AutoDOViz：面向决策优化的人本自动化
人机交互
2023-02-21 v1 人工智能
机器学习
摘要
我们提出 AutoDOViz，一个利用强化学习（RL）进行自动化决策优化（AutoDO）的交互式用户界面。决策优化（DO）传统上由专门的 DO 研究人员实践，专家需要通过反复试错花费长时间微调解决方案。AutoML 流水线搜索试图通过利用自动化搜索和调优解决方案，使数据科学家更容易找到最佳机器学习流水线。近来，这些进展被应用于 AutoDO 领域，目标类似，即通过算法选择与参数调优找到最佳强化学习流水线。然而，与 ML 问题相比，决策优化需要复杂得多的规范描述。AutoDOViz 力求降低数据科学家在强化学习问题规范描述上的入门门槛，利用 AutoDO 算法在 RL 流水线搜索中的优势，并最终创建可视化与策略洞察，以促进 DO 专家与领域专家之间在沟通问题表述与解决方案提议时典型的交互特性。本文中，我们报告了与 DO 从业者及商业顾问的半结构化专家访谈发现，由此得出面向 DO 与 RL 的人本自动化设计需求。我们用数据科学家对系统实现进行评估，发现使用我们提出的方案后他们显著更愿意参与 DO。AutoDOViz 进一步增进了对 RL 智能体模型的信任，并使自动化训练与评估过程更易理解。正如其他 ML 任务中的自动化所示，我们也得出结论：当界面促进人在回路时，RL 用于 DO 的自动化可受益于用户，反之亦然。
引用
@article{arxiv.2302.09688,
title = {AutoDOViz: Human-Centered Automation for Decision Optimization},
author = {Daniel Karl I. Weidele and Shazia Afzal and Abel N. Valente and Cole Makuch and Owen Cornec and Long Vu and Dharmashankar Subramanian and Werner Geyer and Rahul Nair and Inge Vejsbjerg and Radu Marinescu and Paulito Palmes and Elizabeth M. Daly and Loraine Franke and Daniel Haehn},
journal= {arXiv preprint arXiv:2302.09688},
year = {2023}
}