さまざまな意思決定分野で予測 AI モデルに頼ると、通常は相関関係を因果関係として考慮するため、悲惨な結果を招くリスクがあります。したがって、意思決定者は、結果と原因の関係を正確に特定するのに役立つ因果関係 AI という別のアプローチを採用する必要があります。因果関係は現在、AI 分野で真の進歩を実現するために必要となる最も重要な欠けている要素の 1 つと考えられています。

因果AIは原因と結果を理解する

かなり前から、分野の専門家は、機械に原因と結果について推論する能力を持たせるべきだと主張してきました。Google、Microsoft、Facebook、Uber、Amazon などの大手ブランドは因果関係の AI に多額の投資をしており、因果関係の研究も加速しています。

出典: ガートナー。

大手技術分析会社であるガートナーも、ビジネス慣行を変革する可能性のある25の進化する技術の中に因果AIを挙げています。現在、業界では、この技術を早期に導入してその優れた利点を活用するための競争が繰り広げられているようですが、そのためには、まず成熟した因果AIを構築することが不可欠です。

真の知能には、原因と結果を優先することが必須の要件です。これは予測AIシステムに欠けている問題であり、専門家は因果AIでこれを解決しようとしています。

人間は因果関係を理解し​​ているため、データよりも賢いのですが、データは理解していません。私たちは因果関係の知識を通じた推論能力を使って、ある行動が物事にどのような影響を与えるかを予測し、それに応じて戦略や計画を立てます。因果関係の推論能力に頼ることで、望ましくない結果や予想とは異なる結果を想像することができます。これは、物事がなぜそうなったのかを判断する人間の能力です。したがって、因果関係を知っている AI もこの能力を持つことができ、これは非常に強力になることがよくあります。

ドメイン知識のオンボード

因果 AI の主な利点の 1 つは、分野の専門家から取得してシステム プロセスに組み込むことができるドメイン知識を活用できることです。このようにして、プログラマーはいくつかの関係を定義し、相関関係を尊重するようにモデルを制限できます。この機能により、ドメインの専門知識が機械学習に組み込まれます。

出典: Marketsandmarets.

カジュアル AI を使用する利点は、根本的な要因を見つけることだけではありません。カジュアル AI のアルゴリズムを使用して推論のための質問をすることで、結果を変更できるプロセスを設計することも可能になります。

インストラクターの能力向上のためのトレーニング プログラムを評価するとします。受講者のスコア向上にはどの程度の努力が求められるでしょうか。あるいは、たとえば、製造工場の監督者は、チャンバー X の温度が上昇すると、チャンバー Y の圧力も上昇することを知っています。したがって、この人間が得た知識を AI に組み込み、システムが常にこれらの基準を尊重するようにすることができます。

現在の AI システムは、人間の価値観とスマートに一致していません。因果 AI は、説明可能な人工知能と AI システムの公平性の頂点です。因果関係に基づくシステムは、より優れたパフォーマンスとプロセスの説明可能性を提供しますが、従来の AI は特定の精度の期待に焦点を当て、透明性を無視します。複雑な「もし～だったら」の質問に対する答えを知ることは、現実世界がどのように機能するかを理解するのに役立ち、より良い結果をもたらす正しい決定を下すことができます。

原文はここからご覧いただけます。