Оволодіння фактором ризику: чи дозволили б ви штучному інтелекту вибрати вашу дружину? (Анна Слодка-Тернер)

Штучний інтелект (ШІ) знаходиться в авангарді багатьох розмов у різних галузях. А чому ні? Це принесло нам широкі рішення, заощадивши людству так багато часу. Але, як і все хороше, він має обмеження, зокрема загальний ШІ, який часто
виглядає як загальний термін для загального алгоритму, доступного через якийсь гучномовець, який може робити що завгодно.

Коли штучний інтелект розкручують як рішення для багатьох речей, це змушує мене задуматися, як далеко ви можете завести цей ажіотаж? Відомий виступ із «Школи життя» на тему «Чому ти вийдеш заміж не за ту людину? викликало запитання: «Чи не хотіли б ви
нехай штучний інтелект вибере, за кого ти одружишся? Чи може це допомогти зробити правильний шлюбний вибір?

Хоча ШІ не може повністю відповісти на надзвичайно складні питання стосунків, він може значно наблизити вас до пошуку відповіді. Ми досить часто стикаємося з цим у фінансовому світі. Чи здатний ШІ передбачити наступну угоду? Відповідь: ні, це поки що неможливо.

Однак штучний інтелект можна використовувати для побудови моделей із розширеними аналітичними та прогнозними можливостями, що забезпечує набагато глибше розуміння та розкриття закономірностей, щоб забезпечити більш чітке уявлення про те, що буде.

Застосування ШІ для прийняття рішень

Давайте розглянемо це в контексті прийняття рішень. Простіше кажучи, ми маємо два типи рішень:

 – Такі, які ми робимо часто, і тому з великою кількістю зворотного зв’язку. Наприклад: Купівля молока. Моїй сім’ї знадобилося кілька місяців, щоб дізнатися, що нам потрібно чотири пляшки на тиждень, якщо тільки не холодно та у вихідні, коли всім потрібно кілька додаткових «теплих чашок».
Штучний інтелект міг потенційно вирішити це за нас раніше, якщо ми передали йому дані про погоду, щоб виявити закономірність.

– Другий тип рішень – це ті, які ми приймаємо рідко. Можливо, лише раз у житті з невеликим шансом внести виправлення на основі результатів нашого рішення. Наприклад: Вибір професії, вищу освіту, перша робота або
LOL, вирішив одружитися.

Звичайно, ми живемо з наслідками нашого вибору, але можливості вчитися на них і приймати інші рішення обмежені і часто дорогі.

У книжці про виховання дітей, яку я прочитав, міститься таке застереження: «Хоча ми підтримуємо поради щодо виховання дітей у наступних розділах, ми визнаємо, що неможливо випробувати різні методи виховання на дитині та порівняти результати». Простіше кажучи, немає
спосіб спробувати різні рішення та порівняти результати. Ще одна річ, яка показує, що виховання дітей – це важко.

І це показує, наскільки важливо мати достатньо даних, щоб побачити закономірності.

Проблеми машинного навчання

Машинне навчання, популярна форма ШІ, деякий час розглядалося як «магічне рішення» складних проблем. Привабливість того, що він здатний поглинати велику кількість даних і намагатися знайти в них сенс, має певну привабливість. Чому б і ні? Обіцянка технології
спробувати щось складне та знайти найкраще рішення сподобається будь-якій особі, яка приймає рішення.

Проблема рішень машинного навчання полягає в тому, щоб допомогти прийняти просте рішення на основі складної вхідної інформації; неймовірні обсяги даних, внутрішніх і зовнішніх, а потім, як передається результат. . У наведених вище прикладах двох типів рішень,
Сподіваюся, алгоритми машинного навчання досить швидко вирішать питання закупівлі молока.

