Машинное обучение считается наиболее инновационным вариантом искусственного интеллекта, использующим данные и алгоритмы для воспроизведения и прогнозирования того, как люди думают и действуют. И хотя машинное обучение изменило правила игры во многих отраслях, после недавних глобальных событий машинное обучение стало предметом пристального внимания из-за того, что оно изо всех сил пытается адаптироваться, когда требуется добавить ценность в быстро меняющейся среде.

Все это возвращается к традиционному и нетрадиционному машинному обучению (ML). Сегодня большинство организаций, использующих машинное обучение, используют традиционную модель, в которой машинное обучение добавляет ценность, изучая и изучая модели, наблюдаемые в прошлом, и используя эти данные для прогнозирования поведения человека. Однако после событий 2020 года мы теперь знаем, что традиционное машинное обучение не принесло пользы, когда оно погрузилось в неизведанную территорию, такую ​​как глобальная пандемия.

Что приводит к сбою машинного обучения?

Есть ряд элементов, которые способствуют сбоям машинного обучения. В основе этого часто лежит непонимание того, что такое машинное обучение, а что нет. Традиционное машинное обучение не предназначено для ответов на вопросы «почему?»; он может дать ответы только на «что», «как долго» или «да/нет», например:

  • Что произойдет, если/когда мой пользователь сделает XYZ?
  • Как долго этот клиент будет на моем сайте?
  • Является ли эта деятельность подозрительной?

Чтобы избежать ошибок, связанных с отказом машинного обучения, важно сделать три вещи:

  • Начинайте с прицела на конечный результат. Всегда помните об окончательной рентабельности инвестиций. Убедитесь, что вы не настолько увязли в технологиях, что потеряли из виду свою конечную цель.
  • Помните, что это процесс. Создание успешного проекта машинного обучения подразумевает сбор данных, их очистку и визуализацию. . .а затем повторяя процесс снова и снова, чтобы уточнить то, что известно.
  • Четко определите свои цели и показатели успеха. Если вы не установили четких, четких и измеримых рекомендаций относительно того, как будет выглядеть успешная реализация, ее будет невозможно достичь.

Влияние 2020 года на машинное обучение

Мы знаем, что традиционное машинное обучение отлично справляется со своей задачей, когда получаемые им данные похожи на данные, на которых оно обучалось в прошлом. Однако в реальном мире условия (и результирующие данные) могут быть крайне противоречивыми. Это стало совершенно очевидно, когда пандемия коронавируса охватила весь мир.

Суть? Теперь мы понимаем, что нынешнее традиционное моделирование ML не может понять причину и следствие и поэтому не может адаптироваться, чтобы повысить ценность во время кризиса.

Сдвиг парадигмы к каузальному ИИ

Требуется значительный сдвиг, чтобы традиционные парадигмы машинного обучения могли эффективно адаптироваться к непредвиденным событиям и ситуациям, и понимание причинно-следственных связей является ключевым элементом в достижении этой цели. В качестве решения причинный ИИ предназначен для выявления и определения скрытых причин события или поведения. Это означает, что каузальный ИИ может предоставить более актуальную и точную информацию, чем традиционное машинное обучение.

Как работает каузальный ИИ

Причинный ИИ выводит традиционное машинное обучение на новый уровень тремя основными способами: улучшая качество данных, повышая визуализацию за счет понимания и объединяя ИИ и человеческий интеллект:

  • Повышение качества и использования данных
    В традиционном машинном обучении данные часто фрагментированы и имеют непостоянное качество. Соединение расходящихся наборов данных также может быть проблематичным. Назначение общих индикаторов для операций по сбору данных обычно дает наилучшие результаты из связанных наборов данных. Разработка общих показателей для использования во всех мероприятиях по сбору данных в стране поможет получить максимальную отдачу от наборов данных, как только они будут связаны.
  • Предоставление более подробных сведений
    Полное понимание всех переменных, которые могут влиять на поведение (политики, законы, влиятельные лица, личные убеждения, врожденные предубеждения и уникальные индивидуальные мотиваторы), может привести к в более точных и релевантных результатах. Если существует множество предварительных предположений о том, что представляет собой «важные» или «критические для бизнеса» данные, лежащие в их основе переменные часто упускаются из виду, и могут быть допущены неточные связи.
  • Поддержка сочетания ИИ и человеческого интеллекта
    Принятие строгого подхода, основанного на данных, без учета экспертных знаний делает невозможным решение проблем разработки. Было обнаружено, что включение вклада экспертов значительно повышает производительность каузального ИИ за счет использования практических знаний о реальных приложениях и выявления противоречивых переменных пробелов в данных.

Переход к каузальному ИИ

Хотя машинное обучение было революционным для бизнеса, недавние глобальные кризисы показали, что искусственный интеллект терпит неудачу. Машинное обучение должно стать более гибким и иметь возможность делать больше, чтобы адаптироваться к быстро меняющемуся миру, а это означает переход к каузальному ИИ.

Эта статья была впервые опубликована в Блоге Pegasus One по адресу https://www.pegasusone.com/uncharted-territory-traditional-machine-learning-fails/