هل تستطيع الوكلاء الذكاء الاصطناعي بناء تفضيلات المستخدمين بدلاً من مجرد سؤالهم؟

في عالم الذكاء الاصطناعي، يعتمد العديد من الوكلاء الروبوتية على فرضية مفادها أن المستخدمين خبراء يمتلكون تفضيلات واضحة. ولكن، ماذا يحدث عندما لا يمتلك هؤلاء المستخدمون المعرفة اللازمة لتحديد تلك التفضيلات بدقة؟ في دراسة حديثة نشرت على منصة arXiv، تم تسليط الضوء على هذا السؤال المهم.

يؤكد الباحثون أن هذه الفرضية غير واقعية؛ حيث إن المستخدمين غالبًا ما يفتقرون إلى المعرفة الكافية لتحديد تفضيلاتهم بشكل كامل. إذا تم سؤالهم عن تفضيلهم لخاصية معينة، فقد لا يكون لديهم القدرة على الإجابة بدون مساعدة من الوكيل الذكي. لذا، نرى ضرورة توفير دعم تعليمي للمستخدمين من خلال أمثلة أو شروح تساعدهم في تكوين آرائهم.

وفي سبيل تقديم حلول لهذه الظاهرة، تم تقديم نموذج CoPref، الذي يعتمد على إطار العمل المعروف باسم Search-Experience-Credence من اقتصاديات المعلومات. يُعد هذا النموذج عبارة عن قفزة نوعية في كيفية تفاعل المستخدمين مع الأنظمة التوصيلية. كما تم طرح معيار تفاعلي جديد يسمى CoShop، حيث يتفاعل الوكيل مع المستخدم ويقدم له توصيات مخصصة.

ومع تقييم خمسة نماذج متقدمة للتوصية، أظهرت النتائج أن أيًا من الوكلاء لم يتمكن من تحقيق دقة تتجاوز 56% في CoShop، على الرغم من خمس جولات من التفاعل. تكمن المشكلة ليس في قدرة الوكلاء على العثور على العناصر بل في كيفية توسيع معرفتهم بما يرغبون فيه. هذه المسألة تدعو إلى إعادة التفكير في كيفية تصميم أنظمة التوصية الذكية بحيث تكون أكثر تفاعلية وفعالية في مساعدة المستخدمين.