Preferenču apkopošana apvieno vairākas individuālas preferences kolektīvos lēmumos, savukārt individuālā prognozēšanas modelēšana prognozē personīgo uzvedību, izmantojot mašīnmācīšanos viena lietotāja datos. Abām metodēm ir atšķirīgi mērķi mākslīgā intelekta sistēmās, sākot no ieteikumu dzinējiem līdz demokrātiskām balsošanas platformām.
Apvieno vairākas individuālas preferences, lai izveidotu kolektīvu lēmumu vai rangu.
Izmanto mašīnmācīšanos, lai prognozētu vienas personas turpmāko uzvedību, pamatojoties uz tās vēsturiskajiem datiem.
| Funkcija | Preferenču apkopošana | Individuālā prognozēšanas modelēšana |
|---|---|---|
| Galvenais mērķis | Sintezēt kolektīvu izvēli no daudziem ievades avotiem | Prognozēt vienas personas nākotnes rīcību |
| Datu struktūra | Vairāki preferenču profili vai reitingi | Viena lietotāja gareniskās uzvedības pēdas |
| Galvenais teorētiskais pamats | Sociālās izvēles teorija un labklājības ekonomika | Statistiskās mācīšanās teorija un cēloņsakarību secinājumi |
| Bažas par taisnīgumu | Procedūras taisnīgums vēlētāju vai dalībnieku vidū | Individuāla līmeņa vienlīdzīga attieksme un nediskriminācija |
| Izvades formāts | Kolektīvais rangs, uzvarētājs vai varbūtības sadalījums | Punkta novērtējums, varbūtība vai lēmuma ieteikums |
| Mērogojamības izaicinājums | Eksponenciāli daudzu preferenču apkopošanas skaitļošanas sarežģītība | Reti dati un aukstā palaišana jauniem lietotājiem |
| Tipisks pielietojums | Ieteikumu sistēmas, balsošanas platformas, mākslīgā intelekta ansamblis | Kredītreitings, klientu aizplūšanas prognozēšana, personalizēta medicīna |
| Novērtēšanas metrika | Kondorseta efektivitāte, Bordas rādītāji, sociālās labklājības funkcijas | AUC-ROC, precizitātes atsaukšana, kalibrēšanas kļūda, Briera vērtējums |
Preferenču apkopošana būtībā jautā, ko vēlas grupa, uzskatot individuālās preferences par kolektīvas lēmumu funkcijas ievadi. Filozofiskās saknes meklējamas Ruso vispārējās gribas teorijā un Benthema utilitārajā aprēķinos. Turpretī individuālā prognozēšanas modelēšana uzskata personu par analīzes vienību — ko šī konkrētā persona darīs tālāk? Pirmā uzsver demokrātisko leģitimitāti un sociālo labklājību; otrā optimizē prognozēšanas precizitāti un rīcības brīvu iejaukšanos.
Sociālās izvēles teorija nodrošina matemātisko mugurkaulu preferenču apkopošanai, un Kondorseta, Bordas, Arouvas un Sena fundamentālie rezultāti veido to, ko, mūsuprāt, ir sasniedzams. Individuālā prognozēšanas modelēšana balstās uz statistiskās mācīšanās teoriju, kur Vapņika-Červonenka dimensija un Rademahera sarežģītības ierobežotā vispārināšanas kļūda. Interesanti, ka ansambļa metodes, piemēram, maisīšana un pastiprināšana, rada tiltu: tās apkopo daudzu vāju apguvēju prognozes, apvienojot abas paradigmas.
Apkopošanas taisnīgums attiecas uz to, vai process vienlīdzīgi respektē dalībniekus — vai balsošanas noteikums kādam piešķir nesamērīgu ietekmi? Individuālās prognozēšanas taisnīgums jautā, vai līdzīgi indivīdi saņem līdzīgas prognozes, kas bieži tiek formalizētas, izmantojot demogrāfisko paritāti vai vienādas izredzes. Šie taisnīguma jēdzieni var būt pretrunīgi; apkopošanas metode, kas perfekti atspoguļo vairākuma vēlmes, varētu sistemātiski nostādīt mazākumtautību grupas neizdevīgā situācijā.
Preferenču apkopošanas ieviešana plašā mērogā prasa skaitļošanas grūtības pakāpi: Kemeny optimālā apkopošana ir NP sarežģīta, un pat aptuveniem risinājumiem ir nepieciešami sarežģīti algoritmi. Atsevišķi prognozēšanas modeļi saskaras ar atšķirīgiem šķēršļiem — iezīmju inženierija reti sastopamiem uzvedības datiem, koncepcijas nobīdes apstrāde, mainoties lietotāju preferencēm, un modeļa svaiguma saglabāšana bez pārmērīgām atkārtotas apmācības izmaksām. Abos gadījumos ir nepieciešama rūpīga datu infrastruktūras izpēte, taču inženiertehniskie ierobežojumi ievērojami atšķiras.
Apkopojuma kvalitātes novērtēšana ietver aksiomatisku analīzi — vai metode atbilst neatbilstošu alternatīvu neatkarībai, Pareto efektivitātei vai nediktātai? Empīriski sociālās labklājības funkcijas mēra, cik lielu lietderību sasniedz kolektīvs. Individuālie prognozēšanas modeļi izmanto paredzamos veiktspējas rādītājus, tomēr tie var maldināt: perfekti kalibrēts modelis joprojām var radīt kaitīgus lēmumus, ja to izmanto, neņemot vērā prognozēm atbilstošas rīcības hipotētiskās sekas.
