مدل از پیش بینی های انسانی و الگوریتمی و امتیازات اطمینان برای افزایش دقت استفاده می کند – ScienceDaily


از چت‌بات‌هایی که به سؤالات مالیاتی پاسخ می‌دهند تا الگوریتم‌هایی که وسایل نقلیه خودران را هدایت می‌کنند و تشخیص‌های پزشکی را برطرف می‌کنند، هوش مصنوعی زیربنای بسیاری از جنبه‌های زندگی روزمره است. به گفته محققان دانشگاه کالیفرنیا، ایروین، ایجاد سیستم‌های دقیق‌تر و دقیق‌تر نیازمند رویکرد ترکیبی انسان و ماشین است. در مطالعه ای که این ماه در مجموعه مقالات آکادمی ملی علومآنها یک مدل ریاضی جدید ارائه می کنند که می تواند عملکرد را با ترکیب پیش بینی های انسانی و الگوریتمی و امتیازات اطمینان بهبود بخشد.

مارک استایورز، استاد علوم شناختی UCI می گوید: الگوریتم های 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 پایین‌تر است، بهبود بخشند. [that of] هوش مصنوعی — و بالعکس. و این دقت بالاتر از ترکیب پیش‌بینی‌های دو فرد یا دو الگوریتم هوش مصنوعی است.”

برای آزمایش این چارچوب، محققان یک آزمایش طبقه‌بندی تصویر را انجام دادند که در آن شرکت‌کنندگان انسانی و الگوریتم‌های رایانه‌ای به طور جداگانه برای شناسایی صحیح تصاویر تحریف شده حیوانات و وسایل روزمره – صندلی، بطری، دوچرخه، کامیون، کار می‌کردند. 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، استاد علوم کامپیوتر دانشگاه UCI، گفت: «در برخی موارد، شرکت‌کنندگان 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 برچسبی 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.

هنگامی که پیش‌بینی‌ها و امتیازات اطمینان از هر دو با استفاده از چارچوب جدید بیزی محققین ترکیب شدند، مدل ترکیبی به عملکرد بهتری نسبت به پیش‌بینی‌های انسان یا ماشین منجر شد.

«در حالی که تحقیقات گذشته مزایای ترکیب پیش‌بینی‌های ماشینی یا ترکیب پیش‌بینی‌های انسانی – به اصطلاح «خرد جمعیت» را نشان داده است، این کار مسیر جدیدی را در نشان دادن پتانسیل ترکیب پیش‌بینی‌های انسان و ماشین ایجاد می‌کند و به موارد جدید اشاره می‌کند. اسمیت گفت و رویکردهای بهبود یافته برای همکاری انسان و هوش مصنوعی.

این پروژه بین رشته‌ای توسط Irvine Initiative در هوش مصنوعی، قانون و جامعه تسهیل شد. 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 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. محققان گفتند.

نویسندگان دیگر عبارتند از Heliodoro Tejada، دانشجوی کارشناسی ارشد UCI در علوم شناختی، و Gavin Kerrigan، دکترای UCI. دانشجوی رشته کامپیوتر

بودجه این مطالعه توسط بنیاد ملی علوم با شماره های جایزه 1927245 و 1900644 و مرکز تحقیقات HPI در یادگیری ماشین و علم داده در UCI ارائه شده است.

منبع داستان:

مواد تهیه شده توسط دانشگاه کالیفرنیا – ایروین. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]