Γιατί η τεχνητή νοημοσύνη δεν παρέχει καλύτερες προτάσεις προϊόντων

Εάν σας ενδιαφέρουν τα ασυνήθιστα πράγματα, υπάρχουν δύο λόγοι για τους οποίους οι αναζητήσεις σας για αντικείμενα και προϊόντα είναι πιθανό να είναι λιγότερο σχετικές με τα ενδιαφέροντά σας από εκείνα των “κύριων” ομοτίμων σας· είτε είστε μια περίπτωση “άκρου” που θα καλυφθεί μόνο εάν είστε επίσης στις ανώτερες κατηγορίες οικονομικής αγοραστικής δύναμης (για παράδειγμα, προϊόντα και υπηρεσίες που σχετίζονται με τη “διαχείριση πλούτου”), ή οι αλγόριθμοι αναζήτησης που χρησιμοποιείτε εκμεταλλεύονται την συνεργατική φιλτράρισή (CF), η οποία ευνοεί τα ενδιαφέροντα της πλειοψηφίας.

Καθώς η συνεργατική φιλτράρισή είναι φθηνότερη και πιο καθιερωμένη από άλλους πιθανώς πιο ικανούς αλγόριθμους και πλαισιά, είναι πιθανό ότι και οι δύο περιπτώσεις ισχύουν.

Τα αποτελέσματα αναζήτησης που βασίζονται στη συνεργατική φιλτράρισή θα προτεραιοποιούν τα αντικείμενα που θεωρούνται δημοφιλή μεταξύ “ατόμων σαν εσάς”, όσο καλά μπορεί το πλαίσιο να καταλάβει ποιο είδος καταναλωτή είστε.

Εάν είστε επιφυλακτικοί στο να παρέχετε πληροφορίες προφίλ στο σύστημα φιλοξενίας – για παράδειγμα, δεν είστε προκατειλημμένοι να πατήσετε τα κουμπιά “Μου αρέσει” στο Netflix και σε άλλες υπηρεσίες βίντεο – είναι πιθανό να ταξινομηθείτε khá γενικά στις πρώτες σας互одействίες με το σύστημα, και οι προτάσεις που θα λάβετε θα αντανακλούν τις πιο δημοφιλείς τάσεις.

Σε μια πλατφόρμα streaming, αυτό θα μπορούσε να σημαίνει ότι θα σας προταθούν τα shows και οι ταινίες που είναι τώρα “ζεστές”, όπως η τηλεόραση πραγματικότητας και οι εγκληματικές ντοκιμαντέρ, ανεξάρτητα από το ενδιαφέρον σας σε αυτά. Ομοίως για τις πλατφόρμες προτάσεων βιβλίων, οι οποίες θα σας προτείνουν τα τρέχοντα και πρόσφατα best-seller, φαινομενικά αυθαίρετα.

Θεωρητικά, ακόμη και οι χρήστες που είναι προσεκτικοί με τα δεδομένα θα πρέπει τελικά να λάβουν καλύτερα αποτελέσματα από τέτοια συστήματα με βάση τον τρόπο με τον οποίο τα χρησιμοποιούν και τα πράγματα που αναζητούν,既然 τα περισσότερα πλαισιά αναζήτησης παρέχουν στους χρήστες περιορισμένη δυνατότητα να επεξεργαστούν το ιστορικό χρήσης.

Οποιοδήποτε Χρώμα Σας Αρέσει, Όσο Το Χρώμα Είναι Μαύρο

Ωστόσο, σύμφωνα με μια νέα μελέτη από την Αυστρία, η υπεροχή της συνεργατικής φιλτράρισής над την φιλτράρισή περιεχομένου (η οποία επιδιώκει να ορίσει σχέσεις μεταξύ προϊόντων αντί να λαμβάνει υπόψη μόνο τη συσσωρευμένη δημοτικότητα), και άλλες εναλλακτικές προσεγγίσεις, κλίνει τα συστήματα αναζήτησης προς τη μακροχρόνια πρόθεση δημοτικότητας, όπου τα προφανώς δημοφιλή αποτελέσματα προωθούνται προς τους τελικούς χρήστες που είναι απίθανο να ενθουσιαστούν από αυτά.

