De risicofactor beheersen: zou u AI uw echtgenoot laten kiezen? (Anna Slodka-Turner)

Kunstmatige intelligentie (AI) loopt voorop in veel gesprekken in verschillende sectoren. En waarom niet? Het heeft ons uitgebreide oplossingen gebracht, waardoor de mensheid zoveel tijd heeft bespaard. Maar zoals alles wat goed is, heeft het beperkingen, met name algemene AI, die vaak
voelt als een verzamelnaam voor een algemeen algoritme dat toegankelijk is via een luidsprekertelefoon die alles kan.

Als AI wordt gehyped als oplossing voor zoveel dingen, dan denk ik: hoe ver kun je die hype drijven? Een beroemde toespraak van 'School of Life' op 'Waarom je met de verkeerde persoon trouwt' inspireerde een vraag: 'Zou je?
AI laten kiezen met wie je trouwt?' Zou het kunnen helpen om de juiste huwelijkskeuzes te maken?

Hoewel AI extreem complexe relatiekwesties niet volledig kan beantwoorden, kan het je aanzienlijk dichter bij het vinden van het antwoord brengen. In de financiële wereld komen we dit nogal eens tegen. Kan AI de volgende deal voorspellen? Het antwoord is nee, dat kan nog niet.

AI kan echter worden gebruikt om modellen te bouwen met verbeterde analytische en prognosemogelijkheden, waardoor veel diepere inzichten worden verkregen en patronen worden blootgelegd om een ​​duidelijker beeld te krijgen van wat er gaat komen.

AI toepassen op beslissingen

Laten we dit bekijken in het kader van de besluitvorming. Op een eenvoudige manier hebben we twee soorten beslissingen:

 – Die we vaak maken, en dus met veel feedbackloops. Bijvoorbeeld: melk kopen. Het kostte mijn familie een paar maanden om te ontdekken dat we vier flessen per week nodig hebben, tenzij het koud is en, in het weekend, wanneer iedereen een paar extra 'warme kopjes' nodig heeft.
AI had het mogelijk eerder voor ons kunnen oplossen, zolang we het maar de weergegevens gaven om het patroon te herkennen.

-Het tweede type beslissing zijn de beslissingen die we niet vaak nemen. Mogelijk maar één keer in je leven met weinig kans om een ​​correctie aan te brengen op basis van de uitkomst van onze beslissing. Bijv.: Een beroep kiezen, een universitaire opleiding, een eerste baan of
LOL, besluiten om te trouwen.

Natuurlijk leven we met de consequenties van onze keuzes, maar de mogelijkheden om ervan te leren en andere beslissingen te nemen zijn beperkt en vaak kostbaar.

Een ouderschapsboek dat ik heb gelezen, bevat een waarschuwing in de trant van: "Hoewel we het opvoedingsadvies in de volgende hoofdstukken ondersteunen, erkennen we dat het niet mogelijk is om verschillende opvoedingsmethoden op een kind uit te proberen en de resultaten te vergelijken". Simpel gezegd, er is geen
manier om verschillende beslissingen te proberen en resultaten te vergelijken. Nog iets dat aantoont dat ouderschap moeilijk is.

En het illustreert hoe belangrijk het is om voldoende gegevens te hebben om patronen te zien.

Uitdagingen voor machinaal leren

Machine learning, een populaire vorm van AI, wordt al een tijdje gezien als een 'magische oplossing' voor complexe problemen. De aantrekkingskracht van het feit dat het veel gegevens kan opnemen en er zin in kan vinden, heeft een zekere aantrekkingskracht. Waarom zou het niet? De belofte van technologie
het nemen van iets complexs en het bedenken van de beste oplossing zou elke beslisser aanspreken.

De uitdaging van machine learning-oplossingen is om een ​​eenvoudige beslissing te helpen nemen op basis van complexe invoerinformatie; ongelooflijke hoeveelheden data, intern en extern, en hoe de output wordt gecommuniceerd. . In de bovenstaande voorbeelden van twee soorten beslissingen,
machine learning-algoritmen zouden hopelijk de vraag over het kopen van melk vrij snel oplossen.

