في عالم الذكاء الاصطناعي (AI) الحديث، أصبح التعلم من ردود فعل البشر أحد الركائز الأساسية لتدريب الأنظمة الذكية. حيث تُستخدم نماذج المنفعة البشرية كنماذج مكافآت خلال عملية التعلم السلوكي. تميل الأساليب الحالية إلى افتراض وجود دالة منفعة عالمية (Universal Utility) مشتركة تملكها جميع الأفراد، وتتعامل مع الاختلاف بين المعلقين كمتغير عشوائي.

لكن هذا الافتراض يتعثر عندما نتعامل مع مجالات ذات طابع ذاتي، حيث تميل التفضيلات إلى التنوع بشكل منتظم بين الأفراد. لذلك، تسلط دراسة جديدة الضوء على مشكلة تعليم التفضيلات الذاتية، حيث تنبع الخيارات الملاحظة من وظائف منفعة متجانسة ومتسقة داخليًا.

تستند الدراسة إلى نظرية الاختيار العقلاني (Rational Choice Theory) وتقدم مفهوم "وظائف المنفعة الفردية" المهيأة على أساس الأفراد وسياق قراراتهم. كما تقترح إطار عمل جديد متعدد المراحل لتقدير هذه الوظائف من بيانات متعددة الأنماط.

تم تقييم هذا النموذج على مجموعة بيانات تم جمعها حديثًا، تضم أكثر من 575000 حكم جمالي مقارن لأشكال عجلات السيارات من 2398 مشاركًا. وقد أظهرت التجارب أن نماذج المنفعة الفردية تتفوق بشكل كبير على نماذج المنفعة العالمية بما في ذلك نماذج الأساس (Foundation Models).

تشير النتائج إلى أن الاختلافات تعبر عن تنوع حقيقي في التفضيلات وليس مجرد ضجيج في التعليق. والأهم من ذلك، أن هذه النتائج تسلط الضوء على أهمية جمع صفات المعلقين وتعلم وظائف المنفعة الفردية، مما يمكن نماذج المكافآت من أن تأخذ في الاعتبار تفضيلات الأفراد بدقة وتعكس تنوع قرارات البشر.

ندعوكم لمشاركة آرائكم حول أهمية فهم هذا التنوع في التفضيلات. كيف يمكن أن يؤثر ذلك على تطوير أنظمة ذكاء اصطناعي أكثر ذكاءً؟ شاركونا في التعليقات!