Использование прогнозирующих моделей ИИ в различных областях принятия решений может привести к катастрофическим последствиям из-за того, что они обычно рассматривают корреляцию как причинно-следственную связь. Поэтому лица, принимающие решения, должны принять другой подход — причинно-следственный ИИ, который может помочь точно dent взаимосвязь между следствием и причиной. Причинно-следственная связь теперь считается одним из наиболее важных недостающих элементов, необходимых для обеспечения подлинного прогресса в области ИИ.
Причинно-следственный ИИ понимает причину и следствие
Уже довольно давно эксперты в данной области говорят о том, что машины должны обладать способностью рассуждать о последствиях и причинах. Крупные бренды, такие как Google, Microsoft, Facebook, Uber и Amazon, вкладывают значительные средства в причинно-следственный искусственный интеллект, поэтому исследования причинно-следственной связи также ускорились.
Gartner, ведущая фирма по техническому анализу, также включила причинный ИИ в число 25 развивающихся технологий, которые могут изменить бизнес-практику. Сейчас это похоже на гонку в отрасли за использование исключительных преимуществ этой технологии, приняв ее раньше, но для того, чтобы это произошло, необходимо сначала создать зрелый причинный ИИ.
Для настоящего интеллекта необходимым требованием является отдание приоритета причине и следствию. Это проблема, которой не хватает системам прогнозирующего ИИ, и эксперты пытаются решить ее с помощью причинно-следственного ИИ.
Мы, люди, умнее данных, потому что мы понимаем причину и следствие, а данные — нет. Мы используем нашу способность рассуждать на основе наших причинно-следственных связей, чтобы предсказать, как определенное действие повлияет на ситуацию, поэтому мы строим соответствующие стратегии и планы. Мы можем представить нежелательные результаты или результаты, отличные от ожидаемых, в зависимости от нашей способности к причинно-следственному рассуждению. Это человеческая способность определять, почему что-то закончилось именно так. Итак, ИИ, знающий причину и следствие, также может обладать этой способностью, которая часто бывает очень мощной.
Знание предметной области на борту
Одним из ключевых преимуществ причинно-следственного ИИ является использование знаний предметной области, которые можно получить от экспертов в этой области и включить в системный процесс. таким образом программисты могут defi некоторые отношения и ограничить модель, чтобы она учитывала корреляцию. Эта способность позволяет объединить экспертные знания в предметной области с машинным обучением.
Выявление основных факторов — не единственное преимущество использования случайного ИИ; это также позволяет разрабатывать процессы, которые могут изменить результаты, используя алгоритмы обычного ИИ, задающего вопросы для рассуждения.
Допустим, вы хотите оценить программу обучения инструкторов для повышения их компетентности. Чего следует ожидать от стажера, чтобы улучшить свои результаты? Или, например, руководитель производственного предприятия знает, что когда температура в камере X повышается, давление в камере Y также увеличивается. Таким образом, эти полученные человеком знания можно внедрить в ИИ и обеспечить, чтобы система всегда соблюдала эти критерии.
Современные системы искусственного интеллекта не соответствуют человеческим ценностям. Причинный ИИ — это вершина объяснимого искусственного интеллекта и справедливости систем ИИ. Системы, основанные на причинно-следственной связи, обеспечивают лучшую производительность, а также объяснимость процесса, тогда как традиционный ИИ фокусируется на определенных ожиданиях точности и игнорирует прозрачность. Знание ответов на сложные вопросы «что, если» помогает нам понять, как устроен реальный мир, и позволяет нам принимать правильные решения для достижения лучших результатов.
Оригинальную историю можно посмотреть здесь .
