Att komma med förslag och artificiell intelligens

Ett förslag skiljer sig från ett kommando. Även om vissa människor verkar missa poängen helt, är ett förslag helt enkelt en idé som lagts fram som en potentiell lösning på ett problem. Att komma med ett förslag innebär att andra lösningar kan finnas och att acceptera ett förslag inte innebär att det automatiskt implementeras. I själva verket är förslaget bara en idé; det kanske inte ens fungerar. Naturligtvis, i en perfekt värld skulle alla förslag vara bra förslag - åtminstone möjliga lösningar på en korrekt utdata, vilket sällan är fallet i den verkliga världen.

Få förslag baserat på tidigare åtgärder

Det vanligaste sättet som en AI använder för att skapa ett förslag är att samla in tidigare åtgärder som händelser och sedan använda dessa tidigare åtgärder som en datauppsättning för att göra nya förslag. Till exempel, någon köper en Half-Baked Widget varje månad i tre månader. Det är vettigt att föreslå att du köper en till i början av den fjärde månaden. Faktum är att en riktigt smart AI kan komma med förslaget vid rätt tidpunkt i månaden. Om användaren till exempel gör köpet mellan den tredje och den femte dagen i månaden under de första tre månaderna, lönar det sig att börja komma med förslaget den tredje dagen i månaden och sedan gå över till något annat efter den femte dagen.

Människor avger ett enormt antal ledtrådar när de utför uppgifter. Till skillnad från människor, uppmärksammar en AI faktiskt var och en av dessa ledtrådar och kan spela in dem på ett konsekvent sätt. Den konsekventa insamlingen av åtgärdsdata gör det möjligt för en AI att ge förslag baserade på tidigare åtgärder med en hög grad av noggrannhet i många fall.

Få förslag baserat på grupper

Ett annat vanligt sätt att komma med förslag bygger på gruppmedlemskap. I det här fallet behöver gruppmedlemskapet inte vara formellt. En grupp kan bestå av en lös sammanslutning av människor som har något mindre behov eller aktivitet gemensamt. Till exempel kan en skogshuggare, en butiksägare och en dietist alla köpa mysterieböcker. Även om de inte har något annat gemensamt, inte ens platsen, gör det faktum att alla tre gillar mysterier dem en del av en grupp. En AI kan lätt upptäcka sådana här mönster som kan gäcka människor, så den kan ge bra köpförslag baserat på dessa ganska lösa grupptillhörigheter.

Grupper kan inkludera eteriska kopplingar som i bästa fall är tillfälliga. Till exempel kunde alla människor som flög flyg 1982 från Houston en viss dag bilda en grupp. Återigen, det finns inget som helst samband mellan dessa människor förutom att de dök upp på ett specifikt flyg. Men genom att känna till denna information kan en AI utföra ytterligare filtrering för att hitta personer inom flygningen som gillar mysterier. Poängen är att en AI kan ge bra förslag utifrån grupptillhörighet även när gruppen är svår (om inte omöjlig) att identifiera ur ett mänskligt perspektiv.

Får fel förslag

Alla som har ägnat tid åt att handla online vet att webbsidor ofta ger förslag utifrån olika kriterier, som tidigare köp. Tyvärr är dessa förslag ofta felaktiga eftersom den underliggande AI saknar förståelse. När någon gör ett köp en gång i livet av en Super-Wide Widget, skulle en människa sannolikt veta att köpet verkligen är en gång i livet eftersom det är extremt osannolikt att någon kommer att behöva två. Men AI förstår inte detta faktum. Så om inte en programmerare specifikt skapar en regel som anger att Super-Wide Widgets är ett köp en gång i livet, kan AI välja att fortsätta rekommendera produkten eftersom försäljningen förstås är liten. Genom att följa en sekundär regel om att marknadsföra produkter med långsammare försäljning, beter sig AI enligt de egenskaper som utvecklaren tillhandahållit för den,

Förutom regelbaserade eller logiska fel i AI:er, kan förslag skadas på grund av dataproblem. En GPS kan till exempel ge ett förslag baserat på bästa möjliga data för en viss resa. Vägbyggen kan dock göra den föreslagna vägen ohållbar eftersom vägen är avstängd. Naturligtvis överväger många GPS-applikationer vägbyggen, men de tar ibland inte hänsyn till andra frågor, som en plötslig förändring av hastighetsgränsen eller väderförhållanden som gör en viss väg förrädisk. Människor kan övervinna brister i data genom innovation, till exempel genom att använda den mindre framkomna vägen eller förstå innebörden av omvägsskyltar.

När en AI lyckas komma förbi logik-, regel- och dataproblemen kommer den ibland fortfarande med dåliga förslag eftersom den inte förstår korrelationen mellan vissa datamängder på samma sätt som en människa gör. Till exempel kanske AI inte vet att föreslå färg efter att en människa köpt en kombination av rör och gipsväggar när han gör en VVS-reparation. Behovet av att måla gipsskivan och det omgivande området efter reparationen är uppenbart för en människa eftersom en människa har en känsla för estetik som AI saknar. Människan gör en korrelation mellan olika produkter som inte är uppenbar för AI.