Tekoälymallit Kamppailevat Ihmisten Epäsäännöllisen Käyttäytymisen Ennustamisessa Covid-19-Pandemian Aikana

Maailmanlaajuisesti vähittäis- ja palveluyritykset käyttävät tekoälyalgoritmeja asiakkaiden käyttäytymisen ennustamiseen, varastojen seuraamiseen, markkinoinnin vaikutusten arviointiin ja mahdollisten petosten havaitsemiseen. Näihin ennusteisiin käytettävät koneoppimismallit perustuvat ihmisten normaaleista, päivittäisistä toimista johdettuihin malleihin. Valitettavasti päivittäinen toimintamme on muuttunut koronapandemian aikana, ja kuten MIT Technology Review raportoi, nykyiset koneoppimismallit ovat menettäneet otteensa tämän seurauksena. Ongelman vakavuus vaihtelee yritysten välillä, mutta monet mallit ovat kärsineet negatiivisesti ihmisten käyttäytymisen äkillisestä muutoksesta viimeisten viikkojen aikana.

Kun koronapandemia alkoi, ihmisten ostotavat muuttuivat dramaattisesti. Ennen pandemiaa yleisimmin ostettuja tuotteita olivat esimerkiksi puhelimen suojakuoret, puhelimen laturit, kuulokkeet, keittiövälineet. Pandemian alkaessa Amazonin kymmenen eniten etsittyä tuotetta olivat esimerkiksi Cloroxin desinfektiovaatteet, Lysolin spray, paperihiutaleet, käsihuuhdetuotteet, kasvomaskit ja wc-paperi. Helmikuun viimeisen viikon aikana Amazonin eniten etsittyjä tuotteita olivat kaikki Covid-19:sta suojaautumiseen liittyviä tuotteita. Korrelaatio Covid-19-tuotteiden/purchase-haun ja taudin leviämisessä on niin luotettava, että sitä voidaan käyttää pandemian leviämisen seuraamiseen eri maantieteellisillä alueilla. Koneoppimismallit kuitenkin menevät rikki, kun mallin syöte-data on liian erilainen kuin data, jota malli on käytetty koulutukseen.

Tilanteen volatiliteetti on tehnyt automaattisen toimitusketjun ja varastojen hallinnan hankalaksi. Lontoolaisen konsulttiyhtiö Nozzlen toimitusjohtaja Rael Cline selitti, että yritykset yrittävät optimoida viime viikon wc-paperin kysyntää, kun taas “tällä viikolla kaikki haluavat ostaa palapelejä tai urheiluvälineitä”.

Muiden yritysten omat ongelmat. Yksi yritys antaa sijoitussuosituksia eri uutisartikkeleiden mielipiteiden perusteella, mutta koska uutisartikkeleiden mielipide on usein nykyään pessimistisempi kuin tavallisesti, sijoitussuositukset voivat olla voimakkaasti negatiivisia. Samaan aikaan striimausvideopalvelu käytti suosittelualgoritmeja sisällön suosittelemiseen katsojille, mutta kun moni ihminen tilasi palvelun, suositukset alkoivat olla väärässä. Eräs intialaisten jälleenmyyjien kastikkeita ja kastikkeita toimittava yritys havaitsi, että suuret tilaukset rikkoivat heidän ennustemallinsa.

Erilaiset yritykset käsittelevät pandemian aiheuttamia käyttäytymismalleja eri tavoin. Jotkut yritykset vain korjaavat arvioitaan alaspäin. Ihmiset tilaavat edelleen Netflixiä ja ostavat tuotteita Amazonilta, mutta he ovat leikanneet luksuskulutusta ja lykänneet suurempien tuotteiden ostamista. Jossain mielessä ihmisten kulutusmallit voidaan ajatella kutistuneen normaaleista käyttäytymisestä.

Toiset yritykset ovat joutuneet olemaan enemmän käsi kätevästi mallejaan ja antamaan insinööreille tehtäväksi tehdä tärkeitä säätöjä malliin ja sen koulutusdataan. Esimerkiksi Phrasee on tekoälyyritys, joka käyttää luonnollisen kielen prosessointi- ja generointimalleja luomaan kopioita ja mainoksia useille asiakkaille. Phrasee aina antaa insinöörien tarkistaa, mitä tekstiä malli generoi, ja yritys on alkanut manuaalisesti suodattaa tiettyjä lauseita kopiostaan. Phrasee on päättänyt kieltää lauseiden generoinnin, jotka voivat rohkaista vaarallisia toimia sosiaalisen etäisyyden aikana, kuten “juhla-asu”. He ovat myös päättäneet rajoittaa termejä, jotka voivat johtaa ahdistukseen, kuten “valmistaudu”, “varaudu” tai “varastoile”.

Covid-19-kriisi on osoittanut, että poikkeukselliset tapahtumat voivat romahduttaa jopa hyvin koulutettuja malleja, jotka ovat yleensä luotettavia, koska asiat voivat mennä paljon huonommaksi kuin huonoin mahdollinen skenaario, joka on yleensä osa koulutusdataa. AI-konsulttiyhtiö Pactera Edgen toimitusjohtaja Rajeev Sharma selitti MIT Technology Review -lehdelle, että koneoppimismallit voidaan tehdä luotettavammaksi kouluttamalla niitä poikkeuksellisilla tapahtumilla, kuten Covid-19-pandemialla ja suurella lamauskolla, lisäksi normaaleista ylös- ja alaspäin suuntautuvista muutoksista.