การเรียนรู้ความชอบแบบจับคู่จะฝึกโมเดลโดยการเปรียบเทียบสองรายการโดยตรงเพื่อพิจารณาว่ารายการใดเป็นที่ชื่นชอบมากกว่า ในขณะที่โมเดลการให้คะแนนแบบสัมบูรณ์จะประเมินรายการต่างๆ อย่างอิสระโดยใช้มาตราส่วนการให้คะแนนคงที่ ทั้งสองวิธีนี้เป็นหัวใจสำคัญของระบบแนะนำ ระบบจัดอันดับการค้นหา และการปรับความชอบของมนุษย์ให้สอดคล้องกันในระบบ AI แต่มีความแตกต่างกันอย่างพื้นฐานในวิธีการจับภาพและแสดงผลการตัดสินของมนุษย์
วิธีการฝึกอบรมที่เรียนรู้จากการเปรียบเทียบเชิงสัมพัทธ์ระหว่างคู่ของรายการต่างๆ แทนที่จะพิจารณาจากคะแนนรายบุคคล
แบบจำลองที่กำหนดคะแนนตัวเลขอิสระให้กับแต่ละรายการโดยใช้เกณฑ์การให้คะแนนที่สอดคล้องกัน
| ฟีเจอร์ | การเรียนรู้ความชอบแบบจับคู่ | แบบจำลองการให้คะแนนสัมบูรณ์ |
|---|---|---|
| กลไกหลัก | เปรียบเทียบสิ่งของสองชิ้น เพื่อเรียนรู้ความชอบที่มากกว่ากัน | กำหนดคะแนนอิสระให้กับแต่ละรายการ |
| ข้อกำหนดด้านมาตราส่วน | การจัดลำดับหรือการเลือกแบบไบนารีก็เพียงพอแล้ว | ต้องใช้มาตราส่วนช่วงหรืออัตราส่วนที่สอบเทียบแล้ว |
| ความสอดคล้องของผู้ประเมิน | ยอมรับความแปรผันของขนาดแต่ละบุคคล | ถือว่าการตีความมาตราส่วนเป็นไปในทิศทางเดียวกัน |
| สมมติฐานการถ่ายทอด | สร้างแบบจำลองหรือทดสอบการถ่ายทอดอย่างชัดเจน | โดยปริยายถือว่ามีการถ่ายทอดได้ |
| ต้นทุนการคำนวณ | สูงขึ้น (แปรผันตามจำนวนรายการเป็นกำลังสอง) | ต่ำกว่า (เชิงเส้นตามจำนวนรายการ) |
| ความพยายามของมนุษย์ | จำเป็นต้องมีการเปรียบเทียบเพิ่มเติม แต่แต่ละกรณีก็ง่ายกว่า | จำนวนการให้คะแนนที่ต้องการน้อยลง แต่แต่ละด่านยากขึ้น |
| ความสามารถในการตีความผลลัพธ์ | การจัดอันดับและความน่าจะเป็น | คะแนนตัวเลขโดยตรง |
| กรณีการใช้งานที่ดีที่สุด | ความชอบส่วนบุคคล สุนทรียภาพ คุณภาพ | คุณลักษณะที่เป็นรูปธรรม เกณฑ์ที่ชัดเจน |
การเรียนรู้แบบเปรียบเทียบความชอบเป็นคู่ๆ นั้นถือว่าการตัดสินใจเป็นเรื่องของการเปรียบเทียบเป็นหลัก เมื่อคุณถามใครสักคนว่าพวกเขาชอบวันหยุดพักผ่อนแบบ A หรือแบบ B มากกว่ากัน พวกเขามักจะตอบได้อย่างมั่นใจ แต่ถ้าคุณขอให้พวกเขาให้คะแนนวันหยุดพักผ่อนแต่ละครั้งในระดับ 1-10 คุณจะได้ผลลัพธ์ที่ไม่สอดคล้องกัน ในทางตรงกันข้าม โมเดลการให้คะแนนแบบสัมบูรณ์นั้นสมมติว่าเราสามารถสร้างมาตรวัดสากลที่ทุกคนตีความได้เหมือนกัน การแบ่งแยกทางปรัชญานี้ส่งผลต่อการตัดสินใจทุกอย่างในขั้นตอนการออกแบบระบบ
การรวบรวมความชอบแบบจับคู่มักให้ความรู้สึกเบากว่าสำหรับผู้ให้ข้อมูล การคลิก 'ซ้ายดีกว่า' ใช้ภาระทางความคิดน้อยกว่าการกำหนดค่าตัวเลขที่แม่นยำ อย่างไรก็ตาม คุณต้องมีป้ายกำกับแบบจับคู่จำนวนมากเพื่อสร้างการจัดอันดับที่สมบูรณ์ การให้คะแนนแบบสัมบูรณ์ช่วยให้คุณรวบรวมข้อมูลที่กระจัดกระจายได้ หากคนสิบคนให้คะแนนภาพยนตร์เรื่องหนึ่ง 7/10 คุณก็จะได้สัญญาณที่มีความหมาย แต่สำหรับแบบจับคู่ การเปรียบเทียบที่ขาดหายไปจะสร้างช่องว่างในกราฟการจัดอันดับของคุณซึ่งต้องอนุมานเอาเอง
วิธีการแบบจับคู่เชื่อมโยงกับทฤษฎีการเลือกทางสังคมและอัลกอริธึมการจัดอันดับในทัวร์นาเมนต์ ระบบการให้คะแนน Elo ในหมากรุกแปลงผลลัพธ์ของเกมแบบจับคู่เป็นคะแนนต่อเนื่อง การให้คะแนนแบบสัมบูรณ์สืบทอดมาจากทฤษฎีการทดสอบแบบคลาสสิกและทฤษฎีการตอบสนองต่อข้อสอบ ซึ่งคุณลักษณะแฝงจะถูกประมาณจากการตอบสนองที่สังเกตได้ แนวทางโครงข่ายประสาทเทียมสมัยใหม่ เช่น แบบจำลอง Bradley-Terry ที่มีการฝังข้อมูลเชิงลึก ผสมผสานทั้งสองประเพณีเข้าด้วยกัน
GPT-4 ของ OpenAI และ Claude ของ Anthropic อาศัยการประเมินความชอบของมนุษย์แบบเป็นคู่ๆ อย่างมากในระหว่างการฝึกอบรม RLHF ผู้ประเมินจะเปรียบเทียบผลลัพธ์ของโมเดล และข้อมูลความชอบจะช่วยปรับแต่งโมเดลการให้รางวัล Netflix เคยใช้การให้คะแนนดาว (แบบสัมบูรณ์) แต่เปลี่ยนมาใช้การกดไลค์/ไม่ไลค์ (แบบเป็นคู่ๆ) หลังจากพบว่าแบบหลังให้สัญญาณที่น่าเชื่อถือกว่า การจัดอันดับของ Google Search ผสมผสานทั้งสองอย่างเข้าด้วยกัน ได้แก่ คะแนนความเกี่ยวข้องแบบสัมบูรณ์สำหรับคู่คำค้นหา-เอกสาร บวกกับการทดลองสลับแบบเป็นคู่ๆ สำหรับการประเมินผลแบบเรียลไทม์
การให้คะแนนแบบสัมบูรณ์จะล้มเหลวเมื่อผู้ประเมินใช้มาตราส่วนที่แตกต่างกัน—คะแนน 5/10 ของคนหนึ่งอาจเท่ากับ 7/10 ของอีกคนหนึ่ง วิธีการเปรียบเทียบแบบจับคู่จะไม่ได้รับผลกระทบจากปัญหาการให้คะแนนแบบโมโนโทนิกนี้ แต่จะอ่อนแอต่อความชอบที่ไม่เป็นไปตามหลักความสอดคล้อง หาก A ชนะ B, B ชนะ C แต่ C ชนะ A โมเดลจะต้องแก้ไขวงจรนี้ ความชอบของมนุษย์ในความเป็นจริงมักละเมิดหลักความสอดคล้อง ทำให้เกิดความท้าทายทางปรัชญาและเชิงปฏิบัติอย่างแท้จริงสำหรับทั้งสองแนวทาง
ระบบที่ซับซ้อนมากขึ้นเรื่อย ๆ ผสานรวมทั้งสองแนวคิดเข้าด้วยกัน คะแนนสัมบูรณ์ทำหน้าที่เป็นจุดอ้างอิง ในขณะที่การเปรียบเทียบแบบคู่ช่วยปรับปรุงการจัดอันดับให้ดียิ่งขึ้น บางแพลตฟอร์มเก็บรวบรวมคะแนนสัมบูรณ์ แต่ฝึกฝนโมเดลแบบคู่โดยการสร้างคู่เปรียบเทียบแบบไดนามิกจากชุดข้อมูลคะแนน กลยุทธ์แบบผสมผสานนี้พยายามที่จะดึงเอาประสิทธิภาพของการเก็บรวบรวมคะแนนสัมบูรณ์มาผนวกกับความแข็งแกร่งของการเรียนรู้แบบคู่
