Коллективный разум срастили с искусственным интеллектом

Метод краудсорсинга наилучшие результаты даёт при наличии центральной организующей силы, роль которой, например, в случае Википедии выполняет группа энтузиастов на добровольных началах. Лишенный такого направляющего ядра любой краудсорсинговый проект практически наверняка обречён на неудачу. Кроме того, в качестве координаторов и систематизаторов собранной информации люди уступают по эффективности системам с машинным обучением, так как не всегда могут представить задачу в её полном контексте.

На этой неделе в Чикаго, Аникет Киттур (Aniket Kittur) и его коллеги из Университета Карнеги Меллона (CMU) и Bosch Corporate Research ознакомили участников конференции CHI (Computer-Human Interaction) 2016 с двумя прототипными системами, позволяющими командам волонтёров под управлением алгоритмов машинного обучения решать гораздо более сложные интеллектуальные задачи, чем раньше, причём делать это точнее, быстрее и с меньшими затратами.

Один из показанных прототипов называется Knowledge Accelerator. Программа способна конструировать связные статьи, содержащие ответы на часто задаваемые вопросы, а материалы для них подбирают распределенные коллективы, ищущие компетентные источники в Сети, извлекающие оттуда полезные сведения, группирующие их по темам и выбирающие иллюстративные картинки или видео.

Knowledge Accelerator распределяет между облачными работниками микро-фрагменты сложных задач, позволяя находить ответы без надзора или модерации. Поиск ответа на каждой такой фрагмент занимает 5–10 минут рабочего времени и стоит $1.

Исследователи показали, что их метод позволяет генерировать статьи, более полезные, чем первая пятерка результатов соответствующего поиска Google (в неё, как правило, попадают статьи, написанные экспертами или профессиональными писателями).

Другая продемонстрированная система, Alloy, комбинирует человеческий разум и машинное обучение для ускорения кластеризации обрывков информации, найденной в академических статьях, обзорах продуктов или результатах поисковых запросов.

На первом этапе процесса, участники краудсорсинга определяют релевантные категории и предоставляют характерные примеры для каждой из них, а машина формирует из них информационный кластер. На втором этапе люди рассматривают те документы, которые компьютеру не удалось классифицировать с первой попытки, добавляют новую информацию и свои заключения.

По итогам испытаний, Alloy оказалась эффективнее прежних краудсорсинговых моделей. Авторы считают, что этот двухэтапный процесс можно адаптировать и для других задач, в частности для кластеризации изображений или обнаружения в реальном времени событий на видео.

Долгосрочной целью исследователей CMU является универсальный ускоритель: система, способная усваивать порции знаний, получаемые каждым человеком каждый день и использовать их, чтобы сделать обучение более быстрым и глубоким, чем когда-либо.

Пожалуйста, оцените статью:
Ваша оценка: None Средняя: 5 (2 votes)
Источник(и):

ko.com.ua