Estás leyendo la publicación: Investigadores de la UCI proponen un nuevo modelo matemático que puede mejorar el rendimiento al combinar predicciones humanas y algorítmicas y puntajes de confianza
Este artículo está escrito como un resumen por el personal de Marktechpost basado en el documento ‘Modelado bayesiano de complementariedad humano-IA‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y correo.
Por favor, no olvides unirte a nuestro Subreddit de aprendizaje automático
La inteligencia artificial facilita numerosas facetas de la vida diaria, desde chatbots que responden preguntas sobre impuestos hasta algoritmos que conducen vehículos autónomos y brindan diagnósticos médicos. El desarrollo de sistemas más inteligentes y precisos requiere un enfoque híbrido hombre-máquina. Presentan un nuevo modelo matemático que puede mejorar el rendimiento al combinar predicciones humanas y algorítmicas con puntajes de confianza.
Las fortalezas y debilidades de los algoritmos humanos y de máquinas se complementan entre sí. Cada uno utiliza recursos informativos y estratégicos únicos para hacer predicciones y tomar decisiones. A través de demostraciones empíricas y análisis teóricos, los investigadores demuestran que los humanos pueden mejorar las predicciones de la IA incluso cuando su precisión es insatisfactoria, y viceversa. Esta precisión es superior a combinar las predicciones de dos humanos o dos algoritmos de inteligencia artificial.
Para evaluar el marco, investigadores de la UCI llevó a cabo un experimento de clasificación de imágenes en el que participantes humanos y algoritmos informáticos identificaron correctamente imágenes distorsionadas de animales y objetos comunes, como sillas, botellas, bicicletas y camiones. Los participantes humanos calificaron su confianza en la precisión de la identificación de cada imagen como baja, moderada o alta, mientras que el clasificador automático generó una puntuación continua. Los resultados demuestran que los seres humanos y los algoritmos de IA tienen niveles muy diferentes de confianza basada en imágenes.
En ciertos casos, los participantes humanos confiaban en que una imagen específica representaba una silla, mientras que el algoritmo de IA no estaba seguro. De manera similar, el algoritmo de IA pudo identificar con confianza el objeto en otras fotografías, mientras que los participantes humanos no estaban seguros de si la imagen distorsionada contenía algo reconocible.
Combinación de predicciones de clasificadores humanos y de máquinas
El modelo de combinación bayesiano combina las clasificaciones y los puntajes de confianza de diferentes conjuntos de clasificadores, donde un “clasificador” puede referirse a un clasificador humano o de máquina. Aunque este marco se aplica a cualquier número de clasificadores, para simplificar el análisis, nos centramos en pares de clasificadores: pares híbridos humano-máquina (HM), humano-humano (HH) y máquina-humano (MM). Para cada imagen, las predicciones de los dos clasificadores de un par se combinan para producir un pronóstico para el par.
Con el nuevo marco bayesiano, cuando se combinaron las predicciones y las puntuaciones de confianza de las predicciones humanas y mecánicas, el modelo híbrido funcionó mejor que las predicciones humanas o mecánicas por sí solas.
Si bien investigaciones anteriores han demostrado las ventajas de combinar predicciones de máquinas o predicciones humanas, la llamada “sabiduría de las multitudes”, este estudio abre un nuevo camino al demostrar el potencial de combinar pronósticos humanos y de máquinas, lo que indica la necesidad de nuevos y mejorados. enfoques para la colaboración humano-IA.
Según los investigadores, la convergencia de las ciencias cognitivas, que buscan comprender cómo piensan y se comportan los humanos, y la informática, que se enfoca en la producción de tecnologías, proporcionará información adicional sobre cómo los humanos y las máquinas pueden trabajar juntos para crear artificialmente. Sistemas inteligentes.
Los hallazgos impactan en los sistemas algorítmicos que aún no han alcanzado una precisión a nivel humano. Agregar predicciones algorítmicas a un predictor humano puede ser más ventajoso que agregar predictores humanos adicionales. El rendimiento a nivel humano no se requiere como criterio de evaluación para los algoritmos de IA. Incluso si un algoritmo es incapaz de una precisión a nivel humano, aún puede mejorar la precisión de las predicciones híbridas. Por el contrario, los resultados indican que los enfoques de IA han superado el rendimiento humano en dominios específicos. Esto no implica que el juicio humano ya no sea ventajoso en los sistemas HM híbridos.
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