วิธีการเปรียบเทียบแบบจับคู่ต้องการข้อมูลมากกว่าการให้คะแนนแบบสัมบูรณ์เสมอ
แม้ว่าจำนวนการเปรียบเทียบแบบคู่จะเพิ่มขึ้นแบบกำลังสอง แต่การติดป้ายกำกับแต่ละครั้งจะเร็วขึ้นและน่าเชื่อถือมากขึ้น การศึกษาเกี่ยวกับการระดมความคิดจากกลุ่มคนแสดงให้เห็นว่า สำหรับเป้าหมายความแม่นยำที่เท่ากัน เวลาในการติดป้ายกำกับทั้งหมดมักจะเอื้อประโยชน์ต่อวิธีการเปรียบเทียบแบบคู่ ประสิทธิภาพขึ้นอยู่กับกลยุทธ์การเรียนรู้เชิงรุกที่เลือกคู่ที่มีข้อมูลมากที่สุดเป็นอย่างมาก
คะแนนสัมบูรณ์นั้นตีความได้ง่ายกว่า เพราะเป็นตัวเลข
คะแนน "7 เต็ม 10" ดูเหมือนจะแน่นอน แต่ความหมายของมันเปลี่ยนแปลงไปอย่างมากในแต่ละวัฒนธรรม บริบท และอารมณ์ของแต่ละบุคคล งานวิจัยเกี่ยวกับการให้คะแนนที่สูงเกินจริงแสดงให้เห็นว่า ผู้ใช้ Netflix ที่เคยให้คะแนน 3 ดาว ตอนนี้กลับให้คะแนน 1 ดาวกับเนื้อหาเดียวกัน การจัดอันดับแบบจับคู่มักจะสะท้อนพฤติกรรมของผู้ใช้จริงได้เสถียรกว่า
คุณสามารถแปลงคะแนนสัมบูรณ์เป็นอันดับแบบคู่ได้อย่างง่ายดาย
การเปรียบเทียบคะแนนแบบง่ายๆ ละเลยความไม่แน่นอนและความมั่นใจ ตัวอย่างเช่น สินค้าสองรายการที่ได้คะแนน 7.0 และ 7.1 อาจแยกแยะความแตกต่างทางสถิติไม่ได้ แต่การแปลงค่าแบบง่ายๆ กลับบังคับให้มีการจัดลำดับ การแปลงค่าที่ถูกต้องต้องอาศัยการสร้างแบบจำลองความแปรปรวนของคะแนน ซึ่งจะนำความซับซ้อนที่วิธีการเปรียบเทียบแบบจับคู่สามารถจัดการได้โดยธรรมชาติกลับมาอีกครั้ง
ความชอบของมนุษย์นั้นสามารถถ่ายทอดได้โดยธรรมชาติ
งานวิจัยทางจิตวิทยาแสดงให้เห็นอย่างสม่ำเสมอว่าความชอบในชีวิตจริงนั้นมีลักษณะที่ไม่เป็นไปตามลำดับ เช่น คนอาจชอบพิซซ่าขนาดใหญ่เพราะราคาถูก ขนาดกลางเพราะสะดวก และขนาดเล็กเพราะดีต่อสุขภาพ ซึ่งก่อให้เกิดวัฏจักร วิธีการสร้างแบบจำลองทั้งสองแบบต้องจัดการหรือตัดความเป็นไปได้ของความเป็นจริงนี้ออกไป โดยวิธีการเปรียบเทียบแบบคู่จะมีเครื่องมือที่ชัดเจนกว่าในการจัดการกับข้อเท็จจริงนี้
วิธีการจับคู่ใช้ได้เฉพาะกับความชอบแบบไบนารีเท่านั้น
กรอบการเปรียบเทียบแบบคู่สมัยใหม่สามารถจัดการกับระดับความชอบ ลำดับบางส่วน และแม้แต่การเปรียบเทียบหลายแง่มุมได้ คำว่า 'แบบคู่' หมายถึงโครงสร้างการเปรียบเทียบ ไม่ใช่รูปแบบการตอบ ผู้ให้ข้อมูลสามารถแสดงความชอบ ความไม่แน่นอน หรือการตัดสินใจแบบหลายมิติภายในกรอบการเปรียบเทียบแบบคู่ได้
