Κατακτήστε τον παράγοντα κινδύνου: Θα αφήνατε την τεχνητή νοημοσύνη να επιλέξει τον σύζυγό σας; (Άννα Σλόντκα-Τέρνερ)

Η Τεχνητή Νοημοσύνη (AI) βρίσκεται στην πρώτη γραμμή πολλών συζητήσεων μεταξύ των βιομηχανιών. Και γιατί όχι? Μας έφερε εκτενείς λύσεις, εξοικονομώντας τόσο πολύ χρόνο στην ανθρωπότητα. Αλλά όπως κάθε τι καλό, έχει περιορισμούς, ιδιαίτερα τη γενική τεχνητή νοημοσύνη, που συχνά
αισθάνεται σαν ένας γενικός όρος για έναν γενικό αλγόριθμο που είναι προσβάσιμος μέσω κάποιου ηχείου που μπορεί να κάνει τα πάντα.

Όταν η τεχνητή νοημοσύνη διαφημίζεται ως λύση για τόσα πολλά πράγματα, με κάνει να σκεφτώ, πόσο μακριά μπορείς να οδηγήσεις αυτή τη διαφημιστική εκστρατεία; Μια διάσημη ομιλία από το "School of Life" με θέμα "Γιατί θα παντρευτείς το λάθος άτομο» ενέπνευσε μια ερώτηση, «Θα ήθελες
αφήστε το AI να επιλέξει ποιον θα παντρευτείτε;». Θα μπορούσε να βοηθήσει να γίνουν οι σωστές συζυγικές επιλογές;

Αν και η τεχνητή νοημοσύνη δεν μπορεί να απαντήσει πλήρως σε εξαιρετικά περίπλοκα ζητήματα σχέσεων, μπορεί να σας φέρει πολύ πιο κοντά στην εύρεση της απάντησης. Αυτό το συναντάμε αρκετά συχνά στον οικονομικό κόσμο. Είναι το AI σε θέση να προβλέψει την επόμενη συμφωνία; Η απάντηση είναι όχι, αυτό δεν είναι ακόμα δυνατό.

Ωστόσο, η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για τη δημιουργία μοντέλων με βελτιωμένες αναλυτικές και προγνωστικές δυνατότητες, παρέχοντας πολύ βαθύτερες γνώσεις και αποκαλύπτοντας μοτίβα για να παρέχει μια σαφέστερη ιδέα για το τι έρχεται.

Εφαρμογή τεχνητής νοημοσύνης στις αποφάσεις

Ας το εξετάσουμε αυτό στο πλαίσιο της λήψης αποφάσεων. Με έναν απλό τρόπο έχουμε δύο τύπους αποφάσεων:

 – Αυτά που φτιάχνουμε συχνά, και ως εκ τούτου με πολλές βρόχους ανατροφοδότησης. Π.χ.: Αγορά γάλακτος. Η οικογένειά μου χρειάστηκε μερικούς μήνες για να ανακαλύψει ότι χρειαζόμαστε τέσσερα μπουκάλια την εβδομάδα, εκτός αν κάνει κρύο και, το Σαββατοκύριακο, όταν όλοι χρειάζονται μερικά επιπλέον «ζεστά cuppas».
Η τεχνητή νοημοσύνη θα μπορούσε ενδεχομένως να μας το είχε λύσει νωρίτερα, αρκεί να του δώσουμε τα δεδομένα καιρού για να εντοπίσουμε το μοτίβο.

-Ο δεύτερος τύπος αποφάσεων είναι αυτές που παίρνουμε σπάνια. Ενδεχομένως, μόνο μία φορά στη ζωή μας με λίγες πιθανότητες να κάνουμε μια διόρθωση με βάση το αποτέλεσμα της απόφασής μας. Π.χ.: Επιλογή επαγγέλματος, πτυχίο πανεπιστημίου, πρώτη δουλειά ή
LOL, αποφασίζω να παντρευτώ.

Φυσικά, ζούμε με τις συνέπειες των επιλογών μας, αλλά οι ευκαιρίες να μάθουμε από αυτές και να πάρουμε άλλες αποφάσεις είναι περιορισμένες και συχνά δαπανηρές.

Ένα βιβλίο γονικής μέριμνας που διάβασα έχει μια προειδοποίηση σύμφωνα με τις εξής γραμμές: «Αν και υποστηρίζουμε τις συμβουλές για γονείς στα επόμενα κεφάλαια, αναγνωρίζουμε ότι δεν είναι δυνατόν να δοκιμάσουμε διαφορετικές μεθόδους ανατροφής σε ένα παιδί και να συγκρίνουμε τα αποτελέσματα». Με απλά λόγια, δεν υπάρχει
τρόπος να δοκιμάσετε διαφορετικές αποφάσεις και να συγκρίνετε τα αποτελέσματα. Ένα άλλο πράγμα που δείχνει ότι η ανατροφή των παιδιών είναι δύσκολη.