Ervan uitgaande dat we de gegevens verstrekken over de gekochte hoeveelheden en het weer buiten, zou het model een goede voorspelling voor de toekomst opleveren. Organisaties zoals toeristische bestemmingen, restaurantketens, luchtvaartmaatschappijen, logistieke bedrijven en nog veel meer ontvangen
analyses die kunnen worden gebruikt om het dagelijkse, wekelijkse en seizoensgebonden volume te voorspellen op basis van het weer, en zelfs om aan te bevelen hoeveel middelen ze nodig hebben om aan die vraag te voldoen. Extra variabelen voegen meer complexiteit toe aan het model en creëren potentiële extra
andere vragen moeten beantwoorden en meer variabelen moeten toevoegen (bijv. weken dat de schoonmaker komt versus niet).

Terug naar de kernvraag om AI te laten beslissen met wie je trouwt. Er zijn zeker genoeg datapunten – honderden miljoenen of miljarden huwelijken. De relevante inputs zijn eeuwenlang bestudeerd door zowel onderzoekers als matchmakers. Er zijn
veel uitgangen.

Wat is het probleem?

1. Hoewel er veel datapunten zijn, heeft elke unieke beslisser zijn unieke voorkeuren - dus in de modellenwereld zouden we een ander algoritme moeten maken voor elke persoon die moet worden gematcht voor het huwelijk. Dit is ingewikkeld, maar mogelijk
   in de toekomst. Bedenk hoe aanbevelingsmotoren zoals Apple Music en Pandora de soorten muziek die ze je voorstellen op basis van je reacties blijven ontwikkelen. Dergelijke oplossingen waarbij elke beslissing wordt genomen door een uniek geoptimaliseerd model, zijn al geïmplementeerd
   in de zakenwereld.
2. Ten tweede moeten we de juiste en relevante datapunten vastleggen en de 'ruis' verminderen. Hoewel sommigen de voorkeur geven aan brunettes met blauwe ogen of blondines met bruine ogen, is er weinig om te bewijzen dat huwelijken op basis van 'voorkeurstypes' succesvoller zijn dan anderen. Daten
   apps blijven hun algoritmen aanscherpen in de hoop de juiste formule voor dergelijke overeenkomsten te vinden. Toch moet je op de data gaan en zien.
3. Ten slotte zijn de kosten van het nemen van een verkeerde beslissing hoog. Hoewel het overlaten aan de individuen die beslissingen nemen misschien niet de beste resultaten oplevert, wil een deskundig team dat een machine learning-oplossing bouwt misschien niet de verantwoordelijkheid voor het nemen van deze beslissingen.
   Er is een beroepsaansprakelijkheidsrisico dat moet worden uitgewerkt. In de zakelijke context is het misschien beter om de experts te laten beslissen dan te beweren dat de 'black box' het beste weet.

Blind vertrouwen vermijden

Dus, terug naar de uitdagingen van het huwelijk. De beroemde toespraak van School of Life stelt eenvoudigweg dat we natuurlijk zullen trouwen met een persoon die op de een of andere manier verkeerd voor ons is. "De persoon die het beste bij ons past, is niet de persoon die al onze smaak deelt (dat doen ze niet)
bestaan), maar de persoon die intelligent kan omgaan met verschillen in smaak — de persoon die goed is in meningsverschillen.

In plaats van een fictief idee van perfecte complementariteit, is het het vermogen om verschillen met vrijgevigheid te tolereren de ware markering van de 'niet overdreven verkeerde' persoon. Compatibiliteit is een prestatie van liefde; het mag niet de voorwaarde zijn.”

Verhuizen naar een bredere algemene context, in de taal van machine learning - vrijwel geen van de standaardvariabelen die we van tevoren weten over een potentiële kandidaat, kan ons helpen voorspellen of de beslissing onjuist is. We zijn ver weg van 'het voeden van de'
machine veel gegevens' en verwacht dat het er zin in heeft. In feite kan het nooit gebeuren zonder menselijke tussenkomst. We voelen ons veiliger als de piloot de stuurautomaat uitzet tijdens turbulentie, en met een goede reden.

Hoewel machine learning en AI ons leven gemakkelijker kunnen maken, kunnen we gerust zeggen dat we deze technologieën niet blindelings zouden vertrouwen om levensveranderende beslissingen voor ons te nemen. Wat kunnen we hieruit zeggen tegen experts uit de sector die belangrijke zakelijke beslissingen nemen? Gebruiken
AI en ML om u halverwege uw doel te brengen, maar houd uw experts vast om de gegevens te analyseren en hun gezond verstand met context te gebruiken om u bij de laatste stappen te begeleiden. We zijn er zeker mee bezig.