Microsoft está ensinando computadores a entender causa e efeito

A IA que analisa dados para ajudá-lo a tomar decisões deve ser uma parte cada vez mais importante das ferramentas de negócios, e os sistemas que fazem isso estão ficando mais inteligentes com uma nova abordagem de otimização de decisões que a Microsoft está começando a disponibilizar.

Causa e efeito

O aprendizado de máquina é ótimo para extrair padrões de grandes quantidades de dados, mas não necessariamente bom para entender esses padrões, especialmente em termos do que os causa. Um sistema de aprendizado de máquina pode aprender que as pessoas compram mais sorvete em climas quentes, mas sem uma compreensão de senso comum do mundo, é provável que sugira que, se você quiser que o clima fique mais quente, compre mais sorvete.

Entender por que as coisas acontecem ajuda os humanos a tomar melhores decisões, como um médico escolhendo o melhor tratamento ou uma equipe de negócios analisando os resultados dos testes AB para decidir qual preço e embalagem venderão mais produtos. Existem sistemas de aprendizado de máquina que lidam com causalidade, mas até agora isso se restringiu principalmente a pesquisas que se concentram em problemas de pequena escala, em vez de sistemas práticos do mundo real, porque tem sido difícil de fazer.

VEJA: Como se tornar um engenheiro de aprendizado de máquina: uma folha de dicas (TechRepublic)

O aprendizado profundo, que é amplamente usado para aprendizado de máquina, precisa de muitos dados de treinamento, mas os humanos podem coletar informações e tirar conclusões com muito mais eficiência fazendo perguntas, como um médico perguntando sobre seus sintomas, um professor dando um questionário aos alunos, uma avaliação financeira consultor entendendo se um investimento de baixo risco ou alto risco é melhor para você, ou um vendedor fazendo com que você fale sobre o que você precisa de um carro novo.

Um sistema genérico de IA médica provavelmente levaria você a uma lista exaustiva de perguntas para garantir que não perdesse nada, mas se você for ao pronto-socorro com um osso quebrado, é mais útil que o médico pergunte como você quebrou o osso e se você pode mover seus dedos em vez de perguntar sobre seu tipo sanguíneo.

Se pudermos ensinar um sistema de IA a decidir qual é a melhor pergunta a ser feita em seguida, ele poderá usar isso para coletar informações suficientes para sugerir a melhor decisão a ser tomada.

Para que as ferramentas de IA nos ajudem a tomar melhores decisões, elas precisam lidar com esses dois tipos de decisões, explicou Cheng Zhang, pesquisador principal da Microsoft.

A melhor próxima coisa

“Digamos que você queira julgar algo ou obter informações sobre como diagnosticar algo ou classificar algo corretamente: [the way to do that] é o que chamo de Melhor Próxima Pergunta”, disse Zhang. “Mas se você quer fazer alguma coisa, quer melhorar as coisas – quer dar aos alunos novos materiais de ensino, para que eles possam aprender melhor, quer dar a um paciente um tratamento para que ele melhore – chamo isso de Best Next. Ação. E para tudo isso, escalabilidade e personalização são importantes.”

Junte tudo isso e você terá uma tomada de decisão eficiente, como os questionários dinâmicos que o serviço de tutoria de matemática on-line Eedi usa para descobrir o que os alunos entendem bem e com o que estão lutando, para que possa fornecer a combinação certa de lições para cobrir o tópicos com os quais eles precisam de ajuda, em vez de entediá-los com áreas com as quais já podem lidar.

As questões de múltipla escolha têm apenas uma resposta certa, mas as respostas erradas são cuidadosamente projetadas para mostrar exatamente qual é o mal-entendido: alguém está confundindo a média de um grupo de números com a moda ou a mediana, ou simplesmente não sabe todos os os para calcular a média?

Eedi já tinha as perguntas, mas construiu os questionários dinâmicos e as recomendações personalizadas das aulas usando uma API de otimização de decisão (interface de programação de aplicativos) criada por Zhang e sua equipe que combina diferentes tipos de aprendizado de máquina para lidar com os dois tipos de decisões no que ela chama de final- inferência causal de ponta a ponta.

“Acho que somos a primeira equipe do mundo a unir descoberta causal, inferência causal e aprendizado profundo juntos”, disse Zhang. “Permitimos que um usuário que tenha dados descubra a relação entre todas essas variáveis ​​diferentes, como o que chama o quê. E então também entendemos a relação deles: Por exemplo, quanto a dose [of medicine] você deu aumentará a saúde de alguém, quanto o tópico que você ensina aumentará a compreensão geral do aluno.

“Usamos o aprendizado profundo para responder a perguntas causais, sugerir qual é a próxima melhor ação de uma maneira realmente escalável e torná-la utilizável no mundo real.”

As empresas usam rotineiramente os testes AB para orientar decisões importantes, mas isso tem limitações que Zhang aponta.

“Você só pode fazer isso em alto nível, não em nível individual”, disse Zhang. “Você pode ficar sabendo que para essa população, em geral, o tratamento A é melhor que o tratamento B, mas você não pode dizer para cada indivíduo qual é o melhor.

