Ai que sabe o porquê: o futuro da inteligência de decisão

A IA causal está redefinindo a inteligência da decisão, oferecendo idéias mais profundas e tomada de decisão mais precisa do que nunca.

Em TheCube Researchs Última análisediscutido no “Próximas fronteiras de IA” podcast, Stuart Frostdiretor executivo e fundador de Software geminojuntou -se a TheCube Research’s Scott Hebnero anfitrião do podcast. A conversa centrou-se na crescente importância da IA ​​causal e seu potencial de remodelar a tomada de decisões da empresa.

As empresas lutam para alavancar a IA para decisões críticas. Embora a IA generativa e os grandes modelos de idiomas ofereçam notáveis ​​aumentos de produtividade, sua dependência de correlação, em vez de causar, limita severamente sua eficácia em aplicações críticas de negócios, de acordo com a Frost. Os modelos atuais de IA não conseguem entender por que os eventos ocorrem, dificultando sua capacidade de fornecer suporte de tomada de decisão genuinamente perspicaz.

“O que nossos clientes desejam não é outra tecnologia de IA; eles querem tomar melhores decisões”, disse Frost. “Quando você começa a seguir esse caminho de IA causal, em vez da IA ​​correlacional, você nunca volta. É apenas melhor.”

Por que a IA causal está mudando o jogo

As empresas há muito tempo enfrentam as limitações inerentes às tecnologias correlacionais da IA, que prevêem principalmente os resultados com base em padrões de dados históricos sem explicar suas causas subjacentes, de acordo com a geada. Essas abordagens tradicionais podem destacar problemas, como aumento do tempo de inatividade nas operações industriais, mas não explicam a causa raiz ou como corrigi -la. A mudança em direção à IA causal aborda essas deficiências, oferecendo informações sobre por que os eventos ocorrem e quais ações específicas podem mitigar ou capitalizá -las.

“Digamos que estou em uma refinaria gerenciando um processo”, explicou. “A IA clássica pode indicar que o tempo de inatividade está aumentando, mas não explica o porquê ou o que fazer a respeito. Com a IA causal, desenvolvemos um modelo que entende como uma mudança em uma variável – como aumentar a temperatura – afeta outras variáveis ​​no sistema, como a pressão nos tubos. Essa abordagem nos permite identificar causas radiculares e modelas previsivelmente o que intervenções para implementar para implementar os implementos.

Essa mudança da correlação para a causa permite que as empresas identifiquem questões, prevêem resultados e influenciem proativamente os resultados, aumentando sua inteligência de decisão. Os modelos causais permitem que as organizações simulam diferentes cenários, prevendo o impacto de cada decisão antes de cometer recursos, de acordo com a Frost.

“Depois de seguir esse caminho e ver o poder, você não volta como cientista de dados”, disse ele. “É apenas melhor, fundamentalmente.”

A ascensão da IA ​​causal é particularmente significativa em uma época em que a tomada de decisões da empresa exige explicação, transparência e precisão. À medida que os ambientes regulatórios e as expectativas das partes interessadas evoluem, a necessidade de inteligência de decisão se torna ainda mais crítica, de acordo com Frost. Sem a IA explicável, as empresas riscam decisões com base em informações não confiáveis ​​ou incompreendidas, resultando potencialmente em erros caros e perda de confiança das partes interessadas, de acordo com a Frost.

“A questão fundamental com o LLMS é que eles são apenas grandes motores correlacionais”, explicou Frost. “Eles não entendem os efeitos causais. E o que começamos a fazer é dar os primeiros passos para abordar isso”.

Hebner destacou ainda essa distinção crítica entre correlação e causa, enfatizando sua necessidade de inteligência de decisão genuína.

“A correlação não implica necessariamente causação e uma previsão não é um julgamento”, disse Hebner. “Você precisa de julgamentos para tomar decisões.”

Tornando a IA mais inteligente: a próxima evolução da inteligência de decisão

Hoje, as empresas reconhecem as limitações das soluções generativas de IA tradicionais e há uma demanda crescente por IA capaz de raciocínio causal. A integração de gráficos de conhecimento causal nas infraestruturas da IA ​​corporativa oferece uma solução atraente. Esses gráficos de conhecimento aprimoram os modelos de IA, mapeando relacionamentos de causa e efeito, o que, por sua vez, fortalece a inteligência da decisão e melhora a tomada de decisões, de acordo com a Frost.

“Usamos o gráfico de conhecimento para conduzir mais modelos causais em escala; isso nos ajuda a tomar melhores decisões, e podemos alimentar essa experiência causal e a prática real de trabalhar em dados e tomar decisões de volta ao gráfico de conhecimento causal”, disse Frost. “Uma vez que isso se rolando, torna -se realmente poderoso.”

As aplicações potenciais dos gráficos de conhecimento causal são imensas, desde operações industriais a processos de tomada de decisão organizacional mais amplos. Ao capturar os elementos dinâmicos do conhecimento dos negócios, os sistemas causais de IA se tornam muito mais eficazes e confiáveis, melhorando significativamente a inteligência de decisão em organizações inteiras, de acordo com a Frost.

“Os agentes e assim por diante não funcionarão muito bem se não souberem do que se trata o nosso negócio e o que são as restrições e quais são as cadeias de causa-efeito”, disse ele. “Eles não podem simplesmente buscá -lo em um pequeno contexto. Eles precisam entender como uma empresa opera para nos ajudar.”

A ascensão da IA ​​causal também está tornando a análise avançada mais acessível, trazendo sofisticadas ferramentas de tomada de decisão para organizações de todos os tamanhos, de acordo com a Frost. Em vez de confiar nas infraestruturas massivas de computação de força bruta típicas de IA generativa, as empresas agora podem aproveitar modelos causais simplificados que usam conjuntos de dados menores e de alta qualidade para gerar informações mais precisas e acionáveis.

Como as empresas procuram insights mais confiáveis ​​orientados a IA, a inteligência de decisão está emergindo como uma ferramenta crítica para moldar o futuro da automação inteligente. Para um mergulho mais profundo na discussão de Hebner e Frost, parte do “Próximas fronteiras da série de podcast da AI ”confira a conversa completa:

https://www.youtube.com/watch?v=5qhdifjm8m8

Imagem: Siliconangle/Dall-e