Machine learning models เรียนรู้โลกจากตัวอย่างที่มนุษย์ติดป้ายกำกับ อย่างไรก็ตาม แทนที่จะเลือกตัวอย่างเพื่อลดความไม่แน่นอนของเครื่องจักรแบบ Active Learning, Agile Deliberation ใช้ vision-language models (VLMs) เพื่อค้นหาและนำเสนอภาพที่มีขอบเขตทางความหมายที่ท้าทายคำจำกัดความที่เป็นข้อความในปัจจุบัน
ตัวอย่างเช่น ระบบอาจแสดงภาพสมูทตี้ผลไม้เพื่อท้าทายแนวคิด ‘อาหารเพื่อสุขภาพ’ บังคับให้ผู้ใช้ตัดสินใจว่าควรจัดว่าเป็นเครื่องดื่มที่ดีต่อสุขภาพเพราะมีผลไม้สด หรือเป็นอาหารแปรรูปที่ควรถูกตัดออกเพราะมีน้ำตาลสูง
ระยะที่ 2: การทำซ้ำแนวคิด
แทนที่จะเลือกตัวอย่างเพื่อลดความไม่แน่นอนของเครื่องจักรอย่างเดียว, Agile Deliberation ใช้ VLMs เพื่อขุดค้นและนำเสนอภาพที่มีขอบเขตทางความหมายที่ท้าทายคำจำกัดความที่เป็นข้อความในปัจจุบัน
การทดลอง
พวกเขาเลือกสองโดเมนที่ซับซ้อนและเป็นอัตวิสัยสูงเพื่อทดสอบขีดจำกัดของระบบเหล่านี้ ได้แก่ ‘อาหารเพื่อสุขภาพ’ ซึ่งมุมมองมีความหลากหลายสูงตามปรัชญาด้านสุขภาพ ข้อจำกัดทางอาหาร และภูมิหลังทางวัฒนธรรม
การบรรเทาความเหนื่อยล้าทางปัญญา
ผู้เข้าร่วมรายงานว่าเมื่อใช้ Agile Deliberation พวกเขารู้สึกเครียด ผิดหวัง และอ่อนล้าทางจิตใจน้อยกว่าอย่างเห็นได้ชัด และทุกคนก็ชอบวิธีนี้มากกว่าการปรับแต่งด้วยตนเอง
สรุป
ไม่ว่าจะเป็นการเสริมทีมด้านความปลอดภัยให้สร้างตัวกรองเนื้อหาที่ปลอดภัยขึ้น, ช่วยภัณฑารักษ์กำหนดคอลเลกชันดิจิทัล, หรือช่วยนักวิทยาศาสตร์จัดหมวดหมู่ข้อมูลภาพที่ซับซ้อน, Agile Deliberation ก็เป็นรากฐานสำหรับการจัดแนวระหว่างมนุษย์กับ AI
กิตติกรรมประกาศ
พวกเขาขอขอบคุณผู้ร่วมงานทุกคนสำหรับข้อมูลเชิงลึกและการมีส่วนร่วมในงานนี้และเอกสารประกอบ
ศัพท์ที่ควรรู้
- Vision-Language Models (VLMs) – คือแบบจำลองที่รวมความสามารถในการมองเห็นและการใช้ภาษาเข้าด้วยกัน
- Active learning – คือกระบวนการที่ระบบเลือกตัวอย่างข้อมูลที่สำคัญที่สุดเพื่อเรียนรู้ต่อไป
- Agile Deliberation – คือวิธีการที่ใช้ AI ช่วยมนุษย์ในการกำหนดขอบเขตของแนวคิดที่คลุมเครือ
- Cognitive fatigue – คือความเหนื่อยล้าทางความคิดที่เกิดขึ้นจากการตัดสินใจที่ซับซ้อนอย่างต่อเนื่อง
ที่มา: research.google