Моделі ШІ намагаються передбачити нерегулярну поведінку людей під час пандемії Covid-19

Роздрібні та сервісні компанії по всьому світу використовують алгоритми штучного інтелекту для прогнозування поведінки клієнтів, аналізу запасів, оцінки маркетингового впливу та виявлення можливих випадків шахрайства. Моделі машинного навчання, які використовуються для створення цих прогнозів, навчаються на шаблонах, отриманих із звичайної повсякденної діяльності людей. На жаль, під час пандемії коронавірусу наша повсякденна діяльність змінилася MIT Technology Review в результаті повідомляється, що поточні моделі машинного навчання відкидаються. Серйозність проблеми відрізняється від компанії до компанії, але на багато моделей негативно вплинула раптова зміна поведінки людей протягом останніх кількох тижнів.

Коли почалася пандемія коронавірусу, купівельні звички людей різко змінилися. До початку пандемії найчастіше купували такі речі, як чохли для телефонів, зарядні пристрої для телефонів, навушники, посуд. Після початку пандемії 10 найпопулярніших пошукових термінів Amazon стали такими, як серветки Clorox, спрей Lysol, паперові рушники, дезінфікуючий засіб для рук, маски для обличчя та туалетний папір. Протягом останнього тижня лютого найпопулярніші пошукові запити на Amazon стали пов’язані з продуктами, які потрібні людям для захисту від Covid-19. Кореляція пошуку/покупок продуктів, пов’язаних із Covid-19, і поширення хвороби настільки надійна, що її можна використовувати для відстеження поширення пандемії в різних географічних регіонах. Однак моделі машинного навчання ламаються, коли вхідні дані моделі надто відрізняються від даних, які використовуються для навчання моделі.

Нестабільність ситуації ускладнила автоматизацію ланцюгів постачання та запасів. Раел Клайн, генеральний директор лондонської консалтингової компанії Nozzle, пояснив, що тиждень тому компанії намагаються оптимізувати попит на туалетний папір, тоді як «цього тижня всі хочуть купити пазли або обладнання для тренажерного залу».

Інші компанії мають свою частку проблем. Одна компанія надає інвестиційні рекомендації на основі настроїв у різних новинних статтях, але оскільки настрої новинних статей на даний момент часто більш песимістичні, ніж зазвичай, інвестиційні поради можуть бути сильно перекошені в бік негативу. Тим часом компанія потокового відео використовувала алгоритми рекомендацій, щоб пропонувати контент глядачам, але оскільки багато людей раптово підписалися на послугу, їхні рекомендації почали падати. Ще одна компанія, відповідальна за постачання роздрібних торговців в Індії приправами та соусами, виявила, що оптові замовлення порушили їхні прогнозні моделі.

Різні компанії по-різному вирішують проблеми, спричинені пандемією. Деякі компанії просто переглядають свої оцінки в бік зменшення. Люди все ще продовжують підписуватися на Netflix і купувати продукти на Amazon, але вони скоротили витрати на предмети розкоші, відклавши покупки дорогих товарів. У певному сенсі поведінку людей щодо витрат можна уявити як скорочення їхньої звичайної поведінки.

Іншим компаніям довелося більше впоратися зі своїми моделями та запропонувати інженерам внести важливі зміни в модель та її навчальні дані. Наприклад, Phrasee — це фірма штучного інтелекту, яка використовує моделі обробки та генерації природної мови для створення копій і реклами для різних клієнтів. Інженери Phrasee завжди перевіряють, який текст створює модель, і компанія почала вручну фільтрувати певні фрази у своїй копії. Phrasee вирішила заборонити генерувати фрази, які можуть заохочувати до небезпечних дій під час соціального дистанціювання, наприклад фрази «вечірковий одяг». Вони також вирішили обмежити терміни, які можуть викликати занепокоєння, як-от «приготуйте себе», «пристебніться» або «запасіться».

Криза Covid-19 продемонструвала, що дивні події можуть вивести з ладу навіть добре навчені моделі, які зазвичай є надійними, оскільки все може стати набагато гіршим, ніж найгірші сценарії, які зазвичай включаються в навчальні дані. Раджив Шарма, генеральний директор консалтингової компанії Pactera Edge з питань штучного інтелекту, пояснив MIT Technology Review що моделі машинного навчання можна зробити більш надійними, навчивши їх на дивовижних подіях, таких як пандемія Covid-19 і Велика депресія, на додаток до звичайних коливань вгору та вниз.