Forskere har udviklet en ny metode, kaldet Meta-LoRA, der markant forbedrer AI-modellers evne til at personalisere svar i ukendte samtaledomæner. Ifølge et arXiv-paper reducerer metoden forringelsen af win-rate på tværs af domæner med 47,9% sammenlignet med den bedste eksisterende baseline og forbedrer win-rate med 110,2% ved koldstart med ukendte brugere.
For beslutningstagere, der overvejer at implementere AI-chatbots i kundeservice eller salg, er dette en væsentlig udvikling. Personalisering er ofte en flaskehals, fordi modeller har svært ved at tilpasse sig nye brugere eller domæner med kun få eksempler. Meta-LoRA løser dette ved at bruge en meta-lært LoRA-initialisering som både startpunkt og prior-center, mens den justerer opdateringsstyrken baseret på mængden af tilgængelige data og usikkerheden i forudsigelserne. Dette begrænser overtilpasning, når data er sparsomme, men tillader stærkere personalisering, efterhånden som der kommer flere data.
Metoden adskiller også personlige præferencer i en brugerspecifik og en domænespecifik komponent. Stabile præferencer håndteres via en læsbar prompt, mens domænespecifikke forhold håndteres via soft tokens, der bevarer topologien i det latente rum. Dette forhindrer, at præferencer fra ét domæne fejlagtigt overføres til et andet, hvilket ellers kan føre til negative overførsler.
Selvom dette er forskning, ikke et færdigt produkt, er implikationen klar: Virksomheder, der investerer i AI-personalisering, kan snart se markant bedre resultater med mindre data. For dem, der bygger eller køber AI-løsninger, er det værd at holde øje med, om denne tilgang bliver integreret i kommercielle platforme.
