Editor Top
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 hacen eso se están volviendo más inteligentes con un nuevo enfoque para la optimización de decisiones que Microsoft está comenzando a poner a disposición.
Causa y efecto
El aprendizaje automático es excelente 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, es probable que sugiera que si desea que el clima sea más cálido, debe comprar más helado.
Comprender por qué suceden las cosas ayuda a los humanos a tomar mejores decisiones, como un médico que elige el mejor tratamiento o un equipo comercial que analiza los resultados de las pruebas AB para decidir qué precio y empaque venderán más productos. Hay sistemas de aprendizaje automático que se ocupan de la causalidad, pero hasta ahora esto se ha restringido principalmente a la investigación que se centra en problemas a pequeña escala en lugar de sistemas prácticos del mundo real porque ha sido difícil de hacer.
VER: Cómo convertirse en un ingeniero de aprendizaje automático: una hoja de trucos (TechRepublic)
El aprendizaje profundo, que se usa ampliamente para el aprendizaje automático, necesita una gran cantidad de datos de capacitación, pero los humanos pueden recopilar información y sacar conclusiones de manera mucho más eficiente al hacer preguntas, como un médico que pregunta sobre sus síntomas, un maestro que hace un cuestionario a los estudiantes, una evaluación financiera. un asesor que comprenda si una inversión de bajo o alto riesgo es mejor para usted, o un vendedor que lo ayude a hablar sobre lo que necesita de un automóvil nuevo.
Un sistema genérico de IA médica probablemente lo guiaría a través de una lista exhaustiva de preguntas para asegurarse de que no se le pasó nada por alto, pero si va a la sala de emergencias con un hueso roto, es más útil que el médico le pregunte cómo lo hizo. hueso y si puede mover los dedos 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 usar eso para recopilar la información suficiente 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.
Lo mejor a continuación
“Digamos que quiere juzgar algo, o quiere obtener información sobre cómo diagnosticar algo o clasificar algo correctamente: [the way to do that] es lo que yo llamo la mejor pregunta siguiente”, dijo Zhang. “Pero si quieres hacer algo, quieres mejorar las cosas, quieres darles a los estudiantes nuevo material de enseñanza para que puedan aprender mejor, quieres darle a un paciente un tratamiento para que pueda mejorar, a eso lo llamo Best Next. Acción. Y para todo esto, la escalabilidad y la personalización son importantes”.
Reúna todo eso y obtendrá una toma de decisiones eficiente, como los cuestionarios dinámicos que usos del servicio de tutoría de matemáticas en línea Eedi para averiguar qué entienden bien los estudiantes y con qué tienen dificultades, de modo que pueda brindarles la combinación correcta de lecciones para cubrir los temas con los que necesitan ayuda, en lugar de aburrirlos con áreas que ya pueden manejar.
Las preguntas de opción múltiple tienen solo una respuesta correcta, pero las respuestas incorrectas están cuidadosamente diseñadas para mostrar exactamente cuál es el malentendido: ¿Alguien está confundiendo la media de un grupo de números con la moda o la mediana, o simplemente no sabe todos los pasos para calcular la media?
Eedi ya tenía las preguntas, pero creó los cuestionarios dinámicos y las recomendaciones de lecciones personalizadas 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 ambos tipos de decisiones en lo que ella llama final. inferencia causal final.
«Creo que somos el primer equipo del mundo en unir el descubrimiento causal, la inferencia causal y el aprendizaje profundo», dijo Zhang. “Permitimos que un usuario que tiene datos descubra la relación entre todas estas variables diferentes, como qué llama a qué. Y luego también entendemos su relación: por ejemplo, cuánto la dosis [of medicine] usted dio aumentará la salud de alguien, en la medida en que el tema que enseñe aumentará la comprensión general del estudiante.
“Usamos el aprendizaje profundo para responder preguntas causales, sugerir cuál es la siguiente mejor acción de una manera realmente escalable y hacer que sea utilizable en el mundo real”.
Las empresas utilizan rutinariamente las pruebas AB para guiar decisiones importantes, pero eso tiene limitaciones, señala Zhang.
