Affidarsi a modelli di intelligenza artificiale predittiva in diverse aree decisionali rischia di avere conseguenze catastrofiche perché di solito considerano la correlazione per la causalità. Pertanto, i decisori devono adottare un altro approccio, l’intelligenza artificiale causale, che può aiutare a identificare con precisione la relazione tra effetto e causa. La causalità è ora considerata uno degli elementi mancanti più importanti necessari per consentire un progresso reale nel campo dell’intelligenza artificiale.
L’intelligenza artificiale causale comprende causa ed effetto
Già da tempo gli esperti del settore dicono di dotare le macchine della capacità di ragionare sugli effetti e sulle cause. Grandi marchi come Google, Microsoft, Facebook, Uber e Amazon stanno investendo molto nell’intelligenza artificiale causale, quindi anche la ricerca sulla causalità ha subito un’accelerazione.
Gartner, la principale società di analisi tecnologica, ha anche elencato l’intelligenza artificiale causale tra le 25 tecnologie in evoluzione che hanno il potenziale per trasformare le pratiche aziendali. Ora sembra che l’industria sia in corsa per sfruttare gli eccezionali vantaggi di questa tecnologia adottandola prima, ma perché ciò accada è essenziale costruire prima un’intelligenza artificiale causale matura.
Per una vera intelligenza, un requisito necessario è dare priorità a causa ed effetto. Questo è il problema che manca ai sistemi di intelligenza artificiale predittiva e gli esperti stanno cercando di risolverlo con l’intelligenza artificiale causale.
Noi esseri umani siamo più intelligenti dei dati perché comprendiamo causa ed effetto, ma i dati no. Usiamo la nostra capacità di ragionamento attraverso la nostra conoscenza causale per prevedere come una determinata azione avrà un impatto su una questione, quindi elaboriamo strategie e piani di conseguenza. Possiamo immaginare risultati indesiderati o diversi dai risultati attesi a seconda della nostra capacità di ragionamento causale. È competenza umana determinare il motivo per cui qualcosa è andata come è andata. Quindi, anche l’IA che conosce causa ed effetto può avere questa capacità, che spesso è molto potente.
Conoscenza del dominio a bordo
Uno dei principali vantaggi dell’intelligenza artificiale causale è l’utilizzo della conoscenza del dominio, che può essere ottenuta da esperti del settore e incorporata nel processo del sistema. in questo modo, i programmatori possono definire alcune relazioni e restringere il modello per rispettare la correlazione. Questa capacità integra le competenze del settore con il machine learning.
Individuare i fattori sottostanti non è l’unico vantaggio dell’utilizzo dell’IA casuale; consente inoltre di progettare processi in grado di modificare i risultati utilizzando gli algoritmi dell’intelligenza artificiale casuale per porre domande di ragionamento.
Supponiamo che tu voglia valutare un programma di formazione per istruttori per migliorare la loro competenza. Quanto ci si dovrebbe aspettare da un tirocinante per migliorare i suoi punteggi? Oppure, ad esempio, il supervisore di un impianto di produzione sa che quando il calore nella camera X aumenta, aumenta anche la pressione nella camera Y. Quindi, questa conoscenza acquisita dall’uomo può essere incorporata nell’intelligenza artificiale e garantire che il sistema rispetti sempre questi criteri.
Gli attuali sistemi di intelligenza artificiale non sono allineati ai valori umani in modo intelligente. L’intelligenza artificiale causale è l’apice dell’intelligenza artificiale spiegabile e dell’equità dei sistemi di intelligenza artificiale. I sistemi basati sulla causalità offrono prestazioni migliori e anche spiegabilità del processo, mentre l’intelligenza artificiale convenzionale si concentra su determinate aspettative di accuratezza e ignora la trasparenza. Conoscere le risposte a complesse domande ipotetiche ci aiuta a capire come funziona il mondo reale e ci consente di prendere le giuste decisioni per ottenere risultati migliori.
La storia originale può essere vista qui .