تسلط بر عامل خطر: آیا به هوش مصنوعی اجازه می‌دهید همسرتان را انتخاب کند؟ (آنا اسلودکا-ترنر)

هوش مصنوعی (AI) در خط مقدم بسیاری از گفتگوها در بین صنایع قرار دارد. چرا که نه؟ این راه‌حل‌های گسترده‌ای را برای ما به ارمغان آورده است و زمان زیادی را برای بشریت صرفه‌جویی می‌کند. اما مانند هر چیز خوب، محدودیت هایی دارد، به ویژه هوش مصنوعی عمومی، که اغلب
برای یک الگوریتم کلی که از طریق بلندگوهایی که می توانند هر کاری را انجام دهند، قابل دسترسی است.

وقتی هوش مصنوعی به عنوان راه‌حلی برای بسیاری از چیزها تبلیغ می‌شود، من را به این فکر می‌اندازد که تا کجا می‌توانید این تبلیغات را انجام دهید؟ سخنرانی معروف از "مدرسه زندگی" در مورد "چرا با فرد اشتباهی ازدواج خواهید کرد؟ الهام گرفته از یک سوال، "آیا شما
اجازه دهید هوش مصنوعی انتخاب کند که با چه کسی ازدواج می کنید؟ آیا می تواند به انتخاب صحیح زناشویی کمک کند؟

در حالی که هوش مصنوعی نمی تواند به طور کامل به مسائل بسیار پیچیده روابط پاسخ دهد، می تواند شما را به طور قابل توجهی به یافتن پاسخ نزدیک کند. ما اغلب در دنیای مالی به این موضوع برخورد می کنیم. آیا هوش مصنوعی می تواند معامله بعدی را پیش بینی کند؟ پاسخ منفی است، این هنوز ممکن نیست.

با این حال، هوش مصنوعی می‌تواند برای ساخت مدل‌هایی با قابلیت‌های تحلیلی و پیش‌بینی پیشرفته، ارائه بینش‌های عمیق‌تر و کشف الگوها برای ارائه ایده واضح‌تری از آنچه در راه است، استفاده شود.

استفاده از هوش مصنوعی در تصمیم گیری ها

بیایید این را در چارچوب تصمیم گیری در نظر بگیریم. به روشی ساده دو نوع تصمیم داریم:

 - مواردی که به طور مکرر می سازیم، و بنابراین با حلقه های بازخورد فراوان. به عنوان مثال: خرید شیر. خانواده من چند ماه طول کشید تا متوجه شوند که ما به چهار بطری در هفته نیاز داریم، مگر اینکه هوا سرد باشد و در آخر هفته، زمانی که همه به چند فنجان گرم اضافی نیاز دارند.
هوش مصنوعی به‌طور بالقوه می‌توانست آن را زودتر برای ما حل کند، به شرطی که داده‌های آب‌وهوا را برای تشخیص الگو به آن داده باشیم.

- نوع دوم تصمیماتی است که به ندرت می گیریم. احتمالاً فقط یک بار در زندگی با شانس کمی برای اصلاح بر اساس نتیجه تصمیممان. به عنوان مثال: انتخاب یک حرفه، مدرک دانشگاهی، شغل اول، یا
LOL، تصمیم به ازدواج.

البته ما با پیامدهای انتخاب هایمان زندگی می کنیم، اما فرصت های یادگیری از آنها و تصمیم گیری های دیگر محدود و اغلب پرهزینه است.

کتاب فرزندپروری که خوانده‌ام در این زمینه هشداری دارد: «در حالی که از توصیه‌های والدین در فصل‌های بعدی حمایت می‌کنیم، اذعان می‌کنیم که نمی‌توان روش‌های مختلف فرزندپروری را روی یک کودک امتحان کرد و نتایج را با هم مقایسه کرد». به بیان ساده، وجود ندارد
روشی برای امتحان تصمیمات مختلف و مقایسه نتایج فقط چیز دیگری که نشان می دهد فرزندپروری سخت است.

و نشان می دهد که داشتن داده های کافی برای دیدن الگوها چقدر مهم است.

چالش های یادگیری ماشین

یادگیری ماشینی، شکل محبوب هوش مصنوعی، برای مدتی به عنوان یک «راه حل جادویی» برای مشکلات پیچیده دیده می شود. جذابیت این که بتواند داده های زیادی را جذب کند و سعی کند در آن معنا پیدا کند جذابیت خاصی دارد. چرا این کار را نمی کند؟ نوید تکنولوژی
گرفتن چیزی پیچیده و ارائه بهترین راه حل برای هر تصمیم گیرنده جذاب است.

چالش راه حل های یادگیری ماشین کمک به تصمیم گیری ساده از اطلاعات ورودی پیچیده است. مقادیر باورنکردنی داده، داخلی و خارجی، و سپس نحوه ارتباط خروجی. . در مثال های بالا از دو نوع تصمیم،
امیدواریم الگوریتم‌های یادگیری ماشین سؤال خرید شیر را به سرعت حل کنند.

با فرض اینکه داده‌های مربوط به مقادیر خریداری شده و آب و هوای خارج را ارائه می‌کنیم - این مدل پیش‌بینی خوبی را برای آینده ایجاد می‌کند. سازمان هایی مانند مقاصد گردشگری، رستوران های زنجیره ای، خطوط هوایی، شرکت های تدارکات و بسیاری دیگر دریافت می کنند
تجزیه و تحلیلی که می تواند برای پیش بینی حجم روزانه، هفتگی و فصلی بر اساس آب و هوا مورد استفاده قرار گیرد، و حتی توصیه می کند که چه تعداد منابع ممکن است برای برآورده کردن این تقاضا مورد نیاز باشد. متغیرهای اضافی به مدل پیچیدگی بیشتری می بخشند و بالقوه اضافی را ایجاد می کنند
باید به سوالات دیگر پاسخ دهید و متغیرهای بیشتری اضافه کنید (به عنوان مثال، هفته هایی که پاک کننده می آید در مقابل نیامدن).

