Dajanje predlogov in umetna inteligenca

Predlog se razlikuje od ukaza. Čeprav se zdi, da nekateri ljudje popolnoma zgrešijo bistvo, je predlog preprosto ideja, predstavljena kot možna rešitev problema. Dajanje predloga pomeni, da bi lahko obstajale druge rešitve in da sprejetje predloga ne pomeni samodejnega izvajanja. Pravzaprav je predlog le ideja; morda niti ne bo delovalo. Seveda bi bili v popolnem svetu vsi predlogi dobri predlogi - vsaj možne rešitve za pravilen rezultat, kar je v resničnem svetu redko.

Pridobivanje predlogov na podlagi preteklih dejanj

Najpogostejši način, ki ga AI uporablja za ustvarjanje predloga, je zbiranje preteklih dejanj kot dogodkov in nato uporaba teh preteklih dejanj kot nabora podatkov za ustvarjanje novih predlogov. Nekdo na primer vsak mesec tri mesece kupi Half-Baked Widget. Smiselno je predlagati nakup drugega na začetku četrtega meseca. Pravzaprav bi lahko resnično pametna umetna inteligenca podala predlog ob pravem času v mesecu. Na primer, če uporabnik prve tri mesece opravi nakup med tretjim in petim dnem v mesecu, se splača začeti predlagati tretji dan v mesecu in nato po petem dnevu preiti na nekaj drugega.

Ljudje med opravljanjem nalog oddajo ogromno namigov. Za razliko od ljudi je umetna inteligenca pozorna na vsakega od teh namigov in jih lahko dosledno zabeleži. Dosledno zbiranje podatkov o dejanjih omogoča umetni inteligenci, da v mnogih primerih poda predloge na podlagi preteklih dejanj z visoko stopnjo natančnosti.

Pridobivanje predlogov na podlagi skupin

Drug pogost način podajanja predlogov temelji na članstvu v skupini. V tem primeru ni treba, da je članstvo v skupini formalno. Skupino bi lahko sestavljalo ohlapno združenje ljudi, ki imajo skupne manjše potrebe ali dejavnosti. Na primer, drvar, lastnik trgovine in dietetik bi lahko kupili skrivnostne knjige. Čeprav nimajo nič drugega skupnega, niti lokacije, jih dejstvo, da so vsi trije kot skrivnosti, dela skupine. Umetna inteligenca zlahka opazi vzorce, kot je ta, ki se ljudem lahko izognejo, zato lahko na podlagi teh precej ohlapnih skupinskih povezav naredi dobre predloge za nakup.

Skupine lahko vključujejo eterične povezave, ki so v najboljšem primeru začasne. Na primer, vsi ljudje, ki so na določen dan poleteli z letalom 1982 iz Houstona, bi lahko sestavili skupino. Spet med temi ljudmi ni nobene povezave, razen da so se pojavili na določenem letu. Vendar pa bi lahko umetna inteligenca z poznavanjem teh informacij izvedela dodatno filtriranje, da bi znotraj leta poiskala ljudi, ki imajo radi skrivnosti. Bistvo je, da lahko umetna inteligenca zagotovi dobre predloge, ki temeljijo na pripadnosti skupini, tudi če je skupino težko (če ne nemogoče) identificirati s človeškega vidika.

Pridobivanje napačnih predlogov

Vsakdo, ki je nakupoval po spletu, ve, da spletna mesta pogosto ponujajo predloge na podlagi različnih kriterijev, na primer prejšnjih nakupov. Na žalost so ti predlogi pogosto napačni, ker osnovna umetna inteligenca nima razumevanja. Ko nekdo enkrat v življenju kupi Super-Wide Widget, bi človek verjetno vedel, da je nakup res enkrat v življenju, ker je zelo malo verjetno, da bi kdo potreboval dva. Vendar AI tega dejstva ne razume. Torej, razen če programer posebej ustvari pravilo, ki določa, da so super-široki pripomočki nakup enkrat v življenju, se lahko AI odloči, da še naprej priporoča izdelek, ker je prodaja razumljivo majhna. Pri upoštevanju sekundarnega pravila o promociji izdelkov s počasnejšo prodajo se AI obnaša v skladu z značilnostmi, ki jih je zanjo zagotovil razvijalec,

Poleg napak, ki temeljijo na pravilih ali logičnih napak v AI, se lahko predlogi poškodujejo zaradi težav s podatki. Na primer, GPS bi lahko dal predlog na podlagi najboljših možnih podatkov za določeno potovanje. Vendar bi lahko zaradi gradnje ceste predlagana pot postala nevzdržna, ker je cesta zaprta. Seveda številne aplikacije GPS upoštevajo gradnjo cest, vendar včasih ne upoštevajo drugih vprašanj, kot so nenadna sprememba omejitve hitrosti ali vremenske razmere, zaradi katerih je določena pot zahrbtna. Ljudje lahko premagamo pomanjkanje podatkov z inovacijami, na primer z uporabo manj prevožene ceste ali razumevanjem pomena obvoznih znakov.

Ko AI uspe premagati logiko, pravila in težave s podatki, včasih še vedno daje slabe predloge, ker ne razume korelacije med določenimi nizi podatkov na enak način kot človek. Umetna inteligenca na primer morda ne ve predlagati barve, potem ko človek kupi kombinacijo cevi in ​​suhih zidov pri popravilu vodovodne instalacije. Potreba po barvanju suhih zidov in okolice po popravilu je človeku očitna, ker ima človek občutek za estetiko, ki ga AI manjka. Človek vzpostavi korelacijo med različnimi izdelki, ki AI ni očitna.