Алгоритмы машинного обучения используются для поиска закономерностей в данных, которые люди не заметили бы в противном случае, и используются для информационной поддержки больших и малых решений — от разработки вакцины против COVID-19 до рекомендаций Netflix.
В новом отмеченном наградами исследовании Колледжа вычислительной техники и информатики Корнелл Энн С. Бауэрс исследуется, как помочь неспециалистам эффективно, рационально и этично использовать алгоритмы машинного обучения, чтобы дать возможность отраслям, выходящим за рамки вычислительной техники, использовать возможности ИИ.
«Мы мало знаем о том, как неспециалисты в области машинного обучения приходят к изучению алгоритмических инструментов», — сказал Свати Мишра, доктор философии. студент в области информатики . «Причина в том, что существует шумиха о том, что машинное обучение предназначено для избранных».
Мишра — ведущий автор книги «Разработка интерактивных средств обучения переносу для неспециалистов в области машинного обучения», получившей награду за лучшую работу на ежегодной Виртуальной конференции ACM CHI по человеческому фактору в вычислительных системах, состоявшейся в мае.
По словам Мишры, поскольку машинное обучение вошло в области и отрасли, традиционно не относящиеся к вычислительной технике, потребность в исследованиях и эффективных и доступных инструментах, позволяющих новым пользователям использовать искусственный интеллект, беспрецедентна.
Существующие исследования этих интерактивных систем машинного обучения в основном сосредоточены на понимании пользователей и проблем, с которыми они сталкиваются при навигации по инструментам. Последнее исследование Мишры, в том числе разработка ее собственной интерактивной платформы машинного обучения, открывает новые горизонты, исследуя обратное: как лучше спроектировать систему, чтобы пользователи с ограниченным алгоритмическим опытом, но обширным опытом в предметной области могли научиться интегрировать существующие модели в свои собственные. работай.
«Выполняя задачу, вы знаете, какие части нужно отремонтировать вручную, а какие — в автоматизации». Если мы правильно спроектируем инструменты машинного обучения и предоставим людям достаточно свободы действий для их использования, мы сможем обеспечить интеграцию их знаний в модель машинного обучения ».
Мишра применяет нетрадиционный подход к этому исследованию, обращаясь к сложному процессу, называемому «трансферное обучение», как к отправной точке для инициирования неспециалистов в области машинного обучения. Трансферное обучение — это высокоуровневый и мощный метод машинного обучения, обычно предназначенный для экспертов, при котором пользователи перенаправляют и настраивают существующие, предварительно обученные модели машинного обучения для новых задач.
Этот метод устраняет необходимость создания модели с нуля, что требует большого количества обучающих данных, позволяя пользователю перепрофилировать модель, обученную распознаванию изображений собак, например, в модель, которая может идентифицировать кошек или, при наличии необходимого опыта, даже рак кожи.
Исследование Мишры раскрывает внутреннюю вычислительную работу трансферного обучения через интерактивную платформу, чтобы неспециалисты могли лучше понять, как машины обрабатывают наборы данных и принимают решения. Благодаря соответствующему лабораторному исследованию с участием людей, не имеющих опыта в разработке машинного обучения, стало возможным точно определить, где новички заблудились, каковы их причины для внесения определенных изменений в модель и какие подходы были наиболее успешными или неудачными.
В конце концов участвующие неспециалисты смогли успешно использовать трансферное обучение и изменять существующие модели для своих собственных целей. Однако исследователи обнаружили, что неточное представление о машинном интеллекте часто замедляет обучение неспециалистов.
«Мы привыкли к человеческому стилю обучения и интуитивно склонны использовать знакомые нам стратегии. Если инструменты явно не передают эту разницу, машины могут никогда не научиться на самом деле. Мы, как исследователи и дизайнеры, должны смягчить представления пользователей о том, что такое машинное обучение. Любой интерактивный инструмент должен помочь нам управлять нашими ожиданиями».
Дополнительная информация: Свати Мишра и др., Разработка интерактивных инструментов обучения передачи для неспециалистов в области машинного обучения, Материалы конференции CHI 2021 г. по человеческому фактору в вычислительных системах (2021 г.). DOI: 10.1145 / 3411764.3445096
Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК