Att bemästra riskfaktorn: Skulle du låta AI välja din make? (Anna Slodka-Turner)

Artificiell intelligens (AI) ligger i framkant i många samtal inom olika branscher. Och varför inte? Det har gett oss omfattande lösningar och sparat mänskligheten så mycket tid. Men som allt bra, det har begränsningar, särskilt generell AI, som ofta
känns som en sammanfattande term för en allmän algoritm som är tillgänglig via någon högtalartelefon som kan göra vad som helst.

När AI är hypad som en lösning för så många saker får det mig att tänka, hur långt kan man driva den hypen? Ett berömt föredrag från 'School of Life' på 'Varför du kommer att gifta dig med fel person' inspirerade till en fråga, 'Skulle du
låt AI välja vem du gifte dig med?' Kan det hjälpa till att göra rätt äktenskapliga val?

Även om AI inte fullt ut kan svara på extremt komplexa relationsfrågor, kan det komma dig betydligt närmare att hitta svaret. Vi stöter på detta ganska ofta i finansvärlden. Kan AI förutsäga nästa affär? Svaret är nej, det är ännu inte möjligt.

AI kan dock användas för att bygga modeller med förbättrade analytiska och prognostiserade möjligheter, vilket ger mycket djupare insikter och avslöjar mönster för att ge en tydligare uppfattning om vad som kommer.

Tillämpa AI på beslut

Låt oss överväga detta i samband med beslutsfattande. På ett enkelt sätt har vi två typer av beslut:

 – Sådana vi gör ofta, och därför med massor av feedback-loopar. T.ex.: köpa mjölk. Det tog min familj några månader att upptäcka att vi behöver fyra flaskor i veckan, såvida det inte är kallt och på helgen, när alla behöver några extra "varma koppar".
AI kunde potentiellt ha löst det för oss tidigare, så länge vi matade den med väderdata för att upptäcka mönstret.

-Den andra typen av beslut är de vi fattar sällan. Möjligen bara en gång i livet med liten chans att göra en korrigering baserat på resultatet av vårt beslut. T.ex.: Välja yrke, universitetsexamen, första jobb, eller
LOL, bestämmer mig för att gifta sig.

Visst lever vi med konsekvensen av våra val, men möjligheterna att lära av dem och fatta andra beslut är begränsade och ofta kostsamma.

En föräldraskapsbok jag läst har en varning i följande stil: "Medan vi stödjer föräldraråden i följande kapitel, erkänner vi att det inte är möjligt att prova olika föräldraskapsmetoder på ett barn och jämföra resultaten". Enkelt uttryckt, det finns ingen
sätt att pröva olika beslut och jämföra resultat. Bara en annan sak som visar att föräldraskap är svårt.

Och det illustrerar hur viktigt det är att ha tillräckligt med data för att se mönster.

Maskininlärningsutmaningar

Maskininlärning, en populär form av AI, har ett tag setts som en "magisk lösning" på komplexa problem. Attraktionen av att kunna absorbera massor av data och försöka hitta mening i det har en viss attraktionskraft. Varför skulle det inte göra det? Löftet om teknik
att ta något komplext och komma på den bästa lösningen skulle tilltala alla beslutsfattare.

Utmaningen med lösningar för maskininlärning är att hjälpa till att fatta ett enkelt beslut utifrån komplex ingångsinformation; otroliga mängder data, internt och externt, och sedan hur outputen kommuniceras. . I ovanstående exempel på två typer av beslut,
Maskininlärningsalgoritmer skulle förhoppningsvis lösa frågan om mjölkköp ganska snabbt.

Om vi ​​antar att vi tillhandahåller uppgifterna om de köpta kvantiteterna och vädret utanför – skulle modellen skapa en bra prognos framöver. Organisationer som turistmål, restaurangkedjor, flygbolag, logistikföretag och många fler tar emot
analyser som kan användas för att förutsäga dagliga, veckovisa och säsongsbetonade volymer baserat på vädret, och till och med rekommendera hur många resurser de kan behöva för att möta den efterfrågan. Ytterligare variabler tillför mer komplexitet till modellen och skapar potentiella ytterligare
behöver svara på andra frågor och lägga till fler variabler (t.ex. veckor som städaren kommer vs inte).

Tillbaka till kärnfrågan om att låta AI bestämma vem du ska gifta dig med. Det finns säkert massor av datapunkter – hundratals miljoner eller miljarder äktenskap. De relevanta indata har studerats i århundraden både av forskare och matchmakers. Det finns
massor av utgångar.

Så vad är problemet?

1. Även om det finns många datapunkter kommer varje unik beslutsfattare att ha sina unika preferenser – så i modellvärlden skulle vi behöva skapa en annan algoritm för varje person som behöver matchas för äktenskap. Detta är komplicerat, men möjligt
   i framtiden. Fundera på hur rekommendationsmotorer som Apple Music och Pandora fortsätter att utveckla de typer av musik de föreslår för dig baserat på dina reaktioner. Sådana lösningar där varje beslut fattas av en unikt optimerad modell är redan implementerade
   i näringslivet.
2. För det andra måste vi fånga de rätta och relevanta datapunkterna och minska "bruset". Medan vissa kanske föredrar blåögda brunetter eller brunögda blondiner, finns det lite som bevisar att äktenskap baserade på "föredragna typer" är mer framgångsrika än andra. Dejta
   appar fortsätter att finslipa sina algoritmer i hopp om att hitta rätt formel för sådana matcher. Ändå måste man gå på datumen och se.
3. Slutligen är kostnaden för att fatta fel beslut hög. Även om det kanske inte ger de bästa resultaten till de individer som fattar beslut, kanske ett expertteam som bygger en maskininlärningslösning inte vill ha ansvaret för att fatta dessa beslut.
   Det finns en karriäransvarsrisk som måste utarbetas. I affärssammanhang kan det vara bättre att låta experterna bestämma än att insistera på att den "svarta lådan" vet bäst.

Att undvika blind tillit

Så, tillbaka till utmaningarna med äktenskapet. Det berömda talet av School of Life säger helt enkelt att vi naturligtvis kommer att gifta oss med en person som på något sätt är fel för oss. "Den person som är bäst lämpad för oss är inte den person som delar vår smak (det gör de inte
existerar), men den person som kan förhandla om smakskillnader på ett intelligent sätt - den person som är bra på oenighet.

Snarare än någon teoretisk idé om perfekt komplementaritet, är det förmågan att tolerera skillnader med generositet som är den sanna markören för den "inte alltför fel" personen. Kompatibilitet är en prestation av kärlek; det får inte vara dess förutsättning.”

Att gå till ett bredare allmänt sammanhang, på maskininlärningsspråket – i stort sett ingen av de standardvariabler vi känner till i förväg om en potentiell kandidat skulle kunna hjälpa oss att förutsäga om beslutet är felaktigt. Vi är långt borta från att 'mata
bearbeta massor av data" och förväntar sig att det ska förstå det. I själva verket kanske det aldrig händer utan mänsklig inblandning. Vi känner oss säkrare när piloten stänger av autopiloten vid turbulens, och det av goda skäl.

Även om maskininlärning och AI kan göra våra liv enklare, är det säkert att säga att vi inte blint skulle lita blint på att dessa tekniker kan fatta livsavgörande beslut för oss. Utifrån det, vad kan vi säga till branschexperter som fattar viktiga affärsbeslut? Använda sig av
AI och ML tar dig halvvägs till ditt mål – men håll fast vid dina experter för att analysera data och använda sitt bästa omdöme med sammanhang för att vägleda dig i de sista stegen. Vi jobbar säkert på det.