다양한 의사결정 영역에서 예측 AI 모델에 의존하면 일반적으로 인과관계에 대한 상관관계를 고려하기 때문에 치명적인 결과를 초래할 위험이 있습니다. 따라서 의사결정자는 결과와 원인 사이의 관계를 정확하게 식별하는 dent 도움이 될 수 있는 또 다른 접근 방식인 인과 AI를 채택해야 합니다. 인과관계는 이제 AI 분야의 진정한 발전을 위해 필요한 가장 중요한 누락 요소 중 하나로 간주됩니다.
원인 AI는 원인과 결과를 이해합니다.
꽤 오랫동안 도메인 전문가들은 효과와 원인에 대해 추론할 수 있는 능력을 갖춘 기계를 활성화해야 한다고 말해 왔습니다. 구글, 마이크로소프트, 페이스북, 우버, 아마존 등 대형 브랜드들이 인과 AI에 막대한 투자를 하면서 인과성에 대한 연구도 가속화됐다.
선도적인 기술 분석 회사인 Gartner도 비즈니스 관행을 변화시킬 수 있는 잠재력을 지닌 25가지 진화 기술 중 인과 AI를 나열했습니다. 이제 업계에서는 이 기술을 더 일찍 채택하여 탁월한 이점을 활용하는 경쟁이 벌어지고 있지만, 이를 위해서는 먼저 성숙한 인과 AI를 구축하는 것이 필수적입니다.
진정한 지능을 위해서는 원인과 결과를 우선시하는 것이 필수 요건입니다. 이것이 예측 AI 시스템이 부족한 문제인데, 전문가들은 이를 인과 AI로 해결하려고 노력하고 있다.
우리 인간은 원인과 결과를 이해하기 때문에 데이터보다 똑똑하지만 데이터는 그렇지 않습니다. 우리는 인과 지식을 통해 추론 능력을 사용하여 특정 행동이 문제에 어떤 영향을 미칠지 예측하고 그에 따라 전략과 계획을 세웁니다. 우리는 인과관계 추론 능력에 따라 예상한 결과와는 원치 않거나 다른 결과를 상상할 수 있습니다. 이것은 어떤 일이 왜 그렇게 되었는지 판단하는 인간의 능력입니다. 그래서 원인과 결과를 아는 AI도 이런 능력을 가질 수 있는데, 이는 종종 매우 강력합니다.
온보드 도메인 지식
인과 AI의 주요 이점 중 하나는 해당 분야 전문가로부터 얻을 수 있고 시스템 프로세스에 통합될 수 있는 도메인 지식을 활용하는 것입니다. 이러한 방식으로 프로그래머는 일부 관계를 defi 하고 상관 관계를 존중하도록 모델을 제한할 수 있습니다. 이 기능은 기계 학습을 통해 도메인 전문 지식을 제공합니다.
기본 요소를 찾아내는 것이 캐주얼 AI 사용의 유일한 이점은 아닙니다. 또한 캐주얼 AI의 알고리즘을 사용해 추론을 위한 질문을 함으로써 결과를 바꿀 수 있는 프로세스를 설계하는 것도 가능합니다.
강사의 역량을 향상시키기 위해 교육 프로그램을 평가한다고 가정해 보겠습니다. 연습생이 점수를 높이려면 얼마나 기대해야 합니까? 또는 예를 들어, 제조 공장 감독자는 X 챔버의 열이 올라가면 Y 챔버의 압력도 증가한다는 것을 알고 있습니다. 따라서 인간이 얻은 지식을 AI에 내장하여 시스템이 항상 이러한 기준을 준수하도록 할 수 있습니다.
현재 AI 시스템은 스마트한 방식으로 인간의 가치와 일치하지 않습니다. 인과 AI는 설명 가능한 인공 지능의 정점이자 AI 시스템의 공정성입니다. 인과관계에 기반한 시스템은 더 나은 성능과 프로세스 설명 가능성을 제공하는 반면, 기존 AI는 정확성에 대한 특정 기대에 초점을 맞추고 투명성을 무시합니다. 복잡한 가정(what-if) 질문에 대한 답을 알면 실제 세계가 어떻게 운영되는지 이해하는 데 도움이 되며 더 나은 결과를 위한 올바른 결정을 내릴 수 있습니다.
원본 이야기는 여기서 .
