การรวบรวมความชอบเป็นการนำความชอบส่วนบุคคลหลายๆ อย่างมารวมกันเพื่อสร้างการตัดสินใจร่วมกัน ในขณะที่การสร้างแบบจำลองการทำนายรายบุคคลจะคาดการณ์พฤติกรรมส่วนบุคคลโดยใช้การเรียนรู้ของเครื่องกับข้อมูลของผู้ใช้รายเดียว ทั้งสองอย่างมีจุดประสงค์ที่แตกต่างกันในระบบ AI ตั้งแต่ระบบแนะนำไปจนถึงแพลตฟอร์มการลงคะแนนเสียงแบบประชาธิปไตย
เป็นการนำความชอบส่วนบุคคลหลายๆ อย่างมารวมกันเพื่อสร้างเป็นข้อสรุปหรือการจัดอันดับโดยรวม
ใช้การเรียนรู้ของเครื่องจักรเพื่อคาดการณ์พฤติกรรมในอนาคตของบุคคลคนเดียวจากข้อมูลในอดีตของพวกเขา
| ฟีเจอร์ | การรวมความชอบ | การสร้างแบบจำลองการทำนายรายบุคคล |
|---|---|---|
| เป้าหมายหลัก | สังเคราะห์ทางเลือกส่วนรวมจากข้อมูลหลายปัจจัย | ทำนายการกระทำในอนาคตของบุคคลหนึ่ง |
| โครงสร้างข้อมูล | โปรไฟล์หรือการจัดอันดับความชอบหลายแบบ | ร่องรอยพฤติกรรมระยะยาวของผู้ใช้รายเดียว |
| รากฐานทางทฤษฎีที่สำคัญ | ทฤษฎีการเลือกทางสังคมและเศรษฐศาสตร์สวัสดิการ | ทฤษฎีการเรียนรู้ทางสถิติและการอนุมานเชิงสาเหตุ |
| ข้อกังวลเรื่องความยุติธรรม | ความเป็นธรรมในกระบวนการระหว่างผู้มีสิทธิเลือกตั้งหรือผู้เข้าร่วม | การปฏิบัติอย่างเท่าเทียมและการไม่เลือกปฏิบัติในระดับบุคคล |
| รูปแบบเอาต์พุต | การจัดอันดับโดยรวม ผู้ชนะ หรือการกระจายความน่าจะเป็น | ค่าประมาณจุด ความน่าจะเป็น หรือคำแนะนำในการตัดสินใจ |
| ความท้าทายด้านความสามารถในการขยายขนาด | ความซับซ้อนในการคำนวณของการรวมความชอบที่มีจำนวนมหาศาลแบบทวีคูณ | ข้อมูลไม่ครบถ้วนและการเริ่มต้นใช้งานสำหรับผู้ใช้ใหม่ |
| การใช้งานทั่วไป | ระบบแนะนำ, แพลตฟอร์มการลงคะแนน, AI แบบกลุ่ม | การให้คะแนนเครดิต การคาดการณ์การเลิกใช้บริการ การแพทย์เฉพาะบุคคล |
| ตัวชี้วัดการประเมิน | ประสิทธิภาพของคอนดอร์เซต์ คะแนนบอร์ดา ฟังก์ชันสวัสดิการสังคม | AUC-ROC, ความแม่นยำ-การเรียกคืน, ข้อผิดพลาดในการสอบเทียบ, คะแนนไบรเออร์ |
การรวบรวมความชอบโดยพื้นฐานแล้วถามว่ากลุ่มต้องการอะไร โดยถือว่าความชอบส่วนบุคคลเป็นปัจจัยนำเข้าในฟังก์ชันการตัดสินใจแบบรวมหมู่ รากฐานทางปรัชญามาจากเจตจำนงทั่วไปของรุสโซและแคลคูลัสอรรถประโยชน์ของเบนแธม ในทางตรงกันข้าม การสร้างแบบจำลองการทำนายรายบุคคลถือว่าบุคคลนั้นเป็นหน่วยของการวิเคราะห์—บุคคลเฉพาะรายนี้จะทำอะไรต่อไป? แบบแรกเน้นความชอบธรรมทางประชาธิปไตยและสวัสดิการสังคม ในขณะที่แบบหลังเน้นความแม่นยำในการทำนายและการแทรกแซงที่สามารถนำไปปฏิบัติได้จริง
