בינה מלאכותית (AI) נמצאת בחזית של שיחות רבות בין תעשיות. ולמה לא? זה הביא לנו פתרונות נרחבים, וחוסך למין האנושי כל כך הרבה זמן. אבל כמו לכל דבר טוב, יש לו מגבלות, במיוחד בינה מלאכותית כללית, שלעתים קרובות
מרגיש כמו מונח כולל לאלגוריתם כללי הנגיש דרך רמקול כלשהו שיכול לעשות הכל.
כשבינה מלאכותית מופעלת כפתרון לכל כך הרבה דברים, זה גורם לי לחשוב, כמה רחוק אתה יכול להניע את ההייפ הזה? הרצאה מפורסמת מ'בית ספר לחיים' על 'למה תתחתן עם האדם הלא נכון' נתן השראה לשאלה, 'האם אתה
לתת ל-AI לבחור עם מי אתה מתחתן?' האם זה יכול לעזור לעשות את הבחירות הזוגיות הנכונות?
בעוד שבינה מלאכותית אינה יכולה לענות באופן מלא על ענייני מערכת יחסים מורכבים במיוחד, היא יכולה לקרב אותך משמעותית למציאת התשובה. אנו נתקלים בכך לעתים קרובות למדי בעולם הפיננסי. האם בינה מלאכותית מסוגלת לחזות את העסקה הבאה? התשובה היא לא, זה עדיין לא אפשרי.
עם זאת, ניתן להשתמש בבינה מלאכותית לבניית מודלים עם יכולות אנליטיות וחיזוי משופרות, המספקות תובנות הרבה יותר עמוקות וחשיפת דפוסים כדי לספק מושג ברור יותר על מה שמגיע.
החלת AI על החלטות
בואו נשקול זאת בהקשר של קבלת החלטות. בצורה פשוטה יש לנו שני סוגי החלטות:
- כאלה שאנחנו עושים לעתים קרובות, ולכן עם הרבה לולאות משוב. למשל: קניית חלב. לקח למשפחה שלי כמה חודשים לגלות שאנחנו צריכים ארבעה בקבוקים בשבוע, אלא אם כן קר, ובסוף השבוע, כשכולם צריכים עוד כמה "כוסות חמות".
בינה מלאכותית יכלה לפתור לנו את זה מוקדם יותר, כל עוד הזינו אותה בנתוני מזג האוויר כדי לזהות את הדפוס.
-הסוג השני של החלטות הוא אלו שאנו מקבלים לעתים רחוקות. אולי, רק פעם אחת בחיים עם סיכוי קטן לבצע תיקון על סמך התוצאה של ההחלטה שלנו. למשל: בחירת מקצוע, תואר באוניברסיטה, עבודה ראשונה או
LOL, מחליט להתחתן.
כמובן שאנו חיים עם ההשלכות של הבחירות שלנו, אבל ההזדמנויות ללמוד מהן ולקבל החלטות אחרות הן מוגבלות ולעיתים יקרות.
ספר הורות שקראתי טומן בחובו הסתייגות בנוסח הבא: "למרות שאנו תומכים בעצות ההורות בפרקים הבאים, אנו מכירים בכך שלא ניתן לנסות שיטות הורות שונות על ילד ולהשוות את התוצאות". במילים פשוטות, אין
דרך לנסות החלטות שונות ולהשוות תוצאות. רק עוד דבר שמראה שהורות היא קשה.
וזה ממחיש כמה חשוב שיהיו מספיק נתונים כדי לראות דפוסים.
אתגרי למידת מכונה
למידת מכונה, צורה פופולרית של AI, נתפסה במשך זמן מה כ'פתרון קסום' לבעיות מורכבות. לאטרקציה של היכולת לקלוט הרבה נתונים ולנסות למצוא בו הגיון יש משיכה מסוימת. למה שלא? ההבטחה של הטכנולוגיה
לקחת משהו מורכב ולהמציא את הפתרון הטוב ביותר יפנה לכל מקבל החלטות.
האתגר של פתרונות למידת מכונה הוא לסייע בקבלת החלטה פשוטה מתוך מידע קלט מורכב; כמויות מדהימות של נתונים, פנימיים וחיצוניים, ולאחר מכן כיצד מועבר הפלט. . בדוגמאות לעיל של שני סוגי החלטות,
אלגוריתמי למידת מכונה יפתרו את שאלת קניית החלב די מהר.
בהנחה שנספק את הנתונים על הכמויות שנרכשו ומזג האוויר בחוץ - המודל יצור תחזית טובה להמשך. ארגונים כמו יעדי תיירות, רשתות מסעדות, חברות תעופה, חברות לוגיסטיקה ועוד רבים מקבלים
ניתוחים שניתן להשתמש בהם כדי לחזות נפח יומי, שבועי ועונתי על סמך מזג האוויר, ואפילו להמליץ כמה משאבים הם עשויים להזדקק כדי לענות על הביקוש הזה. משתנים נוספים מוסיפים יותר מורכבות למודל ויוצרים פוטנציאל נוסף
צריך לענות על שאלות אחרות ולהוסיף עוד משתנים (למשל, שבועות שהמנקה מגיע לעומת לא).
