Поведінкове передбачення штучного інтелекту: машини, призначені для передбачення майбутнього

КРЕДИТ ЗОБРАЖЕННЯ:
Кредит зображення
iStock

Поведінкове передбачення штучного інтелекту: машини, призначені для передбачення майбутнього

Поведінкове передбачення штучного інтелекту: машини, призначені для передбачення майбутнього

Текст підзаголовка
Група дослідників створила новий алгоритм, який дозволяє машинам краще передбачати дії.
    • Автор:
    • ім'я автора
      Quantumrun Foresight
    • Травень 17, 2023

    Пристрої, що працюють на основі алгоритмів машинного навчання (ML), швидко змінюють наш спосіб роботи та спілкування. А з впровадженням алгоритмів наступного покоління ці пристрої можуть почати досягати вищих рівнів міркувань і розуміння, які можуть підтримувати проактивні дії та пропозиції для своїх власників.

    Контекст поведінкового прогнозування ШІ

    У 2021 році дослідники Columbia Engineering представили проект, який застосовує прогнозне машинне навчання на основі комп’ютерного зору. Вони навчили машини передбачати поведінку людини на кілька хвилин у майбутньому, використовуючи тисячі годин фільмів, телешоу та спортивних відео. Цей більш інтуїтивно зрозумілий алгоритм враховує незвичайну геометрію, дозволяючи машинам робити прогнози, які не завжди обмежуються традиційними правилами (наприклад, паралельні лінії ніколи не перетинаються). 

    Така гнучкість дозволяє роботам замінювати пов’язані концепції, якщо вони не впевнені, що буде далі. Наприклад, якщо машина не впевнена, чи потиснуть люди руки після зустрічі, вони розпізнають це як «привітання». Ця прогностична технологія штучного інтелекту може знайти різні застосування в повсякденному житті, від допомоги людям у їхніх повсякденних завданнях до прогнозування результатів у певних сценаріях. Попередні спроби застосувати інтелектуальний ML зазвичай зосереджувалися на передбаченні однієї дії в будь-який момент часу, при цьому алгоритми намагалися класифікувати цю дію, як-от пропозиція обіймів, рукостискань, дачі п’ять або відсутність дій. Однак через притаманну невизначеність більшість моделей ML не можуть визначити подібності між усіма потенційними результатами.

    Руйнівний вплив

    Оскільки поточні алгоритми все ще не такі логічні, як людські (2022), їхня надійність як колег все ще відносно низька. Незважаючи на те, що вони можуть виконувати або автоматизувати певні завдання та дії, їх не можна вважати абстракціями чи розробкою стратегії. Однак нові рішення щодо поведінкового прогнозування штучного інтелекту змінять цю парадигму, особливо в тому, як машини працюють разом з людьми протягом наступних десятиліть.

    Наприклад, поведінкове передбачення штучного інтелекту дозволить програмному забезпеченню та машинам пропонувати нові та варті уваги рішення, коли вони стикаються з невизначеністю. У сферах послуг і виробництва, зокрема, коботи (роботи для співпраці) зможуть заздалегідь читати ситуації замість того, щоб слідувати набору параметрів, а також пропонувати варіанти або вдосконалення своїм колегам-людям. Інші потенційні випадки використання – це кібербезпека та охорона здоров’я, де роботам і пристроям все більше можна довіряти, щоб вони вжили негайних заходів на основі потенційних надзвичайних ситуацій.

    Компанії стануть ще краще оснащені, щоб пропонувати клієнтам індивідуальні послуги, щоб створити більш індивідуальний досвід. Потенційно для компаній може стати звичним надавати персоналізовані пропозиції. Крім того, штучний інтелект дозволить компаніям отримати глибше розуміння поведінки клієнтів, щоб оптимізувати маркетингові кампанії для досягнення максимальної ефективності або результативності. Однак широке впровадження алгоритмів прогнозування поведінки може призвести до нових етичних міркувань, пов’язаних із правами на конфіденційність і законами про захист даних. У результаті уряди можуть бути змушені законодавчо вжити додаткових кроків для регулювання використання цих рішень для прогнозування поведінки ШІ.

    Програми для прогнозування поведінки ШІ

    Деякі програми для прогнозування поведінки ШІ можуть включати:

    • Безпілотні транспортні засоби, які можуть краще передбачити, як інші автомобілі та пішоходи поводитимуться на дорозі, що призведе до меншої кількості зіткнень та інших аварій.
    • Чат-боти, які можуть передбачити, як клієнти відреагують на складні розмови, і пропонуватимуть більш індивідуальні рішення.
    • Роботи в медичних установах і закладах надання допомоги, які можуть точно передбачати потреби пацієнтів і негайно реагувати на надзвичайні ситуації.
    • Маркетингові інструменти, які можуть передбачати тенденції користувачів на платформах соціальних мереж, дозволяючи компаніям відповідно коригувати свої стратегії.
    • Фірми, що надають фінансові послуги, використовують машини для визначення та прогнозування майбутніх економічних тенденцій.
    • Політики використовують алгоритми, щоб визначити, яка область, імовірно, матиме найбільш залучену базу виборців, і передбачити політичні результати.
    • Машини, які можуть аналізувати демографічні дані та давати уявлення про потреби та вподобання громад.
    • Програмне забезпечення, яке може визначити наступний найкращий технологічний прогрес для певного сектора чи галузі, наприклад, передбачити потребу в новій категорії продукту чи пропозиції послуг на ринку, що розвивається.
    • Визначення областей, де існує дефіцит робочої сили або прогалини в навичках, підготовка організацій до вдосконалених рішень з управління талантами.
    • Алгоритми, які використовуються для точного визначення зон знищення лісів або забруднення, які можуть потребувати особливої ​​уваги під час планування зусиль із збереження чи захисту навколишнього середовища.
    • Інструменти кібербезпеки, які можуть виявляти будь-яку підозрілу поведінку до того, як вона стане загрозою, допомагаючи завчасно запобігти кіберзлочинності чи терористичній діяльності.

    Питання для розгляду

    • Як, на вашу думку, ще змінить поведінкове передбачення ШІ спосіб взаємодії з роботами?
    • Які ще варіанти використання інтелектуального машинного навчання?

    Посилання на Insight

    Для цієї інформації використовувалися такі популярні та інституційні посилання: