Causal AI：企业决策中的变革力量
在当今快速变化的商业环境中，创新速度极快，人工智能（AI）在战略决策中扮演着至关重要的角色。传统AI主要专注于预测分析，而一个新的领域正在兴起：因果AI（Causal AI）。这种高级形式的AI不仅仅局限于识别相关性，而是致力于理解驱动商业结果的因果关系，从而帮助企业实现目标、做出明智决策并战略性地解决问题。
关键点
- 因果AI不仅预测未来，还解释事件发生的原因。
- 通过推理和经验获得的知识是有效AI决策的基础。
- 下一代AI需要像人类一样积累知识并随时间适应。
- 企业可以通过因果AI模拟无数场景，以了解各种行动的后果。
- Geminos的创始人兼CEO Stuart Frost介绍了他们如何开发能够理解“为什么”的AI。
- LLMs提供数据洞察，并能够构建知识图谱。
- 在企业中使用因果AI可以确保决策基于数据，从而减少偏见。
理解因果AI的力量
传统AI基于相关性的局限性
传统AI擅长识别数据中的模式和相关性，并且在预测方面表现出色。例如，它能够预测客户流失、检测欺诈交易或预测销售趋势。然而，这些预测缺乏关于事件发生原因的洞察，限制了企业采取有效措施的能力。仅依赖相关性可能导致错误的决策和低效的策略。
例如，一家电商公司观察到网站流量与销售额之间存在强相关性。传统AI可能会建议增加网站流量以提升销售额。然而，如果不理解背后的因果关系（如成功的营销活动同时推动了流量和销售额），公司可能会投资于无效的流量生成策略，无法达到预期效果。
因果AI：揭示“为什么”
因果AI是AI的下一步发展，它超越了相关性，揭示了驱动商业结果的因果关系。因果AI旨在理解事件背后的“原因”，从而帮助企业识别可操作的杠杆并实施战略干预。
对于上述电商公司，因果AI可以揭示是某次有针对性的营销活动推动了网站流量，从而导致了销售额的增长。这一洞察使公司能够复刻成功的营销活动，更有信心地针对其他客户群体或产品进行推广。
正如Scott Hebner所说：“数据不等于知识。”知识是通过理解因果关系获得的。下一代AI必须以类似的方式运作，以推动投资回报率（ROI）。
因果AI的机制：构建因果知识图谱
因果AI的工作原理
因果AI不仅利用传统AI使用的观测数据，还利用干预数据（通过实验或模拟获得）。这些数据被用于构建结构因果模型（SCMs），以捕捉变量之间的因果关系，从而生成更稳健的预测和可操作的洞察。这些系统通常被称为知识图谱。
因果知识图谱能够理解不同的后果，解释商业行为的影响。这些行为是基于更准确问题解决的决策，帮助企业在更高的ROI下运作。
仅靠数据无法提供正确答案，因为数据可能基于错误的假设和关系。因此，拥有基于因果的模型至关重要。
成功的企业正在以数据收集的方式获取知识，AI也必须遵循这些规范，以创造真正的商业解决方案。
企业的因果AI实施
企业无论大小，都希望在其AI项目中获得正确的执行方式。第一步是正确实施适当的技术。以下是关键组件：
- LLMs
- Agentic AI
- 因果AI
- ML/DL
- 应用程序
所有这些组件在决策过程中都扮演着重要角色，关键在于AI模型能够获取和应用知识。Scott Hebner和Stuart Frost详细描述了如何使这种AI成为可能。
因果AI与传统AI：优缺点
优点
- 提供超越预测的可操作洞察。
- 识别问题的根源。
- 专注于知识和数据管理。
- 实现更智能和可靠的自动化。
- 生成更稳健和准确的结果。
- AI能够理解因果关系中的变量，帮助企业快速适应变化。
缺点
- 当前AI仍只是基本的相关性系统。
- 有时缺乏上下文。
- 偶尔会产生幻觉或意外结果。
- AI解决方案必须能够做出正确决策，这是使用AI与获取其益处的关键区别。
常见问题（FAQ）
人类监督在因果AI中的作用是什么？
人类监督在因果AI中仍然至关重要，以确保伦理考量、验证因果假设并在适当的上下文中解释结果。Scott Hebner强调，成功的关键在于对学习不同选项的好奇心。不能过于专注于机器的现有能力，必须拥有足够的数据和知识，以了解它们如何协同工作。
AI真的知道如何做出更好的决策吗？
AI本身无法做出良好的决策，但通过收集的数据以及设计中的不同组件，AI能够遵循步骤，从而更好地进行问题分析和解决。
相关问题
Geminos在这一技术中扮演什么角色？
Geminos致力于通过因果AI帮助企业做出更好的决策。他们提供的解决方案超越了传统AI，旨在理解事件发生的原因，从而提供可操作的结果。Stuart Frost分享了他在英格兰与航空电子设备的经历，现在他位于加州Longuna Beach。他回顾了从构建数据模型到在纳斯达克上市的历程，并强调当今需要强大的智能来实现这一目标。《The Book of Why》一书中提到，所有商业解决方案都有其背后的真实效果。
相关文章
