Spoléhání se na prediktivní modely umělé inteligence v různých oblastech rozhodování riskuje katastrofické důsledky, protože obvykle považují korelaci za příčinnou souvislost. Osoby s rozhodovací pravomocí proto musí přijmout jiný přístup, kauzální AI, která může pomoci přesně identifikovat vztah mezi účinkem a příčinou. Kauzalita je nyní považována za jeden z nejdůležitějších chybějících prvků, které jsou potřeba k umožnění skutečného pokroku v oblasti umělé inteligence.
Kauzální AI rozumí příčině a následku
Doménoví experti již nějakou dobu říkají, že umožnit strojům se schopností uvažovat o účincích a příčinách. Velké značky jako Google, Microsoft, Facebook, Uber a Amazon intenzivně investují do kauzální umělé inteligence, takže výzkum kauzality se také zrychlil.
Zdroj: Gartner.
Gartner, přední společnost zabývající se technologickou analýzou, také zařadil kauzální umělou inteligenci mezi 25 vyvíjejících se technologií, které mají potenciál transformovat obchodní praktiky. Nyní to vypadá jako závod v průmyslu o využití výjimečných výhod této technologie jejím dřívějším přijetím, ale aby se tak stalo, je nezbytné nejprve vybudovat vyspělou kauzální AI.
Pro skutečnou inteligenci je nezbytným požadavkem upřednostnění příčiny a následku. To je problém, který prediktivním systémům umělé inteligence chybí a odborníci se jej snaží vyřešit pomocí kauzální umělé inteligence.
My lidé jsme chytřejší než data, protože rozumíme příčině a následku, ale data ne. Využíváme naši schopnost uvažování prostřednictvím našich kauzálních znalostí k předpovědi, jak určitá akce ovlivní záležitost, takže podle toho vytváříme strategie a plány. Můžeme si představit nežádoucí nebo odlišné výsledky od našich očekávaných výsledků v závislosti na naší schopnosti kauzálního uvažování. To je lidská schopnost určit, proč něco skončilo tak, jak to skončilo. Takže AI, která zná příčinu a následek, může mít také tuto schopnost, která je často velmi silná.
Znalost domény na palubě
Jednou z klíčových výhod kauzální AI je využití doménových znalostí, které lze získat od odborníků v oboru a začlenit je do systémového procesu. tímto způsobem mohou programátoři definovat některé vztahy a omezit model tak, aby respektoval korelaci. Tato schopnost přináší do strojového učení odbornou znalost domény.
Zdroj: Marketsandmarets.
Zjištění základních faktorů není jedinou výhodou používání příležitostné umělé inteligence; umožňuje také navrhovat procesy, které mohou změnit výsledky pomocí algoritmů příležitostné umělé inteligence k kladení otázek k uvažování.
Řekněme, že chcete vyhodnotit školicí program pro instruktory za účelem zlepšení jejich kompetence. Kolik by se mělo očekávat od praktikanta, aby zlepšil své skóre? Nebo například vedoucí výrobního závodu ví, že když se teplo v komoře X zvýší, zvýší se i tlak v komoře Y. Takže tyto lidmi získané znalosti mohou být vloženy do AI a zajistit, aby systém vždy respektoval tato kritéria.
Současné systémy umělé inteligence nejsou chytrým způsobem v souladu s lidskými hodnotami. Kauzální AI je vrcholem vysvětlitelné umělé inteligence a spravedlivosti systémů AI. Systémy založené na kauzalitě poskytují lepší výkon a také vysvětlitelnost procesu, zatímco konvenční AI se zaměřuje na určitá očekávání přesnosti a ignoruje transparentnost. Znalost odpovědí na složité otázky typu „co kdyby“ nám pomáhá pochopit, jak funguje skutečný svět, a umožňuje nám to činit správná rozhodnutí pro lepší výsledky.
Původní příběh je k vidění zde.