Los algoritmos de aprendizaje automático se utilizan para encontrar patrones en los datos que los humanos no encontrarían de otra manera, y se están implementando para ayudar a informar en decisiones grandes y pequeñas, desde el desarrollo de la vacuna COVID-19 hasta las recomendaciones de Netflix. Lou DiPietro es especialista en comunicaciones del Departamento de Ciencias de la Información y explica en un artículo de Cornell Chronicle cómo desde su universidad están trabajando para hacer accesible esa tecnología a más personas.
Ayudar a los no expertos con los algoritmos
La nueva investigación galardonada de la Facultad de Computación y Ciencias de la Información de Cornell Ann S. Bowers explora cómo ayudar a los no expertos a utilizar de manera eficaz, eficiente y ética los algoritmos de aprendizaje automático para permitir que las industrias más allá del campo de la computación aprovechen el poder de la inteligencia artificial.
«No sabemos mucho acerca de cómo los no expertos en aprendizaje automático llegan a aprender herramientas algorítmicas» —dijo Swati Mishra, Ph.D. estudiante en el campo de las ciencias de la información— «La razón es que se ha desarrollado una exageración que sugiere que el aprendizaje automático es para los ordenados».
Mishra es el autor principal de «Designing Interactive Transfer Learning Tools for ML Non-Experts», que recibió un premio al mejor artículo en la conferencia virtual anual ACM CHI sobre factores humanos en sistemas informáticos, celebrada en mayo.
El aprendizaje automático llega a cada vez más campos
Dado que el aprendizaje automático ha entrado en campos e industrias tradicionalmente fuera de la informática, Mishra cree que existe la necesidad de investigación y herramientas eficaces y accesibles para permitir que los nuevos usuarios aprovechen la inteligencia artificial sin conocimientos previos.
La investigación existente sobre estos sistemas interactivos de aprendizaje automático se ha centrado principalmente en comprender a los usuarios y los desafíos que enfrentan al navegar por las herramientas. La última investigación de Mishra, incluido el desarrollo de su propia plataforma interactiva de aprendizaje automático, abre nuevos caminos al investigar lo contrario: cómo diseñar mejor el sistema para que los usuarios con experiencia algorítmica limitada pero amplia experiencia en el dominio puedan aprender a integrar modelos preexistentes en los suyos.
«Cuando haces una tarea, sabes qué partes necesitan reparación manual y cuáles necesitan automatización», dijo Mishra, Ph.D. «Si diseñamos herramientas de aprendizaje automático correctamente y damos suficiente agencia a las personas para que las utilicen, podemos asegurarnos de que sus conocimientos se integren en el modelo de aprendizaje automático «.
Mishra adopta un enfoque poco convencional con esta investigación al recurrir a un proceso complejo llamado «aprendizaje por transferencia» como punto de partida para iniciar a los no expertos en el aprendizaje automático. El aprendizaje por transferencia es una técnica de aprendizaje automático potente y de alto nivel que normalmente está reservada para expertos, en la que los usuarios reutilizan y modifican los modelos de aprendizaje automático existentes y previamente entrenados para nuevas tareas.
La técnica alivia la necesidad de construir un modelo desde cero, que requiere una gran cantidad de datos de entrenamiento, lo que permite al usuario reutilizar un modelo entrenado para identificar imágenes de perros, digamos, en un modelo que pueda identificar gatos o, con la experiencia adecuada, incluso cánceres de piel.
Jeff Rzeszotarski, profesor asistente en el Departamento de Information Science y autor principal del artículo, explica que al centrarse intencionalmente en la apropiación de modelos existentes en nuevas tareas, el trabajo de Swati ayuda a los principiantes no solo a utilizar el aprendizaje automático para resolver tareas complejas , sino también a aprovechar los desarrollos continuos de los expertos en aprendizaje automático. Si bien nuestro objetivo final es ayudar a los principiantes a convertirse en usuarios avanzados de aprendizaje automático, proporcionar algunas ‘ruedas de entrenamiento’ a través del aprendizaje por transferencia puede ayudar a los principiantes a emplear de inmediato el aprendizaje automático para sus propias tareas.
Una plataforma interactiva para entender la computación del aprendizaje
La investigación de Mishra expone el funcionamiento computacional interno del aprendizaje por transferencia a través de una plataforma interactiva para que los no expertos puedan comprender mejor cómo las máquinas procesan conjuntos de datos y toman decisiones. A través de un estudio de laboratorio correspondiente con personas sin experiencia en el desarrollo del aprendizaje automático, Mishra pudo identificar con precisión dónde perdieron el rumbo los principiantes, cuáles fueron sus razones para hacer ciertos ajustes en el modelo y qué enfoques tuvieron más éxito o no.
Al final, el dúo descubrió que los no expertos participantes pudieron utilizar con éxito el aprendizaje por transferencia y alterar los modelos existentes para sus propios fines.
Sin embargo, los investigadores descubrieron que las percepciones inexactas de la inteligencia artificial con frecuencia ralentizaban el aprendizaje entre los no expertos. Las máquinas no aprenden como los humanos, dijo Mishra.
«Estamos acostumbrados a un estilo de aprendizaje similar al humano e intuitivamente tendemos a emplear estrategias que nos son familiares», dijo. «Si las herramientas no transmiten explícitamente esta diferencia, es posible que las máquinas nunca aprendan realmente. Nosotros, como investigadores y diseñadores, tenemos que mitigar las percepciones de los usuarios sobre lo que es el aprendizaje automático. Cualquier herramienta interactiva debe ayudarnos a gestionar nuestras expectativas».
Más información: Swati Mishra et al, Designing Interactive Transfer Learning Tools for ML Non-Experts, Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems (2021). DOI: 10.1145 / 3411764.3445096
