На этой неделе команды Google поделились своими исследованиями на CHI - ежегодной конференции, на которой исследователи и практики обсуждают последние достижения в области интерактивных технологий. Тема CHI 2021 была Создавая волны, объединяя сильные стороны, и она прекрасно отражает результаты исследования, которым мы поделились. В этих статьях рассматривается все, от роли ИИ в творческой деятельности, такой как сочинение музыки, до того, почему нам нужно уделять внимание человеческим усилиям по работе с данными и каскадам. Взгляните на эти 5 статей, их важные выводы и почему вам стоит их прочитать.
«Все хотят работать с моделью, а не с данными»: каскады данных в искусственном интеллекте с высокими ставками
Авторы: Нитья Самбасиван, Шивани Капания, Ханна Хайфилл, Дайана Акронг, Правин Паритош, Лора Аройо
Эта статья стала победителем в номинации Лучшее из ОМС 2021 года. Прочтите статью полностью.
Кому следует это прочитать? Все, кто работает над системами машинного обучения: разработчики, исследователи, аннотаторы, специалисты по данным.
Что вы хотите, чтобы люди узнали из этого? Данные - один из наиболее важных аспектов систем искусственного интеллекта. Тем не менее, это наиболее недооцененный аспект - особенно по сравнению с тем, как разработка моделей отмечается в ИИ. Мы документируем и вводим каскады данных: «комплексные события, вызывающие негативные последующие эффекты от проблем с данными, которые со временем приводят к техническому долгу». Каскады данных часто возникают в восходящем направлении во время определения и сбора данных и могут иметь серьезные последствия ниже по течению при развертывании модели и выполнении логических выводов. Каскады беспорядочные, непрозрачные и долгосрочные, оказывая негативное влияние на процесс разработки ИИ, в том числе на сообщества бенефициаров, выгорание отношений, отбрасывание целых наборов данных и выполнение дорогостоящих итераций. В этой статье рассказывается, откуда берутся эти каскады данных, на какие большие проблемы они указывают и что мы можем сделать, чтобы сосредоточиться на качестве данных и работе с данными .
Почему вы все заинтересовались этим исследованием? Несмотря на инфраструктурную и техническую сторону данных, это в основном человеческое усилие. Люди участвуют на каждом этапе конвейера данных машинного обучения: сборщики данных, аннотаторы и разработчики в создании, маркировке, очистке или обучении данных. И все же человеческий труд в данных игнорируется структурами и учреждениями искусственного интеллекта. Человеческие аспекты делают данные машинного обучения отличным объектом для исследования взаимодействия человека и компьютера. Мы надеемся разобраться в методах обработки человеческих данных в текущих разработках искусственного интеллекта и наметить путь к более ответственным системам искусственного интеллекта.
Использование материалов в качестве граничных объектов для разработки помощников по ИИ
Авторы: Кэрри Кай, Саманта Винтер, Дэйв Штайнер, Лорен Уилкокс, Майкл Терри
Эта статья победила в номинации Лучшее исследование ОМС 2021 года. Прочтите статью полностью.
Кому следует это прочитать? Менеджеры по продуктам и проектам, UX-специалисты и разработчики машинного обучения.
Что можно сделать из этого тематического исследования? пограничный объект - это то, что помогает межфункциональной команде более эффективно общаться друг с другом, несмотря на различия в знаниях в предметной области. Например, раскадровка - это пограничный объект, который помогает всем членам команды разработчиков (например, разработчикам программного обеспечения, исследователям UX, дизайнерам, менеджерам по продуктам) понять предлагаемый продукт и то, как он будет использоваться пользователями.
Мы обнаружили, что материалы для ознакомления с ИИ служили полезным граничным объектом, помогающим кросс-функциональной команде ИИ понять потребности пользователей. (Информационные материалы обучают пользователей тому, как пользоваться системой.)
Когда ваша команда увидела преимущества ознакомительных материалов? В нашем случае мы создали справочные материалы, чтобы научить врачей использовать AI Assistant для диагностики рака простаты. В процессе проектирования мы обнаружили решающую роль, которую материалы для адаптации играют не только для пользователей, но и для всей команды. Разработка материалов для адаптации позволила по-новому взглянуть на то, какая информация нужна конечным пользователям для эффективного использования ИИ в своей работе. Эта информация также помогла информировать и расставить приоритеты в работе команды, от моделирования до UX-дизайна.
Проблемы и открытия: изучение гибкости и ограничений вычислительных инструментов для музыкантов во время пандемии
Авторы: Кэрри Кай, Мишель Карни, Нида Зада, Майкл Терри
Кому следует это прочитать? Люди, которых интересует будущее удаленной работы.