ทฤษฎีการเลือกทางสังคมเป็นรากฐานทางคณิตศาสตร์สำหรับการรวมความชอบ โดยผลลัพธ์ที่สำคัญจาก Condorcet, Borda, Arrow และ Sen เป็นตัวกำหนดสิ่งที่เราเชื่อว่าสามารถทำได้ การสร้างแบบจำลองการทำนายรายบุคคลดึงมาจากทฤษฎีการเรียนรู้ทางสถิติ โดยที่มิติ Vapnik-Chervonenkis และความซับซ้อนของ Rademacher เป็นตัวจำกัดข้อผิดพลาดในการวางนัยทั่วไป ที่น่าสนใจคือ วิธีการแบบกลุ่ม เช่น bagging และ boosting สร้างสะพานเชื่อม โดยจะรวมการทำนายจากผู้เรียนที่อ่อนแอจำนวนมาก ผสมผสานทั้งสองกระบวนทัศน์เข้าด้วยกัน
ความเป็นธรรมในการรวมผลลัพธ์นั้นเกี่ยวข้องกับว่ากระบวนการดังกล่าวเคารพผู้เข้าร่วมอย่างเท่าเทียมกันหรือไม่ กล่าวคือ กฎการลงคะแนนให้ใครคนใดคนหนึ่งมีอิทธิพลมากเกินไปหรือไม่ ความเป็นธรรมในการคาดการณ์รายบุคคลนั้นถามว่า บุคคลที่มีลักษณะคล้ายคลึงกันได้รับการคาดการณ์ที่คล้ายคลึงกันหรือไม่ ซึ่งมักกำหนดเป็นทางการผ่านความเท่าเทียมทางประชากรศาสตร์หรืออัตราต่อรองที่เท่าเทียมกัน แนวคิดเรื่องความเป็นธรรมเหล่านี้อาจขัดแย้งกันได้ วิธีการรวมผลลัพธ์ที่สะท้อนความต้องการของคนส่วนใหญ่ได้อย่างสมบูรณ์แบบ อาจทำให้กลุ่มคนส่วนน้อยเสียเปรียบอย่างเป็นระบบได้
การนำการรวมความชอบไปใช้ในวงกว้างจำเป็นต้องจัดการกับความยากลำบากในการคำนวณ: การรวมความชอบที่เหมาะสมที่สุดของ Kemeny นั้นเป็นปัญหา NP-hard และแม้แต่โซลูชันโดยประมาณก็ยังต้องการอัลกอริทึมที่ซับซ้อน แบบจำลองการทำนายแต่ละแบบเผชิญกับอุปสรรคที่แตกต่างกัน—การสร้างคุณลักษณะสำหรับข้อมูลพฤติกรรมที่กระจัดกระจาย การจัดการกับการเปลี่ยนแปลงแนวคิดเมื่อความชอบของผู้ใช้พัฒนาขึ้น และการรักษาความทันสมัยของแบบจำลองโดยไม่ต้องเสียค่าใช้จ่ายในการฝึกอบรมซ้ำมากเกินไป ทั้งสองอย่างนี้ต้องการความใส่ใจอย่างรอบคอบต่อโครงสร้างพื้นฐานของข้อมูล แต่ข้อจำกัดทางวิศวกรรมนั้นแตกต่างกันอย่างมาก
การประเมินคุณภาพของการรวมกลุ่มเกี่ยวข้องกับการวิเคราะห์เชิงสัจพจน์—วิธีการนั้นสอดคล้องกับความเป็นอิสระจากทางเลือกที่ไม่เกี่ยวข้อง ประสิทธิภาพแบบพาเรโต หรือการไม่เป็นเผด็จการหรือไม่? ในทางปฏิบัติ ฟังก์ชันสวัสดิการสังคมวัดว่าส่วนรวมได้รับประโยชน์มากน้อยเพียงใด แบบจำลองการทำนายแต่ละแบบใช้ตัวชี้วัดประสิทธิภาพการทำนาย แต่ตัวชี้วัดเหล่านี้อาจทำให้เข้าใจผิดได้: แบบจำลองที่ปรับเทียบอย่างสมบูรณ์แบบอาจยังคงสร้างการตัดสินใจที่เป็นอันตรายได้หากนำไปใช้โดยไม่พิจารณาผลที่ตามมาที่อาจเกิดขึ้นจากการกระทำตามการทำนาย
การรวบรวมความชอบจะให้ผลลัพธ์เป็นตัวเลือกที่คนส่วนใหญ่ชื่นชอบเสมอ
ปรากฏการณ์คอนดอร์เซต์และทฤษฎีบทของแอร์โรว์เผยให้เห็นว่า ความชอบของคนส่วนใหญ่สามารถเปลี่ยนแปลงได้โดยไม่สามารถถ่ายทอดได้ และไม่มีวิธีการใดที่ตรงตามเกณฑ์ความยุติธรรมที่เข้าใจได้ง่ายทั้งหมด ผู้สมัครที่เอาชนะผู้สมัครคนอื่นๆ ได้ทั้งหมดในการแข่งขันแบบตัวต่อตัวอาจไม่มีอยู่จริง ทำให้ต้องมีการแลกเปลี่ยนระหว่างคุณสมบัติที่พึงปรารถนาต่างๆ
