AI'nin tümü korelasyon üzerinde çalışmaz, Bayesian İnanç Ağları A'nın B'ye neden olma olasılığı etrafında inşa edilir.
Öğrencilerin geçmiş performanslarına dayalı sorulardaki performanslarını tahmin etmek için bir sistem üzerinde çalışıyorum.
Bunun için nedenselliğe ihtiyacın olduğunu sanmıyorum. Geçmiş bir performans güncel bir performansa neden olmaz. Erken bir soruya cevap vermek daha sonraki bir soruya cevap vermez.
Ancak, uygun zorluk seviyesine sahip olabilecek soruları seçmek için sadece bir sistem kurmak açısından bakıldığında, bu ayrımın herhangi bir önemi var mı?
Hayır, örneğin değil. Bence korelasyon (hatta basit ekstrapolasyon) probleminizi çok iyi çözecektir. Soruların her birine bir zorluk puanı atayın ve daha sonra öğrencilere giderek daha zor seviyelerde (çoğu sınavın nasıl çalıştığı) sorular besleyin ve sonra öğrenci yanlış anlamaya başladığında, zorluğu geri alabilirsiniz. Bu, çok katmanlı bir algılayıcıda bir nöron üzerinde gerçekleştirilen hata minimizasyonuna benzer bir geri bildirim algoritmasıdır. Bunun gibi önemsiz olmayan girdi alanları, zor bir sorunun ne olduğuna karar vermek!
Yapay zekadaki nedensellik için daha iyi bir örnek:
Arabam yavaşlıyor. Hızlandırıcım yerde. Fazla gürültü yok. Gösterge tablosunda ışıklar var. Yakıtın bitmesi olasılığı nedir?
Bu durumda yakıtın bitmesi aracın yavaşlamasına neden oldu. Bu tam olarak Bayes İnanç Ağlarının çözdüğü bir problemdir.