تجمیع ترجیحات، ترجیحات فردی متعدد را در قالب تصمیمات جمعی ترکیب میکند، در حالی که مدلسازی پیشبینی فردی، رفتار شخصی را با استفاده از یادگیری ماشینی روی دادههای تککاربره پیشبینی میکند. هر دو، اهداف متمایزی را در سیستمهای هوش مصنوعی، از موتورهای توصیه گرفته تا پلتفرمهای رأیگیری دموکراتیک، دنبال میکنند.
ترجیحات فردی چندگانه را برای تولید یک تصمیم یا رتبهبندی جمعی ترکیب میکند.
از یادگیری ماشینی برای پیشبینی رفتار آینده یک فرد از دادههای تاریخی او استفاده میکند.
| ویژگی | تجمیع ترجیحات | مدلسازی پیشبینی فردی |
|---|---|---|
| هدف اصلی | انتخاب جمعی را از میان ورودیهای متعدد ترکیب کنید | پیشبینی اقدامات آینده یک نفر |
| ساختار داده | پروفایلها یا رتبهبندیهای ترجیحی چندگانه | ردپای رفتاری طولی تک کاربر |
| مبانی نظری کلیدی | نظریه انتخاب اجتماعی و اقتصاد رفاه | نظریه یادگیری آماری و استنتاج علی |
| نگرانی در مورد انصاف | عدالت رویهای در میان رأیدهندگان یا شرکتکنندگان | رفتار عادلانه در سطح فردی و عدم تبعیض |
| فرمت خروجی | رتبهبندی جمعی، برنده یا توزیع احتمال | تخمین نقطهای، احتمال یا توصیه تصمیمگیری |
| چالش مقیاسپذیری | پیچیدگی محاسباتی تجمیع ترجیحات نمایی | دادههای پراکنده و شروع سرد برای کاربران جدید |
| کاربرد معمول | سیستمهای پیشنهاددهنده، پلتفرمهای رأیگیری، هوش مصنوعی گروهی | امتیازدهی اعتباری، پیشبینی ریزش، پزشکی شخصیسازیشده |
| معیار ارزیابی | کارایی کندورسه، نمرات بوردا، توابع رفاه اجتماعی | AUC-ROC، دقت-فراخوانی، خطای کالیبراسیون، امتیاز بریر |
تجمیع ترجیحات اساساً میپرسد که یک گروه چه میخواهد و ترجیحات فردی را به عنوان ورودیهایی برای یک تابع تصمیمگیری جمعی در نظر میگیرد. ریشههای فلسفی آن به اراده عمومی روسو و حساب فایدهگرایی بنتام برمیگردد. در مقابل، مدلسازی پیشبینی فردی، فرد را به عنوان واحد تحلیل در نظر میگیرد - این فرد خاص در مرحله بعد چه خواهد کرد؟ اولی بر مشروعیت دموکراتیک و رفاه اجتماعی تأکید دارد؛ دومی برای دقت پیشبینی و مداخله عملی بهینه میشود.
نظریه انتخاب اجتماعی، ستون فقرات ریاضی تجمیع ترجیحات را فراهم میکند و نتایج اولیه کندورسه، بوردا، ارو و سن، آنچه را که ما معتقدیم قابل دستیابی است، شکل میدهد. مدلسازی پیشبینی فردی از نظریه یادگیری آماری، که در آن بُعد واپنیک-چرووننکی و خطای تعمیم مرز پیچیدگی رادماکر، مشتق میشود. جالب توجه است که روشهای گروهی مانند دستهبندی و تقویت، پلی ایجاد میکنند: آنها پیشبینیهای بسیاری از یادگیرندگان ضعیف را جمعآوری میکنند و هر دو الگو را با هم ترکیب میکنند.
