Categories
My Blog

Lima Alasan Kecerdasan Buatan Tidak Akan Memecahkan Semua Masalah Industri Perjudian

Sementara kecerdasan buatan berpotensi menjadi alat yang ampuh untuk industri perjudian, kekurangan AI harus dipertimbangkan.

Ketika sebuah teknologi baru muncul atau yang sudah ada membuat lompatan besar ke depan, itu memicu terburu-buru untuk menemukan aplikasi untuk itu. Jadi itu untuk kecerdasan buatan (AI), hari ini.

Perusahaan teknologi besar – Google khususnya – telah membuat terobosan AI dalam beberapa tahun terakhir. Banyak dari ini, seperti AlphaGo dan proyek lain dari Google DeepMind tim, lebih merupakan bukti konsep daripada produk yang dapat dipasarkan. Mereka juga memiliki orang-orang di industri lain yang bertanya-tanya apakah kunci untuk merevolusi bidang masing-masing terletak pada teknologi ini.

SBC mengadakan a KTT digital minggu ini, menggantikan pertemuan langsung di Barcelona jika bukan karena pandemi COVID-19. Salah satu topik diskusi pada 9 September adalah menggunakan AI untuk meningkatkan profitabilitas dalam industri kasino.

Américo Loureiro, direktur perusahaan kasino Solverde, LED Diskusi. Dalam sambutannya, ia meramalkan dalam tiga tahun tidak ada operator yang dapat mengelola bisnisnya tanpa menggunakan AI. Pemimpin bisnis lainnya membagikan pengalaman mereka dalam mengembangkan dan menerapkan AI untuk segala hal mulai dari merancang promosi hingga perwakilan layanan pelanggan virtual.

Sementara itu, orang-orang di dalam dan di luar industri telah memikirkan tentang potensi AI untuk membantu permainan yang bertanggung jawab. Operator negara Norwegia Tip Norsk, misalnya, percaya bahwa algoritme yang terlatih dapat mengidentifikasi dan mengintervensi penjudi bermasalah lebih efektif daripada tim manusia.

AI bukanlah sihir. Sebelum mengandalkannya untuk memecahkan masalah, penting untuk melihat keterbatasannya. Berikut adalah beberapa hal yang dapat menyebabkan AI gagal dalam industri game, jika pendukungnya tidak berhati-hati.

# 1: Sering kali cukup buram

Ada banyak pendekatan untuk AI. Salah satu yang paling menarik saat ini adalah pembelajaran mesin. Algoritme semacam itu mengambil data masukan dan menghasilkan keluaran yang, pada awalnya, kebanyakan acak. Tetapi setelah setiap percobaan, mereka mengukur kualitas hasil, atau menerima umpan balik dari pelatih manusia. Algoritme kemudian memodifikasi langkah-langkah perantara untuk mencoba meningkatkan keluaran.

Setelah banyak iterasi dari proses ini, algoritme yang dihasilkan mungkin lebih baik daripada manusia dalam menghasilkan keluaran yang diinginkan dari kumpulan data tertentu. Namun, semua langkah yang digunakan untuk berpindah dari masukan ke keluaran adalah ciptaannya sendiri. Seberapa mudah dipahami mereka bagi manusia bisa bervariasi.

Algoritme yang lebih tidak jelas terkadang dijelaskan sebagai "Kotak hitam". Jika salah satu dari ini memberikan jawaban yang aneh, akan sulit untuk mengetahui apakah ada masalah dengan komputer, atau hanya dengan kemampuan manusia untuk memahami alasan jawaban tersebut.

Bisnis yang terlalu mengandalkan pembelajaran mesin berisiko menjadi semacam kultus kargo, mengikuti instruksi mesin secara membabi buta. Karyawan manusia mungkin tidak memahami alasan atau pentingnya rekomendasinya, dan akibatnya membuat kesalahan dalam melaksanakannya.

# 2: Performa AI bergantung pada kualitas input

Ikuti kursus pemrograman komputer apa saja dan Anda mungkin akan mendengar akronimnya GIGO dalam beberapa kasus. Ini singkatan dari "Garbage In, Garbage Out". Ini adalah pengingat bahwa hasil yang dihasilkan oleh algoritme yang sempurna sekalipun hanya akan sebaik data yang Anda berikan.

Komputer tidak memiliki apa yang kita sebut Akal sehat. Apa pun pemeriksaan kewarasan yang dikandung algoritme bergantung pada kemampuan pemrogram untuk mengantisipasi kesalahan orang lain.

Coba berikan laporan cuaca kepada analis pasar manusia alih-alih bagan saham. Mereka akan memberi tahu Anda bahwa data tidak sesuai dengan pertanyaan yang Anda ajukan. Komputer mungkin dengan senang hati menghitung angka-angka itu dan memberikan jawaban yang tidak masuk akal.

Dalam kasus industri game, ada masalah terkait dalam hal ini jumlah variabel. Beberapa di antaranya mungkin tampak tidak penting untuk disertakan dalam kumpulan data AI, tetapi ternyata sangat penting di kemudian hari.

