Штучний інтелект VS економісти: хто краще в умовах невизначеності

Невизначеність супроводжує людину протягом усього життя. Що б ми не робили, ми ніколи не маємо впевненості в тому, що отримаємо бажаний результат, а іноді, не маємо жодної впевненості в тому, яким саме буде результат наших дій. Проте, людство намагається подолати цю проблему різними методами і надію на вирішення цього питання дає штучний інтелект. Та чи справді використання штучного інтелекту дозволить отримати стовідсоткову впевненість у наслідках прийнятих рішень та усунути фактор невизначеності? Для того, щоб відповісти на це питання Роберт Еліот Сміт  з Університетського Коледжу Лондона дослідив підходи до розуміння того, що таке невизначеність, процес прийняття рішень людиною та як навчити штучний інтелект приймати правильні рішення. VoxUkraine вибрав найголовніше з  його дослідження Idealizations of Uncertainty, and Lessons from Artificial Intelligence

Дослідження в галузях економіки та штучного інтелекту пов’язані з моделюванням прийняття рішень людиною. Все більшого поширення набувають дискусії з-приводу того, наскільки економічна діяльність людини може бути заміщена роботою штучного інтелекту (Schwab). І що цікаво – в таких дискусіях увага, в основному, приділяється тому, які саме професії знаходяться в небезпеці бути витісненими штучним інтелектом (Frey, Osborne) із врахуванням того, що на сьогодні штучний інтелект вже застосовується при прийнятті рішень в сфері економіки.

В той час, як нормативні системи штучного інтелекту були корисними в багатьох інженерних галузях знань в якості допомоги при прийнятті рішень, вони були малокорисними з точки зору обгрунтування надійності прийнятих рішень. Найбільшими проблемами систем штучного інтелекту були їх ненадійність (у випадку дедуктивних систем) та слабкі можливості щодо узагальнення результатів (у випадку індуктивних систем). Дані проблеми напряму пов’язані із невизначеністю про детальні умови майбутньої ситуації, щодо якої приймається рішення. Використання систем штучного інтелекту для вирішення обчислювальних та оптимізаційних задач дало позитивні результати у тих сферах, де параметри ситуації можуть бути чітко задані з самого початку. Проте, можливість ефективного вирішення обчислювальних задач не може допомогти у вирішенні питань, де умови постійно змінюються. Це стосується інновацій, коли люди щось розробляють та впроваджують в новий спосіб, який до цього був невідомий. В таких умовах невизначеності всі існуючі на сьогодні системи штучного інтелекту є ненадійними.

Моделі прийняття рішень

Спроби змоделювати процес прийняття людиною рішення мають багату історію, починаючи від фундаментальних логічних та математичних моделей і закінчуючи розробкою обчислювальної техніки. Врешті-решт, для вирішення даної проблеми почали  використовувати комп’ютери, що призвело до появи того, що зараз відоме як штучний інтелект. Історія розробки штучного інтелекту тісно пов’язана з дослідженнями в галузі економіки, в основі якої лежить проблема прийняття рішень.

Дедуктивні моделі

Першими програмами штучного інтелекту були «Універсальний вирішувач задач» (General Problem Solver) та «Логічна теоретична машина» (Logic Theory Machine). Ці програми працювали за схожим принципом, що полягав у пошуку рішення з використанням дерева альтернатив. Корінь дерева альтернатив – це гіпотеза або існуючий стан. Кожна гілка – це дедуктивний хід на основі законів логіки. Процес пошуку рішення зводився до руху по гілках дерева аж до отримання висновку. При цьому дедуктивна методологія штучного інтелекту залежала від того, як була змодельована конкретна проблема (сформована інформаційна модель, в якій шлях пошуку для досягнення цілі побудований як формалізована структура, а сам пошук здійснюється на основі законів логіки). В свою чергу, пошук відповіді здійснюється на основі логічного або математичного алгоритму, в результаті реалізації якого, отримується умовивід, що грунтується на заданій інформаційній моделі. При цьому важливе наступне: інформація, що змодельована для конкретної ситуації, в якій треба зробити вибір, є узагальненою і може застосовуватись для пошуку рішень в інших ситуаціях. Узагальненість логічних процедур є важливою умовою опису принципу дії таких систем штучного інтелекту.

