Opieranie się na predykcyjnych modelach sztucznej inteligencji w różnych obszarach podejmowania decyzji może mieć katastrofalne skutki, ponieważ zwykle uwzględniają one korelację jako przyczynę. Dlatego decydenci muszą przyjąć inne podejście, przyczynową sztuczną inteligencję, która może pomóc w precyzyjnym określeniu związku między skutkiem a przyczyną. Przyczynowość jest obecnie uważana za jeden z najważniejszych brakujących elementów niezbędnych do umożliwienia rzeczywistego postępu w dziedzinie sztucznej inteligencji.

Przyczynowa sztuczna inteligencja rozumie przyczynę i skutek

Już od dłuższego czasu eksperci dziedzinowi mówią, aby umożliwić maszynom zdolność wnioskowania o skutkach i przyczynach. Duże marki, takie jak Google, Microsoft, Facebook, Uber i Amazon, intensywnie inwestują w przyczynową sztuczną inteligencję, więc badania nad przyczynowością również nabrały tempa.

Źródło: Gartner.

Gartner, wiodąca firma zajmująca się analizą technologii, również wymieniła przyczynową sztuczną inteligencję wśród 25 rozwijających się technologii, które mają potencjał przekształcenia praktyk biznesowych. Teraz wydaje się, że w branży trwa wyścig, aby wykorzystać wyjątkowe zalety tej technologii, przyjmując ją wcześniej, ale aby to się stało, najpierw niezbędne jest zbudowanie dojrzałej przyczynowej sztucznej inteligencji.

Aby uzyskać prawdziwą inteligencję, koniecznym wymogiem jest nadanie priorytetu przyczynom i skutkom. To jest problem, którego brakuje systemom predykcyjnej sztucznej inteligencji, a eksperci próbują go rozwiązać za pomocą sztucznej inteligencji przyczynowej.

My, ludzie, jesteśmy mądrzejsi od danych, ponieważ rozumiemy przyczynę i skutek, ale dane nie. Wykorzystujemy naszą zdolność rozumowania poprzez naszą wiedzę przyczynową, aby przewidzieć, jak pewne działanie wpłynie na sprawę, więc odpowiednio tworzymy strategie i plany. Możemy wyobrazić sobie niechciane lub inne wyniki od oczekiwanych, polegając na naszej zdolności rozumowania przyczynowego. To jest ludzka kompetencja, aby określić, dlaczego coś skończyło się tak, jak się skończyło. Tak więc sztuczna inteligencja, która zna przyczynę i skutek, może również mieć tę zdolność, która jest często bardzo potężna.

Wiedza o domenie na pokładzie

Jedną z kluczowych zalet przyczynowej AI jest wykorzystanie wiedzy domenowej, którą można uzyskać od ekspertów w tej dziedzinie i włączyć do procesu systemowego. W ten sposób programiści mogą zdefiniować pewne relacje i ograniczyć model, aby uwzględnić korelację. Ta zdolność wnosi wiedzę domenową do uczenia maszynowego.

Źródło: Marketsandmarets.

Identyfikacja czynników leżących u podstaw nie jest jedyną korzyścią płynącą z wykorzystania sztucznej inteligencji. Umożliwia to również projektowanie procesów, które mogą zmieniać wyniki, poprzez wykorzystanie algorytmów sztucznej inteligencji do zadawania pytań w celu uzasadnienia.

Załóżmy, że chcesz ocenić program szkoleniowy dla instruktorów, aby poprawić ich kompetencje. Jak wiele należy oczekiwać od stażysty, aby poprawić swoje wyniki? Albo na przykład kierownik zakładu produkcyjnego wie, że gdy temperatura w komorze X wzrasta, ciśnienie w komorze Y również wzrasta. Tak więc tę wiedzę zdobytą przez człowieka można osadzić w sztucznej inteligencji i upewnić się, że system zawsze przestrzega tych kryteriów.

Obecne systemy AI nie są w inteligentny sposób dostosowane do ludzkich wartości. Przyczynowa AI jest szczytem wyjaśnialnej sztucznej inteligencji i uczciwości systemów AI. Systemy oparte na przyczynowości zapewniają lepszą wydajność, a także wyjaśnialność procesu, podczas gdy konwencjonalna AI koncentruje się na pewnych oczekiwaniach dotyczących dokładności i ignoruje przejrzystość. Znajomość odpowiedzi na złożone pytania typu „co by było, gdyby” pomaga nam zrozumieć, jak działa prawdziwy świat i pozwala nam podejmować właściwe decyzje w celu uzyskania lepszych wyników.

Oryginalną historię można przeczytać tutaj.