Mänskliga faktorn viktig i maskininlärning

Människan inte samma som maskin

Ny teknologi betyder att människor är mer uppkopplade än någonsin, ofta genom så kallad ”smart teknik” eller ”sakernas internet”. Ofta används maskininlärning för att läsa av och använda data från den anslutna tekniken, till exempel sensorer. Hur bra maskininlärningen fungerar beror på kvaliteten på olika data, och därför behövs den många gånger klassificeras. Exempelvis kan en smart klocka läsa av att din kropp rör sig fortare, men du behöver berätta för klockan att just den rörelsen är jogging.

I sin avhandling ’Interactive Online Machine Learning’ jämför Agnes Tegen bland annat hur maskininlärningen fungerar när en människa klassificerade data i stället för att simulering utför uppgiften. I en simulation antas människor klassificerar data felfritt, men i studien testades den tesen på riktiga människor, där de till exempel fick klassificera bilder på katter och hundar. Resultatet visar tydliga skillnader mellan simulation och verkligheten.

– I maskininlärningsvärlden antas människan ofta agera perfekt, att vi människor helt enkelt kan ge maskiner korrekt data. Men studien visar att människor inte fungerar så, till exempel så svarar människor fel eller hinner inte svara i tid. Vi misstänkte att det är så det ligger till, men det var tydligt att maskininlärningsprocessen försämras när människor är inblandade.

Outforskat perspektiv

Agnes Tegen menar att den mänskliga aspekten ofta glöms bort inom forskning och utveckling av maskininlärning. I experiment ersätts vanligtvis människan med en simulation, som antas utföra uppgiften perfekt. Men det blir missvisande, menar hon, och uppmanar forskningen att ta sig an den mänskliga aspekten:

– Inom datavetenskap finns en tendens att datorisera och förenkla, men det är viktigt att fråga sig i vilken utsträckning det vi gör representerar verkliga livet. Artificiell intelligens och maskininlärning blir alltmer en del av vår vardag, så vi behöver ta med oss det mänskliga perspektivet.

Kan användas på olika sätt

Ett stort fokus i avhandlingen var också hur så kallad ’strömmande data’ kan användas i maskininlärning. Ett exempel är äldrevården, där sensorer och maskininlärning kan hjälpa till i vården av någon med demens, till exempel genom att hålla koll på personens rörelser och rutiner och kunna larma när någonting inte stämmer.

I framtiden hoppas Agnes Tegen att hennes avhandling kan bidra till en större diskussion om människans samspel med tekniken, och att datavetenskapen blir bättre på att ta sig an den mänskliga aspekten.

– Man kan lätt fastna i att optimera algoritmer och parametrar, men vi får inte tappa kopplingen att människor är en del av världen tekniken används i.

–  Ju mer maskininlärning blir en del av våra liv desto viktigare blir det att man förstår att sådana här system har inverkan på människors liv, och att försök lära sig mer om hur vi interagerar med dem.