Ha egy kereskedő vagy cég meg akarja érteni, hogyan reagálnak kínálatára a fogyasztók, nagy nyelvmodellek (LLM-ek) segíthetnek nekik: képesek szimulálni a képességekkel, funkciókkal, promóciókkal vagy az árakkal kapcsolatos kérdésekre válaszolókat. Az LLM-ek viszont nem reagálnak olyan változatosan, mint az emberek.

Google-kutatók a nagy nyelvmodellek testre szabható attitűdökkel rendelkező személyiségek szimulálására találtak ki módszert. Így sokkal változatosabban válaszolhatnak a felmerülő kérdésekre.

A Persona Generators-szal (személyiséggenerátorral) LLM-et promptoló kód hozható létre. A promptok huszonöt személyiséget fednek le.

Egy LLM emberi személyiséggé alakítása jellemzően a hatékony prompt megalkotásán múlik (például: „válaszolj a következő kérdésre úgy, mintha a mai politikában demokratának tartanád magad…”). Ez a megközelítés azonban általában átlagos válaszokat eredményez, és nem tükrözi azt a skálát, amelyet egy emberi populáció nyújtana. Még akkor sem tükrözi, ha a prompt kifejezetten arra utasítja az LLM-et, hogy bizonyos demográfiai jellemzőket vegyen fel.

Alternatív megoldásként a modellt arra utasítjuk, hogy addig módosítsa a személyiség promptokat, amíg a vélemények, attitűdök vagy aggályok adott skáláját lefedő kimenetet nem hoznak létre. A persona populáció hatókörét meghatározó irányelvek (az egyetértés és egyet nem értés mértéke szerint rangsorolt ​​attitűdök) alapján egy evolúciós algoritmus a válaszok teljes skáláját kiváltó promptok előállítására ösztönözheti a modellt.

A kutatók az AlphaEvolve evolúciós módszerrel a személyiségek számára huszonöt kérdést generáló, és attitűdjeik sokféleségét a generált kérdőívre adott válaszok alapján maximalizáló kódot hoztak létre.

A fogyasztói/felhasználói kört bővíteni óhajtó szervezetek sokat profitálhatnak a közvéleményt széles körben lefedő szintetikus személyiségekből. A valós közönségüket lefedőket létrehozó cégek sokszínűbb tömeget ismerhetnek meg.

Az új megközelítés a betanítási adatok egyeztetéséről az óhajtott lehetőségek lefedésére helyezte a hangsúlyt. Előbbivel a legvalószínűbb kimenetek generálhatók, kiugró értékek viszont általában nem. A Persona Generator az egyedi személyiségek helyetti optimalizálása a valószínűsíthető fogyasztói/felhasználói viselkedés nagyobb skálájának reprezentációját teszi lehetővé.