Trí tuệ nhân tạo (AI) và các mô hình học máy đang ngày càng được triển khai nhiều hơn trong các ứng dụng thực tiễn, trong đó đang có một xu hướng mạnh mẽ để phát triển các hệ thống kết hợp mà con người và các thuật toán AI có thể làm việc cùng nhau, tận dụng những điểm mạnh và điểm yếu của mỗi bên để bổ sung cho nhau.

Đã có những tiến bộ đáng kể trong thập kỷ qua liên quan đến sự phát triển của kỹ thuật học máy và trí tuệ nhân tạo, đặc biệt là những kỹ thuật dựa trên phương pháp học sâu. Điều này đã dẫn đến các phương pháp mới và chính xác hơn để giải quyết những vấn đề trong các lĩnh vực như thị giác máy tính, nhận dạng giọng nói và xử lý ngôn ngữ tự nhiên. Những kỹ thuật này ngày càng được nhúng vào các ứng dụng thương mại trong thế giới thực, từ lái xe tự động đến chatbot dịch vụ khách hàng. Mặc dù những cách tiếp cận này đã đạt được mức tăng ấn tượng về các chỉ số hiệu suất được thử nghiệm, chẳng hạn như độ chính xác của dự đoán, nhưng vẫn còn tồn tại những điểm yếu và điểm mù có hệ thống, lấy ví dụ như: các bộ phân loại học sâu hiện đại cho hình ảnh và văn bản (bị méo mó, biến dạng) có thể bị lỗi và khó dự đoán trước được.

Do đó, các hệ thống kết hợp trong đó thuật toán AI và con người phối hợp cùng nhau đang trở nên nổi bật như một trọng tâm nghiên cứu, đặc biệt là các phương pháp tiếp cận lấy con người làm trung tâm hơn trong thiết kế tổng thể của hệ thống AI. Sự kết hợp này có tiềm năng ứng dụng để giải quyết nhiều vấn đề, từ rủi ro cao (quyết định y tế và lái xe tự động) đến rủi ro thấp (đề xuất tự động về sản phẩm hoặc phim để chọn tiếp theo). Các hệ thống cho phép con người và thuật toán AI hoạt động cùng nhau có khả năng chiếm một phần quan trọng trong khoảng giữa tự chủ hoàn toàn và không tự chủ.

Các nhà khoa học đã chỉ ra rằng có thể đạt được tính bổ sung ngay cả khi bộ phân loại người và máy thực hiện ở các mức độ chính xác khác nhau, miễn là sự khác biệt về độ chính xác này nằm trong một giới hạn được xác định bởi mối tương quan tiềm ẩn giữa điểm tin cậy của bộ phân loại máy và người. Ngoài ra, nghiên cứu đã chứng minh rằng hiệu suất kết hợp giữa người và máy có thể được cải thiện bằng cách phân biệt giữa các lỗi mà phân loại dựa trên người và máy mắc phải trên các lớp nhãn khác nhau. Kết quả của nghiên cứu cho thấy rằng việc xếp hạng độ tin cậy của con người cải thiện hiệu suất trong mô hình kết hợp (được gọi là mô hình Bayes). Chi tiết tham khảo tại:

Mark Steyvers, Heliodoro Tejeda, Gavin Kerrigan, Padhraic Smyth. Bayesian modeling of human–AI complementarity. Proceedings of the National Academy of Sciences, 2022; 119 (11) DOI: 10.1073/pnas.2111547119.

(Sưu tầm)
VIỆN IMC
Tòa nhà IMC Tower, Số 176 Trường Chinh, Phường Khương
Thượng, Quận Đống Đa, Thành phố Hà Nội, Việt Nam
Tel/Fax : (+84) 24 3566 6232 / 24 3566 6234
Email: contact@imc.org.vn   Website: https://imc.org.vn