“Solo puedes hacerlo a un alto nivel, no a un nivel individual”, dijo Zhang. “Puedes llegar a saber que para esta población, en general, el tratamiento A es mejor que el tratamiento B, pero no puedes decir para cada individuo cuál es mejor.
“A veces es extremadamente costoso y requiere mucho tiempo y, en algunos escenarios, no es posible hacerlo en absoluto. Lo que estamos tratando de hacer es reemplazar las pruebas AB”.
De la investigación a la falta de código
La API para hacer eso, actualmente llamada Best Next Question, está disponible en Azure Marketplace, pero está en versión preliminar privada, por lo que las organizaciones que deseen usar el servicio en sus propias herramientas de la forma en que Eedi debe comunicarse con Microsoft.
Para los científicos de datos y los expertos en aprendizaje automático, el servicio eventualmente estará disponible a través de Azure Marketplace o como una opción en Azure Machine Learning o posiblemente como uno de los Cognitive Services empaquetados de la misma manera que Microsoft ofrece servicios como reconocimiento de imágenes y traducción. El nombre también podría 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 tantos programas de compromiso para ayudar a los socios de Microsoft a crecer”, dijo Zhang. “Pero realmente queremos saber qué tipo de programa de participación es el tratamiento que más ayuda a un socio a crecer. Esa es una pregunta causal, y también debemos hacerlo de manera personalizada”.
Los investigadores también están hablando con el equipo de Viva Learning.
“La capacitación es definitivamente un escenario que queremos personalizar: queremos que las personas aprendan con el material que los ayudará mejor para su trabajo”, dijo Zhang.
Y si desea usar esto 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 hacer que el razonamiento causal sea más fácil de usar aún no usa estos nuevos modelos, pero tiene una interfaz sin código, y los investigadores están trabajando con ese equipo para construir prototipos, dijo Zhang.
“Antes de que finalice este año, lanzaremos una demostración para la inferencia causal profunda de extremo a extremo”, dijo Zhang.
Ella sugiere que, a largo plazo, los usuarios empresariales podrían beneficiarse de estos modelos dentro de los sistemas que ya utilizan, como Microsoft Dynamics y Power Platform.
“Para las personas que toman decisiones en general, necesitan algo muy visual: una interfaz sin código donde cargo datos, hago clic en un botón y [I see] cuáles son las percepciones”, dijo Zhang.
VER: Política de Ética de Inteligencia Artificial (TechRepublic Premium)
Los seres humanos son buenos para pensar causalmente, pero construir el gráfico que muestra cómo están conectadas las cosas y qué es una causa y qué es un efecto es difícil. 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 sucede si cambia diferentes valores. Eso es algo muy natural, dijo Zhang.
“Siento que los humanos fundamentalmente quieren algo que los ayude a comprender ‘Si hago esto, qué sucede, si hago aquello, qué sucede’, porque eso es lo que ayuda a la toma de decisiones”, dijo Zhang.
Hace algunos años, creó un sistema de aprendizaje automático para que los médicos predijeran cómo se recuperarían los pacientes en diferentes escenarios.
“Cuando los médicos comenzaron a usar el sistema, jugaban con él para ver ‘si hago esto o aquello, qué sucede’”, 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 en el que los humanos le enseñen 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 escolares aprenden sobre los diagramas de Venn en el año 11. Pero cuando Zhang trabajó con Eedi y Oxford University Press para encontrar las relaciones causales entre diferentes temas de matemáticas, los profesores se dieron cuenta de repente de que habían estado usando diagramas de Venn para hacer cuestionarios para estudiantes de octavo y noveno año, mucho antes de que les dijeran qué es un diagrama de Venn.
“Si usamos datos, descubrimos la relación causal y se la mostramos a los humanos; es una oportunidad para que reflexionen y, de repente, aparecen este tipo de ideas realmente interesantes”, dijo Zhang.
Hacer que el razonamiento causal sea integral y escalable es solo un primer paso: todavía queda mucho trabajo por hacer para que sea lo más confiable y preciso posible, pero Zhang está entusiasmado con el potencial.
“El 40% de los trabajos en nuestra sociedad se trata de la toma de decisiones, y necesitamos tomar decisiones de alta calidad”, señaló. “Nuestro objetivo es utilizar la IA para ayudar en la toma de decisiones”.
