目前,尚无既定框架来理解 AI 和 CI 之间的相互作用。我们努力绘制现有实践和学术研究,发现至少有五种方法可以开始理解这种关系,我们将在下面进行描述(我们从 Rai 等人关于数字劳动力平台的这一重要资源中获得了很多启发)。虽然这些互动类别无疑会随着该领域的发展而增长,但我们希望它们可以成为那些有兴趣探索当前 AI 支持的 CI 格局和未来机遇的人的一个有用起点。
机器和人群轮流一起解决问题
在这种互动形式中,人们有意识地与彼此和人工智能互动,但轮流解决任务。这可以通过结合人类和机器智能的不同能力或通过人群和人工智能之间的反馈回路系统来实现(以允许系统不断改进)。
其中一个例子就是早期预警项目,该项目使用群体预测和统计模型来预测全球大规模暴行的风险。这两种方法结合起来,提供了互补的见解,并抵消了彼此的弱点。
机器处理由人群和传感器生成的任务和数据
在第二种类型的交互中,人类和传感器网络被动 加拿大电话号码数据 生成或主动收集数据,这些数据用作机器学习算法的输入。平台更广泛的用户群体随后利用从这种分析中获得的见解和经验来产生新知识。
这种交互有时还利用群体微任务来生成标记数据集作为监督机器学习模型的训练输入,或者使用无监督人工智能方法来产生结构化、有组织的见解。
此类 AI-CI 交互的例子包括用户积极参与的大型项目(例如 Zooniverse 和MapwithAI上的各种项目)以及OneSoil等项目(该项目可以理解被动收集的传感器数据)。
人和机器同时共同解决任务
这种形式的协作不是轮流进行,而是实时进行的,其中人工智能和人类同时为同一项任务做出贡献。Autodesk开发的用于协作设计的生成设计软件就是一个例子。在这种情况下,人工智能根据给定的参数为设计师和其他用户提供解决方案和设计替代方案的不同可能排列的实时建议。如果设计师更改参数,例如更改房间的宽度,人工智能将生成一组新的替代设计选项。
在集体内实现更好的匹配和搜索
人工智能还可以帮助人们更好地处理各种不同的信息和任务,在实现更高效、更精简的集体智慧项目方面发挥重要作用。
在这种类型的互动中,人工智能用于后端功能,以改善个人在在线平台上的体验。这可以通过多种不同的方式实现,例如通过更好地匹配有共同兴趣的人、优化搜索功能(SyrianArchive)或优化培训流程和为公民科学项目贡献者的分配任务(Zooniverse 上的 GravitySpy)。我们将这种类型的人工智能贡献视为 CI 流程的“润滑剂”。
使用 CI 来审核和支持更好的 AI 的开发
最后,CI 计划可用于支持 AI 工具的协作或竞争开发,并利用众包贡献来确保这些工具更好、更公平。
例如,专注于人工智能开发的在线挑战赛,以解决诸如DeepFakesDetection Challenge和 MalmoCollaborativeAI 等挑战,后者专门设置为游戏,以奖励开发更具协作性的人工智能。另一个例子是通过提供更多样化的数据来训练人工智能来增强人工智能,这反过来可以导致开发更符合公众利益的人工智能工具。例如, Mozilla 的 Commonvoice 项目正在创建一个全新的数据集,由众包语音贡献和验证驱动,以创建一个既更透明又能代表人群的音频 ML 模型。