Ensimmäinen päivä, joka tunsi minut paremmin kuin itse minut
Myöhään torstai-iltana kesäkuussa 2017 nuori nainen Seattlessa swipeasi oikealle miehessä, jonka profiili luvasi etsivänsä " jotain aitoa " ja sisälsi kolme huolellisesti valittua kuvaa – yhden koiran kanssa, yhden vuoristokatselmuksessa, yhden nauraen kahvikupposen äärellä. Hän vastasi minuutin kuluttua, vaihtoi kohteliaita sanoja ja kahden tunnin ruokailukeskustelun jälkeen mies poistui vessaan, eikä palannut enää. Mitä hän ei voinut tietää, oli se, että hänen profiilinsa oli koottu kokeellisella generatiivisella järjestelmällä, joka yhdisti hänen ilmoittamansa mieltymykset vuoden swipe-historiaansa, ja hänen äkillinen poistumisensa oli laskettu olevan [tarkistamaton luku poistettu] todennäköinen "peruutus" hänen ruokailun jälkeisen vessassaoloaikansa perusteella, jota sovellus seurasi. Vastaavuus oli kuitenkin tarpeeksi todellinen, jotta se sytytti suhteen, joka kesti 14 kuukautta. Tuo kynnyskuukausi merkitsi hiljaista rajan ylitystä: tekoäly oli muuttunut pelkästä inhimillisten yhteyksien mahdollistajasta aktiiviseksi niiden parantajaksi ennusteilla, joita ihmiset harvoin näkevät ja melkein koskaan kyseenalaistavat.
Oikea henkilö klo 2:17 tiistai-iltana
Kuumana syyskuun yönä 2023 Priya istui sohvallaan Chicagossa tuijottaen puhelimen näyttöä, joka oli juuri pulssannut uudella ilmoituksella: "Uusi vastaavuus – joku, joka ymmärtää mieltymyksesi harvinaiseen 90-luvun post-rockiin ja vihaa pientalkailua." Hän napautti profiilia ja löysi neljä yhteistä yhteystä, kaksi päällekkäistä musiikkifestivaalia ja jaetun halveksunnan brunssikulttuuria kohtaan, mikä kävi ilmi algoritmisesti pääteltyjen check-in -kuvioiden perusteella. 11 minuutin sisällä hän oli lähettänyt viestin Lucasille. Kolmen kuukauden kuluttua he jakoivat vuokrasopimuksen Lincoln Parkissa. Tuo vastaavuus ei ollut poimittu demografisista keskiarvoista tai staattisista mieltymysruuduista. Se syntyi mallista, joka oli koulutettu miljoonilla swipeillä, viesteillä ja tuloksilla, ajamalla tuhansia simuloituja suhteita pinnalle, jotta löydettäisiin parit, jotka todennäköisimmin kestäisivät uupumuksen ja häipyvien yhteisten mielenkiinnon kohteiden painovoiman. Järjestelmä ei luvannut täydellisyyttä – vain parempia lähtökohtaisia todennäköisyyksiä kuin ihmisen intuitio yksin.
Nykytila: mitä järjestelmät voivat – ja eivät voi – tehdä
Nykyajan johtavat treffisovellukset kietovat kolme ydinkykyä yksinkertaisen swipe-käyttöliittymän ympärille: pitkittäismallinnus, dynaaminen tuloksen ennustaminen ja käyttäytymisen nudge-optimoinnin.
