Mestring af risikofaktoren: Ville du lade AI vælge din ægtefælle? (Anna Slodka-Turner)

Kunstig intelligens (AI) er på forkant med mange samtaler på tværs af brancher. Og hvorfor ikke? Det har bragt os omfattende løsninger, hvilket har sparet menneskeheden så meget tid. Men som alt godt, har det begrænsninger, især generel AI, som ofte
føles som en samlebetegnelse for en generel algoritme, der er tilgængelig via en eller anden højttalertelefon, der kan gøre alt.

Når AI hypes som en løsning på så mange ting, får det mig til at tænke, hvor langt kan du køre den hype? En berømt tale fra 'School of Life' på 'Hvorfor vil du gifte dig med den forkerte person' inspirerede til et spørgsmål, 'Vil du
lade AI vælge, hvem du giftes med?' Kan det hjælpe med at træffe de rigtige ægteskabelige valg?

Selvom AI ikke fuldt ud kan besvare ekstremt komplekse forholdsspørgsmål, kan det bringe dig væsentligt tættere på at finde svaret. Det støder vi ret ofte på i den finansielle verden. Er AI i stand til at forudsige den næste aftale? Svaret er nej, det er endnu ikke muligt.

AI kan dog bruges til at bygge modeller med forbedrede analytiske og prognosefunktioner, der giver meget dybere indsigt og afdækker mønstre for at give en klarere idé om, hvad der kommer.

Anvendelse af AI til beslutninger

Lad os overveje dette i forbindelse med beslutningstagning. På en enkel måde har vi to typer beslutninger:

 – Dem vi laver ofte, og derfor med masser af feedback loops. Fx: Køb af mælk. Det tog min familie et par måneder at opdage, at vi har brug for fire flasker om ugen, dvs. medmindre det er koldt, og i weekenden, hvor alle har brug for et par ekstra 'varme kopper'.
AI kunne potentielt have løst det for os før, så længe vi tilførte den vejrdataene for at se mønsteret.

-Den anden type beslutninger er dem, vi træffer sjældent. Muligvis kun én gang i livet med ringe chance for at foretage en rettelse baseret på resultatet af vores beslutning. Fx: Valg af erhverv, universitetsuddannelse, første job eller
LOL, beslutter at blive gift.

Selvfølgelig lever vi med konsekvensen af ​​vores valg, men mulighederne for at lære af dem og træffe andre beslutninger er begrænsede og ofte dyre.

En forældrebog, jeg læste, har en advarsel i denne retning: "Mens vi støtter forældrerådene i de følgende kapitler, anerkender vi, at det ikke er muligt at prøve forskellige forældreopdragelsesmetoder på et barn og sammenligne resultaterne". Kort sagt er der ingen
måde at prøve forskellige beslutninger og sammenligne resultater. Bare en anden ting, der viser, at forældreskab er svært.

Og det illustrerer, hvor vigtigt det er at have nok data til at se mønstre.

Machine Learning udfordringer

Machine learning, en populær form for kunstig intelligens, er i et stykke tid blevet set som en 'magisk løsning' på komplekse problemer. Tiltrækningen ved at kunne absorbere masser af data og forsøge at finde mening i det har en vis appel. Hvorfor skulle det ikke? Løftet om teknologi
at tage noget komplekst og finde den bedste løsning ville appellere til enhver beslutningstager.

Udfordringen ved maskinlæringsløsninger er at hjælpe med at træffe en enkel beslutning ud fra komplekse inputoplysninger; utrolige mængder data, internt og eksternt, og så hvordan outputtet kommunikeres. . I ovenstående eksempler på to typer afgørelser,
maskinlæringsalgoritmer ville forhåbentlig løse spørgsmålet om mælkekøb ret hurtigt.

