Kom med forslag og kunstig intelligens

Et forslag er forskelligt fra en kommando. Selvom nogle mennesker ser ud til at gå glip af pointen helt, er et forslag simpelthen en idé fremsat som en potentiel løsning på et problem. At fremsætte et forslag indebærer, at andre løsninger kunne eksistere, og at accept af et forslag ikke betyder, at det automatisk implementeres. Faktisk er forslaget kun en idé; det virker måske ikke engang. Selvfølgelig, i en perfekt verden, ville alle forslag være gode forslag - i det mindste mulige løsninger på et korrekt output, hvilket sjældent er tilfældet i den virkelige verden.

Få forslag baseret på tidligere handlinger

Den mest almindelige måde, som en AI bruger til at oprette et forslag, er ved at indsamle tidligere handlinger som begivenheder og derefter bruge disse tidligere handlinger som et datasæt til at lave nye forslag. For eksempel køber nogen en halvbagt widget hver måned i tre måneder. Det giver mening at foreslå at købe en anden i begyndelsen af ​​den fjerde måned. Faktisk kan en virkelig smart AI komme med forslaget på det rigtige tidspunkt på måneden. For eksempel, hvis brugeren foretager købet mellem den tredje og den femte dag i måneden i de første tre måneder, kan det betale sig at begynde at komme med forslaget på den tredje dag i måneden og derefter gå over til noget andet efter femtedagen.

Mennesker udsender et enormt antal spor, mens de udfører opgaver. I modsætning til mennesker er en AI faktisk opmærksom på hver eneste af disse spor og kan registrere dem på en konsekvent måde. Den konsekvente indsamling af handlingsdata gør det muligt for en AI at give forslag baseret på tidligere handlinger med en høj grad af nøjagtighed i mange tilfælde.

Få forslag baseret på grupper

En anden almindelig måde at komme med forslag på afhænger af gruppemedlemskab. I dette tilfælde behøver gruppemedlemskab ikke at være formelt. En gruppe kunne bestå af en løs sammenslutning af mennesker, der har et eller andet mindre behov eller aktivitet til fælles. For eksempel kunne en skovhugger, en butiksejer og en diætist alle købe mysteriebøger. Selvom de ikke har andet til fælles, ikke engang placering, gør det faktum, at alle tre kan lide mysterier, dem til en del af en gruppe. En AI kan nemt få øje på mønstre som dette, der kan unddrage sig mennesker, så den kan give gode købsforslag baseret på disse ret løse gruppetilhørsforhold.

Grupper kan inkludere æteriske forbindelser, der i bedste fald er midlertidige. For eksempel kunne alle de mennesker, der fløj fly 1982 ud af Houston på en bestemt dag, danne en gruppe. Igen eksisterer der ingen som helst forbindelse mellem disse mennesker, bortset fra at de dukkede op på en bestemt flyvning. Men ved at kende disse oplysninger kunne en AI udføre yderligere filtrering for at lokalisere personer inden for flyvningen, der kan lide mysterier. Pointen er, at en AI kan give gode forslag baseret på gruppetilhørsforhold, selv når gruppen er svær (hvis ikke umulig) at identificere fra et menneskeligt perspektiv.

Indhenter de forkerte forslag

Enhver, der har brugt tid på at handle på nettet, ved, at hjemmesider ofte giver forslag baseret på forskellige kriterier, såsom tidligere køb. Desværre er disse forslag ofte forkerte, fordi den underliggende AI mangler forståelse. Når nogen foretager et køb en gang i livet af en Super-Wide Widget, vil et menneske sandsynligvis vide, at købet faktisk er en gang i livet, fordi det er ekstremt usandsynligt, at nogen har brug for to. Imidlertid forstår AI ikke dette faktum. Så medmindre en programmør specifikt opretter en regel, der specificerer, at Super-Wide Widgets er et køb en gang i livet, kan AI vælge at blive ved med at anbefale produktet, fordi salget forståeligt nok er lille. Ved at følge en sekundær regel om promovering af produkter med langsommere salg, opfører AI sig i overensstemmelse med de egenskaber, som udvikleren har givet den,

Udover regelbaserede eller logiske fejl i AI'er kan forslag blive ødelagt på grund af dataproblemer. For eksempel kan en GPS komme med et forslag baseret på de bedst mulige data for en bestemt tur. Vejbygning kan dog gøre den foreslåede sti uholdbar, fordi vejen er lukket. Selvfølgelig overvejer mange GPS-applikationer vejbygning, men nogle gange tager de ikke hensyn til andre problemer, såsom en pludselig ændring i hastighedsgrænsen eller vejrforhold, der gør en bestemt sti forræderisk. Mennesker kan overvinde mangel på data gennem innovation, såsom ved at bruge den mindre befærdede vej eller forstå betydningen af ​​omvejsskilte.

Når en AI formår at komme forbi logik-, regel- og dataproblemerne, kommer den nogle gange stadig med dårlige forslag, fordi den ikke forstår sammenhængen mellem visse datasæt på samme måde som et menneske gør. For eksempel ved AI måske ikke at foreslå maling, efter at et menneske har købt en kombination af rør og gipsvæg, når de laver en VVS-reparation. Behovet for at male gipsvæggen og det omkringliggende område efter reparationen er indlysende for et menneske, fordi et menneske har en sans for æstetik, som AI'en mangler. Mennesket skaber en sammenhæng mellem forskellige produkter, som ikke er indlysende for AI.