Nasze życie polega na ciągłym podejmowaniu decyzji. Czy zabierzesz ze sobą parasol na spacer? A co, jeśli szansa na deszcz wynosi 25%? Albo jeśli masz na sobie coś, czego naprawdę nie chcesz zamoczyć?
Według Ajaya Agrawala, ekonomisty, profesora i współautora książki Prediction Machines: The Simple Economics of Artificial Intelligence, do podejmowania każdej decyzji – dużej lub małej – używamy kombinacji przewidywania i osądu Potęga sztucznej inteligencji wynika z jej zdolności do przewidywania połowy tego równania, tj. informowania o szansie na deszcz. Ostatecznie decyzja o zabraniu parasola zależy jednak od tego, jak bardzo nie lubisz moknąć i jak bardzo nie lubisz nosić ze sobą parasola, gdy nie pada.
Modele sztucznej inteligencji mogą przetwarzać ogromne ilości danych w celu identyfikacji wzorców i generowania dokładnych prognoz. Nie ma wątpliwości, że sztuczna inteligencja usprawnia sposób pracy poszczególnych osób, pomagając im być bardziej produktywnymi, poprawiając sposób współpracy i podnosząc ich umiejętności. A gdy firmy wykorzystują sztuczną inteligencję do analizy predykcyjnej, może ona zmienić sposób podejmowania decyzji przez ich liderów, pomagając im lepiej obsługiwać klientów, przydzielać zasoby oraz tworzyć nowe i ulepszone procesy.
Ajay niedawno wziął udział w naszej serii webinarów Work Evolved, aby porozmawiać o sile sztucznej inteligencji i analityki predykcyjnej. Spotkaliśmy się z Ajayem, aby kontynuować rozmowę na temat predykcyjnej sztucznej inteligencji – oto co miał do powiedzenia na temat jej potencjału do zmiany całych branż i tego, którzy pracownicy mogą najwięcej zyskać na korzystaniu z narzędzi predykcyjnej sztucznej inteligencji.
Niektórzy postrzegają sztuczną inteligencję jako inteligentne maszyny, roboty zdolne do mówienia lub myślenia jak ludzie. Co Ty, jako ekonomista, o niej sądzisz?
Sztuczna inteligencja pomaga nam w przewidywaniu. Przewidywanie to wykorzystywanie posiadanych informacji do generowania informacji, których nie posiadamy.
To właśnie robią generatywne modele sztucznej inteligencji, takie jak ChatGPT – wykorzystują przewidywanie do generowania języka brzmiącego jak ludzki. Modele generatywnej sztucznej inteligencji przewidują następny token – lub słowo – w sekwencji, aby stworzyć wiadomość, która brzmi tak, jakby pochodziła od człowieka. Innym przykładem może być bank wykorzystujący sztuczną inteligencję do wykrywania oszustw, przetwarzający dane z poprzednich transakcji i nawyków użytkowników, aby dokładnie przewidzieć, czy zakup jest nieuczciwy.
Podstawową zasadą ekonomii jest to, że gdy coś staje się tańsze, korzystamy z tego więcej. Rozwój sztucznej inteligencji oznacza spadek kosztów przewidywania. A ponieważ prognozy stają się coraz tańsze, będziemy z nich korzystać coraz częściej.
Porozmawiajmy jeszcze o przewidywaniach. Czym jest predykcyjna sztuczna inteligencja i jakie są jej przykłady w świecie rzeczywistym?
Predykcyjna sztuczna inteligencja wykorzystuje dane wejściowe do generowania danych wyjściowych. Podając tradycyjny przykład: możemy wykorzystać 20 lat historycznych danych sprzedażowych, aby przewidzieć sprzedaż w trzecim kwartale przyszłego roku. Dane historyczne są danymi wejściowymi, a prognoza sprzedaży jest danymi wyjściowymi.
Mniej tradycyjnie mówiąc, możemy użyć pikseli na obrazie medycznym do przewidywania oznaczenia guza jako złośliwego lub łagodnego. Dane pikseli to dane wejściowe, a oznaczenie guza to dane wyjściowe. To również jest przewidywanie.
Jedną z interesujących cech sztucznej inteligencji jest to, że w przeciwieństwie do wcześniejszych technik statystycznych, może ona wykorzystywać dane multimodalne (np. zdjęcia, wideo, język), a nie tylko liczby, jako dane wejściowe i może tworzyć prognozy w postaci zdjęć, wideo i języka.