Kan kausal kunstig intelligens forbedre de beslutninger, vi træffer?

Kunstig intelligens har vundet indpas i vores samfund og er blevet et samtaleemne i de danske hjem. Ofte omtales det som AI, forkortelsen for det engelske udtryk artificial intelligence.

Teknologien kan bruges i mange sammenhænge. Omkring middagsbordet kan der dog ofte opstå en undren over, at det nogle gange er nogle løjerlige svar, den kunstige intelligens giver. Det skyldes slet og ret, at kunstig intelligens er som en lommeregner. Den leder efter mønstre i data, men den skeler ikke til, hvilken sammenhæng dataene indgår i.

Et nyt forskningsprojekt skal forsøge at give større indsigt i, hvordan virksomheder kan få størst udbytte af den type kunstig intelligens, der hviler på kausalitet, altså årsagssammenhænge, og forkortes cAI.

»Det primære mål er at komme med retningslinjer, der kan hjælpe virksomheder med at sætte deres kausale tænkning op, deres kausale AI-pipeline. Det vil sige at give virksomheder råd om, hvordan de bedst kan bringe deres menneskelige eksperter ind,« siger Paul Hünermund, adjunkt på Institut for Strategi og Innovation på Copenhagen Business School (CBS), der kommer til at lede forskningen.

For kausal AI hviler på, at der er menneskelige eksperter med i processen. De tilfører den kunstige intelligens de årsager og relationer mellem data, som gør den kunstige intelligens troværdig.

Den kausale kunstige intelligens bliver testet i supermarkeder

Paul Hünermund, der har modtaget en Sapere Aude-bevilling fra Danmarks Frie Forskningsfond, samarbejder under forskningen med den hollandske dagligvarekoncern Ahold Delhaize. 

Ahold Delhaizes mest kendte varemærke er butikskæden Albert Heijn. Her vil man gerne reducere mængden af især madspild, men også affald, såsom emballage.

Samarbejdet giver mulighed for at teste den kausale kunstige intelligens i et miljø, hvor den rent faktisk bliver brugt.

»Ved kausal AI bringer vi den menneskelige faktor ind som et led i loop-agtige processer, hvor AI-systemet måske kommer med en anbefaling, og så har mennesket den endelige beslutning og autoritet. Så i modsætning til klassisk AI kan du ikke træne kausale AI-algoritmer på en fuldt datadrevet måde. Du er nødt til at bringe en form for viden ind, der kommer udefra,« forklarer Paul Hünermund.

Behovet får ekspertviden rejser nye spørgsmål. For hvad består den menneskelige ekspertviden egentlig af? Hvem skal levere den?
Hvis man i et supermarked for eksempel ønsker at mindske spild af brød, kan man vælge at ændre indretningen af butikken. Mange butikker benytter sig også af dynamiske priser, hvilket vil sige, at prisen på brød falder, når klokken nærmer sig lukketid. Så der kan komme forskellige typer ekspertise i spil, fra butikschefen til logistikeksperten.

»Der er ikke god forskning derude og ingen gode retningslinjer for, hvordan man gør dette i praksis. Mange virksomheder, som vi taler med, er interesserede, fordi de står over for præcis denne slags årsagssammenhænge. Men de sidder lidt fast i, hvordan de bringer folk ind, og hvordan de kan strukturere disse eksperter i loop-processen. Det er det, vi prøver at udforske,« fortæller Paul Hünermund, som kommer til at ansætte en ph.d.-studerende og en videnskabelig assistent til at hjælpe sig under det tre år lange projekt.

Vurderingen af cAI hviler på eksperimenter

Forskningen bliver inddelt i tre dele, og første del handler om at nedsætte forskellige hold af eksperter. Tilsammen skal de gerne kunne se såvel de store linjer, såsom en logistikekspert, som detaljerne i den enkelte butik, som en butikschef vil være i stand til.
Når holdene af eksperter er på plads, vil anden del af projektet have fokus på, hvor god den viden, de forskellige hold af eksperter kommer med, reelt er.

»Her er vores mål at evaluere, om ekspertteams præstation kan forbedres, for eksempel ved at sammenligne blandede eksperthold med hold af medarbejdere fra den samme afdeling. Den mest stringente måde at teste sådanne hypoteser på er gennem randomiserede kontrollerede forsøg,« uddyber Paul Hünermund.

Tredje og sidste del af projektet evaluerer, hvor stor gavn den kausale AI faktisk gør. Altså om den kausale tilgang reelt forbedrer de beslutninger, som bliver truffet, i dette tilfælde hos butikskæden Albert Heijn.

I løbet af projektet kommer projektgruppen foruden den hollandske detailkoncern til at samarbejde med Maastricht University i Holland og i en rådgivende rolle også Causal Artificial Intelligence Lab under Columbia University i New York i USA.

Ofte spildes ressourcer på grund af manglende viden

Paul Hünermund fremhæver, at der er to fremtrædende grunde til, at kausalitet og årsagssammenhænge er vigtigt, også på samfundsniveau.

»Den ene er pragmatisk. Vi vil gerne forstå, hvad der fungerer. For eksemplet om dynamisk prissætning er et initiativ, der virker. Mange ressourcer spildes ofte ved ikke at vide præcis, hvad der virker,« siger Paul Hünermund og slutter:

»Den anden grund er mere filosofisk. Vi vil gerne forstå, hvorfor ting virker, som de gør. For eksempel hvorfor antallet af hajangreb stiger, når issalget stiger. Så det er mere en videnskabelig tilgang til at danne teorier. Men de har alle at gøre med kausalitet. Vi har virkelig brug for at forstå årsag og virkning. Det er også sådan, vi mennesker tænker.«