بازگشت به سوال اصلی اجازه دادن به هوش مصنوعی برای تصمیم گیری با چه کسی ازدواج کنید. مطمئناً، نقاط داده زیادی وجود دارد - صدها میلیون یا میلیاردها ازدواج. ورودی های مربوطه برای قرن ها هم توسط محققان و هم توسط همتایان مورد مطالعه قرار گرفته است. وجود دارد
خروجی های فراوان

بنابراین، مشکل چیست؟

1. در حالی که نقاط داده زیادی وجود دارد، هر تصمیم گیرنده منحصر به فرد ترجیحات منحصر به فرد خود را خواهد داشت - بنابراین در دنیای مدل سازی، ما باید الگوریتم متفاوتی برای هر فردی که نیاز به تطبیق برای ازدواج دارد ایجاد کنیم. این پیچیده است، اما ممکن است
   در آینده. در نظر بگیرید که چگونه موتورهای توصیه مانند Apple Music و Pandora به تکامل انواع موسیقی که به شما پیشنهاد می کنند بر اساس واکنش شما ادامه می دهند. چنین راه حل هایی که در آن هر تصمیم توسط یک مدل بهینه سازی منحصر به فرد گرفته می شود، قبلاً به کار گرفته شده اند
   در دنیای تجارت
2. ثانیا، ما باید نقاط داده مناسب و مرتبط را ضبط کنیم و "نویز" را کاهش دهیم. در حالی که برخی ممکن است سبزه‌های چشم آبی یا بلوندهای چشم قهوه‌ای را ترجیح دهند، اما نمی‌توان ثابت کرد ازدواج‌های مبتنی بر «انواع ترجیحی» موفق‌تر از دیگران هستند. دوستیابی
   برنامه‌ها به تقویت الگوریتم‌های خود به امید یافتن فرمول مناسب برای چنین مواردی ادامه می‌دهند. با این حال، باید به تاریخ ها بروید و ببینید.
3. در نهایت، هزینه تصمیم گیری اشتباه زیاد است. در حالی که سپردن آن به افرادی که تصمیم می‌گیرند ممکن است بهترین نتایج را به همراه نداشته باشد، تیم متخصصی که یک راه‌حل یادگیری ماشینی می‌سازد ممکن است مسئولیت این تصمیم‌ها را نخواهد.
   خطر مسئولیت شغلی وجود دارد که باید بررسی شود. در زمینه کسب و کار - شاید بهتر باشد به کارشناسان اجازه دهید تصمیم بگیرند تا اینکه اصرار کنید که جعبه سیاه بهتر می داند.

اجتناب از اعتماد کور

بنابراین، به چالش های ازدواج بازگردیم. سخنرانی معروف مدرسه زندگی به سادگی بیان می کند که ما البته با فردی ازدواج خواهیم کرد که از جهاتی برای ما اشتباه است. «کسی که برای ما مناسب‌تر است، کسی نیست که همه سلیقه‌های ما را داشته باشد (آنها اینطور نیستند
وجود دارد)، اما فردی که می تواند به طور هوشمندانه درباره اختلاف سلیقه مذاکره کند - فردی که در اختلاف نظر خوب است.

به جای برخی ایده های تصوری از مکمل بودن کامل، این ظرفیت برای تحمل تفاوت ها با سخاوت است که نشانگر واقعی فرد «نه بیش از حد اشتباه» است. سازگاری دستاورد عشق است. این نباید پیش شرط آن باشد.»

حرکت به یک زمینه کلی گسترده تر، در زبان یادگیری ماشینی - تقریباً هیچ یک از متغیرهای استانداردی که ما از قبل در مورد یک نامزد بالقوه می شناسیم، نمی تواند به ما در پیش بینی نادرست بودن تصمیم کمک کند. ما خیلی از "تغذیه" فاصله داریم
داده‌های زیادی را ماشین‌سازی می‌کند و انتظار داریم که آن را معنا کند. در واقع، ممکن است هرگز بدون دخالت انسان اتفاق نیفتد. وقتی خلبان خلبان خودکار را در هنگام آشفتگی خاموش می‌کند، احساس امنیت بیشتری می‌کنیم و دلیل خوبی هم دارد.

در حالی که یادگیری ماشین و هوش مصنوعی می‌توانند زندگی ما را آسان‌تر کنند، می‌توان گفت که کورکورانه به این فناوری‌ها اعتماد نمی‌کنیم تا تصمیم‌های تغییردهنده زندگی‌مان را بگیرند. با توجه به آن، چه می توانیم به کارشناسان صنعت که تصمیمات تجاری مهمی را اتخاذ می کنند، بگوییم؟ استفاده کنید
هوش مصنوعی و ML شما را به نیمه راه رسیدن به هدفتان می‌رسانند – اما از کارشناسان خود برای تجزیه و تحلیل داده‌ها استفاده کنید و از بهترین قضاوت‌شان با زمینه استفاده کنید تا شما را در مراحل نهایی راهنمایی کنند. ما مطمئناً روی آن کار می کنیم.