- Pesquisadores do MIT apresentam avanço aos modelos de utilidade aleatória (RUMs), usados há quase um século para prever preferências humanas.
- A evolução parte de ideias de Thurstone, que em 1927 descreveu que escolhas buscam o maior valor para a pessoa, mesmo sem atribuir números exatos.
- O estudo mostra que estimar utilidades a partir de comparações par-a-par não é suficiente para captar correlações entre preferências, como apoio a controle de armas junto com creches financiadas pelo governo.
- Em vez disso, comparar três opções (best-of-three) ou mesclar resultados de cinco itens permite identificar essas correlações e treinar modelos com maior precisão.
- Os autores destacam aplicações em IA e modelos de linguagem, ressaltando que RUMs devem continuar evoluindo para orientar treinamentos e previsões de preferências em cenários complexos.
Os pesquisadores do MIT apresentaram uma revitalização importante dos modelos de utilidade aleatória (RUMs), usados há quase um século para entender preferências. O avanço surge com uma nova abordagem que considera automaticamente correlações entre escolhas.
A equipe, liderada por Gabriele Farina, Constantinos Daskalakis e Sobhan Mohammadpour, mostrou que as estimativas clássicas de RUMs são insuficientes quando se analisa apenas comparações binárias entre itens. A nova methodologia utiliza ranking de três itens.
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.
Eles demonstraram que correlações entre preferências não aparecem em comparações de dois itens. O resultado: é impossível extrair dependências úteis sem avaliar pelo menos três alternativas.
A proposta é coletar dados com ranking de três opções ou combinar avaliações best-of-three com best-of-two. Assim, o modelo pode capturar relações entre gostos diferentes, como preferência por filmes estrangeiros aliado a cinema independente.
Avanços práticos e impactos
Segundo os autores, algoritmos eficientes podem extrair informações de preferência com menos dados do que se supunha. A equipe aponta que a quantidade de experimentos não cresce exponencialmente com o número de itens.
A pesquisadora Emma Frejinger, da Université de Montréal, elogiou o estudo. Ela afirma que o resultado explica por que métodos tradicionais falham e que rankings de três itens oferecem caminho prático para treinar modelos com mais precisão.
Daskalakis ressalta que RUMs continuarão 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 saídas com preferências dos usuários.
Para lidar com a variedade de opções cotidianas, os especialistas defendem modelos que prevêem percepções sobre diferentes desfechos. O objetivo é manter o aperfeiçoamento contínuo das previsões de comportamento.
Entre na conversa da comunidade