เลือกใช้การเรียนรู้แบบจับคู่ความชอบเมื่อต้องการบันทึกการตัดสินใจเชิงอัตวิสัยของมนุษย์ เช่น คุณภาพคำแนะนำ ประโยชน์ของเนื้อหา หรือความชอบด้านสุนทรียศาสตร์ ซึ่งมาตราส่วนของแต่ละบุคคลเปลี่ยนแปลงไปอย่างคาดเดาไม่ได้ เลือกใช้การให้คะแนนแบบสัมบูรณ์เมื่อประเมินคุณลักษณะที่เป็นรูปธรรมและกำหนดไว้อย่างชัดเจนด้วยเกณฑ์ที่คงที่ หรือเมื่อคุณต้องการดำเนินการทางคณิตศาสตร์กับผลลัพธ์ ระบบการผลิตจำนวนมากในปัจจุบันผสมผสานทั้งสองวิธีเข้าด้วยกัน: การให้คะแนนแบบสัมบูรณ์สำหรับการกรองแบบหยาบ และการปรับแต่งแบบจับคู่สำหรับการจัดอันดับขั้นสุดท้าย
AI slop หมายถึงเนื้อหา AI ที่ผลิตออกมาจำนวนมากโดยใช้ความพยายามน้อยและขาดการกำกับดูแล ในขณะที่งาน AI ที่มีมนุษย์ควบคุมนั้นเป็นการผสมผสานปัญญาประดิษฐ์เข้ากับการตัดต่อ การกำกับ และการตัดสินใจเชิงสร้างสรรค์อย่างรอบคอบ ความแตกต่างมักอยู่ที่คุณภาพ ความคิดริเริ่ม ประโยชน์ใช้สอย และว่ามีบุคคลจริงเข้ามามีส่วนร่วมในการกำหนดผลลัพธ์สุดท้ายหรือไม่
AI ที่มีมนุษย์เข้ามาเกี่ยวข้อง (Human-in-the-Loop AI) ผสานประสิทธิภาพของเครื่องจักรเข้ากับการตัดสินใจของมนุษย์ในจุดสำคัญ ในขณะที่ระบบ AI อัตโนมัติเต็มรูปแบบ (Fully Automated AI Systems) ทำงานอย่างอิสระตั้งแต่ต้นจนจบ แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ความสามารถในการขยายขนาด ต้นทุน และความรับผิดชอบ ซึ่งเป็นตัวกำหนดว่าแนวทางใดเหมาะสมกับกรณีการใช้งานนั้นๆ
การเปรียบเทียบทางสถาปัตยกรรมนี้เน้นให้เห็นถึงความแตกต่างหลักระหว่างระบบ AI ที่รับรู้บริบท ซึ่งวิเคราะห์ข้อมูลสถานการณ์แบบไดนามิก เช่น ความตั้งใจของผู้ใช้ ประวัติ และสภาพแวดล้อม กับระบบที่ไม่รับรู้บริบท ซึ่งประมวลผลข้อมูลนำเข้าเป็นเหตุการณ์แยกต่างหากโดยอาศัยกฎที่กำหนดไว้ล่วงหน้าเท่านั้น
AI ที่เสริมด้วยการค้นหาจะดึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกในขณะที่ทำการค้นหา ในขณะที่การฝึกฝนโดยใช้ชุดข้อมูลเพียงอย่างเดียวจะอาศัยความรู้ที่ฝังอยู่ในน้ำหนักของโมเดลระหว่างการฝึกฝนเท่านั้น แต่ละแนวทางมีข้อดีข้อเสียที่แตกต่างกันในด้านความแม่นยำ ต้นทุน ความทันสมัย และความสามารถในการจัดการกับคำถามที่อยู่นอกขอบเขตการฝึกฝนดั้งเดิม
ระบบ AI แบบกระจายศูนย์จะกระจายสติปัญญา ข้อมูล และการคำนวณไปยังโหนดอิสระต่างๆ โดยมักให้ความสำคัญกับความเปิดกว้างและการควบคุมของผู้ใช้ ในขณะที่ระบบ AI ขององค์กรนั้นได้รับการจัดการจากส่วนกลางโดยบริษัทต่างๆ โดยมุ่งเน้นที่ประสิทธิภาพ ผลกำไร และการบูรณาการผลิตภัณฑ์ ทั้งสองแนวทางนี้มีส่วนกำหนดวิธีการสร้าง การกำกับดูแล และการเข้าถึง AI แต่มีความแตกต่างกันอย่างมากในด้านความโปร่งใส การเป็นเจ้าของ และการควบคุม
