AI-nyhederXin Shu: AI lærer at skelne årsag fra tilfældighed
Ny forskning giver AI bedre værktøjer til at finde ægte årsager frem for blot sammenhænge – vigtigt for medicin og meget mere.
Det nye trick
Forsker Xin Shu og kolleger har udviklet en metode, der hjælper AI med at regne ud, hvad der faktisk forårsager noget – ikke bare hvad der følges ad. Tidligere modeller kunne snyde sig selv med tilfældige sammenfald. Nu kan AI bedre skelne ægte årsager fra støj, hvilket gør den mere pålidelig i komplekse situationer.
Hvorfor det rager dig
Forestil dig en AI, der vurderer din sundhedsjournal. Uden viden om årsag kan den tro, at to ting hører sammen, bare fordi de ofte optræder sammen. Med den nye metode kan AI langt bedre finde den egentlige årsag – for eksempel at en bestemt medicin virker, frem for at patienten bare blev rask af sig selv.
Kritikernes spørgsmål
Metoden bygger på en matematisk ramme kaldet 'General Probabilities of Causation'. Det er ikke noget, man bare lige får til at virke i praksis. Spørgsmålet er, hvor godt den klarer sig i virkelige datasæt med rod og fejl. Forskerne selv er dog optimistiske: Den nye tilgang giver AI mulighed for at lære af eksisterende viden om årsager.
- Forskeren hedder Xin Shu og arbejder med AI og kausalitet.
- Metoden hedder 'General Probabilities of Causation'.
- AI kan nu bedre adskille ægte årsager fra tilfældige sammenhænge.
- Forskningen er relevant for blandt andet medicinske vurderinger.
- Metoden udnytter eksisterende viden om årsagssammenhænge.
Når AI vurderer din sundhed, kan den nu skelne ægte årsager fra tilfældigheder – det kan redde dig fra forkerte behandlinger.
Kilder:
arXiv cs.AI →
Genfortalt i egne ord af AI-nyheder.com · Tjek altid originalkilden, før du handler på vigtige oplysninger.