Os pesquisadores do MIT apresentaram uma revitaliza\u00e7\u00e3o importante dos modelos de utilidade aleat\u00f3ria (RUMs), usados h\u00e1 quase um s\u00e9culo para entender prefer\u00eancias. O avan\u00e7o surge com uma nova abordagem que considera automaticamente correla\u00e7\u00f5es entre escolhas.<\/p>\n
A equipe, liderada por Gabriele Farina, Constantinos Daskalakis e Sobhan Mohammadpour, mostrou que as estimativas cl\u00e1ssicas de RUMs s\u00e3o insuficientes quando se analisa apenas compara\u00e7\u00f5es bin\u00e1rias entre itens. A nova methodologia utiliza ranking de tr\u00eas itens.<\/p>\n
O estudo foi apresentado em abril no International Conference on Learning Representations, no Rio de Janeiro. Os autores incluem Cherapanamjeri, ex-pesquisador do MIT; Farina, da MIT; Daskalakis, da MIT, e Mohammadpour, PhD do MIT.<\/p>\n
Eles demonstraram que correla\u00e7\u00f5es entre prefer\u00eancias n\u00e3o aparecem em compara\u00e7\u00f5es de dois itens. O resultado: \u00e9 imposs\u00edvel extrair depend\u00eancias \u00fateis sem avaliar pelo menos tr\u00eas alternativas.<\/p>\n
A proposta \u00e9 coletar dados com ranking de tr\u00eas op\u00e7\u00f5es ou combinar avalia\u00e7\u00f5es best-of-three com best-of-two. Assim, o modelo pode capturar rela\u00e7\u00f5es entre gostos diferentes, como prefer\u00eancia por filmes estrangeiros aliado a cinema independente.<\/p>\n
Segundo os autores, algoritmos eficientes podem extrair informa\u00e7\u00f5es de prefer\u00eancia com menos dados do que se supunha. A equipe aponta que a quantidade de experimentos n\u00e3o cresce exponencialmente com o n\u00famero de itens.<\/p>\n
A pesquisadora Emma Frejinger, da Universit\u00e9 de Montr\u00e9al, elogiou o estudo. Ela afirma que o resultado explica por que m\u00e9todos tradicionais falham e que rankings de tr\u00eas itens oferecem caminho pr\u00e1tico para treinar modelos com mais precis\u00e3o.<\/p>\n
Daskalakis ressalta que RUMs continuar\u00e3o a ser centrais para a economia digital e para o ajuste de modelos de IA. Ele acrescenta que esses modelos orientam o treinamento de grandes modelos de linguagem, ajudando a alinhar sa\u00eddas com prefer\u00eancias dos usu\u00e1rios.<\/p>\n
Para lidar com a variedade de op\u00e7\u00f5es cotidianas, os especialistas defendem modelos que prev\u00eaem percep\u00e7\u00f5es sobre diferentes desfechos. O objetivo \u00e9 manter o aperfei\u00e7oamento cont\u00ednuo das previs\u00f5es de comportamento.<\/p>\n","protected":false},"excerpt":{"rendered":"