Yksi suosituimmista tekoälyn sovelluksista tähän mennessä on ollut sen käyttäminen asioiden ennustamiseen käyttämällä historiatietoihin koulutettuja algoritmeja tulevan tuloksen määrittämiseen. Mutta suosio ei aina tarkoita menestystä: Ennustava tekoäly jättää pois paljon vivahteita, kontekstia ja syy-seuraus-perusteluja, jotka vaikuttavat tulokseen; ja kuten jotkut ovat huomauttaneet (ja kuten olemme nähneet), tämä tarkoittaa, että joskus ennustavan tekoälyn tuottamat "loogiset" vastaukset voivat osoittautua tuhoisiksi. CausaLens-niminen startup-yritys on kehittänyt kausaalisen päättelyteknologian, joka esitetään koodittomana työkaluna, joka ei edellytä datatieteilijältä tuodakseen lisää vivahteita, päättelyä ja syy-seuraus-herkkyyttä tekoälypohjaiseen järjestelmään - minkä se uskoo. voi ratkaista tämän ongelman.
CausaLensin tavoitteena, toimitusjohtaja ja toinen perustaja Darko Matovski sanoi, on, että tekoäly "alkaa ymmärtää maailmaa sellaisena kuin ihmiset sen ymmärtävät".
Tänään startup-yritys ilmoittaa 45 miljoonan dollarin rahoituksesta nähtyään varhaisen menestyksen sen lähestymistavan avulla. Sen tulot ovat kasvaneet 500 % sen jälkeen, kun se tuli ulos vuosi sitten. Tätä kuvataan kierroksen "ensimmäiseksi sulkemiseksi", mikä tarkoittaa, että se on edelleen auki ja mahdollisesti kasvaa kokoaan.
Dorilton Ventures ja Molten Ventures (Draper Espritistä uudelleenbrändätty VC) johtivat kierrosta, ja aiemmat tukijat Generation Ventures ja IQ Capital sekä uusi tukija GP Bullhound osallistuivat myös. Lähteet kertovat meille, että Lontoossa toimivan causaLensin pyöreä arvo on noin 250 miljoonaa dollaria.
CausaLensin asiakkaita ja kumppaneita ovat tällä hetkellä terveydenhuollon, rahoituspalvelujen ja julkishallinnon organisaatiot useiden muiden toimialojen joukossa, joissa sen teknologiaa ei käytetä pelkästään tekoälyyn perustuvaan päätöksentekoon, vaan tuodaan esiin enemmän syy-seuraus-viiveitä, kun tuloksiin pääseminen.
Havainnollistava esimerkki tämän toiminnasta löytyy Mayo Clinicistä, joka on yksi startupin kumppaneista ja joka on tunnistanut syövän biomarkkereita causaLensin avulla.
"Ihmiskehot ovat monimutkaisia järjestelmiä, joten tekoälyn perusparadigmoja soveltamalla voit löytää minkä tahansa mallin, kaikenlaisia korrelaatioita, etkä pääse mihinkään", startupin toimitusjohtaja ja perustaja Darko Matovski sanoi. haastattelu. "Mutta jos käytät syy-seuraustekniikoita eri kappaleiden toiminnan mekaniikan ymmärtämiseen, voit ymmärtää enemmän todellisen luonteen siitä, kuinka yksi osa vaikuttaa toiseen."
Kaikki mahdolliset muuttujat huomioon ottaen kyseessä on sellainen iso dataongelma, jota ihmisen tai jopa ihmisryhmän on lähes mahdotonta laskea, mutta joka on taulukon panoksia, joiden avulla tietokone voi selviytyä. Vaikka se ei ole parannuskeino syöpään, tällainen työ on merkittävä askel kohti erilaisia hoitoja, jotka on räätälöity moniin asiaan liittyviin permutaatioihin.
CausaLensin tekniikkaa on sovellettu myös vähemmän kliinisellä tavalla terveydenhuollossa. Kansanterveysvirasto yhdestä maailman suurimmista talouksista (causaLens ei voi paljastaa julkisesti kumpi) käytti kausaalista tekoälymoottoriaan selvittääkseen, miksi tietyt aikuiset ovat pidättäytyneet ottamasta COVID-19-rokotteita, jotta virasto voisi suunnitella parempia strategioita saadakseen. ne ovat mukana (monikko "strategiat" on tässä operatiivinen yksityiskohta: koko pointti on, että se on monimutkainen kysymys, johon liittyy useita syitä kyseessä olevista henkilöistä riippuen).
Toiset asiakkaat esimerkiksi rahoituspalveluissa ovat käyttäneet causaLensiä tiedottaakseen automatisoiduille päätöksentekoalgoritmeille sellaisilla aloilla, kuten lainojen arvioinnissa, joissa aiemmat tekoälyjärjestelmät ovat aiheuttaneet harhaa päätöksissään käytettäessä pelkästään historiallisia tietoja. Hedge-rahastot puolestaan käyttävät causaLensiä saadakseen paremman käsityksen siitä, miten markkinatrendi voi kehittyä sijoitusstrategioidensa perustana.
Ja mielenkiintoista kyllä, yksi uusi asiakasaalto saattaa ilmaantua autonomisen liikenteen maailmaan. Tämä on yksi alue, jolla inhimillisen päättelyn puute on jarruttanut alan edistymistä.
