用户友好且可适应的判别式AI：借鉴LLM和图像生成模型成功的经验
人工智能
2023-12-13 v1 人机交互
摘要
尽管将生成式AI工具用作特定机器学习应用的通用模型引起了广泛兴趣，但目前判别式模型的部署更为广泛。这些已部署的判别式AI工具的一个关键缺陷是，与生成式AI工具（如GPT4、Stable Diffusion、Bard等）相比，它们缺乏可适应性和用户友好性——在生成式AI中，非专家用户可以迭代地调整模型输入并提供可立即纳入考虑的实时反馈，从而让用户从一开始就建立信任。受这种新兴协作工作流的启发，我们开发了一种新的系统架构，使用户能够以类似于生成式AI工具的方式与判别式模型（例如用于目标检测、情感分类等）协作，用户可以轻松提供即时反馈，并根据需要调整已部署的模型。我们的方法对于提升这些通用但传统的预测模型的信任度、用户友好性和可适应性具有重要意义。
引用
@article{arxiv.2312.06826,
title = {User Friendly and Adaptable Discriminative AI: Using the Lessons from the Success of LLMs and Image Generation Models},
author = {Son The Nguyen and Theja Tulabandhula and Mary Beth Watson-Manheim},
journal= {arXiv preprint arXiv:2312.06826},
year = {2023}
}