Az úgynevezett ajánló (recommendation) rendszerek gyakorlati alkalmazására az olyan szoftvermegoldások jelentik a legjobb példát, amelyek célja hivatalosan a felhasználók döntéseinek támogatása a számukra hasznosnak ítélt termékek megjelenítésével. Félhivatalosan olyan algoritmusokról van szó, amelyek azt próbálják meghatározni, hogy kinek, mit és mekkora eséllyel lehet eladni azok közül a termékek közül, amelyekre igazából nem volt különösebb szüksége, de a megfelelő időben vagy kontextusban rá lehet sózni.

Az ajánlások egyrészt épülhetnek a felhasználó korábbi vásárlásaira, másrészt épülhetnek a vele érdeklődés, ismeretség vagy bármilyen más szempontból kapcsolatba hozható más felhasználók döntéseinek elemzésére. Az ajánlási problémának (recommendation problem) is nevezett feladat egyszerűnek tűnhet, valójában azonban nagyon komoly kihívást jelent az online ökoszisztémák elosztott rendszerein való hatékony megvalósítása, nem beszélve a biológiában és más területeken való alkalmazásáról.

Erről van szó, már amennyire mi felfogtuk

A kihívás lényege rendkívül felületesen úgy határozható meg, hogy m (felhasználók) és n (termékek) mellett hiányos adatok állnak rendelkezésre arról, hogy ki melyik terméket preferálja; az alacsony rangú m×n preferenciamátrix alapján pedig valamilyen szűrési eljárással meg kell határozni az adott fogyasztónak legjobb eséllyel eladható árucikkeket. A szakemberek szerint éppen az ajánlási probléma lesz az egyik olyan terület, amelynek esetében a kvantumszámítógépek megjelenése exponenciális gyorsulást hozhat majd a mostani megoldásokhoz képest.

Ilyen kvantumszámítógépes algoritmust már ket évvel ezelőtt publikáltak, ettől függetlenül azt nem bizonyította senki, hogy nem hozhatók létre hasonló hatékonysággal működő klasszikus eljárások. A hírek szerint nem is bizonyíthatták volna, mivel a University of Texas mindössze 18 éves, de ősztől már PhD-képzést kezdő hallgatója, Ewin Tang július végén egy működőképesnek ítélt, polinomiális idejű algoritmust mutatott be – ehhez ráadásul az inspirációt éppen a már említett kvantumszámítógépes eljárás adta, amely egyebek mellett a probléma leegyszerűsítésével gyorsítja fel a folyamatot.

Tang (a fenti képen) megoldása ahelyett, hogy a lineáris algebra eszközeivel próbálná átrágni magát a teljes m×n mátrixon az ideális termékajánlatot keresve, véletlenszerűen almátrixokat határoz meg a preferenciamátrix alapján. A felhasználók ilyen módon való csoportosítása és a meglévő adatokból vett minták alapján ezután olyan ajánlásokat tesz, amelyek elég jók, vagyis megfelelnek a sikeres értékesítés lehetőségét meghatározó követelményeknek.

A beszámolók (mint például Scott Aaronson, Ewin Tang kutatásvezetőjének blogja) szerint a következő lépés az algoritmus futási idejének leszorítása, ezután pedig annak értékelése, hogy pillanatnyilag van-e lehetőség valamilyen konkrét felhasználásra – illetve más kvantumalgoritmusok vizsgálata, amelyek esetleg ugynailyen elven alkalmazhatók a gépi tanulás gyakorlati kihívásainak megoldásában.

Az eredmények nem kioltják, hanem támogatják egymást

A mostani eredmény ugyanis egyfelől visszalépésnek tekinthető ezen a területen, mivel látszólag annulálja a kvantum számítástechnika látványos előnyeinek egyikét. Másfelől viszont arra is bizonyíték, hogy a kvantum- és klasszikus algoritmusok kutatásának igenis léteznek olyan összefüggései, amelyek hasznos megoldásokra vezetnek. Ezzel kapcsolatban Aaronson is kiemeli, hogy ebben az esetben az úgynevezett kvantumgyorsulásnak már annyi, de Tang eljárása nem születhetett volna meg a korábban publikát kvantumalgoritmus nélkül, hiszen a munkája éppen arra épült, és azt továbbgondolva jött létre a mostani felfedezés.

A kommentárok között egyébként azok a hangok is megjelennek, amelyek szerint nagy gáz, amikor egy ilyen brilliáns elme azon dolgozik, hogy az Amazon vagy a Netflix hatékonyabb eladásösztönző eszközökhöz juthasson. Scott Aaronson ezekre a fenntartásokra külön kitér az egyik bejegyzésében: szerinte ebben a pillanatban valóban az online kereskedelem tűnik a leginkább csábítónak az ajánló rendszerek alkalmazása szempontjából. Ugyanakkor az alacsony rangú mátrixokra épülő véletlenszerű mintavételezés kutatásának remélhetőleg lesznek majd hasznos és kevésbé üzlet-orientált felhasználási területei is.