机构名称：
¥ 2.0
摘要 本研究调查了人为干预在人工智能/机器学习 (AIML) 驱动的预测中的作用。通过这样做，我们区分了三种不同类型的人机-AIML 协作：自动化、可调自动化和增强。我们推测预测不确定性和时间范围是预测准确性的两个关键决定因素。基于涉及零售行业约 1,888 个库存单位的 AIML 驱动需求预测的现场实验，我们依靠多值处理效果方法来衡量人机-AIML 协作对预测准确性的影响。我们的研究结果表明，在具有长期范围和低不确定性的预测中，人为干预最有效地补充了 AIML 驱动的预测（增强）。然而，在时间范围短、不确定性高的环境中，人工干预最不可能提高 AIML 预测（自动化）的有效性。我们讨论了对现有理论的影响，并提出了一个框架，概述了人工干预最有可能为人类-AIML 协作增加预测价值的条件。
预测中的人机协作
主要关键词
相关文件推荐