Як би там не було, моделі такого виду мають суттєвий недолік – обмеженість обчислювальної потужності і значний час на проведення обчислень. З метою подолання цих недоліків Саймон та Ньювел запропонували використовувати евристику, тобто вирішення проблеми на основі спроб та помилок. В подальшому системи штучного інтелекту, які працювали за цим принципом, дістали назву «експертні системи».

Моделі такого виду мають суттєвий недолік – обмеженість обчислювальної потужності і значний час на проведення обчислень.

Яскравим прикладом експертної системи штучного інтелекту була MYCIN, яка використовувалась для діагностики інфекцій крові. В якості інформаційної бази MYCIN використовувала набір із 600 логічних правил типу «ЯКЩО/ТОДІ», які були сформульовані на основі результатів опитування експертів.

Хоча MYCIN була чудовою демонстрацією роботи штучного інтелекту, експертні системи мали значні проблеми. Першою проблемою була ненадійність, яка проявлялася тоді, коли системи стикалися з ситуаціями, які не були прописані в їх алгоритмі. Може здатися, що вирішення цієї проблеми полягає в тому, щоб просто додати нові правила, які б описували нові можливі ситуації, але таке вирішення зумовлює другу проблему – надмірне ускладнення системи. На практиці виявилося, що постійно вдосконалювати систему штучного інтелекту (для подолання проблеми її ненадійності) новими умовами та правилами є занадто дорого та складно. Якщо експерти не мали проблем при прийнятті рішень із врахуванням нових умов, що не були прописані в алгоритмі системи, то існували великі проблеми з інтерпретацією думки експертів на мову алгоритму.

Індуктивні моделі

Якщо проблема інтерпретації експертної думки на мову алгоритму не підлягає вирішенню, то можливо вихід із ситуації полягає в тому, щоб навчити штучний інтелект навчатися на основі спостереження та досвіду. Саме такий підхід був покладений в основу розробки індуктивного логічного програмування, яке базується на логічному представленні моделей (як і у випадку дедуктивних систем) позитивних та негативних прикладів для виведення та тестування гіпотез. Така парадигма добре себе зарекомендувала в окремих сферах (переважно біоінформатика та лінгвістичний аналіз), але мала ті ж недоліки, що й дедуктивні моделі.

Переважна більшість методик штучного інтелекту індуктивних моделей розроблялась з метою симуляції діяльності людського мозку при вирішенні простих питань, а не для симуляції складних процесів, як у випадку експертних систем. Такі моделі отримали назву «нейронні мережі». Тим не менше, в своїй переважній більшості такі моделі базувались скоріше на ідеалізованому уявленні про роботу людського мозку, аніж на реальних його можливостях.

Переважна більшість методик штучного інтелекту індуктивних моделей розроблялась з метою симуляції діяльності людського мозку при вирішенні простих питань, а не для симуляції складних процесів, як у випадку експертних систем.

Як і у випадку експертних систем, можливості індуктивних систем штучного інтелекту були обмежені обсягом вихідних даних, які їм задавали розробники. «Слабке узагальнення» або ж неможливість інтерпретувати отримані результати відносно невизначених умов – це головна проблема індуктивних систем штучного інтелекту. Ця проблема пов’язана із проблемою обчислення, а тому унеможливлює побудову цілісної робочої моделі прийняття рішень.

В індуктивних моделях штучного інтелекту значні обсяги часу витрачались на допроцесний та постпроцесний етап обчислення, відбір та уточнення потрібних даних, та вибір архітектури навчальної моделі. Навіть із такими значними зусиллями індуктивні моделі видавали досить поганий результат щодо непередбачуваних подій. Таким чином, автоматично оновлювана інформаційна модель для дедуктивних систем та вибір потрібних моделей для індуктивних систем все ще мали багато проблем для їх успішного використання.

