AI-ის პროგნოზი მიზეზს არ ამტკიცებს: ბიზნესგადაწყვეტილების გზამკვლევი

მოკლე პასუხი: AI-ის პროგნოზი დაკვირვებულ მონაცემებში აღმოჩენილი ნიმუშების მიხედვით მოსალოდნელ შედეგს აფასებს. მიზეზობრივი კითხვა კი სხვაგვარია: რა მოხდებოდა, ბიზნესს ერთი პირობა რომ შეეცვალა? პროგნოზი შეიძლება დაგეხმაროთ, გადაწყვიტოთ, რომელ კლიენტს ან პერიოდს მიაქციოთ ყურადღება. ის თავისთავად ვერ ამტკიცებს, რომ ფასდაკლებამ გამოიწვია ყიდვა, რეკლამამ მოიტანა ლიდი ან პერსონალის ცვლილებამ დააჩქარა მომსახურება. მიზეზობრივი გადაწყვეტილებისთვის წინასწარ აღწერეთ ჩარევა, შედარების საფუძველი და ის მტკიცებულება, რომელიც სხვა ფაქტორებისგან ცვლილებას გაარჩევს.

თუ უკვე გაქვთ მონაცემთა პროცესი და გინდათ გაზომვის კითხვების დალაგება, შეგიძლიათ გაეცნოთ aiNOW-ის AI კონსულტაციის მიმართულებას. ეს სტატია არ ამტკიცებს, რომ რომელიმე მეთოდი ყველა ბიზნესში გამოდგება; მისი მიზანია, პროგნოზი მიზეზად არ წარმოვადგინოთ.

დაიწყეთ გადაწყვეტილებით და არა მოდელით

ზმნა ხშირად გვეხმარება განსხვავების დანახვაში. „რომელი კლიენტი შეიძენს?“ პროგნოზის კითხვაა. „რა გავლენას მოახდენს ამ შეთავაზების გაგზავნა?“ მიზეზობრივი კითხვაა. „რომელ კლიენტს გავუგზავნოთ?“ ორივეს აერთიანებს: ჯერ უნდა შეფასდეს მოსალოდნელი ქცევა, შემდეგ კი დაიწეროს წესი, რომლის მიხედვითაც ბიზნესი იმოქმედებს.

Microsoft Research-ის მიზეზობრივი ანალიზის მიმოხილვა მიზეზობრივ კითხვას უკავშირებს კონტრ-ფაქტობრივ სიტუაციას, რას გააკეთებდა იგივე სამყარო სხვა სისტემის, პოლიტიკის ან ჩარევის პირობებში. ერთი და იგივე კლიენტის ერთსა და იმავე მომენტში ორივე შესაძლო შედეგს ვერ ვხედავთ. ამიტომ მანამდე უნდა ჩაიწეროს, რა იცვლება, ვისთვის, როდის, რა შედეგი გვაინტერესებს და ვის შეუძლია პოლიტიკის შეცვლა.

პროგნოზსა და მიზეზს განსხვავებული მტკიცებულება სჭირდება

პროგნოზული მოდელის შეფასება სვამს კითხვას: ჰგავს თუ არა მისი შეფასებები მოგვიანებით დაკვირვებულ შედეგებს მსგავს შემთხვევებში? მიზეზობრივი ანალიზი კიდევ იმას ამოწმებს, რატომ მოხვდნენ ზოგიერთი შემთხვევა ჩარევაში და სხვები არა. მაგალითად, ფასდაკლება შეიძლება იმ კლიენტებს გაეგზავნათ, რომლებიც მანამდეც უფრო დაინტერესებულნი იყვნენ. მათ მიერ გაკეთებული შესყიდვები შეთავაზების შედეგი იყოს, მაგრამ მათი თავდაპირველი ინტერესი სხვაობის ნაწილს მაინც ხსნიდეს.

მსოფლიო ბანკის Impact Evaluation in Practice მიზეზობრივი დასკვნისთვის კონტრ-ფაქტობრივ საფუძველს განიხილავს და შემდეგ სხვადასხვა მიდგომას, რანდომიზებულ განაწილებას, ინსტრუმენტულ ცვლადებს, რეგრესიულ წყვეტას, სხვაობათა სხვაობას და შეწყვილებას, აღწერს. მეთოდები ერთმანეთისგან განსხვავდება, მაგრამ ყველას სჭირდება ისეთი შედარება, რომლის დაშვებებიც მკაფიოდ არის დაწერილი.

პირობითი მაგალითი: ფასდაკლების გადაწყვეტილება

წარმოვიდგინოთ ქართული ონლაინმაღაზია, რომელიც კალათის მიმტოვებელი მომხმარებლებისთვის ფასდაკლებას განიხილავს. ეს გამოგონილი მაგალითია და არა კლიენტის შემთხვევა. AI მოდელი მომხმარებლებს ალაგებს იმის მიხედვით, ვის აქვს მომდევნო კვირაში ყიდვის უფრო მაღალი ალბათობა. გუნდი შეთავაზებას ყველაზე მაღალი ქულის მქონე ჯგუფს უგზავნის და ამ ჯგუფში შესყიდვები იზრდება.