בחזרה לשאלת הליבה של לאפשר לבינה מלאכותית להחליט עם מי אתה מתחתן. אין ספק, יש הרבה נקודות מידע - מאות מיליונים או מיליארדי נישואים. התשומות הרלוונטיות נחקרו במשך מאות שנים הן על ידי חוקרים והן על ידי שדכנים. יש
שפע של תפוקות.
אז מה הבעיה?
- אמנם ישנן נקודות נתונים רבות, אך לכל מקבל החלטות ייחודי יהיו העדפותיו הייחודיות - כך שבעולם הדוגמנות, נצטרך ליצור אלגוריתם שונה עבור כל אדם שצריך להתאים אותו לזוגיות. זה מורכב, אבל אפשרי
בעתיד. שקול כיצד מנועי המלצות כמו אפל מיוזיק ופנדורה ממשיכים לפתח את סוגי המוזיקה שהם מציעים לך על סמך התגובות שלך. פתרונות כאלה שבהם כל החלטה מתקבלת על ידי מודל אופטימלי ייחודי כבר פרוסים
בעולם העסקים. - שנית, עלינו ללכוד את נקודות הנתונים הנכונות והרלוונטיות ולהפחית את ה'רעש'. בעוד שחלקם עשויים להעדיף ברונטיות כחולות עיניים או בלונדיניות חומות עיניים, יש מעט כדי להוכיח שנישואים המבוססים על "טיפוסים מועדפים" מוצלחים יותר מאחרים. היכרויות
אפליקציות ממשיכות לחדד את האלגוריתמים שלהם בתקווה למצוא את הנוסחה המתאימה להתאמות כאלה. ובכל זאת, אתה צריך ללכת על התאריכים ולראות. - לבסוף, העלות של קבלת החלטה שגויה היא גבוהה. בעוד שהשארת זאת לאנשים המקבלים החלטות עשויה שלא להניב את התוצאות הטובות ביותר, אך ייתכן שצוות מומחה הבונה פתרון למידת מכונה לא ירצה את האחריות לקבלת ההחלטות הללו.
יש סיכון אחריות בקריירה שצריך לפתור. בהקשר העסקי – אולי עדיף לתת למומחים להחליט מאשר להתעקש שה'קופסה השחורה' יודעת הכי טוב.
הימנעות מאמון עיוור
אז, בחזרה לאתגרים של זוגיות. הנאום המפורסם של School of Life פשוט קובע שאנחנו כמובן נתחתן עם אדם שבמובנים מסוימים לא בסדר עבורנו. "האדם שהכי מתאים לנו הוא לא האדם ששותף לכל טעם שלנו (הם לא
קיים), אבל האדם שיכול לנהל משא ומתן על הבדלי טעם בצורה מושכלת - האדם שטוב באי הסכמה.
במקום איזשהו רעיון רעיוני של השלמה מושלמת, היכולת לסבול הבדלים בנדיבות היא הסמן האמיתי של האדם ה"לא טועה מדי". תאימות היא הישג של אהבה; אסור שזה יהיה התנאי המוקדם שלה".
מעבר להקשר כללי רחב יותר, בשפת למידת מכונה - כמעט אף אחד מהמשתנים הסטנדרטיים שאנו מכירים מראש על מועמד פוטנציאלי לא יוכל לעזור לנו לחזות אם ההחלטה אינה נכונה. אנחנו רחוקים מ'להאכיל את
מחשב המון נתונים' ומצפים שזה יבין את זה. למעשה, ייתכן שזה לעולם לא יקרה ללא התערבות אנושית. אנו מרגישים בטוחים יותר כאשר הטייס מכבה את הטייס האוטומטי בזמן מערבולות, ומסיבה טובה.
בעוד שלמידת מכונה ובינה מלאכותית יכולים לעשות את חיינו קלים יותר, בטוח לומר שלא היינו סומכים באופן עיוור על הטכנולוגיות הללו כדי לקבל החלטות שמשנות חיים עבורנו. אם ניקח מזה, מה אנחנו יכולים לומר למומחים בתעשייה שמקבלים החלטות עסקיות חשובות? להשתמש
בינה מלאכותית ו-ML יובילו אותך למחצית הדרך ליעד שלך - אבל החזיקו במומחים שלכם כדי לנתח את הנתונים ולהשתמש במיטב שיקול הדעת שלהם עם הקשר כדי להדריך אתכם בשלבים האחרונים. אנחנו בטוח עובדים על זה.
