Autres articles
-
Le Prix Nobel de physique, Serge Haroche, livre à Rabat une réflexion approfondie sur "Le laser en physique fondamentale"
-
Le Maroc récupère au Chili 117 fossiles rares datant de 400 millions d'années
-
Baccalauréat. Comment triompher face à l'épreuve ?
-
L'AMPCPP tient à Dakhla son Assemblée générale au titre de 2024
-
Le nombre de motocyclistes victimes d'accidents de la circulation en hausse de 31 %
Une équipe d'informaticiens de l'Université de New York, dont un Marocain, a conçu un nouvel algorithme appelé "Pyrorank" qui réduit l'impact des profils des utilisateurs et élargit les recommandations.
"Pyrorank" génère les recommandations qui reflètent toujours l'objectif de la recherche, produisant des résultats plus diversifiés et utiles, souligne l'université américaine dans un communiqué.
"En ce qui concerne l'inspiration pour trouver des solutions aux problèmes informatiques, la nature est l'endroit idéal pour chercher", explique le Marocain Anasse Bari, professeur agrégé d'informatique à l'Université de New York et co-créateur de l'algorithme.
"Les phénomènes naturels, tels que les vols d'oiseaux à la recherche de nourriture, montrent que la nature peut souvent trouver des solutions optimales, mais simples, pour répondre aux besoins", a-t-il ajouté.
En effet, les outils d'intelligence artificielle sur lesquels de nombreuses entreprises s'appuient poussent les utilisateurs dans une "bulle de filtrage", ce qui entraîne des recommandations identiques ou très similaires à ce qui a été acheté précédemment.
Les systèmes de recommandation, utilisés par Google, Netflix et Spotify, entre autres, sont des algorithmes qui utilisent des données pour suggérer ou recommander des produits ou des choix aux consommateurs en fonction des achats antérieurs, de l'historique des recherches et des données démographiques des utilisateurs.
Cependant, ces paramètres biaisent les résultats de recherche car ils placent les utilisateurs dans des bulles …
"Le fonctionnement traditionnel des systèmes de recommandation consiste à baser les recommandations sur la notion de similarité", explique Bari, qui dirige le laboratoire de recherche sur l'analyse prédictive et l'IA du Courant Institute of Mathematical Sciences de l'Université de New York.
"Cela signifie que vous verrez des résultats similaires dans les listes de choix et des recommandations sur la base d'utilisateurs similaires à vous ou d'articles similaires à ceux que vous avez achetés", ajoute l'informaticien marocain, auteur de cet algorithme en collaboration avec Nicholas Greenquist et Doruk Kilitcioglu.
Les limites des systèmes de recommandation existants sont devenues évidentes de manière frappante, souligne l'Université de New York.
Pour répondre à ces préoccupations, Bari et ses collègues ont créé Pyrorank, un algorithme qui prend en compte le contenu qu'un utilisateur recherche en capturant un éventail de recommandations tout en diminuant l'importance de ce que l'utilisateur a déjà acheté ou avec lequel il a interagi.
Pyrorank fonctionne comme un "complément" algorithmique aux systèmes de recommandation disponibles.
En testant la viabilité de l'algorithme, les chercheurs ont comparé les résultats de recherche générés par le module complémentaire Pyrorank avec ceux des systèmes de recommandation traditionnels en utilisant trois grands ensembles de données : MovieLens, qui propose des classements de films générés par l'utilisateur, ainsi que Good Books et Goodreads, qui hébergent les notes des livres des lecteurs.
Ils ont ensuite mené une série d'expériences pour déterminer quels systèmes créaient une plus grande diversité de contenus recommandés tout en restant fidèles aux objectifs des recommandations principales.
Dans l'ensemble, les systèmes utilisant Pyrorank ont généré des recommandations plus diversifiées que celles existantes, souligne l'université américaine.
"Pyrorank" génère les recommandations qui reflètent toujours l'objectif de la recherche, produisant des résultats plus diversifiés et utiles, souligne l'université américaine dans un communiqué.
"En ce qui concerne l'inspiration pour trouver des solutions aux problèmes informatiques, la nature est l'endroit idéal pour chercher", explique le Marocain Anasse Bari, professeur agrégé d'informatique à l'Université de New York et co-créateur de l'algorithme.
"Les phénomènes naturels, tels que les vols d'oiseaux à la recherche de nourriture, montrent que la nature peut souvent trouver des solutions optimales, mais simples, pour répondre aux besoins", a-t-il ajouté.
En effet, les outils d'intelligence artificielle sur lesquels de nombreuses entreprises s'appuient poussent les utilisateurs dans une "bulle de filtrage", ce qui entraîne des recommandations identiques ou très similaires à ce qui a été acheté précédemment.
Les systèmes de recommandation, utilisés par Google, Netflix et Spotify, entre autres, sont des algorithmes qui utilisent des données pour suggérer ou recommander des produits ou des choix aux consommateurs en fonction des achats antérieurs, de l'historique des recherches et des données démographiques des utilisateurs.
Cependant, ces paramètres biaisent les résultats de recherche car ils placent les utilisateurs dans des bulles …
"Le fonctionnement traditionnel des systèmes de recommandation consiste à baser les recommandations sur la notion de similarité", explique Bari, qui dirige le laboratoire de recherche sur l'analyse prédictive et l'IA du Courant Institute of Mathematical Sciences de l'Université de New York.
"Cela signifie que vous verrez des résultats similaires dans les listes de choix et des recommandations sur la base d'utilisateurs similaires à vous ou d'articles similaires à ceux que vous avez achetés", ajoute l'informaticien marocain, auteur de cet algorithme en collaboration avec Nicholas Greenquist et Doruk Kilitcioglu.
Les limites des systèmes de recommandation existants sont devenues évidentes de manière frappante, souligne l'Université de New York.
Pour répondre à ces préoccupations, Bari et ses collègues ont créé Pyrorank, un algorithme qui prend en compte le contenu qu'un utilisateur recherche en capturant un éventail de recommandations tout en diminuant l'importance de ce que l'utilisateur a déjà acheté ou avec lequel il a interagi.
Pyrorank fonctionne comme un "complément" algorithmique aux systèmes de recommandation disponibles.
En testant la viabilité de l'algorithme, les chercheurs ont comparé les résultats de recherche générés par le module complémentaire Pyrorank avec ceux des systèmes de recommandation traditionnels en utilisant trois grands ensembles de données : MovieLens, qui propose des classements de films générés par l'utilisateur, ainsi que Good Books et Goodreads, qui hébergent les notes des livres des lecteurs.
Ils ont ensuite mené une série d'expériences pour déterminer quels systèmes créaient une plus grande diversité de contenus recommandés tout en restant fidèles aux objectifs des recommandations principales.
Dans l'ensemble, les systèmes utilisant Pyrorank ont généré des recommandations plus diversifiées que celles existantes, souligne l'université américaine.
