Riskitekijän hallitseminen: Antaisitko tekoälyn valita puolisosi? (Anna Slodka-Turner)

Tekoäly (AI) on monien teollisuudenalojen keskustelujen eturintamassa. Ja miksi ei? Se on tuonut meille laajoja ratkaisuja ja säästänyt ihmiskunnan aikaa. Mutta kuten kaikessa hyvässä, sillä on rajoituksia, erityisesti yleinen tekoäly, joka usein
tuntuu kaiken kattavalta termiltä yleiselle algoritmille, joka on käytettävissä kaiutinpuhelimen kautta ja joka voi tehdä mitä tahansa.

Kun tekoälyä hypetään ratkaisuksi niin moniin asioihin, se saa minut ajattelemaan, kuinka pitkälle voit ajaa tuon hypetyksen? Kuuluisa puhe "Elämän koulusta" aiheesta "Miksi menet naimisiin väärän ihmisen kanssa? inspiroi kysymyksen: "Haluaisitko
anna AI valita kenen kanssa menet naimisiin?' Voisiko se auttaa tekemään oikeita avioehtoja?

Tekoäly ei voi vastata täysin äärimmäisen monimutkaisiin ihmissuhteisiin, mutta se voi viedä sinut huomattavasti lähemmäksi vastauksen löytämistä. Tapamme tämän melko usein finanssimaailmassa. Pystyykö tekoäly ennustamaan seuraavan sopimuksen? Vastaus on ei, se ei ole vielä mahdollista.

Tekoälyllä voidaan kuitenkin rakentaa malleja, joissa on parannetut analyyttiset ja ennusteominaisuudet, jotka tarjoavat paljon syvempiä näkemyksiä ja paljastavat malleja, jotka antavat selkeämmän käsityksen tulevasta.

Tekoälyn soveltaminen päätöksiin

Pohditaan tätä päätöksenteon yhteydessä. Yksinkertaisella tavalla meillä on kahdenlaisia ​​päätöksiä:

 – Sellaisia, joita teemme usein, ja siksi niillä on runsaasti palautesilmukoita. Esim: Maidon ostaminen. Perheelläni kesti muutaman kuukauden tajuta, että tarvitsemme neljä pulloa viikossa, ellei ole kylmää ja viikonloppuna, kun kaikki tarvitsevat muutaman ylimääräisen "lämpimän kupin".
Tekoäly olisi voinut ratkaista sen puolestamme aikaisemmin, kunhan olisimme syöttäneet sille säätiedot havaitaksemme kuvion.

-Toisen tyyppiset päätökset ovat ne, joita teemme harvoin. Mahdollisesti vain kerran elämässä ilman mahdollisuuksia tehdä korjauksia päätöksemme tuloksen perusteella. Esim: Ammatin valinta, korkeakoulututkinto, ensimmäinen työpaikka tai
LOL, päätän mennä naimisiin.

Tietenkin elämme valintojemme seurausten kanssa, mutta mahdollisuudet oppia niistä ja tehdä muita päätöksiä ovat rajalliset ja usein kalliit.

Lukemani vanhemmuuskirja sisältää seuraavan varoituksen: "Vaikka tuemme seuraavissa luvuissa annettuja vanhemmuuteen liittyviä neuvoja, ymmärrämme, ettei ole mahdollista kokeilla erilaisia ​​kasvatusmenetelmiä lapsella ja vertailla tuloksia." Yksinkertaisesti sanottuna ei ole
tapa kokeilla erilaisia ​​päätöksiä ja vertailla tuloksia. Toinen asia, joka osoittaa vanhemmuuden olevan vaikeaa.

Ja se havainnollistaa, kuinka tärkeää on saada riittävästi dataa kuvioiden näkemiseen.

Koneoppimisen haasteet

Koneoppiminen, suosittu tekoälyn muoto, on jo jonkin aikaa nähty "maagisena ratkaisuna" monimutkaisiin ongelmiin. Se vetovoima, joka liittyy siihen, että se pystyy imemään paljon dataa ja yrittämään löytää siitä järkeä, houkuttelee tiettyä. Miksi ei? Tekniikan lupaus
monimutkaisen asian ottaminen ja parhaan ratkaisun löytäminen vetoaa jokaiseen päätöksentekijään.

Koneoppimisratkaisujen haasteena on auttaa tekemään yksinkertainen päätös monimutkaisen syöttötiedon perusteella; uskomattomia määriä dataa, sisäistä ja ulkoista, ja sitten miten tuotos välitetään. . Yllä olevissa esimerkeissä kahdentyyppisistä päätöksistä
koneoppimisalgoritmit toivottavasti ratkaisevat maidon ostokysymyksen melko nopeasti.

