Οι υπολογιστές είναι καλοί στο να βλέπουν μοτίβα μέσα σε μεγάλους όγκους δεδομένων. Από την άλλη, η δυνατότητα εντοπισμού μοτίβων χάρη σε μερικά παραδείγματα αποτελεί ανθρώπινο χαρακτηριστικό.
Οι υπολογιστές είναι καλοί στο να βλέπουν μοτίβα μέσα σε μεγάλους όγκους δεδομένων. Από την άλλη, η δυνατότητα εντοπισμού μοτίβων χάρη σε μερικά παραδείγματα αποτελεί ανθρώπινο χαρακτηριστικό.
Σε paper το οποίο παρουσιάζεται την επόμενη εβδομάδα στη συνδιάσκεψη της Neural Information Processing Society, ερευνητές του ΜΙΤ θα παρουσιάσουν ένα νέο σύστημα, το οποίο γεφυρώνει το «χάσμα» μεταξύ αυτών των δύο τρόπων επεξεργασίας της πληροφορίας- έτσι ώστε να είναι δυνατή η συνεργασία μεταξύ ανθρώπων και υπολογιστών προκειμένου να λαμβάνονται καλύτερες αποφάσεις.
Το σύστημα «μαθαίνει» να κρίνει αναλύοντας δεδομένα, αλλά παράλληλα συμπυκνώνει αυτά που μαθαίνει μέσα σε απλά παραδείγματα. Σε πειράματα που έγιναν, άνθρωποι οι οποίοι χρησιμοποιούσαν το σύστημα παρουσίασαν κατά 20% καλύτερες επιδόσεις σε εργασίες ταξινόμησης σε σχέση με άλλους οι οποίοι χρησιμοποιούσαν ένα παρόμοιο σύστημα, βασισμένο σε υπάρχοντες αλγορίθμους.
«Σε αυτή τη δουλειά, κοιτούσαμε αν θα μπορούσαμε να ενισχύσουμε μία τεχνική machine learning έτσι ώστε να υποστηρίζει ανθρώπους στο αντικείμενο της λήψης αποφάσεων βάσει αναγνώρισης (στοιχείων)» αναφέρει η Τζούλι Σαχ, επίκουρη καθηγήτρια αεροναυτικής και αστροναυτικής στο ΜΙΤ και μία εκ των συντελεστών του paper.
«Αυτό είναι το είδος της λήψης αποφάσεων στην οποία προβαίνουν οι άνθρωποι όταν παίρνουν αποφάσεις τακτικού χαρακτήρα- όπως σε πυροσβεστικά πληρώματα ή επιχειρήσεις επί του πεδίου. Όταν τους παρουσιάζεται ένα νέο σενάριο, δεν κάνουν αναζητήσεις όπως οι μηχανές. Προσπαθούν να αντιστοιχίσουν το υπάρχον σενάριο με παραδείγματα από προηγούμενες εμπειρίες τους, και τότε σκέφτονται ότι ‘ΟΚ, αυτό λειτούργησε στο προηγούμενο σενάριο’ και το προσαρμόζουν στο νέο σενάριο».
Ειδικότερα, η Σαχ και οι συνάδελφοί της προσπαθούσαν να ενισχύσουν ένα είδος machine learning το οποίο είναι γνωστό ως «unsupervised» (χωρίς επίβλεψη). Στο supervised machine learning, ένας υπολογιστής δέχεται μια ροή εκπαιδευτικών δεδομένων από ανθρώπους και προσπαθεί να κάνει συσχετισμούς. Αντίθετα, στο unsupervised machine learning, ο υπολογιστής απλά αναζητά ομοιότητες στα αταξινόμητα δεδομένα. Το αποτέλεσμα είναι ένα σετ από data clusters τα οποία συνδέονται, αλλά δεν είναι ξεκάθαρο πώς.
Το πλέον κοινό παράδειγμα unsupervised machine learning είναι γνωστό ως topic modeling, στο οποίο ένα σύστημα ταξινομεί έγγραφα βάσει των πιο χαρακτηριστικών τους λέξεων. Από τη στιγμή που τα δεδομένα δεν έχουν «ταμπέλες», δεν είναι δυνατή η εξαγωγή συμπερασμάτων σχετικά με τα θέματά τους. Αλλά ένας άνθρωπος θα μπορούσε να συμπεράνει ότι, για παράδειγμα, τα έγγραφα με λέξεις όπως «νομολογία» έχουν νομικό χαρακτήρα, ενώ άλλα με λέξεις όπως «αρμονία» είναι μάλλον μουσικής θεωρίας.
Οι ερευνητές του ΜΙΤ έκαναν κάποιες τροποποιήσεις στον αλγόριθμο που συνήθως χρησιμοποιείται στο unsupervised learning. Στη συνέχεια, ο νέος αλγόριθμος δοκιμάστηκε σε κάποιες κλασικές εργασίες machine learning, παρουσιάζοντας αντίστοιχες, και σε κάποιες περιπτώσεις καλύτερες επιδόσεις.