Microsoft está enseñando a las computadoras a entender causa y efecto
La IA que analiza datos para ayudarlo a tomar decisiones se convertirá en una parte cada vez más importante de las herramientas comerciales, y los sistemas que lo hacen son cada vez más inteligentes con un nuevo enfoque para la optimización de decisiones que Microsoft está comenzando a ofrecer.
causa y efecto
El aprendizaje automático es bueno para extraer patrones de grandes cantidades de datos, pero no necesariamente para comprender esos patrones, especialmente en términos de su causa. Un sistema de aprendizaje automático podría aprender que las personas compran más helado cuando hace calor, pero sin una comprensión del sentido común del mundo, también podría sugerir que si desea calentar el clima, entonces debe comprar más helado.
Comprender por qué suceden las cosas ayuda a los humanos a tomar mejores decisiones, como que un médico elija el mejor tratamiento o un equipo de negocios que analice los resultados de las pruebas AB para decidir qué precio y empaque venderán más producto. Hay algunos sistemas de aprendizaje automático que pueden manejar la causalidad, pero hasta ahora esto se ha limitado principalmente a estudios que se centran en problemas a pequeña escala, en lugar de sistemas prácticos del mundo real, porque eso es difícil de hacer.
VER: Cómo convertirse en un ingeniero de aprendizaje automático: una hoja de trucos (Tecnopedia)
El aprendizaje profundo, que se usa ampliamente en el aprendizaje automático, requiere una gran cantidad de datos de capacitación, pero los humanos pueden recopilar información y sacar conclusiones de manera más eficiente al hacer preguntas, como un médico que pregunta sobre sus síntomas, un maestro interrogando a un estudiante, un asesor financiero conocer el bajo riesgo o el alto riesgo Si el capital de riesgo es lo mejor para usted o si un vendedor le pide que hable sobre su necesidad de un automóvil nuevo.
Un sistema médico general de inteligencia artificial puede guiarlo a través de una lista exhaustiva de preguntas para asegurarse de que no se le escape nada, pero si va a la sala de emergencias con un hueso roto, es más útil si el médico le pregunta cómo se fracturó el hueso y si mueve el dedo en lugar de preguntar sobre su tipo de sangre.
Si podemos enseñarle a un sistema de IA cómo decidir cuál es la mejor pregunta para hacer a continuación, puede usarlo para recopilar suficiente información para sugerir la mejor decisión a tomar.
Para que las herramientas de IA nos ayuden a tomar mejores decisiones, deben manejar ambos tipos de decisiones, explicó Cheng Zhang, investigador principal de Microsoft.
mejor lo siguiente
«Suponga que desea juzgar algo, o desea obtener información sobre cómo diagnosticar algo o clasificarlo correctamente: [the way to do that] Eso es lo que yo llamo la siguiente mejor pregunta», dijo Zhang. «Pero si quieres hacer algo, quieres mejorarlo, quieres darles a los estudiantes nuevos materiales para que puedan aprender mejor, quieres tratar a los pacientes para hacer mejor – lo que yo llamo «mejor siguiente» acción. Para todos estos, la escalabilidad y la personalización son importantes. «
Reúna todo esto y podrá tomar decisiones efectivas como cuestionarios dinámicos. Servicio de tutoría de matemáticas en línea utilizado por Eedi Averigüe qué entienden bien los estudiantes y con qué tienen dificultades, de modo que pueda brindarles la combinación correcta de cursos para cubrir los temas con los que necesitan ayuda, en lugar de aburrirlos con áreas que ya pueden manejar.
Solo hay una respuesta correcta a la pregunta de opción múltiple, pero las respuestas incorrectas se elaboran cuidadosamente para ilustrar exactamente cuál es el malentendido: alguien confundió la media de un conjunto de números con la moda o la mediana, o simplemente no los sabía todos. los pasos involucrados en el cálculo de la media?
Eedi ya tiene preguntas, pero crea cuestionarios dinámicos y recomendaciones de cursos personalizados utilizando una API de optimización de decisiones (interfaz de programación de aplicaciones) creada por Zhang y su equipo que combina diferentes tipos de aprendizaje automático para manejar lo que dice Dos decisiones. Inferencia causal final.
«Creo que somos el primer equipo del mundo en vincular el descubrimiento causal, la inferencia causal y el aprendizaje profundo», dijo Zhang. «Permitimos que los usuarios que tienen los datos puedan averiguar la relación entre todas estas variables diferentes, como qué se llama qué. Luego también entendemos su relación: por ejemplo, cuál es la dosis [of medicine] Lo que brinde mejorará la salud de alguien, y los temas que enseñe aumentarán un poco la comprensión general de los estudiantes.
«Usamos el aprendizaje profundo para responder preguntas causales, sugerir la siguiente mejor acción de una manera verdaderamente escalable y hacerla utilizable en el mundo real».
Las empresas a menudo usan las pruebas AB para guiar decisiones importantes, pero Zhang señala que esto tiene limitaciones.
