Причинно-следственный ИИ — это следующий шаг после генеративного ИИ в принятии решений
- Причинный ИИ способен к рассуждению, оценивая причинно-следственные связи в определённой ситуации.
- Традиционные модели генеративного ИИ не способны к рассуждению, тогда как причинные модели обладают более развитой способностью принимать решения, близкие к человеческим.
- Бизнес может принимать более эффективные решения с помощью причинного ИИ, интегрируя отраслевую экспертизу в свои системы искусственного интеллекта.
Опора на предиктивные модели ИИ в различных областях принятия решений несет риск катастрофических последствий, поскольку они обычно рассматривают корреляцию как причинность. Поэтому лица, принимающие решения, должны принять другой подход — причинно-следственный ИИ, который может помочь точно выявить взаимосвязь между эффектом и причиной. Причинность теперь считается одним из самых важных недостающих элементов, необходимых для обеспечения подлинного прогресса в области ИИ.
Причинно-следственный ИИ понимает причину и следствие
В течение довольно долгого времени эксперты в различных областях говорили о необходимости наделить машины способностью рассуждать о последствиях и причинах. Крупные бренды, такие как Google, Microsoft, Facebook, Uber и Amazon, активно инвестируют в причинно-следственный ИИ, поэтому исследования в области причинности также ускорились.
Gartner, ведущая технологическая аналитическая фирма, также включила причинно-следственный ИИ в число 25 развивающихся технологий, способных трансформировать бизнес-практику. Теперь это похоже на гонку в отрасли за использование исключительных преимуществ этой технологии путем ее более раннего внедрения, но для этого сначала необходимо создать зрелый причинно-следственный ИИ.
Для истинного интеллекта необходимым требованием является приоритет причинности и следствия. В этом заключается проблема, которой не хватает предиктивным системам ИИ, и эксперты пытаются решить ее с помощью причинно-следственного ИИ.
Мы, люди, умнее данных, потому что понимаем причинно-следственные связи, а данные — нет. Мы используем способность к рассуждению на основе наших причинных знаний, чтобы предсказать, как определенное действие повлияет на ситуацию, и соответственно разрабатываем стратегии и планы. Благодаря способности к причинному выводу мы можем представлять нежелательные или иные результаты, отличные от ожидаемых. Это человеческая компетенция определять, почему что-то закончилось именно так. Таким образом, ИИ, понимающий причинно-следственные связи, также может обладать этой способностью, которая часто бывает очень мощной.
Привлечение предметных знаний
Одним из ключевых преимуществ причинного ИИ является использование предметных знаний, которые можно получить от экспертов в данной области и интегрировать в процесс работы системы. Таким образом, программисты могут определять определенные взаимосвязи и ограничивать модель, заставляя ее учитывать эти корреляции. Эта способность позволяет привлекать предметную экспертизу в процесс машинного обучения.
Выявление скрытых факторов — не единственное преимущество использования причинного ИИ; он также позволяет проектировать процессы, способные изменять результаты, задавая вопросы для рассуждений с помощью алгоритмов причинного ИИ.
Допустим, вы хотите оценить программу обучения инструкторов для повышения их компетентности. Насколько следует ожидать улучшения показателей у стажера? Или, например, руководитель производственного цеха знает, что при повышении температуры в камере X также растет давление в камере Y. Таким образом, полученные человеком знания можно внедрить в ИИ и убедиться, что система всегда соблюдает эти критерии.
Текущие системы ИИ не согласованы с человеческими ценностями разумным образом. Причинно-следственный ИИ (Causal AI) является вершиной объяснимого искусственного интеллекта и справедливости систем ИИ. Системы, основанные на причинности, обеспечивают лучшую производительность и объяснимость процесса, тогда как обычный ИИ фокусируется на определенных аспектах точности и игнорирует прозрачность. Знание ответов на сложные вопросы «что, если» помогает нам понять, как работает реальный мир, и позволяет принимать правильные решения для достижения лучших результатов.
Если вы читаете это, вы уже впереди. Оставайтесь с нами, подписавшись на нашу рассылку.
Отказ от ответственности: Предоставленная информация не является инвестиционной рекомендацией. Cryptopolitan.com не несет ответственности за любые инвестиции, сделанные на основе информации, представленной на этой странице. Мы настоятельно рекомендуем проводить независимые исследования и/или консультироваться с квалифицированным специалистом перед принятием любых инвестиционных решений.
Амир Шейх
Амир — технологический журналист с почти шестилетним опытом работы в индустриях криптовалют и технологий. Он окончил университет MAJ, получив степень MBA по финансам и маркетингу. Сейчас он работает в Cryptopolitan, где освещает последние события на рынке криптовалют и прогнозы цен.
