Confiar en modelos predictivos de IA en diversas áreas de toma de decisiones corre el riesgo de tener consecuencias catastróficas debido al hecho de que generalmente consideran la correlación como causalidad. Por lo tanto, quienes toman decisiones deben adoptar otro enfoque, la IA causal, que puede ayudar a dent con precisión la relación entre efecto y causa. La causalidad se considera ahora uno de los elementos faltantes más importantes que se necesitan para permitir un progreso genuino en el campo de la IA.
La IA causal entiende la causa y el efecto
Desde hace algún tiempo, los expertos en el campo dicen que es necesario dotar a las máquinas de la capacidad de razonar sobre los efectos y las causas. Grandes marcas como Google, Microsoft, Facebook, Uber y Amazon están invirtiendo fuertemente en IA causal, por lo que la investigación sobre causalidad también se ha acelerado.
Gartner, que es la firma líder en análisis tecnológico, también incluyó la IA causal entre las 25 tecnologías en evolución que tienen el potencial de transformar las prácticas comerciales. Ahora parece una carrera en la industria para aprovechar las ventajas excepcionales de esta tecnología adoptándola antes, pero para que esto suceda, primero es esencial construir una IA causal madura.
Para una verdadera inteligencia, un requisito necesario es dar prioridad a la causa y al efecto. Este es el problema del que carecen los sistemas de IA predictivos, y los expertos están intentando resolverlo con IA causal.
Los humanos somos más inteligentes que los datos porque entendemos la causa y el efecto, pero los datos no. Usamos nuestra capacidad de razonamiento a través de nuestro conocimiento causal para predecir cómo una determinada acción afectará un asunto, por lo que elaboramos estrategias y planes en consecuencia. Podemos imaginar resultados no deseados o diferentes de los esperados dependiendo de nuestra capacidad de razonamiento causal. Esta es la competencia humana para determinar por qué algo terminó como terminó. Entonces, la IA que conoce causa y efecto también puede tener esta habilidad, que suele ser muy poderosa.
Conocimiento del dominio a bordo
Uno de los beneficios clave de la IA causal es la utilización del conocimiento del dominio, que puede obtenerse de expertos en el campo e incorporarse al proceso del sistema. de esta manera, los programadores pueden defi algunas relaciones y restringir el modelo para respetar la correlación. Esta capacidad incorpora la experiencia en el dominio al aprendizaje automático.
Detectar los factores subyacentes no es el único beneficio de utilizar IA casual; también permite diseñar procesos que pueden cambiar los resultados mediante el uso de algoritmos de IA casual para hacer preguntas y razonar.
Supongamos que desea evaluar un programa de capacitación para instructores para mejorar su competencia. ¿Cuánto se debe esperar de un alumno para mejorar sus puntuaciones? O, por ejemplo, un supervisor de una planta de fabricación sabe que cuando aumenta el calor en la cámara X, la presión en la cámara Y también aumenta. Por lo tanto, este conocimiento adquirido por humanos puede integrarse en la IA y garantizar que el sistema siempre respete estos criterios.
Los sistemas de IA actuales no están alineados con los valores humanos de manera inteligente. La IA causal es el pináculo de la inteligencia artificial explicable y la equidad de los sistemas de IA. Los sistemas basados en la causalidad ofrecen un mejor rendimiento y también una mejor explicabilidad del proceso, mientras que la IA convencional se centra en ciertas expectativas de precisión e ignora la transparencia. Conocer las respuestas a preguntas complejas sobre qué pasaría si nos ayuda a comprender cómo funciona el mundo real y nos permite tomar las decisiones correctas para obtener mejores resultados.
La historia original se puede ver aquí .
