Paļaušanās uz prognozējošiem AI modeļiem dažādās lēmumu pieņemšanas jomās var izraisīt katastrofālas sekas, jo tajos parasti tiek ņemta vērā cēloņsakarība. Tāpēc lēmumu pieņēmējiem ir jāpieņem cita pieeja, cēloņsakarības AI, kas var palīdzēt precīzi noteikt saistību starp ietekmi un cēloni. Cēloņsakarība tagad tiek uzskatīta par vienu no svarīgākajiem trūkstošajiem elementiem, kas ir nepieciešams, lai AI jomā gūtu patiesu progresu.

Cēloņa AI izprot cēloni un sekas

Jau labu laiku domēna eksperti jau ir teikuši, ka jāiespējo mašīnas, kas spēj spriest par sekām un cēloņiem. Lieli zīmolu nosaukumi, piemēram, Google, Microsoft, Facebook, Uber un Amazon, iegulda lielus ieguldījumus cēloņsakarības AI, tāpēc arī cēloņsakarības pētījumi ir paātrinājušies.

Avots: Gartner.

Gartner, kas ir vadošais tehnoloģiju analīzes uzņēmums, arī iekļāva cēloņsakarību AI starp 25 attīstītajām tehnoloģijām, kurām ir potenciāls pārveidot uzņēmējdarbības praksi. Tagad šķiet, ka rūpniecībā notiek sacensība, lai izmantotu šīs tehnoloģijas izcilās priekšrocības, to ieviešot agrāk, taču, lai tas notiktu, ir svarīgi vispirms izveidot nobriedušu cēloņsakarību AI.

Lai iegūtu patiesu inteliģenci, priekšroka tiek dota cēloņiem un sekām. Šī ir problēma, kuras trūkst prognozējošajām AI sistēmām, un eksperti mēģina to atrisināt ar cēloņsakarību AI.

Mēs, cilvēki, esam gudrāki par datiem, jo ​​mēs saprotam cēloni un sekas, bet dati to nedara. Mēs izmantojam savu argumentācijas spēju, izmantojot mūsu cēloņsakarības, lai paredzētu, kā noteikta darbība ietekmēs lietu, tāpēc mēs attiecīgi izstrādājam stratēģijas un plānus. Mēs varam iedomāties nevēlamus vai atšķirīgus rezultātus no mūsu gaidītajiem rezultātiem atkarībā no mūsu cēloņsakarības spējas. Tā ir cilvēka kompetence, lai noteiktu, kāpēc kaut kas beidzās tā, kā tas notika. Tātad AI, kas zina cēloni un sekas, var būt arī šī spēja, kas bieži vien ir ļoti spēcīga.

Domēna zināšanas

Viena no galvenajām cēloņsakarības AI priekšrocībām ir domēna zināšanu izmantošana, ko var iegūt no nozares speciālistiem un iekļaut sistēmas procesā. šādā veidā programmētāji var definēt dažas attiecības un ierobežot modeli, lai ievērotu korelāciju. Šī iespēja apvieno domēna zināšanas mašīnmācībā.

Avots: Marketsandmarets.

Pamatfaktoru noteikšana nav vienīgais ieguvums no gadījuma AI izmantošanas; tas arī ļauj izstrādāt procesus, kas var mainīt rezultātus, izmantojot gadījuma AI algoritmus, lai uzdotu jautājumus argumentācijai.

Pieņemsim, ka vēlaties novērtēt instruktoru apmācības programmu, lai uzlabotu viņu kompetenci. Cik daudz vajadzētu sagaidīt no praktikanta, lai viņš uzlabotu savus rezultātus? Vai, piemēram, ražotnes uzraugs zina, ka, paaugstinoties siltumam kamerā X, palielinās arī spiediens kamerā Y. Tātad šīs cilvēku iegūtās zināšanas var iegult AI un nodrošināt, ka sistēma vienmēr ievēro šos kritērijus.

Pašreizējās AI sistēmas nav gudrā veidā saskaņotas ar cilvēka vērtībām. Causal AI ir izskaidrojama mākslīgā intelekta un AI sistēmu godīguma virsotne. Sistēmas, kuru pamatā ir cēloņsakarība, nodrošina labāku veiktspēju un arī procesa izskaidrojamību, turpretim parastais AI koncentrējas uz noteiktiem precizitātes sagaidāmiem un ignorē pārredzamību. Zinot atbildes uz sarežģītiem jautājumiem, kas būtu, ja mēs varam saprast, kā darbojas reālā pasaule, un tas ļauj pieņemt pareizos lēmumus, lai sasniegtu labākus rezultātus.

Oriģinālo stāstu var redzēt šeit.