ქულამ შეიძლება გუნდს უკვე თითქმის მზა მყიდველების პოვნაში დაეხმაროს. თუმცა ზრდა ჯერ არ ამტკიცებს, რომ შესყიდვები თავად შეთავაზებამ შექმნა. გავლენის შესაფასებლად მაღაზიამ წინასწარ უნდა განსაზღვროს შესაბამისი აუდიტორია, შეარჩიოს შედარებადი ჯგუფი, რომელიც ჩვეულებრივ გზას გაივლის, შეინარჩუნოს დაკვირვების პერიოდი და აღრიცხოს არა მხოლოდ შეკვეთები, არამედ დაბრუნებები და მარჟაც. თუ შეთავაზების შეჩერება დასაბუთებულ ჯგუფზე შეუძლებელია, ალტერნატიული მეთოდი და მისი დაშვებები მკაფიოდ უნდა ჩაიწეროს.

შედეგს ბიზნესის რეალური მიზანიც უნდა ახლდეს. შესყიდვების მეტი წილი, მაგრამ დაბალი მარჟა ან მეტი დაბრუნება, სხვა გადაწყვეტილებას მოითხოვს, ვიდრე ზრდა სტაბილური მარჟით. პროგნოზი შემთხვევებს არჩევს; მიზეზობრივი შედარება კი მოქმედების გავლენას აფასებს.

მიზეზობრივი გადაწყვეტილებისთვის საჭირო ნაბიჯები

1. ჩარევა დაწერეთ. დაასახელეთ, რა იცვლება, ვისთვის, როდის და რომელი არხით.
2. შედარების საფუძველი აღწერეთ. რა მიიღებდა შესაბამისი შემთხვევა ჩარევის გარეშე?
3. შედარება დაიცავით. თუ შესაძლებელია, გამოიყენეთ შემთხვევითი განაწილება; სხვა შემთხვევაში ჩაწერეთ, რომელ დაშვებებს ეყრდნობა არჩეული მეთოდი.
4. გადაწყვეტილების შედეგი გაზომეთ. ძირითადი შედეგის გარდა აღრიცხეთ მნიშვნელოვანი ხარჯი, დაყოვნება, გაუქმება ან უსაფრთხოების გავლენა.
5. დრო და გადაკვეთა შეამოწმეთ. ხომ არ გადავიდა ადამიანი სხვა ჯგუფში, ხომ არ შეცვალა ქცევა ჩარევამდე ან ხომ არ დაემთხვა სხვა კამპანია?
6. გავრცელების საზღვარი მიუთითეთ. რომელი აუდიტორია, პერიოდი, არხი და წესის ვერსია აღწერს შედეგს?

Microsoft Research-ის Split-door ნაშრომი აჩვენებს, რატომ შეიძლება რეკომენდაციებისთვის მიკუთვნებულმა ტრაფიკმა გავლენა გადააჭარბოს. კონკრეტულ კვლევით გარემოში ავტორებმა შეაფასეს, რომ რეკომენდაციებისთვის მიწერილი ტრაფიკის 50%-დან 80%-მდე რეკომენდაციის გარეშეც მოხდებოდა, პროდუქტის კატეგორიის მიხედვით. ეს რიცხვი იმ კვლევისა და მეთოდის შედეგია და სხვა ბიზნესში გადასატანი პროცენტი არ არის. მისი პრაქტიკული გაკვეთილი ატრიბუციისადმი სიფრთხილეა.

პროგნოზი და მიზეზი ყოველდღიურ ანგარიშში

პროგნოზი გამოგადგებათ, როცა ახლავე უნდა დაალაგოთ რისკი, სავარაუდო მოთხოვნა ან შესაძლო დაყოვნება და გუნდი არასრულყოფილ შეფასებასაც შესაბამისი კონტროლით გაუმკლავდება. მიზეზობრივი ანალიზი საჭიროა, როცა პოლიტიკის შეცვლას აპირებთ და გინდათ გაიგოთ, ცვლილებამ ნამდვილად იმოქმედა თუ არა. ბევრ პროექტს ორივე სჭირდება: პროგნოზი არჩევს შესაბამის შემთხვევებს, ექსპერიმენტი ან სანდო შედარება კი წესის გავლენას ამოწმებს.

ერთი ანგარიშის გვერდზე შეიძლება იყოს პროგნოზის კალიბრაცია, კამპანიის საერთო ატრიბუცია და ჩარევის დამატებითი შედეგი, მაგრამ ამ მაჩვენებლებს ერთი სახელი არ უნდა ჰქონდეს. მათი განმარტება, წყარო და პასუხისმგებელი მფლობელი ცალ-ცალკე შეინახეთ.

