Mengandalkan model AI prediktif di berbagai bidang pengambilan keputusan berisiko menimbulkan konsekuensi yang sangat besar karena model tersebut biasanya mempertimbangkan korelasi sebagai sebab akibat. Oleh karena itu, pengambil keputusan harus mengadopsi pendekatan lain, yaitu AI kausal, yang dapat membantu mengidentifikasi hubungan antara akibat dan sebab secara tepat. Kausalitas kini dianggap sebagai salah satu elemen terpenting yang hilang yang diperlukan untuk memungkinkan kemajuan sejati di bidang AI.
AI kausal memahami sebab dan akibat
Selama beberapa waktu, pakar domain telah mengatakan untuk mengaktifkan mesin dengan kemampuan mempertimbangkan efek dan penyebab. Nama-nama merek besar seperti Google, Microsoft, Facebook, Uber, dan Amazon banyak berinvestasi pada AI kausal, sehingga penelitian mengenai kausalitas juga semakin cepat.
Sumber: Gartner.
Gartner, yang merupakan firma analisis teknologi terkemuka, juga mencantumkan AI kausal di antara 25 teknologi berkembang yang berpotensi mengubah praktik bisnis. Saat ini sepertinya industri sedang berlomba untuk memanfaatkan keunggulan luar biasa dari teknologi ini dengan mengadopsinya lebih awal, namun agar hal ini terjadi, pertama-tama membangun AI kausal yang matang sangatlah penting.
Untuk kecerdasan sejati, syarat yang diperlukan adalah mengutamakan sebab dan akibat. Ini adalah masalah yang tidak dimiliki oleh sistem AI prediktif, dan para ahli mencoba menyelesaikannya dengan AI kausal.
Kita manusia lebih pintar dari data karena kita memahami sebab dan akibat, namun data tidak. Kita menggunakan kemampuan penalaran melalui pengetahuan sebab-akibat untuk memprediksi bagaimana tindakan tertentu akan berdampak pada suatu masalah, sehingga kita membuat strategi dan rencana yang sesuai. Kita dapat membayangkan hasil yang tidak diinginkan atau berbeda dari hasil yang diharapkan dengan bergantung pada kemampuan penalaran sebab akibat kita. Ini adalah kompetensi manusia untuk menentukan mengapa sesuatu berakhir seperti itu. Jadi, AI yang mengetahui sebab dan akibat juga bisa memiliki kemampuan ini, yang seringkali sangat kuat.
Pengetahuan domain terpasang
Salah satu manfaat utama AI kausal adalah memanfaatkan pengetahuan domain, yang dapat diperoleh dari para ahli di bidangnya dan dimasukkan ke dalam proses sistem. dengan cara ini, pemrogram dapat mendefinisikan beberapa hubungan dan membatasi model untuk menghormati korelasi tersebut. Kemampuan ini membawa keahlian domain ke dalam pembelajaran mesin.
Sumber: Marketsandmarets.
Menemukan faktor-faktor yang mendasarinya bukan satu-satunya manfaat menggunakan AI biasa; hal ini juga memungkinkan untuk merancang proses yang dapat mengubah hasil dengan menggunakan algoritme AI biasa untuk mengajukan pertanyaan sebagai alasan.
Katakanlah Anda ingin mengevaluasi program pelatihan bagi instruktur untuk meningkatkan kompetensinya. Berapa banyak yang diharapkan dari seorang peserta pelatihan untuk meningkatkan nilainya? Atau, misalnya, seorang supervisor pabrik mengetahui bahwa ketika panas di ruang X naik, tekanan di ruang Y juga meningkat. Jadi, pengetahuan yang diperoleh manusia ini dapat ditanamkan ke dalam AI dan memastikan bahwa sistem selalu menghormati kriteria tersebut.
Sistem AI saat ini tidak selaras dengan nilai-nilai kemanusiaan secara cerdas. AI Kausal adalah puncak dari kecerdasan buatan yang dapat dijelaskan dan keadilan sistem AI. Sistem yang didasarkan pada kausalitas memberikan kinerja dan penjelasan proses yang lebih baik, sedangkan AI konvensional berfokus pada ekspektasi akurasi tertentu dan mengabaikan transparansi. Mengetahui jawaban atas pertanyaan bagaimana-jika yang kompleks membantu kita memahami cara kerja dunia nyata dan memungkinkan kita mengambil keputusan yang tepat untuk hasil yang lebih baik.
Kisah aslinya bisa dilihat di sini.