Что можно сделать из исследования сотрудничества музыкантов во время пандемии? Мы опросили музыкантов в начале пандемии COVID-19, чтобы понять, как это повлияло на них. Как и следовало ожидать, работа на дому мешала музыкантам учиться, практиковаться и / или выступать. Мы заметили, что музыканты не могут использовать свои существующие инструменты, такие как записывающее программное обеспечение, и адаптировать их к удаленной среде для совместной работы. Главный вывод здесь заключается в том, что, несмотря на существование фантастических инструментов, таких как видеочат или общие документы (например, Google Docs), все еще существует множество инструментов, которые мы используем ежедневно, которые нелегко трансформирован для удаленной совместной работы.
Почему вы все заинтересовались этим исследованием? Magenta и PAIR изучают, как ИИ можно использовать для творческих занятий, например для создания музыки. В рамках этого исследования мы провели исследование, чтобы понять, как ИИ может помочь музыкантам. Это исследование проводилось во время пандемии COVID-19, поэтому мы расширили его, чтобы узнать, как пандемия повлияла на музыкальную практику музыкантов.
ИИ как социальный клей: раскрытие роли глубокого генеративного ИИ при сочинении музыки для социальных сетей
Авторы: Миа Сух, Эмили Янгблом, Майкл Терри, Кэрри Кай
Эта статья была удостоена награды Best of CHI 2021 Honorable Mention. Прочтите статью полностью.
Кому следует это прочитать? Люди, которые проектируют и создают системы для совместной работы на базе ИИ - например, исследователи, менеджеры по продуктам и проектам, разработчики машинного обучения и любых систем совместной работы на основе ИИ для творческой работы (например, музыки, письма или рисования).
Что вы хотите, чтобы люди узнали из этого? Какой главный вывод? Несмотря на то, что в последнее время было проведено много исследований сотрудничества человека и ИИ, мало известно о том, как ИИ может повлиять на сотрудничество человек-человек. Мы изучили, что происходит с социальной динамикой, когда пары людей создают музыку вместе, с помощью генеративного ИИ (ИИ, который может генерировать музыку) и без него.
Мы обнаружили, что ИИ может действовать как «социальный клей» в совместной творческой деятельности - например, ИИ помогал человеческим сотрудникам сохранять динамику и сердечность в моменты, когда возникали творческие противоречия или разногласия. Это также помогло изначально установить точки соприкосновения между незнакомцами и послужило психологической защитой. Однако, несмотря на повышение простоты сотрудничества, помощь ИИ может уменьшить глубину взаимодействия человека и человека. Вместо того, чтобы бороться с идеями друг друга, пользователи часто перекладывали эту творческую работу на ИИ. Пользователи иногда указывали, что они чувствовали себя скорее как совместные «кураторы» или «продюсеры» искусства, чем как сами «композиторы». Исследователи, дизайнеры и практики должны тщательно учитывать эти компромиссы между простотой сотрудничества и глубиной сотрудничества при создании систем на базе искусственного интеллекта.
Почему вы все заинтересовались этим исследованием? Известно, что партнерство с ИИ для творческой работы все еще является сложной задачей. Мало внимания уделяется сотрудничеству между несколькими людьми и ИИ в творческой работе. Поэтому мы провели исследование, чтобы понять, как ИИ может играть роль в человеческом сотрудничестве в контексте создания музыки.
На пути к действительно «блестящей» системе поддержки принятия клинических решений на основе искусственного интеллекта: уроки исследования сельских клиник в Китае
Авторы: Дакуо Ван, Люпин Ван, Чжан Чжан, Дин Ван, Хайи Чжу, Ивонн Гао, Сянминь Фань, Фэн Тянь
Кому следует это прочитать? Люди, которые проектируют и создают системы здравоохранения на базе искусственного интеллекта для больниц и клиник. Этот документ также является полезным чтением для врачей, особенно для тех, кто уже взаимодействует с системами искусственного интеллекта в своей повседневной работе, поскольку это помогает им увидеть системы, которые они используют, с точки зрения дизайнеров.
Что вы хотите, чтобы люди узнали из этого? Во-первых, как системные дизайнеры, мы действительно должны понимать, уважать и внимательно относиться к существующему рабочему процессу и практике, которым следуют люди !! Это было показано в различных исследованиях за последние 30 лет, и мы снова видим одни и те же болевые точки из-за несовместимости между системой ИИ и существующей рабочей практикой. Во-вторых, пользователи часто бывают очень восприимчивыми и открытыми! Клиницисты, участвовавшие в исследовании, открыто относились к работе с несовершенными системами и проявляли изобретательность, заставляя их работать на них. Что наиболее важно, они предложили новые способы более эффективного развертывания системы для поддержки их работы в сельской клинике в Китае.
Что еще вы хотите, чтобы люди знали о газете? Контекст исследования очень важен, и это также то, что делает эту статью интересной. Это делается в сельских клиниках Китая. Выводы, сделанные в статье, применимы не только к сельскому Китаю, но и к другим параметрам НБУ. Тот, кто знаком с системами здравоохранения, например, в Индии, сможет увидеть сходство в этих двух условиях в отношении проблем при оказании помощи.
