Uma das aplicações mais populares da inteligência artificial até hoje tem sido usá-la para prever coisas, usando algoritmos treinados em dados históricos para determinar um resultado futuro. Mas popularidade nem sempre significa sucesso: a IA preditiva perde muitas nuances, contexto e raciocínio de causa e efeito que entram em um resultado; e como wired indica e como foi visto em vários casos, isso significa que às vezes as respostas “lógicas” produzidas pela IA preditiva podem ser desastrosas. a inicialização CauseLens desenvolveu a tecnologia de inferência causal, apresentada como uma ferramenta sem código que não requer que um cientista de dados a use para introduzir mais nuances, raciocínio e sensibilidade de causa e efeito em um sistema baseado em IA, que acredita ter como objetivo resolver este problema.
O objectivo da CauseLens, disse o CEO e cofundador Darko Matovski, é que a IA "comece a entender o mundo como os humanos".
A startup garantiu US$ 45 milhões em financiamento após o sucesso inicial de sua abordagem, aumentando a receita em 500% desde que surgiu há um ano.
Dorilton Ventures e Molten Ventures (o VC que renomeou Draper Esprit) lideraram a rodada, com a participação dos patrocinadores anteriores Generation Ventures e IQ Capital, e o novo patrocinador GP Bullhound. Várias fontes dizem que os valores redondos CauseLens, com sede em Londres, por cerca de US$ 250 milhões.
Clientes e parceiros da CauseLens eles atualmente incluem saúde, serviços financeiros e organizações governamentais, entre outras verticais, onde sua tecnologia é usada não apenas para a tomada de decisões orientadas por IA, mas também para trazer mais nuances de causa e efeito ao chegar aos resultados. .
Um exemplo ilustrativo de como isso funciona pode ser encontrado na Mayo Clinic, uma das parceiras da startup, que vem utilizando CauseLens para identificar biomarcadores de câncer.
"Os corpos humanos são sistemas complexos e, portanto, aplicando paradigmas básicos de IA, você pode encontrar qualquer padrão que desejar, correlações de qualquer tipo, e não chegará a lugar nenhum", disse Darko Matovski, CEO e fundador da startup AI. “Mas se você aplicar técnicas de causa e efeito para entender a mecânica de como os diferentes corpos funcionam, você pode entender melhor a verdadeira natureza de como uma parte afeta a outra”.
Considerando todas as variáveis que podem estar envolvidas, é o tipo de problema de big data que é quase impossível para um humano, ou mesmo uma equipe de humanos, calcular, mas é jogo para um modelo de computador. Embora não produza uma cura para o câncer, esse tipo de trabalho é um passo significativo para começar a considerar diferentes tratamentos adaptados às muitas permutações envolvidas.
tecnologia CauseLens também tem sido aplicado de forma menos clínica na área da saúde. Uma agência de saúde pública não divulgada em uma das maiores economias do mundo usou seu mecanismo de IA causal para determinar por que certos adultos se abstiveram de se vacinar contra o COVID-19, para que a agência pudesse elaborar estratégias melhores.
Outros clientes em áreas como serviços financeiros têm usado CauseLens para informar algoritmos automatizados de tomada de decisão em áreas como avaliação de empréstimos, onde os sistemas de IA anteriores introduziram vieses em suas decisões ao usar apenas dados históricos. Por outro lado, os fundos utilizados CauseLens para entender melhor como uma tendência de mercado pode se desenvolver para informar suas estratégias de investimento.
E, curiosamente, uma nova onda de clientes pode estar surgindo no mundo do transporte autônomo. Esta é uma área onde a falta de raciocínio humano tem impedido o progresso no campo.
“Não importa quantos dados sejam alimentados em sistemas autônomos, ainda são apenas correlações históricas”, disse Matovski sobre o desafio. Digo que CauseLens está em negociações agora com duas grandes empresas automotivas, com "muitos casos de uso" para sua tecnologia, mas um em particular é a condução autônoma "para ajudar os sistemas a entender como o mundo funciona". Não se trata apenas de pixels correlacionados relacionados a um sinal vermelho e um carro parando, mas também qual será o efeito desse carro desacelerar em um sinal vermelho. Estamos trazendo raciocínio para a IA. A IA causal é a única esperança para a condução autônoma.”
Parece obvio que aquellos que usan IA en su trabajo querrían que el sistema fuera lo más preciso posible, lo que plantea la pregunta de por qué la brillante mejora de la IA causal no se ha integrado en los algoritmos de IA y el aprendizaje automático en el primeiro lugar.
Não que raciocinar mais e responder “por que” não fossem prioridades desde o início, explicou Matovski: “As pessoas vêm explorando relações de causa e efeito na ciência há muito tempo. Pode-se até argumentar que as equações de Newton são causais. É super fundamental na ciência", disse ele, mas os especialistas em IA não conseguiam descobrir como ensinar as máquinas a fazer isso. "Foi muito difícil", disse ele. "Os algoritmos e a tecnologia não existiam."
Isso começou a mudar por volta de 2017, disse ele, quando os acadêmicos começaram a publicar abordagens iniciais considerando como representar "raciocínio" e causa e efeito na IA com base na descoberta de pistas que contribuíram para os resultados existentes (em vez de usar dados históricos para determinar os resultados). e construir modelos com base nisso. Curiosamente, é uma abordagem que Matovski diz que não precisa ingerir grandes volumes de dados de treinamento para funcionar. A equipe de CauseLens ele tem muitos doutorados. E essa equipe aceitou esse desafio e o cumpriu. "Desde então, tem sido uma curva de crescimento exponencial" em termos de descoberta.
Como esperado, CauseLens ele não é o único jogador que procura aproveitar os avanços na inferência causal em projetos maiores que dependem da IA. Microsoft, Facebook, Amazon, Google e outros grandes players de tecnologia com investimentos substanciais em inteligência artificial também estão trabalhando em campo. Entre as startups também estão causais focando especificamente na oportunidade de usar IA causal em medicina e saúde, e oogway parece estar construindo uma plataforma de IA causal voltada para os consumidores, um "assistente de decisão de IA personalizado", como se descreve. Tudo isso representa a oportunidade de desenvolver ainda mais e um mercado bastante grande para a tecnologia, abrangendo casos de uso de negócios específicos e mais gerais.
“A IA deve dar o próximo passo em direção ao raciocínio causal para alcançar seu potencial no mundo real. CauseLens é a primeira a alavancar a IA Causal para modelar intervenções e permitir a introspecção orientada por máquina”, disse Daniel Freeman, da Dorilton Ventures. “Esta equipe de talentos construiu software com sofisticação para conquistar cientistas de dados e facilidade de uso para capacitar líderes de negócios. A Dorilton Ventures está muito animada em apoiar a causaLens na próxima etapa de sua jornada."
“Todas as empresas adotarão a IA, não apenas porque podem, mas porque devem”, acrescentou Christoph Hornung, diretor de investimentos da Molten Ventures. “Na Molten, estamos convencidos de que a causalidade é o principal ingrediente necessário para desbloquear o potencial da IA. CauseLens É a primeira plataforma de IA causal do mundo com capacidade comprovada de transformar dados em decisões de negócios ideais."
