Et beslutningsanalytikers perspektiv på AI:Hvor har vi brug for folk med maskiner, der træffer datadrevne beslutninger?

Beslutningsanalyse er et felt, der udvikler analytiske modeller for bedre beslutningstagning. Et interessant spørgsmål er, om kunstig intelligens kan erstatte mennesker som beslutningstagere – og hvis, så under hvilke omstændigheder.

AI-algoritmer, der træffer beslutninger, er udbredte. De vælger passende indhold og reklamer til os, når vi surfer på internettet; de besvarer vores spørgsmål som chatbots, når vi har brug for hjælp; de godkender og afslår låneansøgninger.

Når det er bedst, er AI en fremragende beslutningstager. Omstændighederne skal dog være rigtige for det.

For at træffe gode beslutninger har kunstig intelligens enten brug for store mængder data om tidligere beslutninger og deres kvalitet eller muligheden for at teste forskellige beslutningsstrategier bredt. Sidstnævnte tilgang, som stammer fra forstærkende læring, fungerer særligt godt, når strategierne kan testes pålideligt i et simuleret miljø, det vil sige adskilt fra det virkelige liv. Dette er tydeligt, når vi for eksempel tænker på chatbot:En virksomhed ville være uklogt at lade AI teste tilfældige svar på rigtige, intetanende kunder.

Desuden er det vigtigt, at et præstationsmål (eller teknisk set en belønningsfunktion) kan defineres for at evaluere algoritmens beslutninger. I tilfældet med chatbotten kan de råd AI giver, betragtes som gode, når det løser kundens problem; for en annoncør er det centralt, at der træffes en købsbeslutning.

Menneskers relevans i beslutningsprocessen bliver understreget, når der ikke er store datasæt af høj kvalitet til rådighed, ingen mulighed for at teste forskellige beslutningsstrategier bredt, eller hvis et klart præstationsmål til evaluering af algoritmens beslutninger er svært at finde. Førstnævnte problem gælder for eksempel mere langsigtede strategiske beslutninger i virksomheder. Dette skyldes, at selv store datasæt ikke kan forudsige fremtiden:data kigger altid bagud, ude af stand til at forudse begivenheder, der aldrig er sket før.

Et præstationsmål kan derimod være svært at finde, når der er forskellige og muligvis modstridende mål involveret. For eksempel fungerer indholdsmålretning i Facebook effektivt i den forstand, at folk er glade for at klikke på links, der understøtter deres eksisterende synspunkter. Men hvad nu, hvis målet i stedet for at maksimere tid på Facebook er at udvide omfanget af samfundsdiskussion eller reducere uenighed? Hvordan kunne disse mål overhovedet måles på en måde, som en algoritme kan forstå?

Under alle omstændigheder bliver AI-algoritmer konstant forbedret, og når de er bedst, gør de vores liv betydeligt nemmere. Med deres hjælp kan vi finde interessante forbindelser fra masser af data, som folk ellers aldrig ville tænke på. Så selvom AI indtil videre ikke erstatter folk som beslutningstagere, kan det helt sikkert hjælpe os med at træffe bedre beslutninger.