На сегодняшний день одним из самых популярных применений искусственного интеллекта является его использование для прогнозирования вещей с использованием алгоритмов, обученных на исторических данных, для определения будущего результата. Но популярность не всегда означает успех: прогнозирующий ИИ упускает из виду множество нюансов, контекста и причинно-следственных рассуждений, которые влияют на результат; и, как указывали некоторые (и как мы видели), это означает, что иногда «логические» ответы, выдаваемые прогнозирующим ИИ, могут оказаться катастрофическими. Стартап под названием causaLens разработал технологию причинно-следственного вывода, представленную как инструмент без кода, который не требует использования специалиста по данным для внесения большего количества нюансов, рассуждений и причинно-следственной чувствительности в систему на основе ИИ, что, по его мнению, может решить эту проблему.
Цель CausaLens, по словам генерального директора и соучредителя Дарко Матовски, состоит в том, чтобы ИИ «начал понимать мир так, как его понимают люди».
Сегодня стартап объявляет о финансировании в размере 45 миллионов долларов после того, как увидел некоторый успех в своем подходе, увеличив доходы на 500% с тех пор, как год назад вышел из скрытности. Это описывается как «первое закрытие» раунда, что означает, что он все еще открыт и потенциально будет увеличиваться в размерах.
Dorilton Ventures и Molten Ventures (венчурный капитал, переименованный в Draper Esprit) возглавили раунд, в котором также участвовали предыдущие спонсоры Generation Ventures и IQ Capital, а также новый спонсор GP Bullhound. Источники сообщают нам, что стоимость лондонской компании causaLens составляет около 250 миллионов долларов.
Клиенты и партнеры CausaLens в настоящее время включают организации в сфере здравоохранения, финансовых услуг и правительства, среди ряда других вертикалей, где его технология используется не только для принятия решений на основе ИИ, но и для внесения большего количества причинно-следственных нюансов при достижении результатов. .
Наглядный пример того, как это работает, можно найти в клинике Майо, одном из партнеров стартапа, которая использует causaLens для определения биомаркеров рака.
«Человеческие тела — это сложные системы, поэтому, применяя базовые парадигмы ИИ, вы можете найти любую модель, которую хотите, любые корреляции, и вы никуда не денетесь», — сказал в интервью Дарко Матовски, генеральный директор и основатель стартапа. «Но если вы примените причинно-следственные методы, чтобы понять механику работы разных тел, вы сможете лучше понять истинную природу того, как одна часть влияет на другую».
Принимая во внимание все переменные, которые могут быть задействованы, это своего рода проблема больших данных, которую почти невозможно вычислить человеку или даже группе людей, но компьютеру это не по силам. Хотя это не лекарство от рака, такая работа является важным шагом на пути к тому, чтобы начать рассматривать различные методы лечения, адаптированные к множеству задействованных вариантов.
Технология CausaLens также применялась менее клинически в здравоохранении. Агентство общественного здравоохранения одной из крупнейших экономик мира (causaLens не может публично раскрыть, какая из них) использовало свой каузальный ИИ-движок, чтобы определить, почему некоторые взрослые воздерживаются от вакцинации против Covid-19, чтобы агентство могло разработать более эффективные стратегии для получения их на борту (множественное число «стратегий» здесь является важной деталью: все дело в том, что это сложный вопрос, включающий ряд причин, зависящих от рассматриваемых лиц).
Другие клиенты в таких областях, как финансовые услуги, использовали causaLens для информирования автоматизированных алгоритмов принятия решений в таких областях, как оценка кредита, где предыдущие системы ИИ вносили предвзятость в свои решения, используя только исторические данные. Хедж-фонды, тем временем, используют causaLens, чтобы лучше понять, как может развиваться рыночная тенденция, чтобы информировать их инвестиционные стратегии.
И что интересно, в мире автономного транспорта может появиться новая волна клиентов. Это одна из областей, в которой отсутствие человеческого разума сдерживает прогресс в этой области.
