stringtranslate.com

Причинный ИИ

Каузальный ИИ — это метод в искусственном интеллекте , который строит каузальную модель и может, таким образом, делать выводы, используя причинность , а не просто корреляцию. Одним из практических применений каузального ИИ является объяснение организациями процесса принятия решений и причин для решения. [1] [2]

Системы, основанные на каузальном ИИ, выявляя базовую сеть причинно-следственных связей для поведения или события, предоставляют информацию, которую исключительно прогностические модели ИИ могут не извлечь из исторических данных. [3] Анализ причинно-следственных связей может использоваться для дополнения человеческих решений в ситуациях, когда необходимо понимание причин, лежащих в основе результата, например, для количественной оценки влияния различных вмешательств, политических решений или выполнения планирования сценариев. [4] В статье 2024 года от Google DeepMind математически продемонстрировано, что «любой агент, способный адаптироваться к достаточно большому набору сдвигов распределения, должен был изучить каузальную модель». [5] В статье предлагается интерпретация, согласно которой обучение обобщению за пределами исходного обучающего набора требует изучения каузальной модели, из чего следует, что каузальный ИИ необходим для общего искусственного интеллекта .

История

Концепция причинного ИИ и пределы машинного обучения были подняты Джудеей Перлом , ученым-компьютерщиком и философом , лауреатом премии Тьюринга , в книге 2018 года « Книга о том, почему : новая наука о причине и следствии». Перл утверждал: «Недостаток понимания машинами причинно-следственных связей, возможно, является самым большим препятствием на пути к наделению их интеллектом человеческого уровня». [6] [7]

В 2020 году Колумбийский университет создал Лабораторию причинного ИИ под руководством директора Элиаса Барейнбойма. Исследования профессора Барейнбойма сосредоточены на причинном и контрфактуальном выводе и их применении в областях, основанных на данных, в здравоохранении и социальных науках, а также в искусственном интеллекте и машинном обучении. [8] Технологическая исследовательская и консалтинговая фирма Gartner впервые включила причинный ИИ в свой отчет Hype Cycle 2022 года , назвав его одной из пяти критических технологий в ускоренной автоматизации ИИ. [9] [10]

Одним из значительных достижений в этой области является концепция алгоритмической информационной динамики: [11] подход на основе моделей для причинного обнаружения с использованием алгоритмической теории информации и анализа возмущений. Он решает обратные причинные проблемы, изучая динамические системы вычислительным путем. Ключевым приложением является причинная деконволюция, которая разделяет генеративные механизмы в данных с помощью алгоритмических моделей, а не традиционной статистики. [12] Этот метод определяет причинные структуры в сетях и последовательностях, отходя от вероятностных и регрессионных методов, отмечая один из первых практических подходов причинного ИИ с использованием алгоритмической сложности и алгоритмической вероятности в машинном обучении . [13]

Ссылки

  1. ^ Блогер, SwissCognitive Guest (18 января 2022 г.). «Causal AI». SwissCognitive, ведущая в мире сеть искусственного интеллекта . Получено 11 октября 2022 г.
  2. ^ Sgaier, Sema K; Huang, Vincent; Grace, Charles (2020). «Дело в пользу каузального ИИ». Stanford Social Innovation Review . 18 (3): 50–55. ISSN  1542-7099. ProQuest  2406979616.
  3. ^ «За пределами исторических данных | causa». causa.tech . 29 июня 2024 г. . Получено 29 июня 2024 г. .
  4. ^ «Как понять мир причинности | causaLens». causalens.com . 28 февраля 2023 г. . Получено 7 октября 2023 г. .
  5. ^ «Надежные агенты изучают модели причинного мира». S2CID  267740124. {{cite web}}: Отсутствует или пусто |url=( помощь )
  6. ^ Перл, Иудея (2019). Книга о том, почему: новая наука о причине и следствии. Дэна Маккензи. Лондон , Великобритания : Penguin Books. ISBN 978-0-14-198241-0. OCLC  1047822662.
  7. ^ Хартнетт, Кевин (15 мая 2018 г.). «Чтобы построить по-настоящему интеллектуальные машины, научите их причинно-следственной связи». Журнал Quanta . Получено 11 октября 2022 г.
  8. ^ «Чего ИИ все еще не может сделать». MIT Technology Review . Получено 18 октября 2022 г.
  9. ^ "Что нового в цикле ажиотажа Gartner 2022 года для развивающихся технологий". Gartner . Получено 11 октября 2022 г. .
  10. ^ Шарма, Шубхам (10 августа 2022 г.). «Gartner выбирает новые технологии, которые могут обеспечить дифференциацию для предприятий». VentureBeat . Получено 11 октября 2022 г.
  11. ^ Zenil, Hector (25 июля 2020 г.). «Алгоритмическая информационная динамика». Scholarpedia . 15 (7). Bibcode :2020SchpJ..1553143Z. doi : 10.4249/scholarpedia.53143 . hdl : 10754/666314 . Зенил, Гектор; Киани, Нарсис А.; Тегнер, Йеспер (2023). Алгоритмическая информационная динамика: вычислительный подход к причинности с приложениями к живым системам. Cambridge University Press. doi : 10.1017/9781108596619. ISBN 978-1-108-59661-9.
  12. ^ Зенил, Гектор; Киани, Нарсис А.; Зеа, Аллан А.; Тегнер, Йеспер (2019). «Причинная деконволюция с помощью алгоритмических генеративных моделей». Природный машинный интеллект . 1 (1): 58–66. дои : 10.1038/s42256-018-0005-0. hdl : 10754/630919 .
  13. ^ Эрнандес-Ороско, Сантьяго; Зенил, Гектор; Ридель, Юрген; Уччелло, Адам; Киани, Нарсис А.; Тегнер, Йеспер (2021). «Алгоритмическое вероятностно-ориентированное машинное обучение в недифференцируемых пространствах». Границы искусственного интеллекта . 3 : 567356. doi : 10.3389/frai.2020.567356 . ПМЦ 7944352 . ПМИД  33733213.