Ймовірність як модель невизначеності

Для побудови ефективної моделі роботи штучного інтелекту вкрай важливо зрозуміти, як людина приймає рішення в контексті умов визначеності та невизначеності. Тут, як дедуктивним, так і індуктивним моделям, на допомогу приходить теорія ймовірності. Ймовірність – це можливість настання певних подій або можливість їх ненастання. Ймовірність визначається в межах від 0 до 1 щодо певної події, настання якої є невизначеним (рис. 1, 2).

Теорія ймовірності передбачає, що можна перерахувати (або описати функціональну залежність) всі можливі події так, що сума ймовірностей їх настання дорівнює 1. В реальному світі ймовірність ніколи не є абсолютною, а є відносною, тобто настання (або ненастання) одних подій залежить від настання (або ненастання) інших подій.

Проте застосування теорії ймовірності може бути ефективним лише в окремих напрямах, як то ігри в казино, навчання та практична фізика. В переважній більшості випадків теорія ймовірності не враховує ряд важливих характеристик, властивих людському мозку. Наприклад, при оцінці ймовірності спіймати кинутий м’яч, теорія ймовірності не врахує той факт, що людина знає закони фізики, а тому зпрогнозує траекторію польоту м’яча, що підвищує ймовірність його спіймати.

В переважній більшості випадків теорія ймовірності не враховує ряд важливих характеристик, властивих людському мозку.

Ще одним важливим питання, яке необхідно вирішити для побудови ефективних систем штучного інтелекту – з’ясувати, чи узгоджується модель обгрунтування рішень людиною із можливостями теорії ймовірності. Насправді існує безліч прикладів, коли люди приймають рішення у такий спосіб, який несумісний із теорією ймовірності. Такі випадки пояснюються багатьма теоріями, які пропонують нові фактори, що впливають на вибір людей. В свою чергу, це знову повертає нас до питання про те, яким чином людина робить свій вибір.

Цілком обгрунтовано припустити, що процес здійснення вибору людиною обумовлений певним законом, на зразок законів фізики, і може бути описаний певним рівнянням. Але припущення про те, що такий механізм має бути логічним, ймовірнісним чи баєсівським має бути перевірене шляхом спостереження за реальними людьми, які приймають рішення та роблять вибір.

Висновки

Процес прийняття рішень людиною напряму пов’язаний із фізичними особливостями роботи мозку, які мають бути ретельно досліджені та вивчені. Значну роль в прийнятті рішень відіграють фізичні та психологічні фактори, що впливають на людину. Різні люди по-різному сприймають ті чи інші явища, процеси, слова, а тому і рішення приймають по-різному. Важливо також зрозуміти, яким чином люди трансформують свій попередній досвід та психологічні фактори в абстрактні символи, за допомогою яких обгрунтовують прийняте рішення. Нещодавні результати дослідження когнітивних функцій головного мозку показали, що попередній чуттєвий досвід кодується у абстрактні символи, які використовуються як будівельні цеглини для думок. Цілком ймовірно, що саме на основі цих абстрактних символів людина робить свій вибір і приймає рішення.

Різні люди по-різному сприймають ті чи інші явища, процеси, слова, а тому і рішення приймають по-різному. Важливо також зрозуміти, яким чином люди трансформують свій попередній досвід та психологічні фактори в абстрактні символи, за допомогою яких обгрунтовують прийняте рішення.

Складається ситуація, коли всі існуючі моделі прийняття рішень є неправильними, але деякі з них можуть бути корисними. На сьогодні, при прийнятті рішень в сфері економіки, ми не можемо повністю покластися на штучні системи прийняття рішень, оскільки вони не враховують всю складність реального світу. Для того, щоб подолати існуючі проблеми в розробці штучного інтелекту, необхідно відійти від дослідження того, як люди повинні приймати рішення (відійти від ідеалізації цього процесу) і дослідити те, як вони їх фактично приймають. Саме розуміння принципів процесу прийняття рішень стане запорукою побудови ефективної моделі штучного інтелекту.

Переклад й адаптація Віталій Бондарчук

Головне зображення: depositphotos.com / SergeyNivens