Και δείχνει πόσο σημαντικό είναι να έχουμε αρκετά δεδομένα για να βλέπουμε μοτίβα.

Προκλήσεις Μηχανικής Μάθησης

Η μηχανική μάθηση, μια δημοφιλής μορφή τεχνητής νοημοσύνης, θεωρείται για λίγο ως μια «μαγική λύση» σε πολύπλοκα προβλήματα. Η έλξη του ότι μπορεί να απορροφήσει πολλά δεδομένα και να προσπαθήσει να βρει νόημα σε αυτό έχει μια συγκεκριμένη ελκυστικότητα. Γιατί να μην το κάνει; Η υπόσχεση της τεχνολογίας
Το να πάρεις κάτι περίπλοκο και να βρεις την καλύτερη λύση θα απευθυνόταν σε οποιονδήποτε λήπτη αποφάσεων.

Η πρόκληση των λύσεων μηχανικής μάθησης βοηθά στη λήψη μιας απλής απόφασης από πολύπλοκες πληροφορίες εισόδου. απίστευτες ποσότητες δεδομένων, εσωτερικών και εξωτερικών, και στη συνέχεια πώς μεταδίδεται η έξοδος. . Στα παραπάνω παραδείγματα δύο τύπων αποφάσεων,
Οι αλγόριθμοι μηχανικής μάθησης ελπίζουμε να λύσουν το ερώτημα σχετικά με την αγορά γάλακτος μάλλον γρήγορα.

Υποθέτοντας ότι παρέχουμε τα δεδομένα για τις ποσότητες που αγοράζονται και τον καιρό έξω - το μοντέλο θα δημιουργήσει μια καλή πρόβλεψη για το μέλλον. Οργανισμοί όπως τουριστικοί προορισμοί, αλυσίδες εστιατορίων, αεροπορικές εταιρείες, εταιρείες logistics και πολλοί άλλοι λαμβάνουν
αναλυτικά στοιχεία που μπορούν να χρησιμοποιηθούν για την πρόβλεψη του ημερήσιου, εβδομαδιαίου και εποχιακού όγκου με βάση τον καιρό, ακόμη και για να προτείνουν πόσους πόρους μπορεί να χρειάζονται για να καλύψουν αυτή τη ζήτηση. Πρόσθετες μεταβλητές προσθέτουν περισσότερη πολυπλοκότητα στο μοντέλο και δημιουργούν πιθανές πρόσθετες
πρέπει να απαντήσετε σε άλλες ερωτήσεις και να προσθέσετε περισσότερες μεταβλητές (π.χ. εβδομάδες που έρχεται η καθαρίστρια έναντι όχι).

Επιστροφή στο βασικό ερώτημα του να επιτρέπεται στην τεχνητή νοημοσύνη να αποφασίζει ποιον θα παντρευτείς. Σίγουρα, υπάρχουν πολλά σημεία δεδομένων – εκατοντάδες εκατομμύρια ή δισεκατομμύρια γάμοι. Οι σχετικές εισροές έχουν μελετηθεί για αιώνες τόσο από ερευνητές όσο και από προξενητές. Υπάρχουν
άφθονα αποτελέσματα.

Ποιο ειναι το πρόβλημα?

