现实场景中的自动机器学习：障碍、应对策略与期望
人机交互
2024-04-05 v3 人工智能
摘要
自动化机器学习（AutoML）旨在使普通用户也能使用机器学习技术。近期研究探讨了人在标准机器学习工作流中增强 AutoML 功能的作用。然而，从整体视角理解用户在复杂现实环境中如何采用现有 AutoML 方案同样关键。为填补这一空白，本研究对 AutoML 用户（N=19）进行了半结构化访谈，重点理解（1）用户在现实实践中遇到的 AutoML 局限性，（2）用户为应对此类局限性所采取的策略，以及（3）这些局限与应对方式如何影响他们对 AutoML 的使用。我们的发现表明，用户积极发挥用户能动性，以克服源于可定制性、透明性与隐私性的三大挑战。此外，用户会逐案审慎决定是否及如何应用 AutoML。最后，我们得出了面向未来 AutoML 方案开发的设计启示。
引用
@article{arxiv.2302.10827,
title = {AutoML in The Wild: Obstacles, Workarounds, and Expectations},
author = {Yuan Sun and Qiurong Song and Xinning Gui and Fenglong Ma and Ting Wang},
journal= {arXiv preprint arXiv:2302.10827},
year = {2024}
}
备注
In Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (CHI'23), April 23-28, 2023, Hamburg, Germany