7 مارس 2022 -توسط دانشگاه کالیفرنیا، ایروین – اعتبار: CC0 دامنه عمومی
از چت‌بات‌هایی که به سؤالات مالیاتی پاسخ می‌دهند تا الگوریتم‌هایی که وسایل نقلیه خودران را هدایت می‌کنند و تشخیص‌های پزشکی را کنترل می‌کنند، هوش مصنوعی زیربنای بسیاری از جنبه‌های زندگی روزمره است. به گفته محققان دانشگاه کالیفرنیا، ایروین، ایجاد سیستم‌های هوشمندتر و دقیق‌تر نیازمند رویکرد ترکیبی انسان و ماشین است. در مطالعه‌ای که این ماه در مجموعه مقالات آکادمی ملی علوم منتشر شد، آنها مدل ریاضی جدیدی را ارائه کردند که می‌تواند با ترکیب پیش‌بینی‌های انسانی و الگوریتمی و امتیازات اطمینان، عملکرد را بهبود بخشد.
مارک استایورز، استاد علوم شناختی UCI، می‌گوید: الگوریتم‌های انسان و ماشین دارای نقاط قوت و ضعف مکمل هستند. ما از طریق نمایش‌های تجربی و همچنین تحلیل‌های نظری نشان می‌دهیم که انسان‌ها می‌توانند پیش‌بینی‌های هوش مصنوعی را حتی زمانی که دقت انسان تا حدودی کمتر از هوش مصنوعی است – و بالعکس را انجام دهیم . و این دقت بالاتر از ترکیب پیش‌بینی‌های الگوریتم های هوش مصنوعی یا دو نفر است..”
برای آزمایش این چارچوب، محققان یک آزمایش طبقه‌بندی تصویر را انجام دادند که در آن شرکت‌کنندگان انسانی و الگوریتم‌های رایانه‌ای به طور جداگانه کار می‌کردند تا به درستی تصاویر تحریف شده حیوانات و وسایل روزمره مانند صندلی، بطری، دوچرخه، کامیون را شناسایی کنند. شرکت‌کنندگان انسانی اعتماد خود را به دقت شناسایی هر تصویر به‌عنوان کم، متوسط یا زیاد رتبه‌بندی کردند، در حالی که طبقه‌بندی‌کننده ماشین یک امتیاز پیوسته ایجاد کرد. نتایج تفاوت های زیادی در اعتماد بین انسان ها و الگوریتم های هوش مصنوعی در بین تصاویر نشان داد.
Padhraic Smyth، یکی از نویسندگان این مقاله، استاد علوم کامپیوتر دانشگاه UCI می گوید: «در برخی موارد، شرکت کنندگان انسانی کاملاً مطمئن بودند که یک عکس خاص حاوی یک صندلی است، برای مثال، در حالی که الگوریتم هوش مصنوعی در مورد تصویر سردرگم شده بود. به طور مشابه، برای سایر تصاویر، الگوریتم هوش مصنوعی توانست با اطمینان یک برچسب برای شی نشان داده شده ارائه دهد، در حالی که شرکت کنندگان انسانی مطمئن نبودند که آیا تصویر تحریف شده حاوی شیء قابل تشخیصی است یا خیر.
وقتی پیش‌بینی‌ها و امتیازات اطمینان از هر دو با استفاده از چارچوب جدید محققین ترکیب شدند، مدل ترکیبی به عملکرد بهتری نسبت به پیش‌بینی‌های انسان یا ماشین به تنهایی منجر شد.
اسمیت گفت: رویکردهایی برای همکاری انسان و هوش مصنوعی ، در حالی که تحقیقات گذشته مزایای ترکیب پیش‌بینی‌های ماشینی یا ترکیب پیش‌بینی‌های انسانی – به اصطلاح «خرد جمعی» را نشان داده است، این کار مسیر جدیدی را در نشان دادن پتانسیل ترکیب پیش‌بینی‌های انسان و ماشین ایجاد می‌کند و به موارد جدید و بهبود یافته اشاره می‌کند.
این پروژه بین رشته‌ای توسط Irvine Initiative در AI، Law و Society تسهیل شد. به گفته محققان، همگرایی علوم شناختی – که بر درک نحوه تفکر و رفتار انسان ها متمرکز است – با علم کامپیوتر – که در آن فناوری ها تولید می شوند – بینش بیشتری را در مورد اینکه چگونه انسان ها و ماشین ها می توانند برای ساختن سیستم های هوشمند مصنوعی دقیق تر با یکدیگر همکاری کنند، ارائه می دهد.
نویسندگان دیگر عبارتند از Heliodoro Tejada، دانشجوی کارشناسی ارشد UCI در علوم شناختی، و Gavin Kerrigan، دکترای UCI. دانشجوی رشته کامپیوتر