Pertimbangkan hipotesis ini: mungkin AC di salah satu sudut kasino disetel terlalu dingin. Manajer manusia mungkin menyadari bahwa itulah alasan mengapa slot di bagian lantai itu berkinerja buruk. Sebuah komputer, bagaimanapun, mungkin hanya menggantikan game-game yang memuakkan. Ini mungkin tidak pernah mengidentifikasi masalah sebenarnya karena suhu ruangan dianggap tidak relevan oleh orang yang menyusun kumpulan datanya.

# 3: Ini dapat memperkuat bias yang tidak disadari atau sistemik

Dalam kasus pembelajaran mesin, kualitas data tidak hanya penting di lapangan. Yang lebih penting adalah data dulu latih algoritme di tempat pertama. Asumsi yang tidak perlu dipertanyakan oleh programmer juga dapat masuk pada tahap itu.

Kami telah melihat konsekuensi dari hal ini pada aplikasi awal teknologi di bidang lain. Dalam sebuah penelitian, teknologi pengenalan wajah dan suara ditemukan berkinerja buruk dengan minoritas yang tidak terwakili dalam data pelatihan mereka. AI untuk industri perjudian dapat mengalami kesulitan yang sama jika tidak memperhitungkan perbedaan kelas sosial-ekonomi, atau perilaku perjudian yang memiliki komponen budaya bagi mereka.

Bahkan kumpulan data dunia nyata bisa menjadi masalah. Norsk Tipping melatih algoritme permainan yang bertanggung jawab menggunakan kombinasi data perilaku pemain yang dikumpulkan melalui situs dan penilaian mandiri. Namun, ada risiko bahwa penilaian mandiri dapat memilih pemain yang sudah menyadari bahwa mereka memiliki masalah. Akibatnya, algoritme bisa saja merindukan mereka yang kurang sadar, untuk siapa intervensi mungkin lebih penting.

# 4: Itu hanya bisa mengikuti aturan pada surat itu

Terkait dengan gagasan bahwa AI tidak memiliki "akal sehat", ia juga tidak memiliki pemahaman tentang niat di balik aturan. Parameter apa pun yang Anda berikan, itu akan mengikuti, tetapi akan melakukannya dengan sangat harfiah. Terkadang itu berarti hasil yang sangat berbeda dari yang diharapkan manusia.

Ada, dalam satu contoh, kasus algoritma pembelajaran mesin yang dibuat untuk mengoptimalkan sirkuit. Beberapa desainnya akhirnya menampilkan komponen yang benar-benar terputus dari sirkuit lainnya. Ini ternyata diperlukan, karena kehadiran mereka mempengaruhi medan elektromagnetik yang dihasilkan oleh rangkaian lainnya. Ini sangat berbeda dari apa yang diharapkan oleh perancang sirkuit manusia.

Ketika datang ke sistem manusia seperti industri perjudian, ini menciptakan risiko etika yang besar. Saat ini, sudah ada masalah di sebagian besar industri dengan orang-orang yang membenarkan strategi bisnis yang tidak etis atas dasar bahwa mereka mematuhi ketentuan hukum. AI yang dirancang untuk mengoptimalkan pendapatan untuk bisnis perjudian kemungkinan akan menghasilkan beberapa strategi predator.

Jika teknologi semacam itu tersebar luas, maka akan menambah beban regulator. Mereka harus sangat tepat dan teliti dalam membuat aturan, karena AI sangat pandai melewati batas.

# 5: Itu membutuhkan segalanya untuk diukur

Tentu saja, insinyur dapat merancang algoritme untuk mengoptimalkan banyak hal sekaligus. Misalnya, AI yang mengoptimalkan keuntungan juga dapat mempertimbangkan risiko mendorong perjudian bermasalah. Namun untuk melakukannya diperlukan cara membandingkan keduanya.

Seorang pembuat keputusan manusia biasanya akan mengandalkan kompas moral subjektif mereka sendiri untuk mempertimbangkan hal-hal seperti itu. Baik atau buruk, komputer mengandalkan angka. Ia perlu mengetahui dengan tepat berapa banyak dolar dari keuntungan yang dapat dikorbankan untuk menyelamatkan satu orang potensi kecanduan judi.

Di satu sisi, ini adalah percakapan penting yang perlu kita lakukan. Di sisi lain, ini adalah diskusi yang membuat orang merasa sangat tidak nyaman ketika dibingkai secara terus terang.

Tak satu pun dari masalah ini tidak dapat diatasi. Namun, menggunakan AI membutuhkan tanggung jawab memahami kekurangannya. Mengembangkan AI manusia super untuk tugas yang sempit dan terdefinisi dengan baik seperti bermain catur adalah satu hal. Pengambilan keputusan dunia nyata sering kali membutuhkan pendekatan yang lebih holistik dan subyektif, sesuatu yang masih sangat buruk di komputer.

Digunakan dengan hati-hati dan fokus, AI akan menjadi a alat yang ampuh untuk industri game. Namun, penting bahwa kita tidak menuntut lebih dari yang dapat disediakannya, agar tidak membawa kita ke dalam beberapa keputusan yang sangat bodoh.