قام فريق من علماء الحاسوب من جامعة نيويورك، من بينهم أستاذ مغربي، بتصميم خوارزمية جديدة تسمى “Pyrorank”، تعمل على التقليل من تأثير ملفات تعريف المستخدمين، وتوسيع لائحة التوصيات.

وأبرزت الجامعة، في بيان، أن خوارزمية “Pyrorank” تقوم بتوليد التوصيات التي تعكس دائما هدف البحث، مما يقدم نتائج أكثر تنوعا وإفادة.

وقال أنس باري، المحاضر البارز في علوم الحاسوب بجامعة نيويورك والذي شارك في تطوير الخوارزمية، “حين يتعلق الأمر بالإلهام لإيجاد حلول لمشاكل المعلوميات، فإن الطبيعة تعد المكان المثالي للبحث”.

وأوضح أن “الظواهر الطبيعية، مثل تحليق الطيور بحثا عن الطعام، تظهر أن الطبيعة يمكن أن تجد في كثير من الأحيان حلولا مثلى، وبسيطة في الآن ذاته، لتلبية الاحتياجات”.

إذ أن أدوات الذكاء الاصطناعي التي تعتمد عليها العديد من الشركات تدفع المستخدمين نحو “فقاعة تصفية”، تنتج عنها توصيات مماثلة أو مشابهة جدا لما تم اقتناؤه سابقا.

وتعد أنظمة التوصية، التي تستخدمها على سبيل المثال “غوغل” و”نتفليكس” و”سبوتيفاي”، خوارزميات تستخدم البيانات لاقتراح أو التوصية بمنتجات أو اختيارات للمستهلكين، استنادا إلى عمليات الشراء السابقة وسجل البحث والتركيبة الديموغرافية للمستخدمين. غير أن هذه المعايير تعمل على تحريف نتائج البحث، لكونها تضع المستخدمين ضمن “فقاعات تصفية”.

ويوضح الأستاذ باري، الذي يدير مختبر أبحاث حول التحليل التوقعي والذكاء الاصطناعي في معهد كورانت للعلوم الرياضية بجامعة نيويورك، أن “نمط الاشتغال التقليدي لأنظمة التوصية يتمثل في بناء التوصيات على فكرة التشابه”.

ويضيف عالم الكمبيوتر المغربي، الذي صمم هذه الخوارزمية بالتعاون مع كل من نيكولاس غرينكويست ودوروك كيليتش أوغلو، أن الأمر يعني مشاهدة نتائج مماثلة في قوائم الاختيار والتوصيات بناء على مستخدمين مشابهين أو عناصر مشابهة لتلك التي تم اقتناؤها.

وأشارت جامعة نيويورك إلى أن محدودية أنظمة التوصية الحالية أضحت أكثر جلاء.

واستجابة لهذه الانشغالات، صمم باري وزملاؤه “Pyrorank”، وهي خوارزمية تأخذ بعين الاعتبار المحتوى الذي يبحث عنه المستخدم من خلال التقاط مجموعة من التوصيات، مع التقليل من أهمية ما سبق للمستخدم اقتناؤه بالفعل، أو الذي تفاعل معه.

ويعمل “Pyrorank” باعتباره “إضافة” خوارزمية لأنظمة التوصية المتاحة.

ولدى اختبار جدوى هذه الخوارزمية، قارن الباحثون نتائج البحث التي تم توليدها بواسطة الوظيفة الإضافية “Pyrorank” مع تلك الخاصة بأنظمة التوصية التقليدية، باستخدام ثلاث مجموعات بيانات: “MovieLens”، التي تقترح تصنيفات الأفلام التي تم إنشاؤها بواسطة المستخدم، و”Good Books” و”Goodreads”، التي تتضمن ملاحظات كتب القراء.

أجرى الباحثون، بعد ذلك، سلسلة من التجارب لتحديد الأنظمة التي أحدثت تنوعا أكبر في المحتوى الموصى به، مع الالتزام في الآن نفسه بأهداف التوصيات الرئيسية.

وأشارت الجامعة الأمريكية إلى أن الأنظمة التي تستخدم خورازمية “Pyrorank” أنتجت، إجمالا، توصيات أكثر تنوعا مقارنة بالتوصيات الحالية.