從回答稅收問題的聊天機器人，到操控自動駕駛汽車和提供醫(yī)療診斷的算法，人工智能應(yīng)用于日常生活的眾多方面。加州大學(xué)爾灣分校（University of California, Irvine，UCI）的研究人員表示，創(chuàng)建更智能、更準確的系統(tǒng)需要一種混合人機方法。因此，UCI研究人員提出一種新的數(shù)學(xué)模型，可以通過結(jié)合人類和算法預(yù)測以及置信度得分來提高性能。相關(guān)論文已發(fā)表于期刊《Proceedings of the National Academy of Sciences》。
（圖片來源：加州大學(xué)）
論文作者之一、UCI認知科學(xué)教授Mark Steyvers表示：“人類和機器算法優(yōu)劣勢互補。每種算法都使用不同的信息來源和策略做出預(yù)測和決策。經(jīng)驗證明，且理論分析也表明，即使人類的準確度略低于人工智能的準確度，人類也可以改進人工智能的預(yù)測，反之亦然。這種準確度高于結(jié)合兩個人或兩種人工智能算法的準確度?！?BR> 為了測試該框架，研究人員進行了一項圖像分類實驗，其中人類參與者和計算機算法分別工作，以正確識別動物和日常用品（椅子、瓶子、自行車、卡車）的扭曲圖片。人類參與者將對每個圖像識別準確性的信心分為低、中或高，而機器分類器則生成一個連續(xù)的分數(shù)。結(jié)果顯示，人類和人工智能算法對于不同圖像的置信度存在較大差異。
論文共同作者、UCI名譽校長、計算機科學(xué)教授Padhraic Smyth也表示：“在某些情況下，人類參與者對包含椅子的特定圖片等表現(xiàn)出超高信心，而人工智能算法對此就無法確定。同樣，對于其他圖像，人工智能算法能夠自信地為顯示對象提供標簽，而人類參與者無法確定扭曲圖片中是否包含可識別的對象?！?BR> 當使用新貝葉斯（Bayesian）框架將兩種預(yù)測和置信度得分結(jié)合起來時，混合模型比人類或機器預(yù)測單獨使用的性能更好。
Smyth表示：“雖然過去的研究已經(jīng)證明，結(jié)合機器預(yù)測或結(jié)合人類預(yù)測可實現(xiàn)‘群體智慧’，從而在展示結(jié)合人類和機器預(yù)測的潛力方面開辟了一個新方向，并為人類與人工智能協(xié)作提供新的和改進方法?！?BR> 其他合著者包括UCI認知科學(xué)研究生Heliodoro Tejada和UCI計算機科學(xué)博士Gavin Kerrigan。
（轉(zhuǎn)載）
