Mestring av risikofaktoren: Ville du la AI velge din ektefelle? (Anna Slodka-Turner)

Kunstig intelligens (AI) er i forkant av mange samtaler på tvers av bransjer. Og hvorfor ikke? Det har gitt oss omfattende løsninger, og sparer menneskeheten så mye tid. Men som alt bra, har det begrensninger, spesielt generell AI, som ofte
føles som en samlebetegnelse for en generell algoritme tilgjengelig via en høyttalertelefon som kan gjøre alt.

Når AI blir hypet som en løsning for så mange ting, får det meg til å tenke, hvor langt kan du drive den hypen? Et kjent foredrag fra 'School of Life' på 'Hvorfor vil du gifte deg med feil person' inspirerte et spørsmål, 'Vil du
la AI velge hvem du gifter deg med?' Kan det hjelpe å ta de riktige ekteskapelige valgene?

Selv om AI ikke fullt ut kan svare på ekstremt komplekse forholdsspørsmål, kan det bringe deg betydelig nærmere å finne svaret. Vi møter dette ganske ofte i finansverdenen. Er AI i stand til å forutsi neste avtale? Svaret er nei, det er ikke mulig ennå.

Imidlertid kan AI brukes til å bygge modeller med forbedrede analytiske og prognosefunksjoner, som gir mye dypere innsikt og avdekker mønstre for å gi en klarere ide om hva som kommer.

Bruke AI på beslutninger

La oss vurdere dette i forbindelse med beslutningstaking. På en enkel måte har vi to typer avgjørelser:

 – De vi lager ofte, og derfor med mange tilbakemeldingssløyfer. Eks: Kjøpe melk. Det tok familien min noen måneder å oppdage at vi trenger fire flasker i uken, med mindre det er kaldt, og i helgen, når alle trenger noen ekstra "varme kopper".
AI kunne potensielt ha løst det for oss tidligere, så lenge vi matet den med værdata for å oppdage mønsteret.

-Den andre typen beslutninger er de vi tar sjelden. Muligens bare én gang i livet med liten sjanse til å foreta en korreksjon basert på utfallet av avgjørelsen vår. Eks: Velge yrke, universitetsgrad, første jobb, eller
LOL, bestemmer meg for å gifte seg.

Selvfølgelig lever vi med konsekvensen av våre valg, men mulighetene til å lære av dem og ta andre beslutninger er begrenset og ofte kostbare.

En foreldrebok jeg har lest har et forbehold i denne retningen: "Selv om vi støtter foreldrerådene i de følgende kapitlene, erkjenner vi at det ikke er mulig å prøve forskjellige foreldremetoder på et barn og sammenligne resultatene". Enkelt sagt, det er ingen
måte å prøve forskjellige beslutninger og sammenligne resultater. Bare en annen ting som viser at foreldreskap er vanskelig.

Og det illustrerer hvor viktig det er å ha nok data til å se mønstre.

Maskinlæringsutfordringer

Maskinlæring, en populær form for AI, har en stund blitt sett på som en "magisk løsning" på komplekse problemer. Tiltrekningen ved at den kan absorbere massevis av data og prøve å finne mening i det, har en viss appell. Hvorfor ville det ikke det? Løftet om teknologi
Å ta noe komplekst og komme opp med den beste løsningen vil appellere til enhver beslutningstaker.

Utfordringen med maskinlæringsløsninger er å hjelpe til med å ta en enkel beslutning fra kompleks inndatainformasjon; utrolige mengder data, internt og eksternt, og deretter hvordan utdataene kommuniseres. . I eksemplene ovenfor på to typer avgjørelser,
maskinlæringsalgoritmer vil forhåpentligvis løse melkekjøpsspørsmålet ganske raskt.