Longitudinal preference modeling eli pitkittäismallinnus menee checkboxien ohi ja analysoi, miten toiveet muuttuvat ajan myötä. Vuoden 2022 alan raportissa kuvattiin järjestelmää, joka seuraa paitsi ilmoitettuja mieltymyksiä myös sitä, kuinka usein käyttäjät viipyilevät tietyntyyppisissä profiileissa, mitä kuvia he katsovat toistuvasti, kuinka nopeasti he vastaavat eri viestien aloituslinjoihin ja miten heidän swipe-käyttäytymisensä muuttuu viikonloppujen ja viikonpäivien mukaan. Sama raportti huomautti, että tätä mallinnusta käyttävät järjestelmät pitivät vastinpareja yhdessä [tarkistamaton luku poistettu] pidempään perinteiseen profiilipohjaiseen vastaavuuteen verrattuna ainakin ensimmäisten kuuden kuukauden aikana – luku, jonka alalla tarkasti muotoillaan "varhaiseksi pysyvyyden parantamiseksi" ennemmin kuin "pitkäikäisyyden takeeksi". [1]
Dynamic outcome prediction eli dynaaminen tuloksen ennustaminen pyrkii ennustamaan, mitkä vastaavuudet johtavat todellisiin tapaamisiin ghostauksen tai loputtoman chatin sijaan. Yksi suurista alustoista paljasti käyttävänsä vahvistusoppimista säätääkseen vastaavuusehdotuksia tunnin tunnilta reaaliaikaisen sitoutumisdatansa perusteella: kun malli huomasi, että sunnuntai-iltojen vastaavuudet johtavat usein tapaamisiin seuraavana perjantaina, se alkoi tarjoamaan enemmän sunnuntai-iltojen vastaavuuksia käyttäjille, joilla on perjantain vapaa-aikaa. Toinen malli seuraa hiljaa aikaa ensimmäiseen tapaamiseen päämääränään, optimoiden paitsi välitöntä vetovoimaa myös todennäköisyyttä ensimmäiseen tapaamiseen kahden viikon sisällä. Loppuvuoden 2023 alan kattavuus korosti, että nämä järjestelmät eivät vielä pysty ennustamaan tuloksia yli vuoden kestäneille suhteille, tarkkuuden laskiessa jyrkästi kuuden kuukauden jälkeen. [2]
Behavioral nudge optimization eli käyttäytymisen nudge-optimoinnin lisääminen vastaavuuden lisäksi muokkaa käyttäytymistä hienovaraisesti mallin kannalta suotuisiin lopputuloksiin. Työnhakupalvelu kuvaili käyttävänsä ajoitettuja muistutusviestejä, jotka kannustavat käyttäjiä viestimään vastaavuuksiensa kanssa 24 tunnin sisällä vastaavuudesta – perustuen sisäiseen analyysiin, joka osoittaa tämän kapean ikkunan korreloivan voimakkaasti lopullisten offline-tapaamisten kanssa. Toinen kuluttajasovellus pyörittää profiilikuvia reaaliajassa sen mukaan, mitkä kuvat tilastollisesti lisäävät kunkin yksilön vastausprosenttia – käytäntö, jonka yritys puolustaa "personointina" ennemmin kuin manipulaationa. Molemmat tekniikat toimivat useimpien käyttäjien tietoisuuden alapuolella, paljastuen vasta A/B-testien ilmoituksissa, jotka on haudattu yksityisyyskäytäntöihin.
Keskivertokäyttäjä olettaa algoritmien vain nopeuttavan luonnollista prosessia. Todellisuudessa ne painottavat uudelleen koko yhteensopivuuden käsitettä.
Nämä edistysaskeleet tulevat dokumentoitujen rajoitusten kanssa. Akateeminen kirjallisuus osoittaa johdonmukaisesti, että vaikka tekoälyjärjestelmät parantavat lyhyen aikavälin vastaavuusprosentteja ja ensimmäisten tapaamisten toteutumista, niiden on vaikea ottaa huomioon kontekstuaalisia epäyhteensopivuuksia – kuten yhteensopimattomia viestintätyylejä tai erilaisia elämänvaiheen prioriteetteja – jotka ilmenevät vasta alkuinnostuksen hiipuessa. [3] Jopa kehittyneimmät mallit eivät pysty luotettavasti ennustamaan, miten joku käsittelee kumppaninsa äkillisen työttömyyden tai kroonisen sairauden, alueita, joilla inhimillinen intuitio ja tunneäly ovat edelleen hallitsevia. Yritykset sisällyttää stressitestiskenaarioita vastaavuusalgoritmeihin ovat osoittautuneet eettisesti kyseenalaisiksi ja laskennallisesti kalliiksi, usein johtuen joko liian konservatiivisiin pareja tai läpinäkymättömiin optimoinnin vähennyksiin, jotka käyttäjät tulkitsevat järjestelmävirheiksi.
Avainaskeleet parannuksen polulla
Tammikuu 2016 — Varhaiset syväoppimismallit alkavat käsittelemään paitsi profiilitietoja myös koko viestihistoriaa piilotettujen yhteensopivuusmerkkien havaitsemiseksi.
Kesäkuu 2017 — Suuri treffisovellus salaa ottaa käyttöön vahvistusoppimiseen perustuvan järjestelmän, joka säätää vastaavuusehdotuksia reaaliajassa käyttäjien toiminnan perusteella, merkiten monien retrospektiivisten analyysien mukaan sen pisteen, jolloin tekoäly siirtyi vastaavuuksien mahdollistamisesta niiden parantamiseen. [4]
Maaliskuu 2019 — Useat työnhakupalvelut integroivat tuloksen ennustamismalleja, jotka on koulutettu jälkikäteen suoritetuista suoriutumisarvioinneista, laajentaen "vastaavuuden" käsitettä alkuperäisestä seulonnasta pitkäaikaiseen sopivuuden arviointiin.
