AI-strategier kombinerar prediktion och resonemang

Företag som förstår distinktionen mellan prediktiv och resonerande AI och kan kombinera dessa system kommer att uppnå en betydande konkurrensfördel, enligt Sean Kamkar, teknisk chef på Zest AI. Verkligheten kring AI är mer komplex än att se det som en enhetlig teknologi; det är en konvergens av två fundamentalt olika system.

Prediktiv AI, ofta baserad på maskininlärning, utmärker sig genom att identifiera mönster i stora mängder historisk data. Inom kreditindustrin kan dessa modeller förutsäga återbetalningssannolikhet och bedrägeririsk med högre precision än traditionella metoder. Generativ AI, å andra sidan, syntetiserar information, hanterar tvetydighet och kommunicerar på ett mänskligt språk. Dess roll är att resonera och översätta, snarare än att enbart förutsäga.

Det är viktigt att förstå denna skillnad eftersom många organisationer försöker använda generativ AI för uppgifter den inte är designad för. Stora språkmodeller är kapabla, men inte deterministiska prediktionssystem. Att förlita sig på resonemang utan underliggande data kan leda till opålitliga beslut. Samtidigt kan prediktionssystem utan tolkningsbarhet skapa en annan utmaning, där förståelsen för resultaten minskar.

Detta mönster ses inom olika branscher, som sjukvård och autonoma fordon, där prediktiv intelligens paras ihop med resonerande intelligens. Inom utlåning används maskininlärning för att säkerställa reproducerbara poängsättningar, medan generativ AI hjälper till att tolka resultaten i sitt sammanhang och simulera effekterna av policyförändringar.

Framgångsrika organisationer ersätter inte människor med AI, utan skapar system där olika former av intelligens kompletterar varandra: statistiska modeller identifierar mönster, generativa system översätter komplexitet till användbar insikt, och människor tillför kontext, översyn och omdöme. De mest effektiva företagen kommer att vara de som kombinerar prediktion, resonemang och mänskligt omdöme för att göra människor mer effektiva.