Våra liv handlar om att fatta beslut. Ska du att ta med ett paraply på din promenad eller inte? Ändras beslutet om det finns en 25-procentig risk för regn? Eller om du har på dig något som du verkligen inte vill ska bli blött?
Enligt Ajay Agrawal, ekonom, professor och medförfattare till Prediction Machines: The Simple Economics of Artificial Intelligence, använder vi en kombination av förutsägelser och bedömningar för att fatta alla beslut, stora som små. AI:s styrka ligger i dess förmåga att ta hand om förutsägelsedelen av den ekvationen – att berätta för dig hur stor risken är för regn. I slutändan använder du mänsklig bedömning för att avgöra om du bör ta med ett paraply baserat på hur mycket du ogillar att bli blöt jämfört med hur mycket du ogillar att bära ett paraply när det inte regnar.
Modeller med artificiell intelligens kan bearbeta stora mängder data för att identifiera mönster och generera korrekta förutsägelser. Det råder ingen tvekan om att AI förbättrar hur människor arbetar, hjälper dem att bli mer produktiva, förbättrar hur de samarbetar och höjer deras kompetens. Och när företag använder AI för prediktiv analys kan det förändra ledares sätt att fatta beslut och hjälpa dem att bättre betjäna kunder, fördela resurser och skapa nya och förbättrade processer.
Ajay deltog nyligen i vår webbinarieserie Work Evolved för att prata om kraften i AI och prediktiv analys. Vi träffade Ajay för att fortsätta samtalet om prediktiv AI – här är vad han hade att säga om dess potential att förändra hela branscher och vilka medarbetare som har mest att vinna på att använda prediktiva AI-verktyg.
Vissa människor ser AI som smarta maskiner, robotar som kan tala eller tänka som människor. Hur ser du på AI som ekonom?
Artificiell intelligens hjälper oss med förutsägelser. Förutsägelser innebär att använda information som du har för att generera information som du inte har.
Det är vad generativa AI-modeller som ChatGPT gör – använder förutsägelser för att generera mänskligt klingande språk. Generativa AI-modeller förutsäger nästa token, eller ord, i en sekvens för att skapa ett mänskligt klingande meddelande. Ett annat exempel är en bank som använder AI för att upptäcka bedrägerier genom att bearbeta data från tidigare transaktioner och användarvanor för att kunna förutsäga om ett köp är bedrägligt.
En grundläggande ekonomisk princip är att när något blir billigare så använder vi mer av det. Utvecklingen av AI innebär en minskning av kostnaden för förutsägelser. Och när förutsägelser blir billigare kommer vi att använda mer av dem.
Låt oss prata mer om förutsägelser. Vad är prediktiv AI och vad finns det för exempel i verkligheten?
Prediktiv AI använder indata för att generera utdata. Som ett traditionellt exempel kan vi använda 20 års historiska försäljningsdata för att förutsäga försäljningen under tredje kvartalet nästa år. De historiska uppgifterna är indata och försäljningsprognosen är utdata.
Mindre traditionellt kan vi använda pixlarna i en medicinsk bild för att förutsäga om en tumör är elakartad eller godartad. Pixelinformationen är indata och bedömningen av tumören är utdata. Det är också en förutsägelse.
En intressant egenskap hos AI är att den, till skillnad från tidigare statistiska tekniker, kan använda multimodala data (t.ex. bilder, video och språk), inte bara siffror, som indata, och den kan producera förutsägelser i form av bilder, video och språk.