Ce s-a întâmplat
O echipă de cercetători de la MIT a prezentat o actualizare majoră a „modelelor de utilitate aleatorie” (Random Utility Models - RUM), un concept fundamental în economie și psihologie utilizat de aproape 100 de ani pentru a prezice cum aleg oamenii între diverse opțiuni. Studiul demonstrează că, în loc să analizăm preferințele pentru perechi de obiecte (A vs B), putem obține o acuratețe mult mai mare și o eficiență computațională superioară dacă analizăm „puterea lui trei”. Această abordare permite algoritmilor de inteligență artificială să înțeleagă mai bine nuanțele comportamentului uman, depășind limitările modelelor tradiționale care adesea simplificau excesiv procesul de decizie.
Context tehnologic
Modelele de utilitate aleatorie se bazează pe ideea că, atunci când o persoană alege între mai multe variante, ea atribuie fiecăreia o „utilitate” (o valoare de satisfacție), dar această valoare are o componentă de zgomot sau incertitudine. Până acum, majoritatea sistemelor de învățare automată (Machine Learning) se concentrau pe date binare: „Utilizatorul a ales produsul A în locul produsului B”. Totuși, acest lucru nu oferă suficient context pentru a deduce preferințele generale dintr-un set vast. Noua metodă MIT utilizează seturi de trei opțiuni pentru a captura tranzitivitatea și „zgomotul” decizional mult mai eficient, folosind algoritmi de optimizare convexă care garantează găsirea celei mai bune soluții matematice într-un timp record.
De ce contează
Capacitatea de a prezice preferințele este coloana vertebrală a economiei digitale moderne. De la platformele de e-commerce care ne recomandă produse, până la sistemele de e-learning care ajustează dificultatea cursurilor, totul se bazează pe înțelegerea a ceea ce „place” utilizatorului. Această cercetare contează deoarece oferă o metodă mai robustă de antrenare a modelelor AI cu mai puține date. În loc să avem nevoie de milioane de comparații individuale, putem deduce structura preferințelor unei populații mult mai rapid, reducând erorile de tip „bias” și îmbunătățind personalizarea serviciilor.
Impact
Pe termen scurt, ne putem aștepta ca marile companii de tehnologie să integreze aceste modele în sistemele lor de recomandare pentru a crește rata de conversie. Pe termen mediu, impactul va fi vizibil în cercetarea de piață și în politicile publice; guvernele ar putea folosi aceste modele pentru a înțelege mai bine prioritățile cetățenilor în scenarii complexe de planificare urbană sau alocare de resurse, unde alegerile nu sunt niciodată simple sau binare.
Ce urmează
Cercetătorii MIT planifică extinderea acestui model pentru a include dinamica temporală – modul în care preferințele noastre se schimbă în timp. În viitor, am putea vedea agenți AI personali care nu doar că știu ce ne place astăzi, dar pot anticipa evoluția gusturilor noastre, oferind o experiență de utilizare hiper-personalizată și proactivă.
Surse
- MIT News – Artificial intelligence (iunie 2026)
- Massachusetts Institute of Technology - Department of Electrical Engineering and Computer Science
*