به گفته محققان دانشگاه کالیفرنیاایجاد سیستم‌های هوشمندتر و دقیق‌تر نیازمند رویکرد ترکیبی انسان و ماشین است.
در مطالعه‌ای که این ماه در مجموعه مقالات آکادمی ملی علوم منتشر شد، آنها مدل ریاضی جدیدی را ارائه کردند که می‌تواند با ترکیب پیش‌بینی‌های انسانی و الگوریتمی و امتیازات اطمینان، عملکرد را بهبود بخشد.
مارک استایورز، استاد علوم شناختی UCI، می‌گوید: “الگوریتم‌های انسان و ماشین دارای نقاط قوت و ضعف مکمل هستند. ما از طریق نمایش‌های تجربی و همچنین تحلیل‌های نظری نشان می‌دهیم که انسان‌ها می‌توانند پیش‌بینی‌های هوش مصنوعی را بهبود بخشند، حتی زمانی که دقت انسان تا حدودی کمتر از هوش مصنوعی باشد — و بالعکس.”
برای آزمایش این چارچوب، محققان یک آزمایش طبقه‌بندی تصویر را انجام دادند که در آن شرکت‌کنندگان انسانی و الگوریتم‌های رایانه‌ای به طور جداگانه کار می‌کردند تا تصاویر تحریف شده حیوانات و وسایل روزمره – صندلی، بطری، دوچرخه، کامیون را به درستی شناسایی کنند. شرکت‌کنندگان انسانی اعتماد خود را به دقت شناسایی هر تصویر به‌عنوان کم، متوسط یا زیاد رتبه‌بندی کردند، در حالی که طبقه‌بندی‌کننده ماشین یک امتیاز پیوسته ایجاد کرد.
نتایج تفاوت های زیادی در اعتماد بین انسان ها و الگوریتم های هوش مصنوعی در بین تصاویر نشان داد. وقتی پیش‌بینی‌ها و امتیازات اطمینان از هر دو با استفاده از چارچوب جدید بیزی محققین ترکیب شدند، مدل ترکیبی به عملکرد بهتری نسبت به پیش‌بینی‌های انسان یا ماشین به تنهایی منجر شد.
در حالی که تحقیقات گذشته مزایای ترکیب پیش‌بینی‌های ماشینی یا ترکیب پیش‌بینی‌های انسانی – به اصطلاح «خرد جمعیت» را نشان داده است – این کار مسیر جدیدی را در نشان دادن پتانسیل ترکیب پیش‌بینی‌های انسان و ماشین ایجاد می‌کند و به موارد جدید اشاره می‌کند.
همگرایی علوم شناختی – که بر درک نحوه تفکر و رفتار انسان ها متمرکز است – با علوم کامپیوتر – که در آن فناوری ها تولید می شوند – بینش بیشتری در مورد اینکه چگونه انسان ها و ماشین ها می توانند برای ساختن سیستم های هوشمند مصنوعی دقیق تر با یکدیگر همکاری کنند، ارائه می دهد.
