Покладаючись на прогностичні моделі штучного інтелекту в різних сферах прийняття рішень, ризикує отримати катастрофічні наслідки через те, що вони зазвичай розглядають кореляцію для причинно-наслідкового зв’язку. Тому особи, які приймають рішення, повинні прийняти інший підхід, причинно-наслідковий штучний інтелект, який може допомогти точно визначити зв’язок між наслідком і причиною. Зараз причинно-наслідковий зв’язок вважається одним із найважливіших відсутніх елементів, необхідних для справжнього прогресу в галузі ШІ.

Причинний ШІ розуміє причину та наслідок

Досить давно експерти в області вже говорять про те, щоб надати машинам можливість міркувати про наслідки та причини. Такі великі торгові марки, як Google, Microsoft, Facebook, Uber і Amazon, інвестують значні кошти в причинно-наслідковий штучний інтелект, тому дослідження причинності також прискорилися.

Джерело: Gartner.

Gartner, яка є провідною компанією з аналізу технологій, також включила причинно-наслідковий штучний інтелект до 25 технологій, що розвиваються, які мають потенціал для трансформації ділової практики. Зараз це схоже на гонку в індустрії, щоб використати виняткові переваги цієї технології, запровадивши її раніше, але щоб це сталося, спочатку необхідно створити зрілий причинно-наслідковий штучний інтелект.

Для справжнього інтелекту необхідною вимогою є надання пріоритету причині та наслідку. Це проблема, якої не вистачає в системах прогнозування ШІ, і експерти намагаються вирішити її за допомогою причинного ШІ.

Ми, люди, розумніші за дані, тому що розуміємо причинно-наслідкові зв’язки, а дані – ні. Ми використовуємо нашу здатність міркувати за допомогою наших причинно-наслідкових знань, щоб передбачити, як певна дія вплине на справу, тому ми відповідно створюємо стратегії та плани. Ми можемо уявити собі небажані результати або результати, які відрізняються від наших очікуваних, залежно від нашої здатності причинно-наслідкових міркувань. Це людська здатність визначати, чому щось закінчилося саме так. Отже, ШІ, який знає причинно-наслідкові зв’язки, також може мати цю здатність, яка часто є дуже потужною.

Знання домену на борту

Однією з ключових переваг каузального штучного інтелекту є використання знань предметної області, які можна отримати від експертів у цій галузі та включити в системний процес. таким чином програмісти можуть визначити деякі зв’язки та обмежити модель для дотримання кореляції. Ця здатність поєднує знання предметної області з машинним навчанням.

Джерело: Marketsandmarets.

Виявлення основоположних факторів — не єдина перевага використання випадкового ШІ; це також дає змогу розробляти процеси, які можуть змінювати результати за допомогою алгоритмів випадкового штучного інтелекту, щоб ставити запитання для міркування.

Припустімо, ви хочете оцінити навчальну програму для інструкторів, щоб підвищити їхню компетентність. Скільки слід очікувати від стажера, щоб покращити свої бали? Або, наприклад, наглядач виробничого підприємства знає, що коли тепло в камері X підвищується, тиск у камері Y також зростає. Отже, ці знання, отримані людиною, можна вбудувати в штучний інтелект і переконатися, що система завжди дотримується цих критеріїв.

Сучасні системи штучного інтелекту розумним чином не відповідають людським цінностям. Причинно-наслідковий ШІ — це вершина зрозумілого штучного інтелекту та справедливості систем ШІ. Системи, засновані на причинно-наслідкових зв’язках, забезпечують кращу продуктивність, а також пояснюваність процесу, тоді як звичайний ШІ зосереджується на певних очікуваннях точності та ігнорує прозорість. Знання відповідей на складні запитання «що, якщо» допомагає нам зрозуміти, як працює реальний світ, і це дозволяє нам приймати правильні рішення для кращих результатів.

Оригінал історії можна побачити тут.