HAI; s 2018 Seed Grant Awards
Оголошення переможців першої когорти насінницьких грантів HAI
У 2018 році було профінансовано 25 пропозицій щодо інноваційних досліджень. Виграшні пропозиції мають високий рівень співпраці, міждисциплінарні та працюють над подальшим розвитком, застосуванням та вивченням орієнтованого на людину штучного інтелекту та суміжних питань.
Приклади змагань для людей?
Грегорі Валіант і Ноа Гудман
Автоматизоване модерування обговорення в малих групах
Ашіш Гоель та Джеймс Фішкін
Хоча Інтернет зробив революцію в багатьох аспектах людського життя, включаючи комерцію, рекламу, соціальні взаємодії та освіту, він ще не виявився доброю силою в широкомасштабних обговореннях - насправді, відкриті чат-групи та дошки оголошень часто перетворюються на в обзивання і непродуктивну бесіду під час обговорення предметних питань. Цей проект спрямований на розробку бота-модератора, який може бути посередником в обговоренні невеликих груп, підтримуючи їх цивілізованість, зацікавленість та увагу. Ми плануємо ретельно поєднувати алгоритмічні елементи з елементами дизайну, які спонукають групу колективно модерувати себе. Однією з наших цілей є розробка цієї платформи до такої міри, щоб її можна було використовувати для масштабування конструктивних особливостей онлайн-обговорення опитування для великих груп населення, віднесених до різних малих груп.
Генетична діагностика пацієнта «Завжди увімкнено»
Гілл Бехерано та Джон Бернштейн
Виправлення гендерних та етнічних ухилів в алгоритмах ШІ
Джеймс Зоу, Лонда Шибінгер, Серена Йунг і Карлос Бустаманте
Алгоритми машинного навчання можуть містити гендерні та етнічні упередження. Упередження виникають із різних джерел, починаючи від розбіжностей у навчальних даних і закінчуючи несвідомим або свідомим вибором в розробці алгоритму. Оскільки ШІ стає все більш поширеним у повсякденному житті, такі упередження, якщо їх не виправити, можуть призвести до несправедливості в обслуговуванні та навіть до систематичної дискримінації щодо конкретних груп населення. Моделювання, розуміння та виправлення шкідливих людських упереджень при ШІ є, таким чином, важливим кроком у розробці алгоритмів, які є загальновигідними для людства. У цьому проекті ми розробимо систематичну основу аудиту ШІ, де ми використовуємо машинне навчання, щоб виявити та виправити власні упередження. У співпраці з соціологами, гуманістами та експертами з доменів ми застосуємо аудит ШІ до алгоритмів машинного навчання в біомедичних, текстових та комп'ютерних програмах зору. Наша мета - зробити аудит ШІ невід’ємною складовою стандартного конвеєра машинного навчання у промисловості та наукових колах.
Динамічна терапія штучним інтелектом при аутизмі на Google Glass
Денніс Волл, Том Робінсон і Террі Виноград
Увімкнення взаємодії на природній мові в освітньому програмному забезпеченні
Алекс Колчинскі, Шеррі Руан, Ден Шварц та Емма Брунскілл
Репетиторство один на один вже давно вважається ефективною практикою в освіті: у ряді досліджень було показано, що репетитори підвищують рівень успішності учнів за стандартним відхиленням або більше. Репетитори програмного забезпечення демонструють перспективність у розширенні доступу до репетиторів, але мають недоліки щодо репетиторів-людей, серед яких головним є здатність націлювати корисні та часті відповіді на студентів. Хоча люди можуть робити це за допомогою взаємодії на природній мові, програмне забезпечення для навчання, як правило, залежить від реплік нижчої щільності, таких як відповіді з кількома варіантами відповіді на цільовий відгук. Усунення цього розриву залежить від розробки більш потужних механізмів для виявлення хибних уявлень у поясненнях студентів своїх міркувань. Однак навчання моделей машинного навчання для цього залежить від наявності достатньо великих маркованих наборів даних, яких ще не існує. Ми пропонуємо зібрати та позначити такий набір даних, щоб стимулювати дослідження у виявленні помилкових уявлень студентів щодо академічного завдання та впровадити базові моделі для довідки в громаді.
Швидка, багатофазна оптимізація допомоги в екзоскелеті
Стівен Коллінз та Емма Брунскілл
Екзоскелети та активні протези могли б відновити рухливість людям з нервово-м’язовими порушеннями, але спочатку вони повинні подолати виклики, поставлені нашими складними, унікальними та постійно мінливими тілами. Перспективним новим підходом є оптимізація "людина в циклі", при якій алгоритм автоматично виявляє та налаштовує схеми допомоги для людини під час використання пристрою (Zhang et al., 2017, Science). У цьому насіннєвому проекті ми розробимо новий алгоритм оптимізації людини в циклі, який окремо працює, щоб навчити людину користуватися екзоскелетом та оптимізувати екзоскелет для кращої допомоги людині. Ми розглянемо фазу навчання як частково спостережуваний процес прийняття рішень Маркова, в рамках якого відстежується та вдосконалюється досвід людини, а фаза оптимізації - як контекстний бандит із використанням байєсівської оптимізації. Очікується, що цей багатофазний підхід призведе до більш ефективного навчання, швидшої оптимізації та покращення загальних рухових характеристик. Наша довготермінова мета - розробити інтелектуальні екзоскелети та протези, які постійно пристосовуються до людини протягом усього життя, підтримуючи будь-які викликові проблеми, пов’язані з рухомими рухами.
Безкоштовне дослідження в системах штучного інтелекту, орієнтованих на людину
Мохсен Баяті та Рамеш Джохарі
Гендерне упередження в розмовах з чат-ботами
Кеті Ріхрік, Джефф Хенкок, Байрон Рівз, Лонда Шибінгер, Джеймс Зоу, Гаррік Фернандес і Дебніл Сур
В даний час у небагатьох дослідженнях взаємодії людина-комп'ютер використовуються автоматизовані технології обміну повідомленнями чат-ботів для вивчення гендерних упереджень у цифровому спілкуванні. Хоча попередня література передбачає, що користувачі реагують стереотипно на гендерних віртуальних людей, більшість цих досліджень використовують віртуальних персонажів, здатних до невербальної поведінки, таких як жести та міміка, подібні до людей. Проте чат-ботам бракує більшості невербальних можливостей спілкування; таким чином, користувачі формуватимуть враження чат-ботів на основі обмежених реплік (наприклад, мови; зовнішнього вигляду, якщо надається зображення; або властивостей голосу, якщо бот синтезований голосом). Таким чином, ми пропонуємо багатопрофільну дослідницьку програму для вивчення упереджень у спілкуванні чат-ботів. Для початкового дослідження ми будемо маніпулювати як візуальними уявленнями, так і мовою, щоб вивчити, як передбачувана стать взаємодіє з ознаками експертизи доменів та ступінь реагування чат-ботів, щоб вплинути на сприйняття та поведінку користувачів щодо чат-ботів. Враховуючи нинішню відсутність досліджень цього питання, ми вважаємо, що це дослідження може надати вкрай необхідне розуміння специфічного впливу характеристик чат-ботів на саморозкриття, особливо щодо впливу обмеженої невербальної поведінки на гендерні упередження під час віртуальних взаємодій.