学习补充人类

开放世界中AI的一个新兴愿景集中于开发能够补充人类感知、诊断与推理任务的系统。迄今为止，旨在补充人类技能的系统采用了被训练为在孤立状态下尽可能准确的模型。我们展示了如何利用端到端学习策略，通过考虑人与机器的不同能力来优化人机团队的综合表现。目标是使机器学习聚焦于对人类困难的问题实例，同时识别对机器困难的实例并寻求人类对这些实例的输入。我们在两个真实领域（科学发现与医学诊断）中证明，通过这些方法构建的人机团队优于机器与人的各自表现。我们随后分析了这种互补性最强的条件，以及哪些训练方法可放大它。总体而言，我们的工作提供了关于如何训练机器学习系统以补充人类推理的首个系统性研究。