さまざまな意思決定分野で予測 AI モデルに依存すると、通常、因果関係に対して相関関係が考慮されるため、壊滅的な結果を招く危険があります。 したがって、意思決定者は、結果と原因の関係を正確に特定するdentに役立つ別のアプローチである因果 AI を採用する必要があります。 因果関係は現在、AI 分野で真の進歩を可能にするために必要な最も重要な欠落要素の 1 つと考えられています。
原因と結果を理解する因果AI
かなり長い間、ドメインの専門家は、影響と原因について推論する機能をマシンに提供できるようにするべきだとすでに主張してきました。 Google、Microsoft、Facebook、Uber、Amazon などの大手ブランドは因果関係 AI に多額の投資を行っているため、因果関係の研究も加速しています。
大手テクノロジー分析会社であるガートナーも、ビジネス慣行を変革する可能性がある 25 の進化するテクノロジーの中に因果関係のある AI を挙げています。 現在、このテクノロジーを早期に導入することで、このテクノロジーの卓越した利点を活用することが業界の競争のように見えますが、これを実現するには、まず成熟した因果関係のある AI を構築することが不可欠です。
本当の知性のために必要な要件は、原因と結果を優先することです。 これは予測 AI システムに欠けている問題であり、専門家は因果関係 AI を使ってこの問題を解決しようとしています。
私たち人間は原因と結果を理解しているため、データよりも賢いのですが、データはそうではありません。 私たちは因果関係の知識による推論能力を使って、特定の行動が問題にどのような影響を与えるかを予測し、それに応じて戦略や計画を立てます。 私たちは因果推論能力に応じて、望ましくない結果や期待した結果とは異なる結果を想像することができます。 これは、何かがなぜそうなったのかを判断する人間の能力です。 したがって、原因と結果を認識する AI もこの能力を持つ可能性があり、これは多くの場合非常に強力です。
専門知識を搭載
コーザル AI の主な利点の 1 つは、分野の専門家から得てシステム プロセスに組み込むことができるドメイン知識を利用できることです。 このようにして、プログラマはいくつかの関係をdefiし、相関関係を尊重するようにモデルを制限できます。 この機能により、機械学習にドメインの専門知識が組み込まれます。
カジュアル AI を使用する利点は、根本的な要因を特定することだけではありません。 また、カジュアル AI のアルゴリズムを使用して推論のための質問をすることで、結果を変えるプロセスを設計することも可能になります。
インストラクターの能力を向上させるためのトレーニング プログラムを評価したいとします。 スコアを向上させるために、トレーニーにはどの程度の向上を期待する必要がありますか? あるいは、たとえば、製造工場の監督者は、チャンバー X の熱が上昇すると、チャンバー Y の圧力も上昇することを知っています。 したがって、人間が得た知識を AI に埋め込んで、システムが常にこれらの基準を遵守するようにすることができます。
現在のAI システムは、賢明な方法で人間の価値観と一致していません。 因果的 AI は、説明可能な人工知能と AI システムの公平性の頂点です。 因果関係に基づいたシステムは、より優れたパフォーマンスとプロセスの説明可能性を提供しますが、従来の AI は正確さに対する特定の期待に重点を置き、透明性を無視しています。 複雑な仮定の質問に対する答えを知ることは、現実世界がどのように機能するかを理解するのに役立ち、より良い結果をもたらす正しい決定を下せるようになります。
元のストーリーはここで。
