Computational Taste: LLMs, Ästhetik und Urteilskraft

In der heutigen digitalen Welt sind Large Language Models (LLMs) nicht nur Werkzeuge zur Verarbeitung von Sprache, sondern sie beginnen auch, unser Verständnis von Geschmack und Ästhetik zu revolutionieren. Diese Technologien werden zunehmend eingesetzt, um Geschmack in verschiedenen Bereichen zu modellieren und zu optimieren, durch personalisierte Systeme wie Taste Engines, Aesthetic LLMs und Taste Tribes.

Vor zehn Jahren war das Internet ein Ort, den man besuchte, um menschlichen Geschmack zu erleben – sei es durch Modeblogger, die ihre Kreationen präsentierten, oder durch Kuratoren, die Ausstellungen auswählten. Heute hingegen ist das digitale Umfeld so gestaltet, dass es Geschmack lernt und anpasst. Doch was bedeutet es, Geschmack zu quantifizieren und zu modellieren, wenn dieser doch so dynamisch und sozial konstruiert ist?

Von Menschen des Geschmacks zu Maschinen des Geschmacks

Traditionell wurde Geschmack als individuelles Merkmal betrachtet, das die Fähigkeit beschreibt, Qualität und ästhetische Standards zu erkennen. Philosophen wie Immanuel Kant sahen Geschmack als universelles Urteil, während Pierre Bourdieu ihn als sozialen Indikator definierte, der Zugehörigkeit zu Klassen oder Kulturen signalisiert. In der analogen Welt wurde Geschmack durch Gatekeeper vermittelt. Mit dem Aufkommen des Internets wurde Geschmack partizipativ, und soziale Medien ermöglichten es den Nutzern, Geschmack zu schaffen und zu teilen.

Heute jedoch repräsentieren LLMs eine neue Ära: Maschinen, die lernen und Geschmack selbst optimieren. Dies ist ein tiefgreifender Wandel, der die Art und Weise, wie wir Geschmack verstehen, grundlegend verändert.

Warum Geschmack für LLMs wichtig ist

Die Personalisierung von LLMs, um den unterschiedlichen Vorlieben der Nutzer gerecht zu werden, wird zunehmend entscheidend. Traditionelle Methoden des Reinforcement Learning from Human Feedback (RLHF) basieren auf einem monolithischen menschlichen Belohnungsmodell, das die Vielfalt des Geschmacks nicht abbilden kann. Neuere Ansätze wie LoRe (Low-Rank Reward Modeling) zeigen, wie individuelle Präferenzen als Kombinationen gemeinsamer Basisfunktionen modelliert werden können, um LLMs an die einzigartigen ästhetischen und stilistischen Neigungen der Nutzer anzupassen.

Datasets wie Pick-a-Pic, ImageReward und HPSv3 erfassen menschliche Urteile über Stil, Qualität und Anziehungskraft, um Belohnungsmodelle zu trainieren, die Geschmack annähern. Geschmack ist schwer zu messen, aber er ist nicht mehr unsichtbar. Er kann jetzt als Daten kodiert, als Funktion modelliert und als Belohnung optimiert werden.

Fünf Bereiche für neue Anwendungen

Hier sind fünf Bereiche, in denen sich neue Verbraucherplattformen entwickeln könnten:

1. Taste Engines: Personalisierte Urteile als Dienstleistung

Statt Inhalte basierend auf Popularität oder Ähnlichkeit zu empfehlen, könnten zukünftige Taste Engines kontextbewusste, stil-spezifische und tief personalisierte Inhalte kuratieren. Stellen Sie sich ein LLM vor, das ein multidimensionales Geschmacksprofil für jeden Nutzer erstellt und nicht nur Filme empfiehlt, sondern auch Zitate oder Produkte, die mit dem aspirativen Selbst des Nutzers übereinstimmen.

2. Aesthetic LLMs: Stil-konditionierte Generierung

Aktuelle LLMs werden hauptsächlich auf Wahrhaftigkeit, Kohärenz und Nützlichkeit bewertet, jedoch nicht auf Geschmack. In Bereichen wie Marketing, Schreiben und Design ist Geschmack jedoch entscheidend. Modelle wie TAPO (Textual Aesthetics Preference Optimization) und G-Eval entwickeln Methoden, um LLMs auf menschlich etikettierten ästhetischen Daten zu trainieren.

3. Taste Tribes: Soziale Netzwerke nach Stil sortiert

Wenn Bourdieu recht hat, dass Geschmack unsere Vision vom „guten Leben“ ausdrückt, dann ist Geschmack sozial. Zukünftige Plattformen könnten Geschmack als das zentrale Organisationsprinzip nutzen, indem sie Nutzerverhalten analysieren und ihre „Taste Tribe“ dynamisch anpassen.

4. The Taste Graph: Kulturelles Kapital als Daten

Geschmack war lange Zeit ein Proxy für kulturelles Kapital. Mit der Digitalisierung wird Geschmack nun als strukturierte Daten abgebildet. Jedes „Gefällt mir“, jeder Kauf und jeder Klick wird zu einem Signal kulturellen Kapitals. Dies könnte zur Schaffung eines Taste Graph führen, der kulturelle Objekte und Stile miteinander verknüpft.

5. Taste Alignment: Die Personalisierungsgrenze

Der heilige Gral ist die Ausrichtung von Modellen auf individuelle Geschmäcker in großem Maßstab. Aktuelle RLHF-Pipelines gehen von einer universellen Definition von „gut“ aus, aber Geschmack ist persönlich und kontextabhängig. Methoden wie LoRe zeigen, wie individuelle Präferenzen modelliert werden können, um LLMs an die Geschmäcker der Nutzer anzupassen.

Die Bedeutung des Geschmacks

Geschmack ist sowohl persönlich als auch sozial. Er entsteht aus individueller Erfahrung, sozialer Nachahmung und kulturellem Signal. Die Herausforderung besteht darin, Systeme zu entwickeln, die den Nutzern helfen, das Unbekannte zu entdecken und sich mit ihren sich verändernden Vorlieben weiterzuentwickeln.

Wir stehen vor einem neuen Regime des Geschmacks, in dem LLMs nicht nur unsere Vorlieben widerspiegeln, sondern sie aktiv formen. Dies ist eine massive kulturelle und wirtschaftliche Verschiebung, die neue Möglichkeiten für Unternehmen und Kreative schafft.

Quellenliste:

• Quelle: Toward Computational Taste: LLMs, Aesthetics & Judgment
• Our Investment in Chronicle Studios
• The Future of Relationship Tech
• The AI-Native Shopping Opportunity
• Announcing Patron Fund II