Badania nad sztuczną inteligencją decyzyjną i analizą kontrfaktyczną
9 listopada 2026 · Czas czytania: 2 min
Badania z 2026 roku zajmują się problemem oceny kontrfaktycznej, wskazując sposób porównywania strategii decyzyjnych w sytuacjach, gdy wyniki nieprzyjętych alternatyw nie są widoczne w danych historycznych. Praca opublikowana 26 sierpnia 2026 roku w czasopiśmie Mathematics analizuje trudności w udowodnieniu, że wybór sugerowany przez algorytm przynosi lepsze rezultaty niż wcześniej stosowana procedura.
Analiza przeprowadzona przez Yunxiang Shu, Ran Yan, Feng Tian oraz Shuaian Wang wskazuje, że dokładna prognoza nie gwarantuje zidentyfikowania najlepszego wyboru. Systemy sztucznej inteligencji mogą poprawnie przewidywać oczekiwane wyniki i wskazywać optymalne rozwiązanie według własnego modelu, jednak nie muszą posiadać dowodów potwierdzających wyższość tego rozwiązania w rzeczywistości.
Problem ten dotyczy inteligencji decyzyjnej oraz preskryptywnej sztucznej inteligencji. Sztuczna inteligencja predykcyjna szacuje prawdopodobieństwo zdarzenia lub przyszłą wartość, natomiast sztuczna inteligencja preskryptywna wykorzystuje te dane do znalezienia działań zgodnych z celami i ograniczeniami. Przykładem jest zarządzanie klientami zagrożonymi odejściem, gdzie model może trafnie zidentyfikować osoby planujące rozwiązanie umowy, ale nie dowodzi to, że przyznanie zniżki będzie najskuteczniejszym wyborem.
Analiza kontrfaktyczna dąży do ustalenia, co stałoby się w tych samych warunkach, gdyby podjęto inną decyzję. W systemach firmowych zazwyczaj rejestruje się tylko wykonane działanie i jego wynik, podczas gdy konsekwencje nie wybranych alternatyw pozostają nieznane. Badania Shu i współpracowników wykazują, że porównanie przewidywanego kosztu decyzji sugerowanej przez sztuczną inteligencję z rzeczywistym kosztem historycznej procedury może prowadzić do błędnych wniosków, ponieważ te dwie miary nie są bezpośrednio równoważne.
Wnioskowanie przyczynowe dostarcza narzędzi do oceny efektów interwencji, odróżniając konsekwencje wyboru od cech kontekstu. Podejścia te wykorzystują modele statystyczne, kontrolowane eksperymenty i metody identyfikacji efektów. Ważnym elementem jest ocena poza polityką, znana jako Off-Policy Evaluation, która pozwala szacować wydajność nowej strategii na podstawie danych zebranych podczas stosowania innej polityki. Metody te obejmują ważenie prawdopodobieństwem odwrotnym oraz estymatory podwójnie odporne, które łączą informacje o sposobie wyboru działań z modelami oczekiwanych wyników.