IBM Watson提出人機推理網路HuMaINs，結合人機兩者優勢

人機交互可以用機器的優勢彌補人類決策的非理性缺陷。近日，IBM Watson 研究中心聯合多家研究機構提出了人機推理網路 HuMaINs 架構，論文集中討論了三個主要問題，即架構設計、包含安全性/隱私挑戰的推理演算法，以及應用領域/用例。

在傳統的經濟學、認知心理學和人工智慧領域的文獻中，問題求解或推理過程通常按搜索問題空間的方式描述，該空間由問題的多個不同的狀態構成，從一個初始狀態開始，最終達到所需的目標狀態 [1]。以初始狀態為起點的每一個路徑代表一個可能的策略。這些路徑可能走向目標狀態，或其它的非目標狀態。以初始狀態為起點的走向目標狀態的路徑被稱為解決路徑（solution path）。在初始和目標狀態之間可能存在多個這樣的路徑，這些都是問題的解決方案。換種說法，即有多種方法可以求解一個給定的問題。問題求解過程是指在多個解決路徑中識別最優（在給定的約束條件下）的解決路徑。

該搜索過程的第一步是確定可用策略的集合，即確定策略空間。第二步是評估這些策略以確定最優的策略作為解決方案。在傳統的經濟學理論中，會假定理性決策者具有可能策略的集合的知識，可以評估每一個策略的後果，並擁有一個效用函數，並最大化該函數以確定最優的策略 [2]。然而，人們普遍認為人類不是理性的，而是有限理性的智能體。在有限理性框架中 [2,3]，決策者的認知、時間、信息和資源都是有限的。策略集合併不是完全先驗地知道的，決策者也並不能完全知道選擇特定策略的後果。因此，決策者可能無法總是為問題求解確定最優的策略。

另一方面，機器是「理性」的，因為它們有更強/更大的內存來存儲替代方案，並有計算能力可以更精確地評估特定替代方案的結果。因此，機器可以幫助人類快速而準確地解決問題，因此出現了人機協作以解決問題的框架。在本論文中，通過定義 HuMaINs，作者探討了用於推理的這一協作框架，以及與開發這一框架相關的研究挑戰。該領域的三個基本研究思路已得到界定。

論文標題：Human-Machine Inference Networks For Smart Decision Making: Opportunities and Challenges

論文鏈接：https://arxiv.org/abs/1801.09626

人機推理網路（HuMaINs）的新興範式以一種智能的方式整合了人類與機器的現代認知優勢，從而解決不同的推理任務，表現要優於人類或機器單獨執行的效果。儘管只針對於人類或感測器網路的推理性能優化技術已經相當成熟，HuMaINs 依然需要全新的信號處理和機器學習方案。在本論文中，我們概述了 HuMaINs 架構，並聚焦於三個主要問題，即架構設計、包含安全性/隱私挑戰的推理演算法，以及應用領域/用例。

圖 1：概念性 HuMaINs 架構

圖 1 展示了典型的人機推理網路（HuMaINs）。典型的 HuMaINs 由一個社交網路和一個機器網路構成。在社交網路中，人類互相交換主觀觀點；在機器網路中，機器互相交換客觀度量。此外，通過社交網路和機器網路的交互，由人類行為特徵決定的演算法傳遞給機器，然後這些演算法反過來影響人類的行為。因此，通過結合人類和機器的優勢，人類和機器之間的智能協作可以提供更優的結果。

人機交互的架構可以分成三類：（1）人類直接控制自動化系統；（2）自動化系統監控人類，在必要時採取行動；（3）兩者的結合。為了達到 HuMaINs 的目標，構建一個可以融合人類和機器的決策過程的架構是很關鍵的。文獻 [6] 中宣稱，為現代自動化系統創建頂尖的操作環境，需要在三個主要的領域持續開發新的技術：決策支持工具、人體工程和可視化工具、易用的複雜系統。

圖 2：設計和分析 HuMaINs 的一般方法

HuMaINs 的關鍵研究領域是開發新的處理人類行為數據的演算法。這個領域演變成了一種新興研究領域的範式，稱為行為信號處理（behavioral signal processing，BSP）[8]。BSP 處理的是人類行為的信號。它被定義為對人類動作和行為數據的處理，進行有意義的分析，通過人類專家和自動化處理的協作，以確保及時的決策和干預。其目標是支持人類，而不是取代人類 [8]。核心要素包括人類行為的定量分析，以及交互動力學的數學建模。Narayan 和 Georgiou 將 BSP 的要素描述為，利用語音和口語交流對人類行為進行度量和建模 [8]。

在 HuMaINs 中開發 BSP 演算法有兩個具體的研究方向：

1. 利用統計建模技術開發人類決策的數學模型，和認知心理學密切協作。

2. 設計魯棒的融合演算法以處理智能體提供的不可靠數據，這些數據由上述開發的模型建模。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！