Organisationer som vill dra nytta av revolutionen med artificiell intelligens (AI) bör vara försiktiga med att lägga alla sina ägg i en korg, en studie från University of Waterloo har funnit.

I en studie publicerad i Nature Machine Intelligence , Waterloo-forskare fann att i motsats till konventionell visdom, det kan inte finnas någon exakt metod för att avgöra om ett givet problem kan lösas framgångsrikt med verktyg för maskininlärning.

"Vi måste gå fram med försiktighet, sa Shai Ben-David, huvudförfattare till studien och professor vid Waterloo's School of Computer Science. "Det finns en stor trend med verktyg som är mycket framgångsrika, men ingen förstår varför de är framgångsrika, och ingen kan ge garantier för att de kommer att fortsätta att vara framgångsrika.

"I situationer där bara ett ja eller nej krävs, vi vet exakt vad som kan eller inte kan göras med maskininlärningsalgoritmer. Dock, när det gäller mer allmänna inställningar, vi kan inte skilja lärbara från olärbara uppgifter."

I studien, Ben-David och hans kollegor övervägde en inlärningsmodell som heter estimering av maximum (EMX), som fångar många vanliga maskininlärningsuppgifter. Till exempel, uppgifter som att identifiera den bästa platsen för att lokalisera en uppsättning distributionsanläggningar för att optimera deras tillgänglighet för framtida förväntade konsumenter. Forskningen fann att ingen matematisk metod någonsin skulle kunna säga, fått en uppgift i den modellen, om ett AI-baserat verktyg skulle kunna hantera den uppgiften eller inte.

"Detta fynd kommer som en överraskning för forskarvärlden eftersom man länge har trott att när en exakt beskrivning av en uppgift tillhandahålls, det kan sedan bestämmas om maskininlärningsalgoritmer kommer att kunna lära sig och utföra den uppgiften, sa Ben-David.

Studien, Lärbarhet kan vara obestämbar, var medförfattare av Ben-David, Pavel Hrubeš från Institutet för matematik vid Vetenskapsakademien i Tjeckien, Shay Morgan från institutionen för datavetenskap, Princeton Universitet, Amir Shpilka, Institutionen för datavetenskap, Tel Avivs universitet, och Amir Yehudayoff från institutionen för matematik, Technion-IIT.