Elokuu 2020 — Alan analyytikot raportoivat, että huippualustat käyttävät nyt neuroverkkoja, jotka sisällyttävät satoja käyttäytymisen signaaleja, mukaan lukien kirjoitusnopeus, emojien käyttökuviot ja kuvien katselukeston.
Helmikuu 2023 — Treffisovellusten konsortio aloittaa kokeilut federated learning -oppimisella parantaakseen vastaavuuden laatua keskittämättä herkkiä käyttäjätietoja, vastauksena kasvavaan sääntelyvalvontaan.
Ihmiskulma: ketkä hyötyvät, ketkä häviävät ja mikä hiljaa muuttuu
Ahkeralle treffijälle hyöty on ilmeinen: vähemmän umpikujavastaavuuksia ja enemmän matalapaineisia ensimmäisiä treffejä. Sovellukset, jotka ottavat pitkittäismallinnuksen käyttöön, raportoivat usein [tarkistamaton luku poistettu] % ghostauksen vähenemisestä kahden ensimmäisen viikon aikana vastaavuuden jälkeen – tilasto, jota mainostetaan tuloskutsussa tarpeeksi usein tullakseen hyväksytyksi totuudeksi, vaikka tarkka prosenttiluku onkin tarkistamaton. Työnhakijat raportoivat vähemmän haastattelujen jälkeistä ghostausta ja nopeampia sijoittumisia, kun alustat painottavat suosituksia kulttuurisen sopivuuden ja esimiehen viestintätyylin suuntaan. Mentorointiverkot osoittavat samanlaisia hyötyjä, kun tekoälyavusteiset järjestelmät auttavat suojatteja löytämään neuvonantajia, joiden viestintätapa ja palautteen sävy vastaavat heidän työrytmiään.
Hiljaiset häviäjät ovat ne, joiden mieltymykset poikkeavat mallien havaitsemista normatiivisista kuvioista. Sisäänpäin kääntyneet, joiden flirttaustapa on pitkiä, harkittuja viestejä, joutuvat järjestelmien prioriteettilistalla alemmas, kun mallit on optimoitu nopeisiin swipeihin ja välittömään jutusteluun. Ihmiset, joiden mielenkiinnon kohteet vaihtelevat sesongin mukaan – veneily kesällä, hiihto talvella – huomaavat profiiliensa heilahtelevan yhteensopimattomien kategorioiden välillä. Epäperinteiset suhdemuodot – ne, jotka tavoittelevat polyamoriaa, avosuhteita tai aseksuaalisia suhteita – raportoivat usein, että mallit oletusarvoisesti palautuvat monogaamisiin, pariskuntanormatiivisiin oletuksiin, jotka on paistettu koulutusdataan.
Mikä muuttuu kaikkein perusteellisimmin, on yhteensopivuuden odotus. Käyttäjät alkavat kohdella sovellusta yhä vähemmän paikkana, jossa tavata ihmisiä, ja yhä enemmän palveluna, joka laskkee yhteensopivuutta samalla tavoin kuin TurboTax laskee veroja. Tämä siirtää päätöksentekoa intuitiosta algoritmiseen auktoriteettiin, normalisoiden ajatuksen siitä, että rakkaus, ystävyys ja ammatillinen sopivuus ovat ongelmia, jotka on ratkaistava ennemmin kuin kokemuksia, joita on tutkittava. Psykologinen vaikutus on hienovarainen mutta läpitunkeva: käyttäjät alkavat nähdä epäyhteensopivuuden paitsi luonnollisena inhimillisen kokemuksen vaihteluna myös järjestelmävirheenä, joka on raportoitava ja korjattava.
Aiemmin rakastuimme huolimatta puutteistamme. Nyt rakastumme siinä uskossa, että meidät on algoritmisesti optimoitu.
Kriitikot väittävät, että nykyisten vetovoiman ja käyttäytymisen kuvioiden koodaaminen matemaattisiin malleihin riskiää jäädyttää olemassa olevat epätasa-arvot paikoilleen. Jos koulutusdata osoittaa, että tiettyjen sosioekonomisten taustojen käyttäjät saavat vähemmän vastaavuuksia, malli ylläpitää tätä vinoumaa väittäen samalla olevansa neutraali. Jotkut alustat ovat vastanneet tähän lisäämällä "oikeudenmukaisuusrajoituksia" optimointiin – kovia rajoja sille, kuinka monta vastaavuutta tietty demografinen ryhmä voi saada – mutta nämä rajoitukset usein alentavat vastaavuuksien laatua ja aiheuttavat sisäisiä väittelyitä siitä, mitä oikeudenmukaisuus edes tarkoittaa inhimillisen halun kontekstissa.