1. Ενώ υπάρχουν πολλά σημεία δεδομένων, κάθε μοναδικός υπεύθυνος λήψης αποφάσεων θα έχει τις μοναδικές του προτιμήσεις – επομένως στον κόσμο του μοντελοποίησης, θα πρέπει να δημιουργήσουμε έναν διαφορετικό αλγόριθμο για κάθε άτομο που πρέπει να ταιριάξει για γάμο. Αυτό είναι πολύπλοκο, αλλά δυνατό
   στο μέλλον. Σκεφτείτε πώς οι μηχανές συστάσεων όπως η Apple Music και η Pandora συνεχίζουν να εξελίσσουν τα είδη μουσικής που σας προτείνουν με βάση τις αντιδράσεις σας. Τέτοιες λύσεις όπου κάθε απόφαση λαμβάνεται από ένα μοναδικά βελτιστοποιημένο μοντέλο έχουν ήδη αναπτυχθεί
   στον επιχειρηματικό κόσμο.
2. Δεύτερον, πρέπει να καταγράψουμε τα σωστά και σχετικά σημεία δεδομένων και να μειώσουμε τον «θόρυβο». Ενώ μερικοί μπορεί να προτιμούν τις μελαχρινές με γαλανομάτη ή τις ξανθές με καστανά μάτια, υπάρχουν λίγα στοιχεία που αποδεικνύουν ότι οι γάμοι που βασίζονται σε «προτιμώμενους τύπους» είναι πιο επιτυχημένοι από άλλους. Ραντεβού
   Οι εφαρμογές συνεχίζουν να ακονίζουν τους αλγόριθμούς τους με την ελπίδα να βρουν τη σωστή φόρμουλα για τέτοιου είδους αντιστοιχίσεις. Ωστόσο, πρέπει να πάτε στις ημερομηνίες και να δείτε.
3. Τέλος, το κόστος της λανθασμένης απόφασης είναι υψηλό. Ενώ το αφήνουμε στα άτομα που παίρνουν αποφάσεις μπορεί να μην αποφέρουν τα καλύτερα αποτελέσματα, μια ομάδα ειδικών που δημιουργεί μια λύση μηχανικής μάθησης μπορεί να μην θέλει την ευθύνη για τη λήψη αυτών των αποφάσεων.
   Υπάρχει κίνδυνος επαγγελματικής ευθύνης που πρέπει να εξεταστεί. Στο επιχειρηματικό πλαίσιο – ίσως είναι καλύτερο να αφήσετε τους ειδικούς να αποφασίσουν παρά να επιμείνετε ότι το «μαύρο κουτί» ξέρει καλύτερα.

Αποφυγή τυφλής εμπιστοσύνης

Έτσι, πίσω στις προκλήσεις του γάμου. Η περίφημη ομιλία του School of Life λέει απλώς ότι φυσικά θα παντρευτούμε ένα άτομο που κατά κάποιο τρόπο μας κάνει λάθος. «Το άτομο που μας ταιριάζει καλύτερα δεν είναι το άτομο που μοιράζεται κάθε γούστο μας (δεν το κάνουν
υπάρχουν), αλλά το άτομο που μπορεί να διαπραγματευτεί έξυπνα τις διαφορές στη γεύση — το άτομο που είναι καλό στη διαφωνία.

Αντί για κάποια πλασματική ιδέα της τέλειας συμπληρωματικότητας, είναι η ικανότητα ανοχής των διαφορών με γενναιοδωρία που είναι ο πραγματικός δείκτης του «όχι υπερβολικά λάθος» ανθρώπου. Η συμβατότητα είναι ένα επίτευγμα αγάπης. δεν πρέπει να είναι η προϋπόθεση του».

Μετάβαση σε ένα ευρύτερο γενικό πλαίσιο, στη γλώσσα της μηχανικής μάθησης – σχεδόν καμία από τις τυπικές μεταβλητές που γνωρίζουμε εκ των προτέρων σχετικά με έναν πιθανό υποψήφιο δεν θα μπορούσε να μας βοηθήσει να προβλέψουμε εάν η απόφαση είναι εσφαλμένη. Είμαστε πολύ μακριά από το να «ταΐσουμε το
μηχανή πολλών δεδομένων» και περιμένουμε ότι θα έχει νόημα από αυτό. Στην πραγματικότητα, μπορεί να μην συμβεί ποτέ χωρίς ανθρώπινη παρέμβαση. Νιώθουμε πιο ασφαλείς όταν ο πιλότος απενεργοποιεί τον αυτόματο πιλότο κατά τη διάρκεια αναταράξεων και για καλό λόγο.

Ενώ η μηχανική μάθηση και η τεχνητή νοημοσύνη μπορούν να κάνουν τη ζωή μας πιο εύκολη, είναι ασφαλές να πούμε ότι δεν θα εμπιστευόμαστε τυφλά αυτές τις τεχνολογίες για να λάβουμε αποφάσεις που θα αλλάξουν τη ζωή μας. Λαμβάνοντας από αυτό, τι μπορούμε να πούμε στους ειδικούς του κλάδου που λαμβάνουν σημαντικές επιχειρηματικές αποφάσεις; Χρήση
Η τεχνητή νοημοσύνη και η ML για να σας οδηγήσουν στα μισά του δρόμου προς τον στόχο σας – αλλά κρατήστε τους ειδικούς σας για να αναλύσουν τα δεδομένα και να χρησιμοποιήσουν την καλύτερη κρίση τους με βάση το πλαίσιο για να σας καθοδηγήσουν στα τελικά βήματα. Σίγουρα δουλεύουμε πάνω σε αυτό.