Badacze zaproponowali radykalnie inny sposób konstruowania embeddingów, czyli reprezentacji wektorowych danych - zamiast skupiać się na kodowaniu znaczenia semantycznego, mogą one odzwierciedlać preferencje użytkowników. To fundamentalna zmiana podejścia, która sugeruje, że dla wielu praktycznych zastosowań nie trzeba idealnie mapować znaczenie słów czy konceptów, wystarczy zrozumieć, czego naprawdę chcą użytkownicy. Odkrycie to może zaburzić branżę rekomendacji i rankingu, gdzie tradycyjnie zakładano, że bliskie semantycznie elementy zawsze powinny być blisko siebie w przestrzeni wektorowej.
Tradycyjne embeddingi, takie jak te tworzone przez modele Word2Vec czy nowoczesne modele transformerów, optymalizowane są pod kątem odwzorowania rzeczywistego znaczenia. Słowo "zły" znajdzie się blisko "niedobry", a "samochód" blisko "pojazdu". To podejście działa świetnie w wielu scenariuszach, ale okazuje się mieć słabe punkty w systemach, które mają przewidywać, co konkretni ludzie chcą zobaczyć. Nowa metodologia przechyla skalę w stronę pragmatyzmu - jeśli użytkownicy danej platformy zawsze wybierają artykuły o polityce zamiast o sporcie, embeddingi powinny to odzwierciedlać, nawet jeśli semantycznie tematy różnią się diametralnie.
Praktyczne implikacje są znaczące. Systemy rekomendacyjne zbudowane na embeddingach preferencji mogą być bardziej efektywne i skalowalne, bo uczą się tego, co faktycznie prowadzi do klikniętego linka czy dodanego do listy obserwowanych, zamiast teoretycznie doskonałych reprezentacji semantycznych. To szczególnie ważne dla gigantów takich jak Netflix, Spotify czy Amazon, gdzie dokładne przewidzenie następnego kroku użytkownika bezpośrednio wpływa na przychody. Zmiana paradygmatu może oznaczać, że przyszłe systemy AI będą mniej "inteligentne" w abstrakcyjnym sensie, ale zdecydowanie bardziej użyteczne w rzeczywistych aplikacjach biznesowych.