“Às vezes é extremamente caro e demorado e, em alguns cenários, você não pode fazer isso. O que estamos tentando fazer é substituir os testes AB.”

Da pesquisa a nenhum código

A API para fazer isso, atualmente chamada de Best Next Question, está disponível no Azure Marketplace, mas está em visualização privada, portanto, as organizações que desejam usar o serviço em suas próprias ferramentas da maneira que o Eedi precisa entrar em contato com a Microsoft.

Para cientistas de dados e especialistas em aprendizado de máquina, o serviço estará disponível por meio do Azure Marketplace ou como uma opção no Azure Machine Learning ou possivelmente como um dos Serviços Cognitivos empacotados da mesma forma que a Microsoft oferece serviços como reconhecimento e tradução de imagens. O nome também pode mudar para algo mais descritivo, como otimização de decisão.

A Microsoft já está pensando em usá-lo para suas próprias vendas e marketing, começando com os diversos programas de parceiros que oferece.

“Temos tantos programas de engajamento para ajudar os parceiros da Microsoft a crescer”, disse Zhang. “Mas queremos muito descobrir qual tipo de programa de engajamento é o tratamento que mais ajuda um parceiro a crescer. Então essa é uma questão causal, e também precisamos fazer isso de forma personalizada.”

Os pesquisadores também conversam com a equipe do Viva Learning.

“O treinamento é definitivamente um cenário que queremos personalizar: queremos que as pessoas sejam ensinadas com o material que as ajudará melhor em seu trabalho”, disse Zhang.

E se você quiser usar isso para ajudá-lo a tomar melhores decisões com seus próprios dados, “Queremos que as pessoas tenham uma maneira intuitiva de usá-los. Não queremos que as pessoas tenham que ser cientistas de dados.”

A ferramenta de código aberto ShowWhy que a Microsoft construiu para tornar o raciocínio causal mais fácil de usar ainda não usa esses novos modelos, mas tem uma interface sem código, e os pesquisadores estão trabalhando com essa equipe para construir protótipos, disse Zhang.

“Antes do final deste ano, vamos lançar uma demonstração para a inferência causal profunda de ponta a ponta”, disse Zhang.

Ela sugere que, a longo prazo, os usuários de negócios podem obter o benefício desses modelos dentro dos sistemas que já usam, como o Microsoft Dynamics e o Power Platform.

“Para pessoas que tomam decisões em geral, elas precisam de algo muito visual: uma interface sem código onde eu carrego dados, clico em um botão e [I see] quais são os insights”, disse Zhang.

CONSULTE: Política de Ética em Inteligência Artificial (TechRepublic )

Os humanos são bons em pensar causalmente, mas construir o gráfico que mostra como as coisas estão conectadas e o que é uma causa e o que é um efeito é difícil. Esses modelos de otimização de decisão criam esse gráfico para você, que se ajusta à maneira como as pessoas pensam e permite que você faça perguntas hipotéticas e experimente o que acontece se você alterar valores diferentes. Isso é algo muito natural, disse Zhang.

“Sinto que os humanos querem fundamentalmente algo que os ajude a entender ‘se eu fizer isso, o que acontece, se eu fizer aquilo, o que acontece’, porque é isso que ajuda na tomada de decisões”, disse Zhang.

Alguns anos atrás, ela construiu um sistema de aprendizado de máquina para os médicos preverem como os pacientes se recuperariam em diferentes cenários.

“Quando os médicos começaram a usar o sistema, eles brincavam com ele para ver ‘se eu fizer isso ou aquilo, o que acontece’”, disse Zhang. “Mas para fazer isso, você precisa de um sistema de IA causal.”

Tome melhores decisões juntos

Uma vez que você tenha IA causal, você pode construir um sistema com correção bidirecional onde os humanos ensinam à IA o que sabem sobre causa e efeito, e a IA pode verificar se isso é realmente verdade.

No Reino Unido, crianças em idade escolar aprendem sobre diagramas de Venn no 11º ano. Mas quando Zhang trabalhou com Eedi e a Oxford University Press para encontrar as relações causais entre diferentes tópicos em matemática, os professores de repente perceberam que estavam usando diagramas de Venn para fazer testes para alunos do 8º e 9º anos, muito antes de lhes dizerem o que é um diagrama de Venn.

“Se usamos dados, descobrimos a relação causal e mostramos aos humanos – é uma oportunidade para eles refletirem e, de repente, esses tipos de insights realmente interessantes aparecem”, disse Zhang.

Tornar o raciocínio causal de ponta a ponta e escalável é apenas um primeiro o: ainda há muito trabalho a fazer para torná-lo o mais confiável e preciso possível, mas Zhang está animado com o potencial.

“40% dos empregos em nossa sociedade são sobre tomada de decisões e precisamos tomar decisões de alta qualidade”, ressaltou. “Nosso objetivo é usar a IA para ajudar na tomada de decisões.”