A mesterséges intelligencia (AI) számos iparági párbeszéd élén áll. És miért nem? Széleskörű megoldásokat hozott számunkra, és rengeteg időt takarít meg az emberiségnek. De mint minden jónak, ennek is vannak korlátai, különösen az általános mesterséges intelligencia, amely gyakran
úgy érzi, mint egy átfogó kifejezés egy általános algoritmusra, amely valamilyen kihangosítón keresztül érhető el, és bármire képes.
Amikor a mesterséges intelligencia sok mindenre megoldást jelent, elgondolkodtat, meddig lehet ezt a hírverést elűzni? Egy híres előadás az "Élet iskolájából"Miért fogsz rossz emberhez házasodni? kérdést inspirált: „Tudnád
hagyjuk, hogy a mesterséges intelligencia válassza ki, kihez menjen feleségül? Segíthet-e a megfelelő házassági döntések meghozatalában?
Bár a mesterséges intelligencia nem tud teljes mértékben megválaszolni rendkívül összetett kapcsolati kérdéseket, lényegesen közelebb vihet a válasz megtalálásához. Elég gyakran találkozunk ezzel a pénzügyi világban. Képes a mesterséges intelligencia megjósolni a következő üzletet? A válasz: nem, ez még nem lehetséges.
A mesterséges intelligencia azonban felhasználható továbbfejlesztett analitikai és előrejelzési képességekkel rendelkező modellek készítésére, amelyek sokkal mélyebb betekintést és minták feltárását biztosítják, hogy világosabb képet kapjanak arról, hogy mi várható.
AI alkalmazása a döntésekre
Tekintsük ezt a döntéshozatal összefüggésében. Egyszerűen kétféle döntésünk van:
– Olyanokat, amelyeket gyakran készítünk, és ezért rengeteg visszacsatolási hurokkal. Pl.: Tejvásárlás. A családomnak néhány hónapba telt rájönni, hogy heti négy üvegre van szükségünk, hacsak nem hideg van, és hétvégén, amikor mindenkinek szüksége van néhány extra „meleg csészére”.
A mesterséges intelligencia valószínűleg hamarabb is megoldhatta volna, ha csak az időjárási adatokkal látjuk el, hogy észrevegyük a mintát.
-A második típusú döntések azok, amelyeket ritkán hozunk. Lehetséges, hogy csak egyszer az életben, kevés esélye van a korrekcióra a döntésünk eredménye alapján. Pl.: Szakmaválasztás, egyetemi végzettség, első munkahely, ill
LOL, úgy dönt, hogy megházasodik.
Természetesen együtt élünk a döntéseink következményével, de a belőlük való tanulás és más döntések lehetősége korlátozott és gyakran költséges.
Egy szülői könyv, amit olvastam, a következő figyelmeztetést tartalmazza: „Bár támogatjuk a következő fejezetekben szereplő nevelési tanácsokat, elismerjük, hogy nem lehet különböző nevelési módszereket kipróbálni egy gyermeken, és összehasonlítani az eredményeket”. Egyszerűen fogalmazva, nincs
különböző döntések kipróbálásának és az eredmények összehasonlításának módja. Csak egy másik dolog, ami azt mutatja, hogy a szülői nevelés nehéz.
És szemlélteti, mennyire fontos, hogy elegendő adat álljon rendelkezésre a minták megtekintéséhez.
A gépi tanulás kihívásai
A gépi tanulást, a mesterséges intelligencia egyik népszerű formáját egy ideje bonyolult problémák „varázslatos megoldásának” tekintették. Annak a vonzerejének, hogy rengeteg adatot képes befogadni, és megpróbál értelmet találni benne, bizonyos vonzerővel bír. Miért ne tenné? A technológia ígérete
Ha valami összetettet választunk, és a legjobb megoldást találjuk ki, az bármely döntéshozó számára vonzó.
A gépi tanulási megoldások kihívása az, hogy segítsen egyszerű döntést hozni összetett bemeneti információkból; hihetetlen mennyiségű belső és külső adat, majd a kimenet kommunikálása. . A fenti kétféle döntés példájában
A gépi tanulási algoritmusok remélhetőleg meglehetősen gyorsan megoldanák a tejvásárlás kérdését.
