Υβριδικό Πλαίσιο Ανθρώπου-Μηχανής Κλειδί για Ευφυέστερη Τεχνητή Νοημοσύνη

Ερευνητές στο Πανεπιστήμιο της Καλιφόρνιας – Ίρβιν έχουν δημιουργήσει ένα υβριδικό πλαίσιο ανθρώπου-μηχανής που λένε ότι είναι το κλειδί για την κατασκευή πιο ευφυών συστημάτων τεχνητής νοημοσύνης (ΤΝ). Η μελέτη αφορούσε ένα νέο μαθηματικό μοντέλο που μπορεί να βελτιώσει την απόδοση συνδυάζοντας ανθρώπινες και αλγοριθμικές προβλέψεις και βαθμολογίες εμπιστοσύνης.

Η μελέτη δημοσιεύθηκε στο Πρακτικά της Εθνικής Ακαδημίας Επιστημών.

Άνθρωπος vs. Αλγόριθμοι Μηχανής

Ο Mark Steyvers είναι καθηγητής του Πανεπιστημίου της Καλιφόρνιας – Ίρβιν και συντάκτης της εργασίας.

«Οι άνθρωποι και οι αλγόριθμοι μηχανής έχουν συμπληρωματικές δυνάμεις και αδυναμίες. Κάθε ένας χρησιμοποιεί διαφορετικές πηγές πληροφοριών και στρατηγικές για να κάνει προβλέψεις και αποφάσεις», είπε ο Steyvers. «Δείχνουμε μέσω εμπειρικών αποδείξεων, καθώς και θεωρητικών αναλύσεων, ότι οι άνθρωποι μπορούν να βελτιώσουν τις προβλέψεις της ΤΝ ακόμη και όταν η ανθρώπινη ακρίβεια είναι κάτω από εκείνη της ΤΝ — και αντίστροφα. Και αυτή η ακρίβεια είναι υψηλότερη από το συνδυασμό προβλέψεων από δύο άτομα ή δύο αλγόριθμους ΤΝ.»

Οι ερευνητές έκαναν το τεστ του πλαισίου διεξάγοντας ένα πείραμα ταξινόμησης εικόνων όπου ανθρώπινες συμμετοχές και αλγόριθμοι υπολογιστή εργάστηκαν ξεχωριστά για να αναγνωρίσουν σωστά τις διαστρεβλωμένες εικόνες ζώων και καθημερινών αντικειμένων. Αυτά στη συνέχεια κατατάχθηκαν από τους ανθρώπινους συμμετέχοντες με βάση την εμπιστοσύνη τους στην ακρίβεια κάθε αναγνώρισης εικόνας ως χαμηλή, μέτρια ή υψηλή. Από την άλλη πλευρά, ο ταξινομητής μηχανής παρήγαγε ένα συνεχές σκορ.

Εκτέλεση Τεστ

Τα αποτελέσματα των πειραμάτων έδειξαν σημαντικές διαφορές στα επίπεδα εμπιστοσύνης μεταξύ ανθρώπων και ΤΝ.

Ο Padhraic Smyth είναι καθηγητής του Πανεπιστημίου της Καλιφόρνιας – Ίρβιν και συντάκτης της εργασίας.

«Σε ορισμένες περιπτώσεις, οι ανθρώπινες συμμετοχές ήταν khá βέβαιες ότι μια συγκεκριμένη εικόνα περιείχε μια καρέκλα, για παράδειγμα, ενώ ο αλγόριθμος ΤΝ ήταν σύγχυση για την εικόνα», είπε ο Smyth. «Ομοίως, για άλλες εικόνες, ο αλγόριθμος ΤΝ ήταν σε θέση να παρέχει με βεβαιότητα ένα λεζάντα για το αντικείμενο που εμφανιζόταν, ενώ οι ανθρώπινες συμμετοχές ήταν αβέβαιες αν η διαστρεβλωμένη εικόνα περιείχε κάποιο αναγνωρίσιμο αντικείμενο.»

Οι ερευνητές χρησιμοποίησαν το νέο τους πλαίσιο για να συνδυάσουν τις προβλέψεις και τις βαθμολογίες εμπιστοσύνης από τους ανθρώπους και την ΤΝ, και το υβριδικό μοντέλο πέτυχε καλύτερη απόδοση από τις προβλέψεις ανθρώπων ή μηχανής μόνο.

«Ενώ προηγούμενες έρευνες έχουν δείξει τα οφέλη της συνδυασμής προβλέψεων μηχανής ή της συνδυασμής ανθρώπινων προβλέψεων — η такη gọiμένη «σοφία του πλήθους» — αυτό το έργο ανοίγει einen νέο δρόμο στη δήλωση του потенτικού της συνδυασμής ανθρώπινων και μηχανικών προβλέψεων, δείχνοντας νέες και βελτιωμένες προσεγγίσεις για την συνεργασία ανθρώπου-ΤΝ», συνέχισε ο Smyth.

Το νέο έργο που είναι υπεύθυνο για την ανάπτυξη αυτού του πλαισίου οργανώθηκε από την Πρωτοβουλία Ίρβιν για την ΤΝ, το Δίκαιο και την Κοινωνία, η οποία επιδιώκει να παρέχει βαθύτερη ενημέρωση σχετικά με τον τρόπο με τον οποίο οι άνθρωποι και οι μηχανές συνεργάζονται για να δημιουργήσουν πιο ακριβή συστήματα ΤΝ.

Η έρευνα περιελάμβανε επίσης συν-συγγραφείς Heliodoro Tejada και Gavin Kerrigan. Ο Heliodoro είναι μεταπτυχιακός φοιτητής στο Πανεπιστήμιο της Καλιφόρνιας – Ίρβιν στις γνωστικές επιστήμες, και ο Kerrigan είναι διδακτορικός φοιτητής στο Πανεπιστήμιο της Καλιφόρνιας – Ίρβιν στην επιστήμη υπολογιστών.