Якщо припустити, що ми надаємо дані про куплену кількість і погоду на вулиці, модель створить хороший прогноз на майбутнє. Такі організації, як туристичні напрямки, мережі ресторанів, авіакомпанії, логістичні компанії та багато інших отримують
аналітику, яку можна використовувати для прогнозування щоденного, тижневого та сезонного обсягу на основі погоди, і навіть рекомендувати, скільки ресурсів може знадобитися для задоволення цього попиту. Додаткові змінні додають більше складності моделі та створюють потенційні додаткові
потрібно відповісти на інші запитання та додати більше змінних (наприклад, тижні, коли прибиральник приходить, чи ні).

Повернемося до основного питання дозволу ШІ вирішувати, з ким ви одружуєтесь. Звичайно, є багато точок даних – сотні мільйонів або мільярди шлюбів. Відповідні вхідні матеріали вивчалися протягом століть як дослідниками, так і сватами. Існує
багато виходів.

Отже, в чому проблема?

1. Хоча існує багато точок даних, кожна особа, яка приймає рішення, матиме свої унікальні переваги, тому у світі моделювання нам потрібно буде створити окремий алгоритм для кожної особи, яку потрібно вибрати для шлюбу. Це складно, але можливо
   у майбутньому. Подумайте, як механізми рекомендацій, такі як Apple Music і Pandora, продовжують розвивати типи музики, які вони пропонують вам на основі вашої реакції. Такі рішення, де кожне рішення приймається за однозначно оптимізованою моделлю, вже розгорнуті
   у світі бізнесу.
2. По-друге, нам потрібно захопити правильні та відповідні точки даних і зменшити «шум». Хоча деякі можуть віддавати перевагу блакитнооким брюнеткам або карооким блондинкам, мало що доводить, що шлюби, засновані на «бажаних типажах», є успішнішими, ніж інші. Знайомства
   програми продовжують вдосконалювати свої алгоритми в надії знайти правильну формулу для таких збігів. Тим не менш, ви повинні піти на побачення і подивитися.
3. Нарешті, ціна прийняття неправильного рішення висока. Незважаючи на те, що прийняття рішень окремими особами може не дати найкращих результатів, команда експертів, яка розробляє рішення для машинного навчання, може не брати на себе відповідальність за прийняття цих рішень.
   Існує ризик кар’єрної відповідальності, який необхідно опрацювати. У бізнес-контексті – можливо, краще дозволити експертам вирішити, ніж наполягати, що «чорна скринька» знає найкраще.

Уникнення сліпої довіри

Отже, повернемося до труднощів подружжя. У відомій промові School of Life просто сказано, що ми, звичайно, одружимося з людиною, яка в певному сенсі нам не підходить. «Людина, яка нам найкраще підходить, — це не та людина, яка поділяє всі наші смаки (вони цього не роблять
існує), але людина, яка може розумно долати розбіжності у смаках, — це людина, яка добре справляється з розбіжностями.

Справжнім маркером «не надто неправильної» людини є здатність терпіти відмінності з великодушністю, а не якась умовна ідея ідеальної взаємодоповнюваності. Сумісність - це досягнення любові; це не повинно бути її передумовою».

Переходячи до ширшого загального контексту, кажучи мовою машинного навчання, практично жодна зі стандартних змінних, які ми знаємо заздалегідь про потенційного кандидата, не може допомогти нам передбачити, чи буде рішення неправильним. Ми далекі від того, щоб годувати
машина багато даних» і очікує, що це матиме сенс. Насправді це ніколи не станеться без втручання людини. Ми почуваємося безпечніше, коли пілот вимикає автопілот під час турбулентності, і для цього є вагома причина.

Хоча машинне навчання та штучний інтелект можуть полегшити наше життя, можна з упевненістю сказати, що ми не будемо сліпо довіряти цим технологіям у прийнятті кардинальних рішень для нас. Виходячи з цього, що ми можемо сказати експертам галузі, які приймають важливі бізнес-рішення? використання
Штучний інтелект і машинне навчання доведуть вас на півдорозі до вашої мети, але довіртеся своїм експертам, щоб проаналізувати дані та використати їх найкраще судження з контекстом, щоб направляти вас на останніх кроках. Ми точно над цим працюємо.