«Solo puedes hacer esto a un alto nivel, no a nivel individual», dijo Zhang. «Se puede decir que, en general, el tratamiento A es mejor que el tratamiento B para esta población, pero no se puede decir a todos cuál es el mejor.
«A veces es muy costoso y requiere mucho tiempo y, en algunos casos, simplemente no puede hacerlo. Lo que estamos tratando de hacer es reemplazar las pruebas AB».
De la investigación al no código
La API para hacer esto, actualmente llamada Best Next Question, está disponible en Azure Marketplace, pero está en versión preliminar privada, por lo que las organizaciones que buscan usar el servicio en sus propias herramientas de la forma en que lo hace Eedi deberán comunicarse con Microsoft.
Para los científicos de datos y los expertos en aprendizaje automático, el servicio eventualmente estará disponible a través de Azure Marketplace, ya sea como una opción en Azure Machine Learning, o posiblemente como uno de los servicios cognitivos empaquetados, como Microsoft ofrece servicios como reconocimiento de imágenes y traducción. El nombre también se puede cambiar a algo más descriptivo, como Optimización de decisiones.
Microsoft ya está considerando usarlo para sus propias ventas y marketing, comenzando con los diferentes programas de socios que ofrece.
«Tenemos muchos programas de compromiso para ayudar a los socios de Microsoft a crecer», dijo Zhang. «Pero realmente queríamos saber qué tipo de programa de compromiso ayudaría a los socios a crecer más. Por lo tanto, es una cuestión de causa y efecto, y también debemos hacerlo de manera personalizada».
Los investigadores todavía están hablando con el equipo de Viva Learning.
«La capacitación es definitivamente un escenario en el que queremos personalizar: queremos que las personas reciban material que les ayude a hacer mejor su trabajo», dijo Zhang.
Si desea usarlo para ayudarlo a tomar mejores decisiones con sus propios datos, «Queremos que las personas tengan una forma intuitiva de usarlo. No queremos que las personas tengan que ser científicos de datos».
La herramienta ShowWhy de código abierto que Microsoft creó para facilitar el uso de la inferencia causal aún no ha utilizado estos nuevos modelos, dijo Zhang, pero tiene una interfaz sin código, y los investigadores están trabajando con el equipo para construir un prototipo.
«Antes de que finalice este año, lanzaremos una demostración de inferencia causal profunda de extremo a extremo», dijo Zhang.
A largo plazo, los usuarios empresariales pueden beneficiarse de estos modelos en los sistemas que ya utilizan, como Microsoft Dynamics y Power Platform, sugirió.
«Para el tomador de decisiones promedio, quieren algo muy intuitivo: una interfaz sin código donde cargo datos, hago clic en un botón y [I see] Cualquier idea», dijo Zhang.
VER: Política de ética de IA (Tecnopedia Premium)
Los humanos son buenos en el pensamiento causal, pero es difícil construir diagramas para mostrar cómo se conectan las cosas y cuáles son las causas y los efectos. Estos modelos de optimización de decisiones construyen ese gráfico para usted que se ajusta a la forma en que la gente piensa y le permite hacer preguntas hipotéticas y experimentar con lo que sucedería si cambiara diferentes valores. Eso es algo natural que hacer, dijo Zhang.
«Creo que los humanos fundamentalmente quieren algo que los ayude a comprender ‘qué sucederá si hago esto y qué sucederá si hago esto’, porque eso ayuda en la toma de decisiones», dijo Zhang.
Hace unos años, creó un sistema de aprendizaje automático para que los médicos predijeran cómo se recuperarían los pacientes de diferentes situaciones.
«Cuando los médicos comienzan a usar el sistema, lo usan para ver ‘qué pasaría si hiciera esto o lo hiciera'», dijo Zhang. «Pero para hacer eso, necesitas un sistema de IA causal».
tomar mejores decisiones juntos
Una vez que tenga IA causal, puede construir un sistema con corrección bidireccional, donde los humanos le enseñan a la IA lo que saben sobre causa y efecto, y la IA puede verificar si eso es realmente cierto.
En el Reino Unido, los alumnos aprenden los diagramas de Venn en Year 11. Pero cuando Zhang se asoció con Eedi y Oxford University Press para encontrar relaciones de causa y efecto entre diferentes temas de matemáticas, los maestros de repente se dieron cuenta de que habían estado usando diagramas de Venn para evaluar a estudiantes de 8.º y 9.º grado mucho antes de que dijeran qué eran antes de un Venn. diagrama.
«Si usamos los datos, descubrimos la causa y el efecto y se los mostramos a los humanos; es una oportunidad para que reflexionen, y de repente surgen estas ideas muy interesantes», dijo Zhang.
Hacer una inferencia causal integral y escalable es solo el primer paso: todavía queda mucho trabajo por hacer para que sea lo más confiable y precisa posible, pero Zhang está entusiasmado con el potencial.
«El cuarenta por ciento del trabajo en nuestra sociedad tiene que ver con la toma de decisiones, y necesitamos tomar decisiones de alta calidad», anotó. «Nuestro objetivo es utilizar la inteligencia artificial para ayudar en la toma de decisiones».
