近年來，依靠人工與自動化軟件之間微妙的相互作用，出現(xiàn)了整個行業(yè)。像Facebook這樣的公司致力于結(jié)合使用自動過濾和人工主持人，將仇恨和暴力內(nèi)容拒之門外。在醫(yī)學領域，麻省理工學院和其他地方的研究人員已經(jīng)使用機器學習來幫助放射科醫(yī)生更好地檢測不同形式的癌癥。

這些混合方法的棘手之處在于了解何時依賴人員與程序的專業(yè)知識。這不總是一個問題，誰可以更好地完成任務?實際上，如果一個人的帶寬有限，則可能必須對系統(tǒng)進行培訓，以最大程度地減少尋求幫助的頻率。

為了解決這個復雜的問題，麻省理工學院計算機科學與人工智能實驗室(CSAIL)的研究人員開發(fā)了一種機器學習系統(tǒng)，該系統(tǒng)可以對任務進行預測，也可以將決策推遲給專家。最重要的是，它可以根據(jù)隊友的可用性和經(jīng)驗水平等因素，適應何時何地根據(jù)其人類協(xié)作者進行調(diào)整。

該團隊對系統(tǒng)進行了多項任務培訓，包括查看胸部X射線以診斷特定狀況，例如肺不張(肺塌陷)和心臟肥大(心臟擴大)。在心臟肥大的情況下，他們發(fā)現(xiàn)他們的人-AI混合模型比任何一個單獨的模型(根據(jù)AU-ROC分數(shù))的性能要好8%。

博士說：“在醫(yī)生沒有太多額外周期的醫(yī)療環(huán)境中，讓他們查看給定患者檔案中的每個數(shù)據(jù)點并不是最佳的時間利用方式。” 學生侯賽因·莫贊納爾(Hussein Mozannar)，電氣工程與計算機科學系馮·亥姆霍茲大學醫(yī)學工程副教授戴維·桑塔格(David Sontag)的主要作者，該論文最近在國際機器學習國際會議上發(fā)表。“在這種情況下，使系統(tǒng)對他們的時間特別敏感，并且僅在絕對必要時才尋求幫助非常重要。”

該系統(tǒng)由兩部分組成：一個“分類器”，可以預測任務的某個子集;“拒絕器”，它確定給定任務是應由其自己的分類器還是由專家來處理。

通過對醫(yī)學診斷和文本/圖像分類任務的實驗，該團隊表明，他們的方法不僅獲得了比基線更高的準確性，而且以更低的計算成本和更少的訓練數(shù)據(jù)樣本實現(xiàn)了這一目標。

麻省理工學院醫(yī)學工程與科學研究所成員Sontag表示：“我們的算法可讓您針對所需的任何選擇進行優(yōu)化，無論是特定的預測準確性還是專家的時間和精力成本。” “此外，通過解釋學習到的拒絕者，該系統(tǒng)可以洞察專家如何做出決定，以及在哪些設置中AI可能更合適，反之亦然。”

該系統(tǒng)具有幫助檢測令人反感的文字和圖像的特殊功能，對內(nèi)容審核也具有有趣的意義。Mozanner建議與一些人類主持人一起在Facebook之類的公司中使用它。(他希望這樣的系統(tǒng)可以減少主持人每天必須審查的仇恨或創(chuàng)傷性帖子的數(shù)量。)

Sontag澄清說，該團隊尚未與人類專家測試該系統(tǒng)，而是開發(fā)了一系列“綜合專家”，以便他們可以調(diào)整經(jīng)驗和可用性等參數(shù)。為了與以前從未見過的新專家一起工作，該系統(tǒng)將需要最少的入門培訓，以接受有關該人的特殊優(yōu)點和缺點的培訓。