AI ResearchOct 26, 2026Article in Italian

QD-Rec di Sakana AI: raccomandazioni che esplorano invece di fare classifiche

Sakana AI presenta QD-Rec, un metodo per aiutare chi deve prendere decisioni importanti, come quale azienda acquisire o a quale cliente puntare. Invece di una sola classifica, costruisce un archivio di opzioni varie e di qualità: ogni raccomandazione è un elemento preso da un elenco fisso più un'ipotesi, cioè una spiegazione in linguaggio naturale del perché è adatto a chi decide. Usa l'approccio quality-diversity: cercare risultati buoni ma anche diversi fra loro.
Funziona in tre mosse: un contextual bandit (un algoritmo che impara dove conviene guardare) sceglie il prossimo elemento, bilanciando quelli promettenti e quelli poco esplorati; un modello linguistico scrive nuove ipotesi modificando, incrociando o reinventando quelle già in archivio, anche quelle con voti bassi, che fanno da trampolino; la nuova raccomandazione entra se porta una ragione nuova o se batte la più simile in un confronto alla cieca.
Provato su acquisizioni (circa 6.300 aziende USA), marketing (10.000 profili di clienti fittizi), raccomandazione di paper (circa 17.500 da ICLR, ICML e NeurIPS) e di libri: rispetto alle versioni semplificate ottiene la qualità media più alta e l'archivio più grande nella maggior parte dei casi. Il codice è open source (Apache 2.0).

Sources

AI ResearchOct 26, 2026Article in Italian

Sakana AI presenta QD-Rec, un metodo per aiutare chi deve prendere decisioni importanti, come quale azienda acquisire o a quale cliente puntare. Invece di una sola classifica, costruisce un archivio di opzioni varie e di qualità: ogni raccomandazione è un elemento preso da un elenco fisso più un'ipotesi, cioè una spiegazione in linguaggio naturale del perché è adatto a chi decide. Usa l'approccio quality-diversity: cercare risultati buoni ma anche diversi fra loro.
Funziona in tre mosse: un contextual bandit (un algoritmo che impara dove conviene guardare) sceglie il prossimo elemento, bilanciando quelli promettenti e quelli poco esplorati; un modello linguistico scrive nuove ipotesi modificando, incrociando o reinventando quelle già in archivio, anche quelle con voti bassi, che fanno da trampolino; la nuova raccomandazione entra se porta una ragione nuova o se batte la più simile in un confronto alla cieca.
Provato su acquisizioni (circa 6.300 aziende USA), marketing (10.000 profili di clienti fittizi), raccomandazione di paper (circa 17.500 da ICLR, ICML e NeurIPS) e di libri: rispetto alle versioni semplificate ottiene la qualità media più alta e l'archivio più grande nella maggior parte dei casi. Il codice è open source (Apache 2.0).