机构名称：
¥ 3.0
过去十年，包括文本分类在内的各个领域对高级自动化和人工智能 (AI) 的需求急剧增加，我们严重依赖它们的性能和可靠性。然而，随着我们越来越依赖人工智能应用程序，它们的算法变得越来越微妙、越来越复杂、越来越难以理解，而此时我们需要更好地理解它们并相信它们能够按预期运行。医疗和网络安全领域的文本分类是一个很好的例子，我们可能希望让人类参与其中。人类专家缺乏处理需要分类的大量和快速数据的能力，而 ML 技术通常无法解释，并且缺乏捕捉做出正确决策和采取行动所需的必要背景的能力。我们提出了一种新的人机学习 (HML) 抽象配置，该配置侧重于相互学习，其中人类和人工智能是合作伙伴。我们采用设计科学研究 (DSR) 来学习和设计 HML 配置的应用程序，该配置结合了软件来支持人类和人工智能的结合。我们通过概念组件及其功能来定义 HML 配置。然后，我们描述了支持人机交互学习的 Fusion 系统的开发。使用来自网络领域的两个文本分类案例研究，我们评估了 Fusion 和所提出的 HML 方法，展示了其优势和挑战。我们的结果表明，领域专家能够随着时间的推移提高 ML 分类性能，同时人类和机器共同开发其概念化，即分类知识。我们将从 DSR 过程中获得的见解概括为“人类参与学习循环”系统的研究人员和设计人员的可行原则。我们在论文的最后讨论了 HML 配置以及捕获和表示人类和机器共同获得的知识的挑战，我们认为这是一个具有巨大潜力的领域。
人与人工智能的相互学习设计
主要关键词
相关文件推荐
