【普林斯顿博士论文】实际机器学习应用中的人机合作，133页pdf

自动化工具，如机器学习，在我们的大数据世界中是必不可少的。得益于互联网以及计算机和存储技术的各个方面的进步，几乎每个人在互联网连接的世界中都有发言权。然而，在我们的物理世界中仍然存在非常真实的物理限制。这种二分法——技术使能的数据看似无限与现实世界的物理限制的碰撞——使自动化工具成为必需品，而由机器学习算法驱动的预测模型就是这样一种工具。机器学习准确预测未来的人类行为和人类偏好的前景使从业者和研究者都开始将机器学习自动化工具应用于如产品推荐和猜测活动，例如长期工作申请者的成功。然而，由于人的变化无常的本性，试图开发数学中介来模拟和预测人类行为是充满挑战并非直线的任务。为了利用机器学习支持的自动化来帮助减少在更具挑战性的领域设置中的许多实际应用的规模，一个方法是让人类和机器以非琐碎的方式合作。在这篇论文中，我们详细描述了人类和机器在具有挑战性的实际应用中合作的各种方式。此外，我们强调了三种可以使用人机合作来在野外使用这些系统时保持或增加实用性并减少实际损害的方式：(i) 人类为计算机提供特定领域的知识，(ii) 计算机为人类提供算法解释，(iii) 人类和计算机在决策中共同合作。