Olettaen, että annamme tiedot ostetuista määristä ja säästä ulkona – malli antaisi hyvän ennusteen eteenpäin. Organisaatiot, kuten matkailukohteet, ravintolaketjut, lentoyhtiöt, logistiikkayritykset ja monet muut vastaanottavat
analytiikkaa, jonka avulla voidaan ennustaa päivittäistä, viikoittaista ja kausittaista määrää sään perusteella ja jopa suositella, kuinka paljon resursseja he saattavat tarvita vastatakseen kysyntään. Muut muuttujat lisäävät mallin monimutkaisuutta ja luovat mahdollisia lisämuuttujia
täytyy vastata muihin kysymyksiin ja lisätä muuttujia (esim. viikot, jolloin siivooja tulee vs. ei).

Takaisin ydinkysymykseen siitä, että tekoäly voi päättää kenen kanssa menet naimisiin. Varmasti on paljon datapisteitä – satoja miljoonia tai miljardeja avioliittoja. Asiaankuuluvia panoksia on tutkittu vuosisatojen ajan sekä tutkijoiden että matchmakerien toimesta. Siellä on
runsaasti lähtöjä.

Joten mikä on ongelma?

1. Vaikka datapisteitä on monia, jokaisella ainutlaatuisella päätöksentekijällä on yksilölliset mieltymyksensä – joten mallinnusmaailmassa meidän on luotava erilainen algoritmi jokaiselle henkilölle, joka on sovitettava avioliittoon. Tämä on monimutkaista, mutta mahdollista
   tulevaisuudessa. Mieti, kuinka suositusmoottorit, kuten Apple Music ja Pandora, kehittävät jatkuvasti sinulle ehdottamansa musiikkityyppiä reaktiojesi perusteella. Sellaisia ​​ratkaisuja, joissa jokainen päätös tehdään yksilöllisesti optimoidun mallin perusteella, on jo käytössä
   liike-elämässä.
2. Toiseksi meidän on kerättävä oikeat ja asiaankuuluvat datapisteet ja vähennettävä "melua". Vaikka jotkut saattavat pitää sinisilmäisistä bruneteista tai ruskeasilmäisistä blondeista, ei ole juurikaan todisteita, että "ensisijaisiin tyyppeihin" perustuvat avioliitot olisivat menestyneempiä kuin toiset. Treffit
   sovellukset jatkavat algoritmien hiomista toivoen löytävänsä oikean kaavan tällaisille osumille. Silti sinun täytyy mennä treffeille ja katsoa.
3. Lopuksi väärän päätöksen tekemisen kustannukset ovat korkeat. Vaikka päätöksenteon jättäminen yksilöiden tehtäväksi ei välttämättä tuota parhaita tuloksia, koneoppimisratkaisua rakentava asiantuntijatiimi ei välttämättä halua ottaa vastuuta näiden päätösten tekemisestä.
   On olemassa uravastuuriski, joka on selvitettävä. Liiketoiminnassa – saattaa olla parempi antaa asiantuntijoiden päättää kuin vaatia, että "musta laatikko" tietää parhaiten.

Sokean luottamuksen välttäminen

Joten takaisin avioliiton haasteisiin. School of Lifen kuuluisa puhe sanoo yksinkertaisesti, että menemme naimisiin ihmisen kanssa, joka on jollain tapaa meille väärä. "Meille parhaiten soveltuva henkilö ei jaa jokaista makuamme (he eivät
olemassa), mutta henkilö, joka osaa neuvotella makuerot älykkäästi - henkilö, joka on hyvä eri mieltä.

Täydellisen täydentävyyden mielikuvituksen sijaan kyky sietää eroja anteliaasti on todellinen merkki "ei liian väärästä" henkilöstä. Yhteensopivuus on rakkauden saavutus; se ei saa olla sen ennakkoehto."

Siirtyminen laajempaan yleiseen kontekstiin koneoppimisen kielellä – tuskin mikään vakiomuuttujista, jotka tiedämme etukäteen mahdollisesta ehdokkaasta, auttaisi meitä ennustamaan, onko päätös virheellinen. Olemme kaukana ruokkimisesta
koneistaa paljon dataa" ja odottaa sen ymmärtävän sitä. Itse asiassa se ei ehkä koskaan tapahdu ilman ihmisen väliintuloa. Tunnemme olomme turvallisemmaksi, kun ohjaaja kytkee autopilotin pois päältä turbulenssin aikana, ja hyvästä syystä.

Vaikka koneoppiminen ja tekoäly voivat helpottaa elämäämme, on turvallista sanoa, että emme sokeasti luottaisi näihin teknologioihin tekemään elämää muuttavia päätöksiä puolestamme. Mitä voimme sanoa tämän perusteella alan asiantuntijoille, jotka tekevät tärkeitä liiketoimintapäätöksiä? Käyttää
Tekoäly ja ML vievät sinut puoliväliin tavoitteesi saavuttamiseksi – mutta pidä kiinni asiantuntijoistasi, jotka analysoivat dataa ja käyttävät parasta harkintaa kontekstin kanssa opastaakseen sinua viimeisissä vaiheissa. Työskentelemme sen eteen varmasti.