Η μελέτη βρίσκει ότι οι χρήστες που δεν ενδιαφέρονται για δημοφιλή αντικείμενα λαμβάνουν “σημαντικά χειρότερες” προτάσεις από τους χρήστες με μέτριο ή υψηλό ενδιαφέρον για δημοτικότητα, και (ίσως ταυτολογικά) ότι τα δημοφιλή αντικείμενα προτείνονται πιο συχνά από τα μη δημοφιλή αντικείμενα. Οι ερευνητές καταλήγουν επίσης στο συμπέρασμα ότι οι χρήστες με χαμηλό ενδιαφέρον για δημοφιλή αντικείμενα τείνουν να έχουν μεγαλύτερα προφίλ χρηστών που θα μπορούσαν потенτικά να βελτιώσουν τα συστήματα προτάσεων – αν μόνο τα συστήματα μπορούσαν να ξεπεράσουν την “εμμονή” τους στα “μετρικά του κοπαδιού”.

Η μελέτη εξέτασε τέσσερις τομείς: ψηφιακά βιβλία (μέσω του συνόλου δεδομένων BookCrossing), ταινίες (μέσω του συνόλου δεδομένων MovieLens), μουσική (μέσω του συνόλου δεδομένων Last.fm) και anime (μέσω του συνόλου δεδομένων MyAnimeList).

Η μελέτη εφαρμόστηκε σε τέσσερις δημοφιλείς αλγόριθμους συνεργατικής φιλτράρισής και εξέτασε την απόδοση τους σε σχέση με την δημοτικότητα των αντικειμένων.

Τομείς που Καλύπτονται

Οι ερευνητές κατέληξαν στο συμπέρασμα ότι η συνεργατική φιλτράρισή οδηγεί σε μια μακροχρόνια πρόθεση δημοτικότητας, όπου τα δημοφιλή αντικείμενα προτείνονται πιο συχνά από τα μη δημοφιλή.

Η μελέτη επίσης βρήκε ότι οι χρήστες με χαμηλό ενδιαφέρον για δημοφιλή αντικείμενα λαμβάνουν χειρότερες προτάσεις από τους χρήστες με μέτριο ή υψηλό ενδιαφέρον για δημοτικότητα.

Η “Εύκολη” Λύση

Η συνεργατική φιλτράρισή είναι μια “εύκολη” λύση για τα συστήματα αναζήτησης, καθώς εκμεταλλεύεται την δημοτικότητα των αντικειμένων για να προτείνει προτάσεις.

Ωστόσο, η συνεργατική φιλτράρισή μπορεί να οδηγήσει σε μια μακροχρόνια πρόθεση δημοτικότητας, όπου τα δημοφιλή αντικείμενα προτείνονται πιο συχνά από τα μη δημοφιλή.

Ποιος Χρησιμοποιεί τη Συνεργατική Φιλτράρισή;

Η συνεργατική φιλτράρισή χρησιμοποιείται από πολλές εταιρείες, συμπεριλαμβανομένων των Netflix, Amazon, Facebook, LinkedIn, YouTube και Twitter.

Η συνεργατική φιλτράρισή είναι μια δημοφιλής μέθοδος για τα συστήματα αναζήτησης, καθώς είναι φθηνή και εύκολη στην εφαρμογή.

Ωστόσο, η συνεργατική φιλτράρισή μπορεί να οδηγήσει σε μια μακροχρόνια πρόθεση δημοτικότητας, όπου τα δημοφιλή αντικείμενα προτείνονται πιο συχνά από τα μη δημοφιλή.

Αρχικά δημοσιευμένο στις 2 Μαρτίου 2022.