Ao procurar um novo tipo de livro, filme ou restaurante, sua pesquisa pode sugerir um título ou local que você já comprou ou experimentou. Isso ocorre porque as ferramentas de inteligência artificial nas quais muitas empresas confiam empurram os usuários para uma "bolha de filtro", resultando em recomendações idênticas ou muito semelhantes às que foram compradas anteriormente.

Uma equipe de cientistas da computação desenvolveu uma maneira de romper essas bolhas de pesquisa com um algoritmo, Pyrorank, que se baseia no mundo natural — imitando as interações em um ecossistema. Faz isso reduzindo o impacto dos perfis dos usuários e ampliando as recomendações que ainda refletem o foco da busca, produzindo resultados mais diversificados e úteis. O trabalho foi publicado como um documento de conferência em Advances in Swarm Intelligence .

"Quando se trata de inspiração para soluções para problemas de ciência da computação, a natureza é o lugar perfeito para procurar", explica Anasse Bari, professor clínico associado do Courant Institute of Mathematical Sciences da NYU e cocriador do algoritmo. “Fenômenos naturais, como bandos de pássaros em busca de comida, mostram que a natureza pode encontrar soluções ótimas, porém simples, para atender às necessidades”.

Os sistemas de recomendação, usados ??pelo Google, Netflix e Spotify, entre outros, são algoritmos que usam dados para sugerir ou recomendar produtos ou opções aos consumidores com base nas compras anteriores, histórico de pesquisa e dados demográficos dos usuários. No entanto, esses parâmetros influenciam os resultados da pesquisa porque colocam os usuários em bolhas de filtro.

"A maneira tradicional como os sistemas de recomendação funcionam é basear as recomendações na noção de similaridade", explica Bari, que lidera o laboratório de análise preditiva e pesquisa de IA do Courant Institute. "Isso significa que você verá itens semelhantes nas listas de opções e recomendações com base em usuários semelhantes a você ou em itens semelhantes que você comprou. Por exemplo, se eu for um usuário de produtos da Apple, verei cada vez mais produtos da Apple em minhas recomendações."

As limitações dos sistemas de recomendação existentes tornaram-se evidentes de maneiras impressionantes. Por exemplo, os partidários políticos podem ser amplamente direcionados para o conteúdo de notícias que se alinha com suas visões pré-existentes. Mais significativamente, os sistemas de recomendação mostraram vídeos de automutilação para indivíduos suscetíveis.

Para lidar com essas preocupações, Bari e seus colegas criaram o Pyrorank, um algoritmo que leva em consideração o conteúdo que um usuário está procurando, capturando uma série de recomendações e, ao mesmo tempo, diminuindo a ênfase do que o usuário já comprou ou interagiu. . O Pyrorank funciona como um "add-on" algorítmico para os sistemas de recomendação existentes.

"Isso o torna altamente adaptável em comparação com a substituição de todo o pipeline de recomendações para promover a diversificação, potencialmente economizando muitas horas de engenharia", explica Bari.

Ao testar a viabilidade do algoritmo, os pesquisadores compararam os resultados da pesquisa gerados pelo complemento Pyrorank com os dos sistemas de recomendação tradicionais usando três grandes conjuntos de dados - MovieLens, que oferece classificações de filmes geradas pelo usuário, bem como Good Books e Goodreads , que abriga as classificações dos livros dos leitores. Eles então realizaram uma série de experimentos para determinar quais sistemas criaram uma maior diversidade de conteúdo recomendado, mantendo-se fiéis aos objetivos das recomendações principais.

No geral, os sistemas que usam o Pyrorank geraram recomendações mais diversas do que as existentes, demonstrando seu valor em romper bolhas de filtro.

Ao mesmo tempo, a aplicação do Pyrorank a um sistema de recomendação existente troca a precisão preditiva – o erro em prever o quanto o usuário gostará das recomendações – para aumentar a diversidade dos itens recomendados. No entanto, essa compensação é facilmente ajustável para casos de uso específicos, dizem os pesquisadores.

"Você pode aplicar uma quantidade muito pequena de ajuste de diversidade e ainda obter grandes ganhos na gama de resultados, reduzindo apenas marginalmente a precisão preditiva", explica Bari. "Cada caso será diferente, dependendo do contexto do sistema de recomendação. Embora haja alguma troca entre diversidade e precisão, os sistemas de recomendação podem ser calibrados para reforçar a heterogeneidade dos resultados da pesquisa, minimizando a perda de precisão."

“Sistemas de recomendação bem-sucedidos precisam ser capazes de reconhecer e mitigar os vieses de um usuário, levando a recomendações mais eficazes e à saúde de longo prazo dessas plataformas”, acrescenta. "Desenvolver algoritmos para priorizar a recomendação e a diversificação da pesquisa é um passo importante no combate aos efeitos negativos e limitações dos sistemas de recomendação existentes ."