แบบจำลองการทำนายส่วนบุคคลจะทำนายสิ่งที่ผู้คนจะทำจริง ๆ
แบบจำลองเหล่านี้คาดการณ์พฤติกรรมโดยอิงจากรูปแบบในอดีต ไม่ใช่ทางเลือกในอนาคตที่แท้จริง ผู้คนเปลี่ยนแปลง บริบทเปลี่ยนไป และการคาดการณ์จะกลายเป็นสิ่งที่ไร้ประโยชน์เมื่อนำไปใช้ในการแทรกแซง เช่น การคาดการณ์ว่าใครบางคนจะลาออกแล้วเสนอสิ่งจูงใจในการรักษาลูกค้าไว้ จะเปลี่ยนแปลงผลลัพธ์ที่คาดการณ์ไว้เสียเอง
วิธีการรวมข้อมูลเป็นกลางและปราศจากอคติ
กฎการรวมคะแนนแต่ละข้อล้วนเข้ารหัสคุณค่าเกี่ยวกับว่าความชอบของใครมีความสำคัญ และวิธีการแก้ไขข้อขัดแย้ง การลงคะแนนแบบเสียงข้างมากให้ประโยชน์แก่กลุ่มเสียงส่วนน้อยที่รวมตัวกัน ในขณะที่การนับคะแนนแบบบอร์ดาให้รางวัลแก่กลุ่มที่ได้รับการยอมรับอย่างกว้างขวาง การเลือกวิธีการจึงเป็นเรื่องทางการเมืองโดยเนื้อแท้ ไม่ใช่เพียงแค่เรื่องทางเทคนิค
ข้อมูลที่มากขึ้นย่อมช่วยปรับปรุงการคาดการณ์แต่ละครั้งให้ดียิ่งขึ้นเสมอ
เมื่อถึงจุดหนึ่ง ฟีเจอร์เพิ่มเติมจะก่อให้เกิดสัญญาณรบกวน ต้นทุนการคำนวณ และความเสี่ยงด้านความเป็นส่วนตัว ตัวแปรที่ไม่เกี่ยวข้องจะทำให้เกิดการโอเวอร์ฟิตติ้ง และข้อมูลในอดีตจากสถานการณ์ที่เปลี่ยนแปลงไปจะลดความเกี่ยวข้องของแบบจำลอง การคัดเลือกสิ่งที่ควรตัดออกมักมีความสำคัญพอๆ กับการคัดเลือกสิ่งที่ควรนำมาใช้
ในทางปฏิบัติแล้ว วิธีการทั้งสองนี้ไม่เคยทับซ้อนกันเลย
การกรองแบบร่วมมือ (Collaborative filtering) ในระบบแนะนำ (recommendation systems) ผสานรวมวิธีการเหล่านี้อย่างชัดเจน โดยรวบรวมความชอบของผู้ใช้ที่คล้ายคลึงกันเพื่อทำนายการเลือกของแต่ละบุคคล วิธีการแบบกลุ่ม (Ensemble methods) รวบรวมโมเดลแต่ละตัวจำนวนมากเข้าด้วยกัน ขอบเขตเหล่านี้เริ่มเลือนลางในสถาปัตยกรรม AI ที่ซับซ้อน
ความเป็นธรรมในภาพรวมหมายความว่าทุกคนจะได้รับสิ่งที่ตนต้องการ
ความเห็นพ้องเป็นเอกฉันท์นั้นหาได้ยากยิ่ง และประสิทธิภาพแบบพาเรโตเป็นเพียงการรับประกันว่าไม่มีใครสามารถพัฒนาได้โดยไม่ทำร้ายผู้อื่น การรวมกลุ่มที่แท้จริงเกี่ยวข้องกับผู้แพ้และการแลกเปลี่ยน ความยุติธรรมเกี่ยวข้องกับกระบวนการและสัดส่วน ไม่ใช่ความพึงพอใจของทุกคน
เลือกใช้การรวมความชอบเมื่อการตัดสินใจส่งผลกระทบต่อกลุ่ม และความชอบธรรมต้องอาศัยการรวมมุมมองที่หลากหลายอย่างเป็นประชาธิปไตย เลือกใช้แบบจำลองการทำนายรายบุคคลเมื่อปรับแต่งการแทรกแซง ผลิตภัณฑ์ หรือบริการให้เหมาะกับบุคคลเฉพาะ และเมื่อการพยากรณ์พฤติกรรมอย่างละเอียดช่วยเพิ่มมูลค่า ระบบในโลกแห่งความเป็นจริงหลายระบบ ตั้งแต่เครื่องมือแนะนำส่วนบุคคลไปจนถึงแพลตฟอร์มการจัดทำงบประมาณแบบมีส่วนร่วม ต่างก็ผสมผสานทั้งสองแนวทางนี้อย่างรอบคอบ
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