انصاف تجمیعی به این موضوع میپردازد که آیا این فرآیند به شرکتکنندگان به طور مساوی احترام میگذارد - آیا قانون رأیگیری به کسی نفوذ نامتناسب میدهد؟ انصاف پیشبینی فردی میپرسد که آیا افراد مشابه پیشبینیهای مشابهی دریافت میکنند یا خیر، که اغلب از طریق برابری جمعیتی یا شانس برابر رسمی میشود. این مفاهیم انصاف میتوانند در تضاد باشند؛ یک روش تجمیعی که کاملاً ترجیحات اکثریت را منعکس میکند، ممکن است به طور سیستماتیک به ضرر گروههای اقلیت باشد.
استقرار تجمیع ترجیحات در مقیاس بزرگ نیازمند مدیریت سختی محاسباتی است: تجمیع بهینه Kemeny یک مسئله NP-hard است و حتی راهحلهای تقریبی نیز به الگوریتمهای پیچیدهای نیاز دارند. مدلهای پیشبینی منفرد با موانع مختلفی روبرو هستند - مهندسی ویژگی برای دادههای رفتاری پراکنده، مدیریت رانش مفهوم با تکامل ترجیحات کاربر و حفظ تازگی مدل بدون هزینههای آموزش مجدد بیش از حد. هر دو نیازمند توجه دقیق به زیرساخت دادهها هستند، اما محدودیتهای مهندسی به طور قابل توجهی متفاوت هستند.
ارزیابی کیفیت تجمیع شامل تحلیل اصل موضوعه است - آیا یک روش، استقلال از گزینههای نامربوط، کارایی پارتو یا عدم دیکتاتوری را برآورده میکند؟ از نظر تجربی، توابع رفاه اجتماعی میزان مطلوبیت حاصل از جمع را اندازهگیری میکنند. مدلهای پیشبینی فردی از معیارهای عملکرد پیشبینی استفاده میکنند، با این حال این معیارها میتوانند گمراهکننده باشند: یک مدل کاملاً کالیبره شده اگر بدون در نظر گرفتن پیامدهای خلاف واقع عمل بر اساس پیشبینیها به کار گرفته شود، ممکن است همچنان تصمیمات مضری تولید کند.
تجمیع ترجیحات همیشه گزینهای را تولید میکند که اکثر مردم ترجیح میدهند.
پارادوکس کندورسه و قضیه ارو نشان میدهند که ترجیحات اکثریت میتوانند به صورت ناگذرا چرخهای باشند و هیچ روشی تمام معیارهای شهودی انصاف را برآورده نمیکند. نامزدی که در تطابقهای دو به دو از همه پیشی بگیرد، ممکن است وجود نداشته باشد و مجبور به ایجاد بدهبستان بین ویژگیهای مطلوب شود.
مدلهای پیشبینی فردی، آنچه را که افراد واقعاً انجام خواهند داد، پیشبینی میکنند.
این مدلها رفتار را مشروط به الگوهای تاریخی پیشبینی میکنند، نه انتخابهای واقعی آینده. افراد تغییر میکنند، زمینهها تغییر میکنند و پیشبینیها وقتی به صورت مداخلهای استفاده شوند، خود-ویرانگر میشوند - پیشبینی اینکه کسی از کار کنارهگیری خواهد کرد و سپس ارائه مشوقهای حفظ، همان نتیجه پیشبینیشده را تغییر میدهد.
روشهای تجمیع، خنثی و عاری از سوگیری هستند.
هر قاعده تجمیع، ارزشهایی را در مورد اینکه چه کسی ترجیحاتش مهم است و چگونه اختلافات حل میشود، رمزگذاری میکند. رأیگیری جمعی به نفع اقلیتهای متمرکز است؛ شمارش بوردا به نفع مقبولیت گسترده است. انتخاب روش ذاتاً سیاسی است، نه صرفاً فنی.
دادههای بیشتر همیشه پیشبینیهای فردی را بهبود میبخشند.
فراتر از یک نقطه، ویژگیهای اضافی باعث ایجاد نویز، هزینه محاسباتی و خطر حریم خصوصی میشوند. متغیرهای نامربوط باعث بیشبرازش میشوند و دادههای تاریخی از شرایط تغییر یافته، ارتباط مدل را کاهش میدهند. انتخاب مواردی که باید حذف شوند اغلب به اندازه مواردی که باید گنجانده شوند، اهمیت دارد.