Forutsatt at vi oppgir data om kjøpte mengder og været utenfor – vil modellen skape en god prognose fremover. Organisasjoner som turistdestinasjoner, restaurantkjeder, flyselskaper, logistikkselskaper og mange flere mottar
analyser som kan brukes til å forutsi daglig, ukentlig og sesongmessig volum basert på været, og til og med anbefale hvor mange ressurser de kan trenge for å møte denne etterspørselen. Ytterligere variabler gir mer kompleksitet til modellen og skaper potensielle tillegg
trenger å svare på andre spørsmål og legge til flere variabler (f.eks. uker som renholderen kommer vs ikke).

Tilbake til kjernespørsmålet om å la AI bestemme hvem du gifter deg med. Det er sikkert nok av datapunkter - hundrevis av millioner eller milliarder av ekteskap. De relevante innspillene har blitt studert i århundrer både av forskere og matchmakere. Det er
mange utganger.

Så hva er problemet?

1. Selv om det er mange datapunkter, vil hver unike beslutningstaker ha sine unike preferanser – så i modellverdenen må vi lage en annen algoritme for hver person som må matches for ekteskap. Dette er komplisert, men mulig
   i fremtiden. Vurder hvordan anbefalingsmotorer som Apple Music og Pandora fortsetter å utvikle musikktypene de foreslår for deg basert på reaksjonene dine. Slike løsninger der hver beslutning tas av en unikt optimalisert modell er allerede implementert
   i næringslivet.
2. For det andre må vi fange opp de riktige og relevante datapunktene og redusere 'støyen'. Mens noen kanskje foretrekker blåøyde brunetter eller brunøyde blondiner, er det lite som beviser at ekteskap basert på "foretrukne typer" er mer vellykkede enn andre. Dating
   apper fortsetter å finpusse algoritmene sine i håp om å finne den rette formelen for slike kamper. Likevel må du gå på datoene og se.
3. Til slutt er kostnadene ved å ta feil avgjørelse høye. Selv om det kanskje ikke gir de beste resultatene til individene som tar beslutninger, vil et ekspertteam som bygger en maskinlæringsløsning kanskje ikke ha ansvaret for å ta disse beslutningene.
   Det er en karriereansvarsrisiko som må utredes. I forretningssammenheng – kan det være bedre å la ekspertene bestemme enn å insistere på at den "svarte boksen" vet best.

Unngå blind tillit

Så, tilbake til utfordringene med ekteskap. Den berømte talen til School of Life sier ganske enkelt at vi selvfølgelig vil gifte oss med en person som på noen måter er feil for oss. "Den personen som passer best for oss er ikke den personen som deler vår smak (det gjør de ikke
eksisterer), men personen som kan forhandle forskjeller i smak intelligent - personen som er god på uenighet.

I stedet for en ideell idé om perfekt komplementaritet, er det evnen til å tolerere forskjeller med raushet som er den sanne markøren for den "ikke altfor gale" personen. Kompatibilitet er en prestasjon av kjærlighet; det må ikke være dens forutsetning.»

Å gå til en bredere generell kontekst, på språket maskinlæring – stort sett ingen av standardvariablene vi vet på forhånd om en potensiell kandidat, kan hjelpe oss å forutsi om avgjørelsen er feil. Vi er langt unna å 'mate'
maskin masse data' og forventer at det skal gi mening ut av det. Faktisk kan det aldri skje uten menneskelig innblanding. Vi føler oss tryggere når piloten slår av autopiloten under turbulens, og det med god grunn.

Selv om maskinlæring og AI kan gjøre livene våre enklere, er det trygt å si at vi ikke blindt ville stole på disse teknologiene for å ta livsendrende beslutninger for oss. Ut fra det, hva kan vi si til bransjeeksperter som tar viktige forretningsbeslutninger? Bruk
AI og ML tar deg halvveis til målet ditt – men hold fast ved ekspertene dine for å analysere dataene og bruke deres beste skjønn med kontekst for å veilede deg i de siste trinnene. Vi jobber sikkert med det.