Forudsat at vi leverer data om de købte mængder og vejret udenfor – vil modellen skabe en god prognose fremadrettet. Organisationer som turistdestinationer, restaurantkæder, flyselskaber, logistikvirksomheder og mange flere modtager
analyser, der kan bruges til at forudsige daglige, ugentlige og sæsonbestemte mængder baseret på vejret og endda anbefale, hvor mange ressourcer de muligvis har brug for for at imødekomme denne efterspørgsel. Yderligere variabler tilføjer mere kompleksitet til modellen og skaber potentielle yderligere
behov for at besvare andre spørgsmål og tilføje flere variabler (f.eks. uger, hvor renseren kommer vs. ikke).

Tilbage til kernespørgsmålet om at lade AI bestemme, hvem du gifter dig med. Der er helt sikkert masser af datapunkter - hundredvis af millioner eller milliarder af ægteskaber. De relevante input er blevet undersøgt i århundreder både af forskere og matchmakere. Der er
masser af udgange.

Så hvad er problemet?

1. Selvom der er mange datapunkter, vil hver unik beslutningstager have deres unikke præferencer - så i modelverdenen er vi nødt til at skabe en anden algoritme for hver person, der skal matches til ægteskab. Dette er komplekst, men muligt
   i fremtiden. Overvej, hvordan anbefalingsmotorer som Apple Music og Pandora fortsætter med at udvikle de typer musik, de foreslår dig baseret på dine reaktioner. Sådanne løsninger, hvor hver beslutning træffes af en unikt optimeret model, er allerede implementeret
   i erhvervslivet.
2. For det andet skal vi fange de rigtige og relevante datapunkter og mindske 'støjen'. Mens nogle måske foretrækker blåøjede brunetter eller brunøjede blondiner, er der ikke meget, der beviser, at ægteskaber baseret på "foretrukne typer" er mere succesfulde end andre. Dating
   apps fortsætter med at finpudse deres algoritmer i håb om at finde den rigtige formel til sådanne kampe. Alligevel skal du gå på datoerne og se.
3. Endelig er omkostningerne ved at træffe den forkerte beslutning høje. Selvom det måske ikke giver de bedste resultater at overlade det til de personer, der træffer beslutninger, vil et eksperthold, der bygger en maskinlæringsløsning, måske ikke have ansvaret for at træffe disse beslutninger.
   Der er en karriereansvarsrisiko, der skal udredes. I erhvervssammenhæng – kan det være bedre at lade eksperterne bestemme end at insistere på, at den 'sorte boks' ved bedst.

Undgå blind tillid

Så tilbage til udfordringerne ved ægteskabet. Den berømte tale af School of Life siger simpelthen, at vi selvfølgelig vil gifte os med en person, der på nogle måder er forkert for os. "Den person, der er bedst egnet til os, er ikke den person, der deler vores smag (det gør de ikke
eksisterer), men den person, der intelligent kan forhandle smagsforskelle - den person, der er god til at være uenig.

I stedet for en forestilling om perfekt komplementaritet, er det evnen til at tolerere forskelle med generøsitet, der er den sande markør for den 'ikke alt for forkerte' person. Kompatibilitet er en præstation af kærlighed; det må ikke være dens forudsætning.”

Når vi flytter til en bredere generel kontekst, på maskinlæringssproget - stort set ingen af ​​de standardvariabler, vi kender på forhånd om en potentiel kandidat, kunne hjælpe os med at forudsige, om beslutningen er forkert. Vi er langt væk fra at 'fodre'
maskine masser af data' og forventer, at det giver mening ud af det. Faktisk kan det aldrig ske uden menneskelig indgriben. Vi føler os tryggere, når piloten slukker autopiloten under turbulens, og det er der en god grund til.

Selvom maskinlæring og kunstig intelligens kan gøre vores liv lettere, er det sikkert at sige, at vi ikke blindt ville stole på, at disse teknologier træffer livsændrende beslutninger for os. Ud fra det, hvad kan vi sige til industrieksperter, der træffer vigtige forretningsbeslutninger? Brug
AI og ML tager dig halvvejs til dit mål – men hold fast i dine eksperter for at analysere dataene og bruge deres bedste dømmekraft med kontekst til at guide dig i de sidste trin. Vi arbejder helt sikkert på det.