Preferenču apkopošana vienmēr sniedz iespēju, kurai dod priekšroku lielākā daļa cilvēku.
Kondorseta paradokss un Bultas teorēma atklāj, ka vairākuma preferences var cikliski cikliski funkcionēt intransitīvi, un neviena metode neatbilst visiem intuitīvajiem taisnīguma kritērijiem. Kandidāts, kas pāru sakritībās pārspēj visus pārējos, var neeksistēt, piespiežot kompromisus starp vēlamajām īpašībām.
Individuālie prognozēšanas modeļi paredz, ko cilvēki faktiski darīs.
Šie modeļi prognozē uzvedību, kas ir atkarīga no vēsturiskiem modeļiem, nevis no patiesām nākotnes izvēlēm. Cilvēki mainās, konteksti mainās, un prognozes kļūst pašdestruktīvas, ja tās tiek izmantotas intervencīvi — paredzot, ka kāds aizies no darba, un pēc tam piedāvājot noturēšanas stimulus, tiek mainīts pats prognozētais rezultāts.
Apkopošanas metodes ir neitrālas un brīvas no aizspriedumiem.
Katrs apkopošanas noteikums kodē vērtības par to, kuru preferences ir svarīgas un kā konflikti tiek atrisināti. Vairākuma balsošana dod priekšrocības koncentrētām minoritātēm; Borda skaitīšana atalgo plašu pieņemamību. Metodes izvēle pēc būtības ir politiska, ne tikai tehniska.
Vairāk datu vienmēr uzlabo individuālās prognozes.
Virs noteikta punkta papildu funkcijas rada troksni, skaitļošanas izmaksas un privātuma risku. Neatbilstoši mainīgie izraisa pārmērīgu pielāgošanu, un vēsturiskie dati no mainīgiem apstākļiem samazina modeļa atbilstību. Izslēdzamo elementu atlasīšana bieži vien ir tikpat svarīga kā iekļaujamo elementu atlasīšana.
Praksē šīs divas pieejas nekad nepārklājas.
Sadarbības filtrēšana ieteikumu sistēmās tās tieši apvieno — apkopojot līdzīgu lietotāju preferences, lai prognozētu individuālas izvēles. Ansambļa metodes apkopo daudzus individuālus modeļus. Robežas izplūst sarežģītās mākslīgā intelekta arhitektūrās.
Taisnīgums apkopojumā nozīmē, ka ikviens saņem to, ko vēlas.
Vienprātība ir ārkārtīgi reta parādība, un Pareto efektivitāte garantē tikai to, ka neviens nevar uzlaboties, nekaitējot citam. Reālā apvienošana ietver zaudētājus un kompromisus; taisnīgums attiecas uz procesu un proporcionalitāti, nevis uz vispārēju apmierinātību.
Izvēlieties preferenču apkopošanu, ja lēmumi ietekmē grupas un leģitimitāte prasa demokrātiski iekļaut dažādus viedokļus. Izvēlieties individuālu prognozēšanas modelēšanu, pielāgojot intervences, produktus vai pakalpojumus konkrētiem cilvēkiem un ja detalizēta uzvedības prognozēšana rada vērtību. Daudzas reālās pasaules sistēmas, sākot no personalizētām ieteikumu dzinējiem līdz līdzdalības budžeta platformām, pārdomāti apvieno abas pieejas.
A/B testēšana modeļu apkalpošanā novirza trafiku starp konkurējošām modeļu versijām, lai novērtētu reālo veiktspēju, savukārt viena modeļa ieviešana visiem lietotājiem nosūta vienu modeli. Komandas izvēlas starp tiem, pamatojoties uz riska toleranci, trafika apjomu un statistiskās validācijas nepieciešamību pirms pilnīgas ieviešanas.
A/B testēšana satura izlaidumos ietver variāciju ieviešanu dažādiem auditorijas segmentiem un veiktspējas mērīšanu, savukārt vienreizēji satura izlaidumi vienlaikus nodrošina vienu versiju visiem lietotājiem. Katra pieeja atbilst dažādiem mērķiem, A/B testēšanai dodot priekšroku uz datiem balstītai optimizācijai, bet vienreizējiem izlaidumiem prioritāte ir ātrums un vienkāršība.
Adaptīvā izguve dinamiski pielāgo, kā un kādu informāciju sistēma izgūst, pamatojoties uz vaicājumu, savukārt statiskās izguves cauruļvadi ievēro fiksētus noteikumus neatkarīgi no konteksta. Abas nodrošina modernas mākslīgā intelekta lietojumprogrammas, taču tās ievērojami atšķiras pēc elastības, izmaksām un precizitātes. Izvēle starp tām ir atkarīga no darba slodzes sarežģītības un budžeta.
Šajā detalizētajā salīdzinājumā tiek pētītas adaptīvo intelekta dzinēju arhitektūras atšķirības, darbības ierobežojumi un reālā veiktspēja salīdzinājumā ar fiksētas uzvedības automatizācijas sistēmām. Mēs aplūkojam, kā sistēmas, kas nepārtraukti mācās no jauniem vides datiem, atbilst stingrām, paredzamām, uz noteikumiem balstītām sistēmām.
Aģentu apmācība vidēs ietver mācīšanos, izmantojot reāllaika mijiedarbību ar simulētu vai fizisku vidi, savukārt bezsaistes datu kopu apmācība balstās uz iepriekš apkopotiem datiem bez papildu piekļuves videi. Abas pieejas apmāca mašīnmācīšanās modeļus, taču būtiski atšķiras tas, kā aģenti apkopo pieredzi un uzlabo veiktspēju.
