εξηγησιμότητας σχετικά με το γιατί προέκυψε η συλλογική επιλογή - ποιος επηρέασε τι και πώς. Οι μεμονωμένες προβλέψεις πρέπει να εξηγούν γιατί ένα συγκεκριμένο άτομο έλαβε μια συγκεκριμένη πρόβλεψη, ειδικά σε τομείς υψηλού διακυβεύματος όπως ο δανεισμός και η ποινική δικαιοσύνη. Και οι δύο απαιτούν ολοένα και περισσότερο διαφάνεια, αλλά τα αντικείμενα εξήγησης διαφέρουν.
Υπάρχουν πραγματικές αποτυχίες αυτών των μεθόδων που θα έπρεπε να γνωρίζω;
Οι προεδρικές εκλογές των ΗΠΑ το 2000 και το 2016 κατέδειξαν πώς η συσσωμάτωση της πολλαπλότητας μπορεί να αναδείξει νικητές που αντιτίθενται στις πλειοψηφίες. Τα ατομικά μοντέλα πρόβλεψης στην ποινική δικαιοσύνη έχουν επιδείξει φυλετική προκατάληψη στην πρόβλεψη υποτροπής. Και οι δύο περιπτώσεις υπογραμμίζουν ότι η τεχνική πολυπλοκότητα δεν μπορεί να υποκαταστήσει τις προσεκτικές επιλογές σχεδιασμού που βασίζονται σε αξίες.
Πώς θα μπορούσαν αυτές οι προσεγγίσεις να εξελιχθούν με τις εξελίξεις στην παραγωγική τεχνητή νοημοσύνη;
Τα μεγάλα γλωσσικά μοντέλα μπορούν πλέον να προσομοιώνουν ατομικές προτιμήσεις για πειράματα συσσωμάτωσης, βελτιώνοντας ενδεχομένως τον σχεδιασμό μηχανισμών. Επίσης, επιτρέπουν πιο εξελιγμένες ατομικές προβλέψεις μέσω πλουσιότερων αναπαραστάσεων χαρακτηριστικών. Ωστόσο, οι κίνδυνοι συνθετικών δεδομένων και οι αναδυόμενες δυνατότητες που συγχέουν τις παραδοσιακές θεωρητικές εγγυήσεις παρουσιάζουν νέες προκλήσεις και για τα δύο παραδείγματα.
Απόφαση
Επιλέξτε τη συνάθροιση προτιμήσεων όταν οι αποφάσεις επηρεάζουν ομάδες και η νομιμότητα απαιτεί την ενσωμάτωση διαφορετικών απόψεων με δημοκρατικό τρόπο. Επιλέξτε τη μοντελοποίηση ατομικών προβλέψεων όταν προσαρμόζετε παρεμβάσεις, προϊόντα ή υπηρεσίες σε συγκεκριμένα άτομα και όταν η λεπτομερής πρόβλεψη συμπεριφοράς αυξάνει την αξία. Πολλά συστήματα πραγματικού κόσμου, από εξατομικευμένες μηχανές συστάσεων έως πλατφόρμες συμμετοχικού προϋπολογισμού, συνδυάζουν προσεκτικά και τις δύο προσεγγίσεις.
