Моделі штучного інтелекту мають труднощі з прогнозуванням нерегулярної поведінки людей під час пандемії COVID-19

Рітейл та сервісні компанії по всьому світу використовують алгоритми штучного інтелекту для прогнозування поведінки клієнтів, обліку запасів, оцінки впливу маркетингу та виявлення можливих випадків шахрайства. Моделі машинного навчання, які використовуються для цих прогнозів, тренуються на закономірностях, отриманих з нормальної, щоденної діяльності людей. На жаль, наша щоденна діяльність змінилася під час пандемії коронавірусу, і, як повідомляє MIT Technology Review, поточні моделі машинного навчання зараз викликають сумніви через це. Серйозність проблеми різниться від компанії до компанії, але багато моделей негативно постраждали від раптової зміни поведінки людей за останні кілька тижнів.

Коли сталася пандемія коронавірусу, покупкові звички людей змінилися драматично. До початку пандемії найбільш часто купуваними предметами були речі, такі як чохли для телефонів, зарядні пристрої, навушники, кухонне приладдя. Після початку пандемії топ-10 пошукових запитів Amazon (AMZN ) стали такими речами, як салфетки Clorox, спрей Lysol, паперові рушники, дезінфікуючий засіб для рук, маски для обличчя та туалетна папір. За останні тижні лютого всі топ-пошукові запити Amazon стали пов’язані з продуктами, необхідними людям для захисту від COVID-19. Кореляція між пошуковими запитами/купівлею продуктів, пов’язаних з COVID-19, та поширенням захворювання настільки надійна, що її можна використовувати для відстеження поширення пандемії в різних географічних регіонах. Однак моделі машинного навчання ламаються, коли вхідні дані моделі занадто відрізняються від даних, використаних для тренування моделі.

Нестабільність ситуації ускладнила автоматизацію ланцюгів постачання та обліку запасів. Рейл Клайн, генеральний директор лондонської компанії-консультанта Nozzle, пояснив, що компанії намагаються оптимізувати попит на туалетну папір тиждень тому, тоді як “цієї тижні всі хочуть купити пазли або спортивного обладнання”.

Інші компанії мають свої власні проблеми. Одна компанія надає рекомендації щодо інвестицій на основі настрою різних статей, але оскільки настрій статей зараз часто більш песимістичний, ніж зазвичай, інвестиційні поради можуть бути сильно перекошені в бік негативу. Тим часом компанія, яка займається потоковим відео, використовує алгоритми рекомендацій для пропонування контенту глядачам, але оскільки багато людей раптом підписалися на цю службу, їхні рекомендації почали відхилятися від мети. Інша компанія, яка постачає рітейлерам в Індії приправами та соусами, виявила, що великі замовлення ламали їхні прогнозні моделі.

Різні компанії підходять до проблем, викликаних пандемією, по-різному. Деякі компанії просто переглядають свої оцінки вниз. Люди продовжують підписуватися на Netflix (NFLX ) і купувати товари на Amazon, але вони скоротили витрати на розкоші, відкладаючи покупки великих товарів. У певному сенсі поведінка людей можна вважати скороченням їхньої звичайної поведінки.

Інші компанії мали можливість працювати з моделями та робити важливі корекції моделі та її тренувальних даних. Наприклад, Phrasee – це компанія штучного інтелекту, яка використовує моделі обробки та генерації природної мови для створення копій та рекламних оголошень для різних клієнтів. Phrasee завжди має інженерів, які перевіряють текст, згенерований моделлю, і компанія почала вручну фільтрувати певні фрази в своєму копі. Phrasee вирішила заборонити генерацію фраз, які можуть заохочувати небезпечну діяльність під час соціальної дистанції, фраз, таких як “одяг для вечірок”. Вони також вирішили обмежити терміни, які можуть призвести до тривоги, такі як “підготуйтеся”, “запасіться” або “запаситесь”.

Криза COVID-19 продемонструвала, що аномальні події можуть вивести з ладу навіть високообучені моделі, які зазвичай надійні, оскільки речі можуть стати значно гіршими, ніж найгірші сценарії, які зазвичай включаються до тренувальних даних. Раджів Шарма, генеральний директор компанії Pactera Edge, яка займається консалтингом у сфері штучного інтелекту, пояснив MIT Technology Review, що моделі машинного навчання можна зробити більш надійними, тренуючи їх на аномальних подіях, таких як пандемія COVID-19 та Велика депресія, крім звичайних коливань угору та вниз.