Как AI изменит способы принятия решений
С бурным развитием алгоритмов искусственного интеллекта (AI) появилась озабоченность на счет его потенциального влияния на работу, выполняемую людьми.
Множество людей пытались прогнозировать, какие отрасли и рабочие места будут наиболее затронуты, и какие навыки будут наиболее востребованы. (Стоит ли вам учиться программировать? Или AI заменит программистов тоже?).
Экономическая теория предполагает, что AI существенно повысит ценность возможностей человеческого оценочного суждения. Люди, которые обладают высоким уровнем способности к оценочным суждениям, станут более востребованными. Но чтобы понять, какую роль играет человеческий здравый смысл и почему он станет более ценным, мы должны понять, что мы имеем в виду.
Что делает AI и почему это полезно
Последние достижения в области AI лучше всего рассматривать как снижение стоимости прогнозов. Прогнозируя мы не просто предполагаем, что будет в будущем, прогнозирование - это использование имеющихся данных для генерирования новые данных, которых у нас еще нет.
Например, использование изображений, разделенных на части, для определения того, содержит ли изображение человеческое лицо, является классической проблемой прогнозирования. Экономическая теория говорит нам, что по мере того как затратность предсказания машины будет падать, машины будут делать все больше и больше точных прогнозов.
Предсказание полезно, потому что оно помогает находить лучшие решения. Но это не единственный фактор влияния на принятие решений. Другим ключевым фактором является суждение. Рассмотрим пример компании, обслуживающие кредитные карты, которые должн проверять каждую попытку транзакции. В результате проверки, разрешаются законные транзакции и отказываются незаконные.
Они используют AI, чтобы предсказать, является ли каждая попытка транзакции мошеннической. Если бы такие прогнозы были идеальными, процесс принятия решений в сети был бы очень прост.
Однако, пока даже лучшие алгоритмы AI совершают ошибки, и это вряд ли изменится в ближайшее время. Люди, которые управляют кредитными картами, знают по опыту, что существует компромисс между выявлением каждого случая мошенничества и неудобства для пользователя. (Может быть ошибочно заблокирована карта). И поскольку удобство для клиентов - это основа всего бизнеса кредитных карт, этот компромисс не является чем-то, что можно игнорировать.
Это означает, что для принятия решения о том, одобрять транзакцию или нет, кредитная организация должна знать цену возможной ошибки. Должен быть определен точный компромисс между ошибочной блокировкой законной транзакции и ошибочной не блокировки мошеннической.
И вот это называется суждением, кто-то должен оценить, что для компании более ценно в данной конкретной ситуации, насколько навредит ошибочная блокировка и насколько навредит разрешение мошеннической транзакции. И этот компромисс может отличаться в зависимости от владельца карты, корпоративный клиент или обычный пользователь и т.п. Никакой AI пока не может оценить эту ситуацию. Это должны делать люди. Это решение - это то, что мы называем человеческим оценочным суждением.
В чем заключается сущность суждения
Суждение - это процесс определения того, какова цена каждого конкретного решения в зависимости от конкретной обстановки, условий. Суждение заключается в том, как мы оцениваем преимущества и затраты различных решений в разных ситуациях.
Мошенничество с кредитными картами - это хороший простой пример, на основании которого можно объяснить этот феномен.
В данном контексте, суждение включает в себя определение того, сколько денег потеряно в результате мошеннической транзакции, насколько негативно повлияет на честного клиента ситуация, когда транзакция будет отклонена необоснованно. То есть, какова ценность принятия правильного решение по обеспечению совершения законных транзакций и снижение мошеннических.
Во многих других ситуациях компромиссы более сложны, а выигрыши не являются линейными. Люди узнают о правильности решения по разным последствиям на опыте, делая выбор и наблюдая за своими ошибками. Другими словами человек использует свой жизненный опыт проб и ошибок.
Во многих случаях, особенно в ближайшей перспективе, люди должны будут проявлять такие суждения. Они будут специализироваться на взвешивании затрат и преимуществ различных решений, а затем это решение будет сочетаться с прогнозами, генерируемыми AI, для принятия решений.
Но не может ли AI рассчитать затраты и выгоды сам? В примере с кредитной картой AI не мог использовать данные о конкретном клиенте, чтобы рассмотреть компромисс и оптимизировать выгоду? Да, но кто-то должен был бы запрограммировать AI в отношении того, какой должна быть соответствующая мера компромисса для каждого конкретного клиента. Это подчеркивает особую форму человеческого суждения, которое станет более широко применяем и более ценным.
Определение награды за правильное решение
Как люди, AI также могут учиться на собственном опыте. Одним из важных методов в AI является обучение усилению, посредством которого компьютер обучается совершать действия, которые увеличивали бы определенную функцию вознаграждения. Например, AlphaGo DeepMind был обучен таким образом, чтобы максимизировать свои шансы на победу в игре Go. В играх легко применять этот метод обучения, потому что вознаграждение может быть легко описано и запрограммировано - выключение человека из игрового цикла.
Но игры можно обмануть. Как сообщает Wired, когда исследователи обучили искусственный интеллект, чтобы играть в лодочную гоночную игру CoastRunners, AI выяснил, как максимизировать свои очки, обойдя гоночный круг, то есть срезать путь. а не завершая трассу, как предполагалось правилами. Можно было бы рассмотреть это как определенный тип креативности, но когда дело доходит до приложений за пределами игр, такая креативность может привести к негативным результатам.
Ключевым моментом примера CoastRunners является то, что в большинстве приложений цель, предоставленная AI , отличается от истинной и труднодоступной цели коммерческой организации. Пока это так, люди будут играть центральную роль в оценочных суждениях в завистимости от каждой конкретной ситуации и, следовательно, в конечном принятии решений.
Таким образом, в настоящее время упор следует делать на программирование алгоритмов AI на вознаграждение (обучение усилению) не только за правильный прогноз, но и за точно сделанное суждение в зависимости от ситуации.
А пока можно не бояться, что в данном виде человеческой деятельности машины вытеснят человека.
