機器學習的關鍵 要像人類一樣「犯錯」
編譯／高晟鈞
人工智慧，顧名思義是打造一種電腦與機器，可以進行推論、學習和工作等，原本需要人類智慧判斷，或是超出人為分析能力上限的資料規模。
人工智能需要更接近人類的行為模式
電腦與人最大的差異性，就在於人所下的決定會受到很多的影響，包括情感、情勢、環境等等。然而，對於機器而言，所有行為的判斷都基於程式、數據。人為錯誤和不確定性可謂是人工智能系統所無法掌控的概念，特別是在人類向機器學習模型提供反饋的系統中。
這類系統會被AI假定人類一定為正確的，然而實際上，人類的決策偶而也會出現錯誤與不確定性。
縮短人機之間的差距
來自英國多所大學與Google DeepMind研究人員組成的團隊，正致力於縮短人類與機器學習間的差距，使人工智能可以充分考慮下決定時的不確定性。這有助於提高AI的可靠度，並降低風險，尤其在醫療診斷方面，這更為重要。
不確定性對於AI同樣重要
「不確定性是人類如和推理世界的核心，但許多AI模型並未考慮這點。」第一作者Katherine Collins說道。
「許多人類人工智能係統假設人類總是確定自己的決定，但這不是人類的工作方式，因為我們都會犯錯誤。我們想看看當人們表達不確定性時會發生什麼，這在安全關鍵的環境中尤其重要，比如使用醫療人工智能係統的臨床醫生。
「我們需要更好的工具來重新校準這些模型。」合著者Matthew Barker說道。
「人機循環」機器學習系統
人機循環機器學習系統，一種被認為能夠實現人類反饋的AI系統，可以在不能依賴自動化模型單獨做出決策的環境中降低風險。
在他們的研究中，研究人員使用了一些基準機器學習數據集：一個用於數字分類，另一個用於對胸部 X 光片進行分類，一個用於對鳥類圖像進行分類。對於前兩個數據集，研究人員模擬了不確定性，但對於鳥類數據集，他們讓人類參與者表明他們對所看到的圖像的確定程度：例如，鳥是紅色還是橙色。
結果
結論表明了，模仿的人類不確定性會大幅降低AI的性能。然而，隨著大量聊天機器人的興起，即使人類的不確定性可能會被錯誤校準，這對於感性的人們來說，這將能提高人機交互系統的可信度與可靠性。
資料來源:TechXplore
瀏覽 402 次
