Att förlita sig på prediktiva AI-modeller inom olika beslutsfattande områden riskerar katastrofala konsekvenser på grund av det faktum att de vanligtvis överväger korrelation för orsakssamband. Därför måste beslutsfattare anta ett annat tillvägagångssätt, kausal AI, som kan hjälpa till dent identifiera sambandet mellan effekt och orsak exakt. Kausalitet anses nu vara en av de viktigaste saknade elementen som behövs för att möjliggöra genuina framsteg inom AI-området.
Causal AI förstår orsak och verkan
Under ganska lång tid har domänexperter redan sagt att man ska möjliggöra maskiner med förmågan att resonera om effekterna och orsakerna. Stora varumärken som Google, Microsoft, Facebook, Uber och Amazon satsar hårt på kausal AI, så forskningen om kausalitet har också accelererat.
Gartner, som är det ledande tekniska analysföretaget, listade också kausal AI bland de 25 utvecklade teknologierna som har potential att förändra affärspraxis. Nu verkar det som en kapplöpning inom industrin för att utnyttja de exceptionella fördelarna med denna teknik genom att använda den tidigare, men för att detta ska hända är det viktigt att först bygga mogen kausal AI.
För verklig intelligens är ett nödvändigt krav att prioritera orsak och verkan. Detta är problemet som prediktiva AI-system saknar, och experter försöker lösa det med kausal AI.
Vi människor är smartare än data eftersom vi förstår orsak och verkan, men data gör det inte. Vi använder vår förmåga att resonera genom vår kausala kunskap för att förutsäga hur en viss handling kommer att påverka en sak, så vi gör strategier och planerar därefter. Vi kan föreställa oss oönskade eller annorlunda resultat från våra förväntade resultat genom att vara beroende av vår kausala resonemangsförmåga. Detta är mänsklig kompetens att avgöra varför något slutade som det gjorde. Så den AI som känner till orsak och verkan kan också ha denna förmåga, som ofta är väldigt kraftfull.
Domänkunskap ombord
En av de viktigaste fördelarna med kausal AI är att använda domänkunskap, som kan erhållas från experter på området och införlivas i systemprocessen. på detta sätt kan programmerare defi vissa relationer och begränsa modellen för att respektera korrelationen. Denna förmåga tar med domänexpertis med maskininlärning.
Att upptäcka de underliggande faktorerna är inte den enda fördelen med att använda tillfällig AI; det gör det också möjligt att designa processer som kan förändra resultaten genom att använda algoritmerna för tillfällig AI för att ställa frågor för resonemang.
Låt oss säga att du vill utvärdera ett utbildningsprogram för instruktörer för att förbättra deras kompetens. Hur mycket bör man förvänta sig av en praktikant för att förbättra sina poäng? Eller till exempel vet en fabriksövervakare att när värmen i kammare X går upp så ökar också trycket i kammare Y. Så denna mänskliga kunskap kan bäddas in i AI och se till att systemet alltid respekterar dessa kriterier.
Nuvarande AI-system är inte anpassade till mänskliga värderingar på ett smart sätt. Causal AI är höjdpunkten av förklarlig artificiell intelligens och rättvisa hos AI-system. System baserade på kausalitet ger bättre prestanda och även förklaring av processen, medan konventionell AI fokuserar på vissa förväntningar på noggrannhet och ignorerar transparens. Att känna till svaren på komplexa vad-om-frågor hjälper oss att förstå hur den verkliga världen fungerar och det gör att vi kan fatta rätt beslut för bättre resultat.
Originalberättelsen kan ses här .
