Komme med forslag og kunstig intelligens

Et forslag er forskjellig fra en kommando. Selv om noen mennesker ser ut til å gå glipp av poenget helt, er et forslag ganske enkelt en idé som er lagt frem som en potensiell løsning på et problem. Å komme med et forslag innebærer at andre løsninger kan eksistere, og at det å godta et forslag ikke betyr å implementere det automatisk. Faktisk er forslaget bare en idé; det fungerer kanskje ikke engang. Selvfølgelig, i en perfekt verden, vil alle forslag være gode forslag - i det minste mulige løsninger på en korrekt utgang, noe som sjelden er tilfelle i den virkelige verden.

Få forslag basert på tidligere handlinger

Den vanligste måten en AI bruker for å lage et forslag, er ved å samle tidligere handlinger som hendelser og deretter bruke de tidligere handlingene som et datasett for å lage nye forslag. For eksempel kjøper noen en halvbakt widget hver måned i tre måneder. Det er fornuftig å foreslå å kjøpe en annen i begynnelsen av den fjerde måneden. Faktisk kan en virkelig smart AI komme med forslaget til rett tid i måneden. For eksempel, hvis brukeren foretar kjøpet mellom den tredje og den femte dagen i måneden de første tre månedene, lønner det seg å begynne å komme med forslaget den tredje dagen i måneden og deretter gå over til noe annet etter den femte dagen.

Mennesker gir ut et enormt antall ledetråder mens de utfører oppgaver. I motsetning til mennesker, tar en AI faktisk oppmerksomhet til hver og en av disse ledetrådene og kan registrere dem på en konsistent måte. Den konsekvente innsamlingen av handlingsdata gjør det mulig for en AI å gi forslag basert på tidligere handlinger med høy grad av nøyaktighet i mange tilfeller.

Får forslag basert på grupper

En annen vanlig måte å komme med forslag på er avhengig av gruppemedlemskap. I dette tilfellet trenger ikke gruppemedlemskap være formelt. En gruppe kan bestå av en løs sammenslutning av mennesker som har et eller annet mindre behov eller aktivitet til felles. For eksempel kan en tømmerhogger, en butikkeier og en kostholdsekspert alle kjøpe mysteriebøker. Selv om de ikke har noe annet til felles, ikke engang plassering, gjør det faktum at alle tre liker mysterier dem en del av en gruppe. En AI kan lett oppdage mønstre som dette som kan unngå mennesker, så den kan gi gode kjøpsforslag basert på disse ganske løse gruppetilhørighetene.

Grupper kan inkludere eteriske forbindelser som i beste fall er midlertidige. For eksempel kunne alle menneskene som fløy flight 1982 ut av Houston på en bestemt dag danne en gruppe. Igjen, det eksisterer ingen forbindelse mellom disse menneskene bortsett fra at de dukket opp på en bestemt flytur. Men ved å kjenne til denne informasjonen, kan en AI utføre ytterligere filtrering for å finne personer på flyet som liker mysterier. Poenget er at en AI kan gi gode forslag basert på gruppetilhørighet selv når gruppen er vanskelig (om ikke umulig) å identifisere fra et menneskelig perspektiv.

Får feil forslag

Alle som har brukt tid på å handle på nett vet at nettsider ofte gir forslag basert på ulike kriterier, som tidligere kjøp. Dessverre er disse forslagene ofte feil fordi den underliggende AI mangler forståelse. Når noen kjøper en Super-Wide Widget en gang i livet, vil et menneske sannsynligvis vite at kjøpet faktisk er en gang i livet fordi det er ekstremt usannsynlig at noen trenger to. Imidlertid forstår ikke AI dette faktum. Så, med mindre en programmerer spesifikt oppretter en regel som spesifiserer at Super-Wide Widgets er et kjøp en gang i livet, kan AI velge å fortsette å anbefale produktet fordi salget er forståelig nok lite. Ved å følge en sekundær regel om å markedsføre produkter med langsommere salg, oppfører AI seg i henhold til egenskapene som utvikleren ga for det,

Foruten regelbaserte eller logiske feil i AI-er, kan forslag bli ødelagt på grunn av dataproblemer. For eksempel kan en GPS komme med et forslag basert på best mulig data for en bestemt tur. Veibygging kan imidlertid gjøre den foreslåtte stien uholdbar fordi veien er stengt. Selvfølgelig vurderer mange GPS-applikasjoner veibygging, men noen ganger tar de ikke hensyn til andre problemer, for eksempel en plutselig endring i fartsgrensen eller værforhold som gjør en bestemt sti forrædersk. Mennesker kan overvinne mangel på data gjennom innovasjon, for eksempel ved å bruke den mindre reiste veien eller forstå betydningen av omkjøringsskilt.

Når en AI klarer å komme forbi logikk-, regel- og dataproblemene, gir den noen ganger dårlige forslag fordi den ikke forstår sammenhengen mellom visse datasett på samme måte som et menneske gjør. Det kan for eksempel hende at AI ikke vet å foreslå maling etter at et menneske har kjøpt en kombinasjon av rør og gips når de foretar en rørleggerreparasjon. Behovet for å male gipsveggene og området rundt etter reparasjonen er åpenbart for et menneske fordi et menneske har en følelse av estetikk som AI mangler. Mennesket lager en korrelasjon mellom ulike produkter som ikke er åpenbar for AI.