«Независимо от того, сколько данных загружается в автономные системы, это все еще просто исторические корреляции», — сказал Матовски о проблеме. Он сказал, что causaLens сейчас ведет переговоры с двумя крупными автомобильными компаниями, у которых есть «множество вариантов использования» их технологий, но один из них, в частности, касается автономного вождения, «чтобы помочь системам понять, как устроен мир. Дело не только в коррелированных пикселях, связанных с красным светом и остановкой автомобиля, но также и в том, какой будет эффект от замедления автомобиля на красный свет. Мы вносим рассуждения в ИИ. Каузальный ИИ — единственная надежда автономного вождения».
Кажется очевидным, что те, кто использует ИИ в своей работе, хотели бы, чтобы система была максимально точной, что вызывает вопрос, почему блестящее улучшение причинного ИИ не было встроено в алгоритмы ИИ и машинное обучение в первое место.
Дело не в том, что больше рассуждений и ответов «почему» не было приоритетом на раннем этапе, объяснил Матовски. «Люди давно изучают причинно-следственные связи в науке. Можно даже утверждать, что уравнения Ньютона причинны. В науке это суперфундаментально», — сказал он, — но специалисты по ИИ не могли понять, как научить машины делать это. «Это было слишком сложно», — сказал он. «Алгоритмов и технологий не существовало».
По его словам, ситуация начала меняться примерно в 2017 году, когда ученые начали публиковать первоначальные подходы к представлению «рассуждений» и причинно-следственных связей в ИИ на основе обнаружения сигналов, которые способствовали получению существующих результатов (вместо использования исторических данных для определения результатов). и построение моделей на их основе. Интересно, что этот подход, по словам Матовски, не требует для работы огромных объемов обучающих данных. В команде CausaLens очень много докторов наук (можно сказать, что стартап действительно съел свою добычу: он рассмотрел 50 000 резюме, собирая свою команду). И эта команда приняла эту эстафету и бежит с ней. «С тех пор это была экспоненциальная кривая роста» с точки зрения открытий, сказал он. (Вы можете прочитать больше об этом здесь.)
Как и следовало ожидать, causaLens — не единственный игрок, который ищет, как использовать достижения в области причинно-следственных связей в более крупных проектах, основанных на ИИ. Microsoft, фейсбук, Amazon, Google и другие крупные технологические игроки со значительными инвестициями в ИИ также работают в этой области. Среди стартапов есть также Causalis, специализирующийся на возможности использования каузального ИИ в медицине и здравоохранении, а Oogway, похоже, создает платформу каузального ИИ, ориентированную на потребителей, «персонализированного помощника по принятию решений на основе ИИ», как она сама себя описывает. Все это говорит о возможности дальнейшего развития и о довольно большом рынке для технологии, охватывающей как конкретные коммерческие, так и более общие варианты использования.
«ИИ должен сделать следующий шаг к причинно-следственным рассуждениям, чтобы реализовать свой потенциал в реальном мире. causaLens — первая компания, которая использует Causal AI для моделирования вмешательств и обеспечения машинного самоанализа», — сказал Дэниел Фриман из Dorilton Ventures в заявлении. «Эта команда мирового уровня создала программное обеспечение, способное завоевать симпатии серьезных специалистов по данным, и простое в использовании, чтобы расширить возможности бизнес-лидеров. Dorilton Ventures очень рада поддержать causaLens на следующем этапе ее пути».
«Каждая компания внедрит ИИ не только потому, что может, но и потому, что должна», — добавил Кристоф Хорнунг, инвестиционный директор Molten Ventures. «Мы в Molten убеждены, что причинно-следственная связь является ключевым компонентом, необходимым для раскрытия потенциала ИИ. causaLens — первая в мире каузальная платформа искусственного интеллекта с доказанной способностью преобразовывать данные в оптимальные бизнес-решения».