AIの出力を再び入力として取り込むことで、モデルの挙動が増幅されるプロセスです。これは、良い方向では（強化学習）、悪い方向では（バイアスの強化）として作用する可能性があります。
意図的なループ（強化学習）と非意図的なループ（推薦の強化）の双方について説明します。正のループは時間の経過とともにパフォーマンスを最適化できますが、負のループはバイアス増幅のリスクを伴います。例えば、推薦システムが人気コンテンツを表示すると、そのコンテンツはさらに人気になります。ガバナンス戦略には、ループ検知メトリクス、介入ポリシー（多様性クオータ）、および本番環境への展開前に実施するシミュレーテッド・ループ・テストが含まれます。
あるニュースプラットフォームのレコメンダーは、トレンド記事を表示します。ユーザーはそれらをより多くクリックするため、システムはさらにそれらを増幅し、コンテンツの多様性を狭めてしまいます。チームは「セレンディピティ（偶発的発見）」の制約を導入し、クリック数の少ないトピックを一定の比率で注入することで、際限のないフィードバックループを断ち切り、コンテンツの多様性を維持します。