این دو رویکرد در عمل هرگز با هم همپوشانی ندارند.
فیلترینگ مشارکتی در سیستمهای توصیهگر، آنها را به طور صریح ترکیب میکند - ترجیحات کاربران مشابه را برای پیشبینی انتخابهای فردی جمعآوری میکند. روشهای گروهی، مدلهای فردی زیادی را جمعآوری میکنند. مرزها در معماریهای پیشرفته هوش مصنوعی محو میشوند.
عدالت در تجمیع به این معنی است که هر کس به خواسته خود برسد.
اتفاق آرا به طرز فزایندهای نادر است، و کارایی پارتو تنها تضمین میکند که هیچکس نمیتواند بدون آسیب رساندن به دیگری بهبود یابد. تجمیع واقعی شامل بازندگان و بدهبستانها میشود؛ انصاف به فرآیند و تناسب مربوط میشود، نه رضایت همگانی.
وقتی تصمیمات بر گروهها تأثیر میگذارند و مشروعیت مستلزم گنجاندن دیدگاههای متنوع به صورت دموکراتیک است، تجمیع ترجیحات را انتخاب کنید. وقتی مداخلات، محصولات یا خدمات را برای افراد خاص تنظیم میکنید و وقتی پیشبینی رفتاری جزئی، ارزش ایجاد میکند، مدلسازی پیشبینی فردی را انتخاب کنید. بسیاری از سیستمهای دنیای واقعی، از موتورهای توصیه شخصیسازیشده گرفته تا پلتفرمهای بودجهبندی مشارکتی، هر دو رویکرد را به طور متفکرانه ترکیب میکنند.
LLM های مبتنی بر ابزار، مدلهای زبانی مستقل را با اتصال آنها به APIهای خارجی، ماشینحسابها و پایگاههای داده گسترش میدهند و بازیابی اطلاعات و اجرای وظایف را در زمان واقعی امکانپذیر میسازند. LLM های مستقل صرفاً به پارامترهای آموزشدیده خود متکی هستند و آنها را مستقل اما محدود به دانش حاصل از دادههای آموزشی میکنند.
LLM های متن باز، مدلهای هوش مصنوعی قابل تنظیم و خود-میزبان با دسترسی کامل به کد ارائه میدهند، در حالی که API های اختصاصی LLM، خدمات مدیریت شده و بهبود یافته را از طریق نقاط پایانی مبتنی بر ابر با قیمت گذاری مبتنی بر میزان استفاده ارائه میدهند.
RAG و LLM های تنظیمشده دقیق، هر دو کیفیت خروجی هوش مصنوعی را بهبود میبخشند، اما به روشهای اساساً متفاوتی عمل میکنند. RAG اطلاعات خارجی را در زمان پرسوجو دریافت میکند، در حالی که تنظیم دقیق، دانش جدید را مستقیماً در وزنهای مدل قرار میدهد. انتخاب بین آنها بستگی به این دارد که دادههای شما چند وقت یکبار تغییر میکنند و به چه نوع دقتی نیاز دارید.
RAG با زمینه بصری، مدلهای زبانی را با بازیابی تصاویر، نمودارها و دیاگرامها در کنار متن غنی میکند، در حالی که RAG فقط متنی صرفاً به متون نوشتاری متکی است. RAG بصری در وظایف چندوجهی مانند درک اسناد و پاسخ به سؤالات بصری برتری دارد، در حالی که RAG فقط متنی سادهتر، سریعتر و ارزانتر برای استقرار باقی میماند.
RAG چندوجهی متن، تصاویر، صدا و ویدیو را برای بازیابی غنیتر با هم پردازش میکند، در حالی که RAG فقط متنی منحصراً بر محتوای نوشتاری تمرکز دارد. انتخاب بستگی به این دارد که آیا دادهها و موارد استفاده شما فراتر از اسناد متنی ساده است یا خیر.
