Освоение фактора риска: вы бы позволили ИИ выбирать вашего супруга? (Анна Слодка-Тернер)

Искусственный интеллект (ИИ) находится в центре внимания многих дискуссий в различных отраслях. И почему бы нет? Это дало нам обширные решения, сэкономив человечеству много времени. Но, как и у всего хорошего, у него есть ограничения, особенно общий ИИ, который часто
кажется всеобъемлющим термином для общего алгоритма, доступного через какой-то динамик, который может делать что угодно.

Когда ИИ рекламируется как решение многих проблем, это заставляет меня задуматься: как далеко можно завести эту шумиху? Знаменитый разговор из «Школы жизни» на тему «Почему ты выйдешь замуж не за того человека» вызвал вопрос: «Вы бы
позволь ИИ выбирать, за кого ты выйдешь замуж?» Может ли это помочь сделать правильный семейный выбор?

Хотя ИИ не может полностью ответить на чрезвычайно сложные вопросы взаимоотношений, он может значительно приблизить вас к поиску ответа. Мы сталкиваемся с этим довольно часто в финансовом мире. Способен ли ИИ предсказать следующую сделку? Ответ: нет, это пока невозможно.

Однако искусственный интеллект можно использовать для создания моделей с расширенными аналитическими и прогнозирующими возможностями, предоставляя гораздо более глубокое понимание и выявляя закономерности, чтобы дать более четкое представление о том, что будет дальше.

Применение ИИ для принятия решений

Давайте рассмотрим это в контексте принятия решений. Проще говоря, у нас есть два типа решений:

 – Те, которые мы делаем часто, и, следовательно, с большим количеством обратной связи. Например: Покупка молока. Моей семье потребовалось несколько месяцев, чтобы понять, что нам нужно четыре бутылки чая в неделю, если только не холодно и на выходных, когда всем нужно несколько дополнительных «теплых чашек чая».
ИИ потенциально мог бы решить эту проблему за нас раньше, если бы мы предоставили ему данные о погоде, чтобы выявить закономерность.

— Второй тип решений — это те, которые мы принимаем нечасто. Возможно, только один раз в жизни, и шансов на исправление в зависимости от результата нашего решения мало. Например: Выбор профессии, высшего образования, первой работы или
ЛОЛ, решил пожениться.

Конечно, мы живем с последствиями нашего выбора, но возможности извлечь из него уроки и принять другие решения ограничены и часто обходятся дорого.

В книге для родителей, которую я читал, содержится следующее предостережение: «Хотя мы поддерживаем советы по воспитанию детей, изложенные в следующих главах, мы признаем, что невозможно опробовать на ребенке разные методы воспитания и сравнить результаты». Проще говоря, нет
способ попробовать разные решения и сравнить результаты. Еще одна вещь, которая показывает, что воспитание детей сложно.

И это показывает, насколько важно иметь достаточно данных, чтобы увидеть закономерности.

Проблемы машинного обучения

Машинное обучение, популярная форма искусственного интеллекта, какое-то время рассматривалось как «волшебное решение» сложных проблем. Привлекательность возможности поглощать большое количество данных и пытаться найти в них смысл имеет определенную привлекательность. Почему бы и нет? Обещание технологий
взять что-то сложное и найти лучшее решение понравится любому лицу, принимающему решения.

Задача решений машинного обучения состоит в том, чтобы помочь принять простое решение на основе сложной входной информации; невероятные объемы данных, внутренних и внешних, а затем то, как передаются выходные данные. . В приведенных выше примерах двух типов решений:
Алгоритмы машинного обучения, как мы надеемся, позволят довольно быстро решить вопрос о покупке молока.

