Почему лучше спрашивать рекомендацию у компьютера

Почему лучше спрашивать рекомендацию у компьютера?

Поделиться

Новое исследование показывает, что машины могут давать лучшие рекомендации, чем люди. Предположим, вы ищете рекомендацию: возможно, ищете книгу, интересный фильм или хороший ресторан. Разумеется, можете спросить друга, незнакомца или компьютерный алгоритм. К кому обратитесь в первую очередь?

Возможно, неудивительно, что большинство людей предпочли бы рекомендацию от другого человека. Недавнее исследование показывает, что машинные рекомендации могут лучше предсказывать, что понравится людям. Действительно, довольно простой компьютерный алгоритм может превзойти рекомендации незнакомцев, друзей и семьи. Алгоритм может сделать вывод без информации о характере рекомендуемых товаров.

Может ли компьютерный алгоритм выдать хорошую рекомендацию?

Некоторые компьютерные алгоритмы могут лучше соответствовать фактическим предпочтениям человека без какой-либо информации о характере рекомендуемых предметов, им не нужны подробности о рассматриваемых книгах, фильмах или ресторанах. На самом деле алгоритмам не нужна информация, по какой категории выдавать рекомендацию.

В недавнем исследовании ученые сравнили, насколько рекомендации людей и компьютеров соответствуют реальным предпочтениям людей. И они сделали исследование в области, довольно сложной для компьютеров: юмор. В частности, исследователи рассматривали сгенерированные компьютером и людьми рекомендации по поводу забавных шуток.

Поскольку юмор, возможно, является уникальным человеческим опытом, ожидается, что предсказать, какие шутки люди сочтут забавными, будет сложно для машинной системы без знаний о теме юмора, что делает шутку смешной, или другой подобной информации. Тем не менее исследователи обнаружили, что алгоритм, использующий оценки выборки шуток от нескольких людей, генерирует лучшие рекомендации, соответствующие предпочтениям людей, чем рекомендации от хорошо знакомых людей, понимающих толк в юморе.

В эксперименте исследователи меняли как фактический, так и воспринимаемый источник рекомендаций по шутке.

Для некоторых участников предполагаемые и фактические источники совпадали. Если рекомендации исходили от человека, участникам сообщалось, что рекомендация получена от человека. Если рекомендации исходили от компьютера, участникам сообщалось, что алгоритм выдал рекомендацию.

Для других участников научного исследования предполагаемые и фактические источники отличались. Участникам сказали, что рекомендации были от человека, но на самом деле они были сгенерированы компьютером, или наоборот. Небольшая манипуляция позволила исследователям отделить точность прогнозов от их предполагаемого источника. Несмотря, что рекомендации компьютерного алгоритма точно соответствовали их собственным предпочтениям в шутках, участники давали высокие оценки рекомендателю, когда думали, что шутку порекомендовал человек, чем, когда думали, что формирует рекомендацию машина.

Исследователи обнаружили, люди больше соглашались с утверждениями, как «Я мог понять, почему рекомендатель думал, что мне понравятся подобные шутки», когда рекомендателем был человек. Вывод говорит, люди могут отчасти предпочитать человеческие рекомендации, потому что чувствуют, что лучше понимают, как другие люди дают рекомендации (делают ли они аналогично в реальной жизни). Получив подробное объяснение процесса компьютерных рекомендаций, люди оценили его как наиболее понятный и высоко отзывались о качестве рекомендаций, чем те, кто получил меньше информации о процессе.

Обратите внимание, что в исследовании скрывается определенный смысл: разумно относиться к рекомендациям с осторожностью, если не обладаете информацией, сформировавшей их. Интересно посмотреть, приведет ли понимание процесса к тому, чтобы люди оценили рекомендации как лучшие. Вероятно, суждения могут зависеть не только от понимания процесса, но и от того, согласуется ли это с общими представлениями людей о том, что приводит к точным рекомендациям.

Может ли компьютер предложить наилучшие рекомендации?

Довольно простые алгоритмы общего назначения могут генерировать рекомендации, лучше предсказывающие фактические предпочтения людей. Современные технологии упрощают сбор и доступ к рейтингам, являющимися входными данными для алгоритмов.

Могут ли машинные алгоритмы предложить улучшенные рекомендации в самых разных областях помимо шуток? Действительно, алгоритмические подходы уже используются в некоторых местах. Рассмотрим, например, домашний экран и что там появляется, а что нет.

Полезные рекомендации могут быть получены из довольно небольшого количества информации. Обратите внимание, что алгоритмы, использованные в недавнем исследовании, не имели информации об участнике, кроме его или ее оценок набора шуток. Демографическая и личностная информация, как может показаться, необходимая для точного предсказания, что человек найдет забавным, не была частью алгоритма. Как отмечалось выше, алгоритм использовал очень ограниченную информацию о самих рекомендуемых элементах – только оценки шуток от ряда людей и никакой информации об общем характере элементов (т.е. о том, что они были шутками) или специфике, требующей содержания.

В каких других контекстах одна часть информации от многих людей может быть использована для создания улучшенных рекомендаций?

Люди предпочитают рекомендации, созданные людьми, а не рекомендации, созданные машиной, но выводы Йоманса и его коллег предполагают, что все возможно изменить. Если в первую очередь воспринимаемый источник рекомендаций имеет значение, то манипуляции, заставляющие людей поверить, что источником является человек, могут, по-видимому, повысить доверие к рекомендациям.

Можно представить ситуации, где источник явным образом (неправильно) представлен как человек или, когда машинной системе придаются человеческие характеристики. Действительно, Йоманс с коллегами предлагают возможность сделать так, чтобы «алгоритмы приостанавливались, как бы «думая», прежде чем выдавать рекомендацию». Или можно просто ничего не говорить об источнике рекомендаций.

Еще один подход, предложенный вышеприведенными выводами, будет направлен на улучшение воспринимаемого и/или фактического понимания людьми, как данный алгоритм генерирует прогнозы и что алгоритмы могут (и не могут) сделать.

Даже если рекомендации, основанные на алгоритмах, точны, рекомендации, созданные людьми, все же могут стать полезными. Создание и обмен такими рекомендациями, а также их получение и использование могут, среди прочего, способствовать социальной связи и большей уверенности в решениях. Есть много интересных вопросов, как потенциальные преимущества рекомендаций, созданными людьми и сформированные компьютером взаимодействуют друг с другом.

Предстоит увидеть, какие виды компьютерных алгоритмов на самом деле приводят к лучшим предсказаниям и в каких контекстах. Ясно, ценность будет зависеть не только от точности, но и от того, как люди думают, понимают и чувствуют. В результате мы могли бы лучше рассмотреть человека и машину, а не человека против машины.


Поделиться
Борьба с бесполезными интерпретациями в повседневной жизни Previous post Борьба с бесполезными интерпретациями в повседневной жизни
Поиск, выбор и обмен информацией: на что необходимо обращать внимание Next post Поиск, выбор и обмен информацией: на что необходимо обращать внимание