Cadre Hybride Humain-Machine Clé pour un Intelligence Artificielle Plus Intelligente

Les chercheurs de l’Université de Californie à Irvine ont créé un cadre hybride humain-machine qu’ils estiment être essentiel pour construire des systèmes d’intelligence artificielle (IA) plus intelligents. L’étude a impliqué un nouveau modèle mathématique qui peut améliorer les performances en combinant les prédictions et les scores de confiance humains et algorithmiques.

L’étude a été publiée dans Proceedings de l’Académie nationale des sciences.

Humains vs. Algorithmes de Machine

Mark Steyvers est professeur de sciences cognitives à l’UCI et co-auteur de l’article.

« Les humains et les algorithmes de machine ont des forces et des faiblesses complémentaires. Chacun utilise des sources d’information et des stratégies différentes pour faire des prédictions et prendre des décisions », a déclaré Steyvers. « Nous montrons, à travers des démonstrations empiriques ainsi que des analyses théoriques, que les humains peuvent améliorer les prédictions de l’IA même lorsque l’exactitude humaine est légèrement inférieure à celle de l’IA – et vice versa. Et cette exactitude est supérieure à la combinaison de prédictions de deux individus ou de deux algorithmes d’IA. »

Les chercheurs ont testé le cadre en réalisant une expérience de classification d’images où des participants humains et des algorithmes informatiques ont travaillé séparément pour identifier correctement des images distordues d’animaux et d’objets du quotidien. Ces images ont ensuite été classées par les participants humains en fonction de leur confiance dans l’exactitude de chaque identification d’image comme faible, moyenne ou élevée. D’un autre côté, le classificateur de machine a généré un score continu.

Réalisation des Tests

Les résultats des expériences ont montré des différences significatives dans les niveaux de confiance entre les humains et l’IA.

Padhraic Smyth est professeur de sciences informatiques à l’UCI et co-auteur de l’article.

« Dans certains cas, les participants humains étaient très confiants que une image particulière contenait une chaise, par exemple, tandis que l’algorithme d’IA était confus quant à l’image », a déclaré Smyth. « De même, pour d’autres images, l’algorithme d’IA a pu fournir avec confiance une étiquette pour l’objet affiché, tandis que les participants humains étaient incertains quant à la présence d’un objet reconnaissable dans l’image distordue. »

Les chercheurs ont utilisé leur nouveau cadre pour combiner les prédictions et les scores de confiance des humains et de l’IA, et le modèle hybride a obtenu de meilleures performances que les prédictions humaines ou de machine seules.

« Alors que les recherches antérieures ont démontré les avantages de la combinaison de prédictions de machine ou de combinaison de prédictions humaines – la soi-disant « sagesse de la foule » – ce travail ouvre une nouvelle direction en démontrant le potentiel de la combinaison de prédictions humaines et de machine, pointant vers de nouvelles et améliorées approches de collaboration humaine-IA », a poursuivi Smyth.

Le nouveau projet responsable de l’élaboration de ce cadre a été organisé par l’Initiative Irvine en IA, droit et société, qui vise à fournir une compréhension plus approfondie de la façon dont les humains et les machines collaborent pour créer des systèmes d’IA plus précis.

La recherche a également inclus des co-auteurs Heliodoro Tejada et Gavin Kerrigan. Heliodoro est un étudiant diplômé en sciences cognitives à l’UCI, et Kerrigan est un étudiant en doctorat en sciences informatiques à l’UCI.