Если предположить, что мы предоставим данные о купленных количествах и погоде на улице, модель позволит создать хороший прогноз на будущее. Такие организации, как туристические направления, сети ресторанов, авиакомпании, логистические компании и многие другие, получают
аналитику, которую можно использовать для прогнозирования ежедневных, еженедельных и сезонных объемов в зависимости от погоды и даже рекомендовать, сколько ресурсов им может понадобиться для удовлетворения этого спроса. Дополнительные переменные усложняют модель и создают потенциальные дополнительные возможности.
необходимо ответить на другие вопросы и добавить дополнительные переменные (например, количество недель, в течение которых уборщик приходит, а также недель, когда его нет).

Возвращаемся к основному вопросу о том, чтобы позволить ИИ решать, за кого вам вступать в брак. Конечно, данных много – сотни миллионов или миллиарды браков. Соответствующие данные изучались на протяжении веков как исследователями, так и свахами. Есть
много выходов.

Так в чем проблема?

1. Несмотря на то, что точек данных много, у каждого уникального лица, принимающего решения, будут свои уникальные предпочтения – поэтому в мире моделирования нам нужно будет создать отдельный алгоритм для каждого человека, которого нужно подобрать для вступления в брак. Это сложно, но возможно
   в будущем. Подумайте, как системы рекомендаций, такие как Apple Music и Pandora, продолжают совершенствовать типы музыки, которые они предлагают вам, основываясь на вашей реакции. Такие решения, в которых каждое решение принимается по уникально оптимизированной модели, уже развернуты.
   в деловом мире.
2. Во-вторых, нам необходимо собрать правильные и актуальные данные и уменьшить «шум». Хотя некоторые предпочитают голубоглазых брюнеток или кареглазых блондинов, мало что доказывает, что браки, основанные на «предпочитаемых типах», более успешны, чем другие. Встречаться
   приложения продолжают оттачивать свои алгоритмы в надежде найти правильную формулу для таких совпадений. Тем не менее, вам придется пойти на свидания и посмотреть.
3. Наконец, цена принятия неправильного решения высока. Хотя предоставление решения тем, кто принимает решения, может не дать наилучших результатов, команда экспертов, создающая решение для машинного обучения, может не хотеть брать на себя ответственность за принятие этих решений.
   Существует риск карьерной ответственности, который необходимо учитывать. В контексте бизнеса, возможно, лучше позволить экспертам решать, чем настаивать на том, что «черный ящик» знает лучше.

Как избежать слепого доверия

Итак, вернемся к проблемам супружества. В знаменитой речи «Школы жизни» просто говорится, что мы, конечно, выйдем замуж за человека, который в чем-то нам не подходит. «Лучше всего нам подходит не тот человек, который разделяет все наши вкусы (они не
существуют), но человек, который может разумно преодолевать различия во вкусах, — человек, который хорошо разбирается в разногласиях.

Истинным признаком «не слишком неправильного» человека является не какая-то воображаемая идея идеальной взаимодополняемости, а способность великодушно терпеть различия. Совместимость – достижение любви; это не должно быть его предварительным условием».

Переходя к более широкому общему контексту, говоря языком машинного обучения, практически ни одна из стандартных переменных, которые мы знаем заранее о потенциальном кандидате, не может помочь нам предсказать, будет ли решение неверным. Мы далеки от того, чтобы «кормить
машина с большим количеством данных» и ожидает, что она поймет это. На самом деле, этого никогда не произойдет без вмешательства человека. Мы чувствуем себя в большей безопасности, когда пилот выключает автопилот во время турбулентности, и на это есть веская причина.

Хотя машинное обучение и искусственный интеллект могут сделать нашу жизнь проще, можно с уверенностью сказать, что мы не будем слепо доверять этим технологиям в принятии решений, которые меняют нашу жизнь. Исходя из этого, что мы можем сказать отраслевым экспертам, принимающим важные бизнес-решения? Использовать
Искусственный интеллект и машинное обучение проведут вас на полпути к вашей цели, но попросите своих экспертов проанализировать данные и использовать их лучшее суждение с учетом контекста, чтобы помочь вам на последних шагах. Мы уверены, что работаем над этим.