მიზეზობრივი AI-ის შეზღუდვები

ერთი და იგივე შემთხვევისთვის ერთსა და იმავე დროს ჩარევის ქვეშ და მის გარეშე მიღებულ შედეგს ვერ დავაკვირდებით. დასკვნა ეყრდნობა კვლევის დიზაინს, დაშვებებს, დარგობრივ ცოდნასა და გაზომვის ხარისხს. დამაბნეველმა ფაქტორებმა, შერჩევამ, გამოტოვებულმა შედეგებმა, ადამიანებს შორის გავლენამ, პოლიტიკის ცვლილებამ ან ცვალებადმა აუდიტორიამ დასკვნა შეიძლება შეასუსტოს. AI შეფასებას და ანგარიშის მომზადებას აჩქარებდეს, მაგრამ ეს დაშვებები თვითონ არ ქრება.

NIST-ის AI Risk Management Framework-ის FAQ სანდოობის მახასიათებლებად ვალიდურობასა და საიმედოობას, უსაფრთხოებას, ანგარიშვალდებულებასა და გამჭვირვალობას, ახსნადობასა და ინტერპრეტირებადობას, კონფიდენციალურობასა და სამართლიანობას განიხილავს. ეს საკითხები განსაკუთრებით მნიშვნელოვანია, როცა ქულა ცვლის ფასს, მომსახურების რიგს, წვდომას ან ადამიანის შესაძლებლობას.

თუ მონაცემის მიღება, ჯგუფების შედარება და შედეგის გადაცემა შეთანხმებულ წესად უნდა იქცეს, ავტომატიზაციის მიმართულება შეიძლება შემდეგი საუბრის თემა იყოს. ავტომატიზაცია მიზეზობრივი მტკიცებულების ნაცვლად არ უნდა წარმოადგინოთ; ის მხოლოდ შეთანხმებულ პროცესს იმეორებს.

მოკლე გადაწყვეტილების წესი

პროგნოზი გამოიყენეთ მაშინ, როცა უშუალო ამოცანა პრიორიტეტების დალაგება ან დაგეგმვაა. მიზეზობრივი მტკიცებულება დაამატეთ მაშინ, როცა პოლიტიკის შეცვლას და შედეგის ცვლილებისთვის პასუხისმგებლობის მიწერას აპირებთ. გაჩერდით, თუ ჩარევა, შედარების საფუძველი, შედეგის მფლობელი ან სხვა აუდიტორიაზე გადატანის საზღვარი განსაზღვრული არ არის. მონაცემის მზადყოფნისა და გაზომვის საკითხების დასალაგებლად შეგიძლიათ aiNOW-ის კონსულტაციის მიმართულებას გაეცნოთ.

ხშირად დასმული კითხვები

კარგი პროგნოზი ამტკიცებს, რომ მოქმედებამ შედეგი გამოიწვია?

არა. პროგნოზი აფასებს, რა შეიძლება მოხდეს დაკვირვებული ნიმუშების მიხედვით. მოქმედების გავლენის დასადგენად საჭიროა ჩარევის მკაფიო აღწერა, შედარების საფუძველი და შესაბამისი შეფასების დიზაინი.

კავშირი და მიზეზი ერთი და იგივეა?

არა. ორი მაჩვენებელი შეიძლება ერთად იცვლებოდეს მესამე ფაქტორის გავლენით. კავშირი გამოკვლევის დასაწყისში სასარგებლო ნიშანია, მაგრამ თავისთავად მიზეზობრივი გადაწყვეტილების მტკიცებულება არ არის.

თუ შემთხვევითი ექსპერიმენტი შეუძლებელია, მუშაობა უნდა შეწყდეს?

არა. შესაძლებელია სხვა მეთოდის განხილვა, თუმცა მისი დაშვებები, შეზღუდვები და შედეგის გავრცელების საზღვარი მკაფიოდ უნდა ჩაიწეროს. უცნობი დაშვება დადასტურებულ მიზეზად არ უნდა იქცეს.

შემდეგი პრაქტიკული ნაბიჯი

აირჩიეთ ერთი დაგეგმილი ბიზნესცვლილება და ცალკე ფურცელზე დაწერეთ: რა იცვლება, ვის ეხება, რას მიიღებდა მსგავსი შემთხვევა ცვლილების გარეშე, რომელი შედეგი არის მთავარი და ვინ ამოწმებს მას. თუ ამ კითხვებზე პასუხი არ გაქვთ, ჯერ კვლევის დიზაინი დაალაგეთ და მხოლოდ შემდეგ შეარჩიეთ მოდელი. კონკრეტული პროცესის განსახილველად დაგვიკავშირდით.

დაკავშირებული მასალა

• ცხრილის ანალიზი თუ პროგნოზი? აირჩიეთ კითხვით
• გენერაციული AI და პროგნოზირება: რომელი როდის გვჭირდება
• AI პილოტი ბიზნესში: როგორ გადაწყვიტოთ გაგრძელება
• AI პროექტის ტექნიკური დავალება: რა უნდა ჩაწეროთ დაწყებამდე