Depender de modelos preditivos de IA em diversas áreas de tomada de decisão corre o risco de consequências catastróficas devido ao facto de geralmente considerarem a correlação para a causalidade. Portanto, os decisores devem adoptar outra abordagem, a IA causal, que pode ajudar a identificar com precisão a relação entre efeito e causa. A causalidade é agora considerada um dos elementos mais importantes que faltam para permitir um progresso genuíno no domínio da IA.

A IA causal entende causa e efeito

Há algum tempo, especialistas na área já dizem para capacitar as máquinas com a capacidade de raciocinar sobre os efeitos e as causas. Grandes marcas como Google, Microsoft, Facebook, Uber e Amazon estão investindo pesadamente em IA causal, portanto a pesquisa em causalidade também se acelerou.

Fonte: Gartner.

A Gartner, que é a empresa líder em análise tecnológica, também listou a IA causal entre as 25 tecnologias em evolução que têm o potencial de transformar as práticas empresariais. Agora parece uma corrida na indústria para aproveitar as vantagens excepcionais desta tecnologia, adoptando-a mais cedo, mas para que isso aconteça, primeiro construir uma IA causal madura é essencial.

Para uma verdadeira inteligência, um requisito necessário é dar prioridade à causa e ao efeito. Este é o problema que falta aos sistemas de IA preditiva, e os especialistas estão tentando resolvê-lo com IA causal.

Nós, humanos, somos mais inteligentes do que os dados porque entendemos causa e efeito, mas os dados não. Usamos nossa capacidade de raciocínio por meio de nosso conhecimento causal para prever como uma determinada ação impactará um assunto, por isso traçamos estratégias e planos de acordo. Podemos imaginar resultados indesejados ou diferentes dos resultados esperados dependendo da nossa capacidade de raciocínio causal. Esta é a competência humana para determinar por que algo acabou como aconteceu. Assim, a IA que conhece causa e efeito também pode ter essa habilidade, que muitas vezes é muito poderosa.

Conhecimento de domínio a bordo

Um dos principais benefícios da IA ​​causal é a utilização de conhecimento de domínio, que pode ser obtido de especialistas na área e incorporado ao processo do sistema. desta forma, os programadores podem definir alguns relacionamentos e restringir o modelo para respeitar a correlação. Essa capacidade traz conhecimento de domínio a bordo do aprendizado de máquina.

Fonte: Marketsandmarets.

Identificar os fatores subjacentes não é o único benefício do uso de IA casual; também torna possível projetar processos que podem alterar os resultados usando algoritmos de IA casual para fazer perguntas para raciocínio.

Digamos que você queira avaliar um programa de treinamento para instrutores para melhorar suas competências. Quanto se deve esperar de um estagiário para melhorar suas pontuações? Ou, por exemplo, um supervisor de uma fábrica sabe que quando o calor na câmara X aumenta, a pressão na câmara Y também aumenta. Assim, este conhecimento adquirido pelo homem pode ser incorporado na IA e garantir que o sistema respeita sempre estes critérios.

Os atuais sistemas de IA não estão alinhados com os valores humanos de uma forma inteligente. A IA causal é o auge da inteligência artificial explicável e da justiça dos sistemas de IA. Os sistemas baseados na causalidade proporcionam melhor desempenho e também explicabilidade do processo, enquanto a IA convencional se concentra em certas expectativas de precisão e ignora a transparência. Saber as respostas para questões hipotéticas complexas ajuda-nos a compreender como o mundo real funciona e permite-nos tomar as decisões certas para obter melhores resultados.

A história original pode ser vista aqui.