Mitä odottaa seuraavien 12–24 kuukauden aikana
Odota, että yhä useammat alustat laajentavat staattisia mieltymyssyötteitä tilannesisäiseen vastaavuuteen. Sen sijaan, että kysyttäisiin "Mitä haluat?", järjestelmät kysyvät yhä useammin "Mitä tarvitset juuri nyt?" ja tarjoavat erilaisia yhteyksiä sen mukaan, onko käyttäjä vakaassa suhteessa, äskettäin sinkku vai tutustumassa pinnalla. Työnhakupalvelu, jota mainittiin loppuvuodesta 2023, aikoo ottaa käyttöön "elämänvaiheen kytkimiä", jotka säätävät suositusten tiukkuutta sen mukaan, onko joku työttömänä välttämättömyyden vai uteliaisuuden vuoksi.
Videopohjainen vastaavuus tulee yleistymään, kun järjestelmät analysoivat mikroilmeitä, äänensävyä ja keskustelun kulkua ennustaakseen offline-kemiaa. Varhaiset prototyypit pystyvät jo erottamaan 12 erilaista hymyä ja niiden korrelaation pitkäaikaisen kiinnostuksen kanssa, vaikka sisäiset testit osoittavat näiden mallien tuottavan enemmän vääriä positiivisia tuloksia perinteisiin tekstipohjaisiin lähestymistapoihin verrattuna.
Sääntely alkaa saavuttaa tekoälyä. Euroopan sääntelijät ovat ilmaisseet kiinnostuksensa auditoida treffialgoritmeja AI Actin nojalla, erityisesti läpinäkyvyyden osalta siinä, miten vastaavuuksia priorisoidaan ja onko tiettyjä ryhmiä systemaattisesti syrjäytetty. Yhdysvalloissa treffisovellukset lobbaavat itsesääntelyn puolesta alan standardeilla, väittäen, että ulkoiset auditoinnit paljastaisivat kilpailijoille omistettuja vastaavuuslogiikoita.
Kaikkein kiperin lähiajan haaste on suostumuksellinen personointi. Käyttäjät ovat yhä epämukavampia tietäessään, että heidän näennäisesti vaarattomat profiilinsa muutokset – tietyn kuvan lisääminen, biotekstin muuttaminen – ruokkivat hiljaa malleja, jotka muokkaavat sitä, ketä he näkevät. Vuoden 2024 alun alan kattavuus vihjaa, että alustat kokeilevat "personointiliukusäätimiä", jotka antavat käyttäjien vähentää tekoälyn vaikutusta, mutta nämä kontrollit ovat usein piilotettu useiden valikkojen taakse ja esitetään "edistyneinä asetuksina" ennemmin kuin käyttäjän perusoikeuksina.
Lopuksi, kauan luvattu integraatio reaalimaailman datan kanssa kiihtyy. Jotkut työnhakupalvelut sisällyttävät nyt luottotietojen tarkastelukäytäntöjä ja työmatka-ajan dataa säätääkseen suosituksia, ohjaillen käyttäjiä työnantajien luo, jotka sijaitsevat 45 minuutin säteellä, vaikka hakijat vakuuttelevat olevansa avoimia muuttamiselle. Treffisovellukset testaavat hiljaa kalenteridatan integrointia välttääkseen vastaavuuksien ehdottamista stressaavien työaikojen aikana. Nämä laajennukset herättävät välittömiä kysymyksiä valvontakapitalismista ja intiimiyden kaupallistamisesta.
Loppuheksanismi
Vuonna 2017 tapahtunut käännepiste ei ollut tuotejulkaisu, jossa olisi ollut juhlintaa tai tutkimusartikkeli, jossa olisi ollut viitteitä. Se oli hienovarainen taustajärjestelmän säätö yhdessä sovelluksessa, jota huomioivat vain muutamat insinöörit ja yksi käyttäjä, joka myöhemmin kertoi haastattelijoille: "Tuntui vain siltä, että sovellus vihdoin ymmärsi minut." Nyt, vuosia myöhemmin, tuo tunne on ulkoistettu koneille, jotka mittaavat meitä tarkemmin kuin itse mittaamme itsemme – ja lupaavat tarjota paitsi yhteensopivuutta myös optimoinnin.
Teknologia toimii tarpeeksi hyvin ollakseen hyödyllinen. Se toimii tarpeeksi huonosti ollakseen nöyryyttävä. Ja jossain näiden napojen välissä se hiljaa järjestää uudelleen vanhimman inhimillisen rituaalin: jonkun löytämistä, jonka kanssa jakaa matkan, vaikka emme vielä tietäisikään, minne olemme menossa.
