Ramowy model hybrydowy ludzko-maszynowy kluczem do inteligentniejszych systemów sztucznej inteligencji

Naukowcy z Uniwersytetu Kalifornijskiego w Irvine stworzyli ramowy model hybrydowy ludzko-maszynowy, który ich zdaniem jest kluczem do budowy inteligentniejszych systemów sztucznej inteligencji (AI). Badanie obejmowało nowy model matematyczny, który może poprawić wydajność przez połączenie ludzkich i algorytmicznych przewidywań oraz wyników ufności.

Badanie zostało opublikowane w Proceedings of the National Academy of Sciences.

Ludzie vs. algorytmy maszynowe

Mark Steyvers jest profesorem nauk kognitywnych na UCI i współautorem artykułu.

„Ludzie i algorytmy maszynowe mają uzupełniające się siły i słabości. Każdy z nich wykorzystuje różne źródła informacji i strategie, aby dokonywać przewidywań i podejmować decyzje”, powiedział Steyvers. „Pokazujemy za pomocą demonstracji empirycznych, a także analiz teoretycznych, że ludzie mogą poprawić przewidywania AI, nawet gdy dokładność ludzi jest nieco niższa niż AI – i odwrotnie. A ta dokładność jest wyższa niż łączenie przewidywań z dwóch osób lub dwóch algorytmów AI.”

Naukowcy przetestowali ramowy model, przeprowadzając eksperyment z klasyfikacją obrazów, w którym uczestnicy ludzcy i algorytmy komputerowe pracowali oddzielnie, aby poprawnie zidentyfikować zdeformowane obrazy zwierząt i przedmiotów codziennego użytku. Następnie zostały one ocenione przez uczestników ludzkich według poziomu ufności w dokładności każdej identyfikacji obrazu jako niski, średni lub wysoki. Z drugiej strony, klasyfikator maszynowy wygenerował ciągły wynik.

Przeprowadzanie testów

Wyniki eksperymentów wykazały znaczne różnice w poziomach ufności między ludźmi a AI.

Padhraic Smyth jest profesorem komputerowych nauk na UCI i współautorem artykułu.

„W niektórych przypadkach uczestnicy ludzcy byli bardzo ufni, że dany obraz zawierał krzesło, na przykład, podczas gdy algorytm AI był zdezorientowany przez ten obraz”, powiedział Smyth. „Podobnie, w przypadku innych obrazów, algorytm AI był w stanie z ufnością podać etykietę dla obiektu wyświetlanego, podczas gdy uczestnicy ludzcy nie byli pewni, czy zdeformowany obraz zawierał jakikolwiek rozpoznawalny obiekt.”

Naukowcy wykorzystali swój nowy ramowy model, aby połączyć przewidywania i wyniki ufności z ludzi i AI, a hybrydowy model osiągnął lepszą wydajność niż przewidywania ludzkie lub maszynowe osobno.

„Podczas gdy wcześniejsze badania wykazały korzyści z łączenia przewidywań maszynowych lub łączenia przewidywań ludzkich – tzw. „mądrości tłumu” – ta praca otwiera nowy kierunek w demonstracji potencjału łączenia przewidywań ludzkich i maszynowych, wskazując na nowe i udoskonalone podejścia do współpracy człowiek-AI”, kontynuował Smyth.

Nowy projekt odpowiedzialny za rozwój tego ramowego modelu został zorganizowany przez inicjatywę Irvine Initiative in AI, Law, and Society, która ma na celu zapewnienie głębszego wglądu w to, jak ludzie i maszyny współpracują, aby tworzyć bardziej dokładne systemy AI.

Badanie obejmowało również współautorów Heliodoro Tejada i Gavina Kerrigana. Heliodoro jest studentem magisterskim w dziedzinie nauk kognitywnych na UCI, a Kerrigan jest studentem doktoranckim w dziedzinie informatyki.