Feltéve, hogy megadjuk az adatokat a vásárolt mennyiségekről és a kinti időjárásról – a modell jó előrejelzést adna a továbbiakban. Olyan szervezetek kapnak, mint a turisztikai célpontok, étteremláncok, légitársaságok, logisztikai cégek és még sok más
elemzések, amelyek segítségével megjósolható a napi, heti és szezonális mennyiség az időjárás alapján, és még azt is javasolhatja, hogy mennyi erőforrásra lehet szükségük az igény kielégítéséhez. A további változók bonyolultabbá teszik a modellt, és potenciális továbbiakat hoznak létre
meg kell válaszolnia más kérdéseket, és további változókat kell hozzáadnia (pl. hetek, amíg a takarító jön, vagy nem).
Térjünk vissza az alapkérdéshez, hogy engedjük meg a mesterséges intelligencia eldöntését, hogy kivel házasodjunk össze. Bizonyára rengeteg adatpont van – több százmillió vagy milliárd házasság. A releváns inputokat évszázadok óta tanulmányozták mind a kutatók, mind a párkeresők. Vannak
rengeteg kimenet.
Tehát mi a probléma?
- Bár sok adatpont létezik, minden egyedi döntéshozónak megvannak a saját preferenciái – így a modellezés világában más algoritmust kellene létrehoznunk minden olyan személy számára, akit össze kell egyeztetni a házassághoz. Ez bonyolult, de lehetséges
a jövőben. Fontolja meg, hogy az olyan ajánlómotorok, mint az Apple Music és a Pandora, hogyan fejlesztik tovább az Ön reakciói alapján javasolt zenetípusokat. Olyan megoldások, ahol minden döntést egy egyedileg optimalizált modell hozzák meg, már bevezettek
az üzleti világban. - Másodsorban a megfelelő és releváns adatpontokat kell rögzítenünk, és csökkentenünk kell a „zajt”. Míg egyesek a kék szemű barnákat vagy barna szemű szőkéket részesítik előnyben, kevés bizonyítja, hogy a „preferált típusokon” alapuló házasságok sikeresebbek, mint mások. Ismerkedés
Az alkalmazások továbbra is csiszolják algoritmusaikat annak reményében, hogy megtalálják a megfelelő formulát az ilyen egyezésekhez. Mégis el kell menni a randevúkra, és látni kell. - Végül a rossz döntés ára magas. Noha a döntéshozatalt az egyénekre bízzuk, nem biztos, hogy a legjobb eredményeket hozzuk, egy gépi tanulási megoldást építő szakértői csapat nem biztos, hogy vállalja a felelősséget e döntések meghozataláért.
Van egy karrier-felelősségi kockázat, amelyet le kell dolgozni. Az üzleti kontextusban – jobb lehet a szakértőkre hagyni a döntést, mint ragaszkodni ahhoz, hogy a „fekete doboz” tudja a legjobban.
A vak bizalom elkerülése
Szóval, vissza a házasság kihívásaihoz. Az Élet Iskolája híres beszéde egyszerűen kijelenti, hogy természetesen olyan emberhez megyünk feleségül, aki bizonyos szempontból helytelen számunkra. „Nem az a személy illik hozzánk a legjobban, aki osztozik minden ízlésünkben (nem
létezik), de az a személy, aki intelligensen meg tudja tárgyalni az ízlésbeli különbségeket – aki jó a nézeteltérésben.
A tökéletes komplementaritás valamiféle képzeletbeli elképzelése helyett a „nem túlságosan rossz” személy valódi jelzője a különbségek nagylelkűséggel való elviselésének képessége. A kompatibilitás a szeretet vívmánya; ez nem lehet előfeltétele.”
Áttérve egy tágabb általános kontextusra, a gépi tanulás nyelvén – jóformán egyik standard változó sem, amelyet egy potenciális jelöltről előre tudunk, nem segít megjósolni, ha a döntés helytelen. Távol állunk attól, hogy a
sok adatot gépel, és elvárja, hogy értelmes legyen. Valójában ez emberi beavatkozás nélkül soha nem történhet meg. Biztonságban érezzük magunkat, ha a pilóta turbulencia közben kikapcsolja az autopilotot, és ennek jó oka van.
Bár a gépi tanulás és a mesterséges intelligencia megkönnyítheti az életünket, nyugodtan kijelenthetjük, hogy nem bíznánk vakon ezekben a technológiákban, hogy életet megváltoztató döntéseket hozzanak helyettünk. Ebből kiindulva mit mondhatunk a fontos üzleti döntéseket hozó iparági szakértőknek? Használat
A mesterséges intelligencia és az ML félúton elvezeti Önt a cél felé – de ragaszkodjon szakértőihez, akik elemzik az adatokat, és a kontextus alapján legjobb megítélésük alapján eligazítják az utolsó lépésekben. Biztosan dolgozunk rajta.
