Credit: CC0公共领域从回答税务问题的聊天机器人到驾驶自动驾驶汽车和发布医疗诊断的算法，人工智能强化了日常生活的许多方面。据加州大学欧文分校的研究人员称，创建更智能、更精确的系统需要一种混合的人机方法。在本月发表在《美国国家科学院院刊》上的一项研究中，他们提出了一种新的数学模型，可以通过结合人类和算法预测以及置信度得分来提高性能。“人类和机器算法有互补的优势和劣势。研究报告的合著者、UCI大学认知科学教授马克·斯特伊夫说:“每个人都使用不同的信息来源和策略来做出预测和决定。”。“我们通过经验证明和理论分析表明，即使人类的准确性略低于人工智能，人类也可以提高人工智能的预测能力——反之亦然。这种准确性高于结合两个个体或两个人工智能算法的预测。”
为了测试该框架，研究人员进行了一项图像分类实验，其中人类参与者和计算机算法分别工作，以正确识别动物和日常物品的失真图片——椅子、瓶子、自行车、卡车。人类参与者将他们对每个图像识别准确性的信心评级为低、中或高，而机器分类器生成连续的分数。结果显示，人类和人工智能算法在图像之间的置信度存在很大差异。
“例如，在某些情况下，人类参与者非常确信某张特定的图片包含一把椅子，而人工智能算法却对图像感到困惑，”合著者、UCI大学计算机科学教授Padhraic Smyth说。“同样，对于其他图像，人工智能算法能够自信地为显示的对象提供标签，而人类参与者不确定扭曲的图片是否包含任何可识别的对象。”
当使用研究人员的新贝叶斯框架将两者的预测和信心得分结合起来时，混合模型比单独的人类或机器预测具有更好的性能。
“虽然过去的研究已经证明了结合机器预测或结合人类预测的好处——即所谓的‘群体智慧’——但这项工作在展示结合人类和机器预测的潜力方面开辟了一个新的方向，指出了新的和改进的人机合作方法，”史密斯说。
这个跨学科的项目是由欧文倡议在人工智能，法律和社会。研究人员表示，认知科学(专注于理解人类如何思考和行为)与产生技术的计算机科学的融合，将为人类和机器如何合作建立更准确的人工智能系统提供进一步的见解。
其他合著者包括UCI大学认知科学研究生赫利奥多罗·特哈达和UCI大学计算机科学博士生加文·凯瑞甘。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