"Riippumatta siitä, kuinka paljon dataa syötetään autonomisiin järjestelmiin, ne ovat silti vain historiallisia korrelaatioita", Matovski sanoi haasteesta. Hän sanoi, että causaLens keskustelee nyt kahden suuren autoyhtiön kanssa, joilla on "monia käyttötapauksia" tekniikalleen, mutta yksi niistä on erityisesti autonominen ajaminen "auttaakseen järjestelmiä ymmärtämään, miten maailma toimii. Kyse ei ole vain korreloiduista pikseleistä, jotka liittyvät punaiseen valoon ja pysähtyvään autoon, vaan myös siitä, mikä vaikutus on auton hidastumisella punaisessa valossa. Tuomme päättelyä tekoälyyn. Causal AI on ainoa toivo autonomiselle ajamiselle.
Näyttää itsestäänselvyydeltä, että tekoälyn käyttäjät haluaisivat järjestelmän olevan mahdollisimman tarkka, mikä herättää kysymyksen, miksi kausaalisen tekoälyn loistavaa parannusta ei ole rakennettu tekoälyalgoritmeihin ja -koneisiin. oppiminen ennen kaikkea.
Ei ole niin, että perustelut ja vastaus "miksi" eivät olleet prioriteetteja varhain, Matovski selitti - "Ihmiset ovat tutkineet syy-seuraussuhteita tieteessä jo pitkään. Voit jopa väittää, että Newtonin yhtälöt ovat kausaalisia. Se on erittäin perustavaa laatua olevaa tiedettä", hän sanoi - mutta tekoälyasiantuntijat eivät voineet ymmärtää, kuinka koneita opetetaan tekemään tämä. "Se oli liian vaikeaa", hän sanoi. "Algoritmeja ja tekniikkaa ei ollut olemassa."
Se alkoi muuttua vuoden 2017 tienoilla, hän sanoi, kun tutkijat alkoivat julkaista alustavia lähestymistapoja, joissa pohdittiin, miten tekoälyssä voidaan esittää "päättelyä" ja syytä ja seurausta. Se perustuu signaalien löytämiseen, jotka vaikuttivat olemassa oleviin tuloksiin (sen sijaan, että käyttäisivät historiallisia tietoja määrittämään tulokset) ja mallien rakentaminen sen pohjalta. Mielenkiintoista on, että se on lähestymistapa, jonka Matovskin mukaan ei tarvitse käyttää valtavia määriä harjoitusdataa toimiakseen. CausaLensin tiimi on erittäin raskas tohtoreiden suhteen (voisi sanoa, että startup todella söi koiranruokansa täällä: se harkitsi 50 000 ansioluetteloa kokoaessaan tiimiään). Ja tämä joukkue on ottanut sen viestikapula ja kulkenut sen mukana. "Sittemmin se on ollut eksponentiaalinen kasvukäyrä" löytöjen suhteen, hän sanoi. (Voit lukea siitä lisää täältä.)
Kuten arvata saattaa, causaLens ei ole ainoa pelaaja, joka etsii keinoja hyödyntää kausaalista päättelyä isommissa tekoälyyn perustuvissa projekteissa. Alalla työskentelevät myös Microsoft, Facebook, Amazon, Google ja muut suuret teknologian toimijat, joilla on merkittäviä tekoälyinvestointeja. Startup-yritysten joukossa on myös Causalis, joka keskittyy nimenomaan mahdollisuuteen käyttää kausaalista tekoälyä lääketieteessä ja terveydenhuollossa, ja Oogway näyttää rakentavan kuluttajille suunnattua kausaalista tekoälyalustaa, "henkilökohtaista tekoälyapulaista", kuten se kuvaa itseään. Kaikki tämä kertoo mahdollisuudesta kehittää lisää ja melko massiivisia markkinoita teknologialle, joka kattaa sekä tietyt kaupalliset että yleisemmät käyttötapaukset.
"Tekoälyn on otettava seuraava askel kohti kausaalista päättelyä, jotta se voi täyttää potentiaalinsa todellisessa maailmassa. causaLens on ensimmäinen, joka hyödyntää kausaalista tekoälyä interventioiden mallintamiseen ja koneohjatun itsetutkiskelun mahdollistamiseen”, Dorilton Venturesin Daniel Freeman sanoi lausunnossaan. ”Tämä maailmanluokan tiimi on rakentanut ohjelmiston, joka on niin pitkälle kehitetty, että se houkuttelee vakavia datatieteilijöitä ja käytettävyyttä yritysjohtajien voimaannuttamiseksi. Dorilton Ventures on erittäin innoissaan voidessaan tukea causaLensiä sen matkan seuraavassa vaiheessa.
"Jokainen yritys ottaa tekoälyn käyttöön, ei vain siksi, että he voivat, vaan koska heidän on pakko", lisäsi Christoph Hornung, Molten Venturesin sijoitusjohtaja. ”Me Moltenissa olemme vakuuttuneita siitä, että syy-yhteys on keskeinen ainesosa, jota tarvitaan tekoälyn potentiaalin vapauttamiseen. causaLens on maailman ensimmäinen kausaalinen AI-alusta, jolla on todistetusti kyky muuntaa tiedot optimaalisiksi liiketoimintapäätöksiksi."