UniAutoML: A Human-Centered Framework for Unified Discriminative and Generative AutoML with Large Language Models
UniAutoML is een mensgericht framework dat Large Language Models gebruikt om discriminatieve en generatieve AutoML-taken te verenigen, terwijl de interpreteerbaarheid, gebruikerscontrole en het vertrouwen worden versterkt door middel van een conversationele interface en veiligheidsmechanismen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Machine learning is een krachtig hulpmiddel geworden voor het oplossen van problemen, van het voorspellen van weerpatronen tot het herkennen van gezichten op foto's. Het gebruik van deze hulpmiddelen vereist echter meestal een diep begrip van complexe computercode en wiskundige theorie. Jarenlang heeft een vakgebied genaamd Automated Machine Learning, of AutoML, geprobeerd dit op te lossen door computers de beste modellen te laten kiezen en hun instellingen automatisch te laten afstemmen. Toch waren de meeste van deze systemen alleen gebouwd voor taken waarbij de computer leert om specifieke uitkomsten te sorteren of te voorspellen, zoals beslissen of een e-mail spam is. Ze negeerden grotendeels een nieuwere, meer creatieve vorm van machine learning waarbij computers nieuwe inhoud genereren, zoals het schrijven van verhalen of het creëren van afbeeldingen vanuit het niets. Bovendien werken deze geautomatiseerde systemen vaak als een 'black box', waarbij ze beslissingen nemen zonder hun redenering uit te leggen, wat gebruikers het gevoel geeft losgekoppeld te zijn en onzeker te zijn over of ze de resultaten wel kunnen vertrouwen.
Een team van onderzoekers heeft een nieuw framework geïntroduceerd genaamd UniAutoML om deze kloven te overbruggen. Hun werk richt zich op het creëren van een systeem dat zowel de sorteertaken als de creatieve generatietaken afhandelt, terwijl de menselijke gebruiker in de loop wordt gehouden. In plaats van gebruikers te dwingen code te schrijven of technische jargon te begrijpen, staat dit nieuwe systeem mensen toe om met de machine te interageren met behulp van gewone, alledaagse taal. De onderzoekers hebben dit framework gebouwd om te worden gestuurd door een groot taalmodel, een type kunstmatige intelligentie dat is getraind op enorme hoeveelheden tekst, wat fungeert als een vertaler tussen de eenvoudige instructies van de gebruiker en de complexe machinerie van machine learning. Het doel was niet alleen om het werk te automatiseren, maar ook om het proces transparant en veilig te maken, zodat gebruikers konden begrijpen wat de computer deed en konden ingrijpen indien nodig.
Om hun idee te testen, bouwden de onderzoekers een systeem waarbij een gebruiker simpelweg een verzoek kon typen, zoals "Ik wil de adoptiegraad van huisdieren voorspellen" of "Ik wil foto's van katten genereren." Het systeem zou vervolgens het verzoek analyseren, het type gegevens betrokken identificeren en een enorme online bibliotheek van vooraf getrainde modellen doorzoeken om de beste match te vinden. Zodra een model was gekozen, zou het systeem automatisch de gegevens voorbereiden en de training beginnen. Gedurende dit hele proces werkte het systeem niet in stilte; het leverde een lopende commentaar, waarbij het uitleg gaf over waarom het een specifief model koos of hoe de training vorderde. Als de gebruiker een instelling wilde wijzigen of een proces wilde stoppen dat niet goed verliep, kon hij de opdracht geven aan het systeem om aan te passen, en het systeem zou hieraan voldoen. Om te voorkomen dat het systeem schadelijke of ongepaste inhoud genereert, voegden de onderzoekers een veiligheidsfilter toe die zowel de invoer van de gebruiker als de uitvoer van de computer controleerde, en alles blokkeerde dat de veiligheidsrichtlijnen overtrad.
De onderzoekers evalueerden dit nieuwe framework met acht verschillende datasets die verschillende taken dekken, zoals het voorspellen van de populariteit van huisdieren, het detecteren van sarcasme in afbeeldingen en tekst, en het beoordelen van de esthetische kwaliteit van foto's. Ze vergeleken hun systeem met twee bekende, bestaande geautomatiseerde tools. In deze tests presteerde het nieuwe framework in de meeste gevallen even goed als of beter dan de gevestigde tools. Bijvoorbeeld, bij het voorspellen van de populariteit van huisdieren behaalde het een nauwkeuriger resultaat dan de concurrenten. In taken die complexe gegevens bevatten met meerdere soorten informatie, zoals gecombineerde afbeeldingen en tekst, toonde het nieuwe systeem een duidelijk voordeel, waarbij het succesvol problemen navigeerde waar de oudere tools moeite mee hadden of handmatige reparaties vereisten.
Buiten de cijfers om wilden de onderzoekers weten wat echte mensen vonden van het gebruik van het systeem. Ze nodigden 25 vrijwilligers uit, variërend van studenten informatica tot leraren zonder technische achtergrond, om het nieuwe framework naast de oudere tools uit te proberen. De deelnemers kregen specifieke taken en moesten vervolgens hun ervaring beoordelen. De resultaten lieten zien dat mensen die het nieuwe systeem gebruikten, het gevoel hadden dat ze meer controle hadden over het proces en het veel gemakkelijker vonden om te begrijpen wat er gebeurde. Ze rapporteerden dat ze minder pogingen nodig hadden om een taak te voltooien en minder mentale belasting ervoeren in vergelijking met het gebruik van de traditionele tools. Zelfs mensen met enige technische kennis vonden de conversationele interface intuïtief en merkten op dat het de complexe wereld van machine learning toegankelijk maakte. Eén deelnemer, een student met beperkte programmeerkennis, merkte op dat het vermogen om simpelweg instructies te typen en duidelijke uitleg te ontvangen, veel nuttiger was dan proberen code te schrijven onder tijdsdruk.
De studie benadrukte ook het vermogen van het systeem om creatieve taken aan te kunnen die oudere tools helemaal niet konden beheren. Terwijl traditionele systemen niet automatisch modellen konden afstemmen die afbeeldingen genereren of teksten schrijven, liet het nieuwe framework gebruikers dit doen met eenvoudige commando's. Een gebruiker kon een dataset aanleveren en het systeem vragen om een model te trainen om afbeeldingen te genereren, en het systeem zou het hele technische proces afhandelen zonder dat de gebruiker ooit een regel code zag. Deze capaciteit was een belangrijke stap voorwaarts, omdat het krachtige generatieve tools opende voor mensen die voorheen niet over de gespecialiseerde vaardigheden beschikten om ze te gebruiken.
Ondanks deze successen erkenden de onderzoekers dat hun systeem afhankelijk is van krachtige externe tools die duur kunnen zijn om te draaien en een constante internetverbinding vereisen. Ze merkten op dat toekomstig werk deze beperkingen zou moeten aanpakken om het systeem betaalbaarder en bruikbaarder te maken op plaatsen zonder betrouwbaar internet. Desalniettemin toonde de studie aan dat het mogelijk is om een geautomatiseerd systeem te bouwen dat niet alleen effectief is, maar ook transparant en gebruiksvriendelijk. Door de kracht van grote taalmodellen te combineren met een focus op menselijke interactie, lieten de onderzoekers zien dat machine learning toegankelijker gemaakt kan worden, waardoor een breder scala aan mensen het potentieel ervan kan benutten zonder expert te hoeven worden in het vakgebied. Het werk suggereert dat de toekomst van kunstmatige intelligentie niet alleen ligt in het slimmer maken van machines, maar in het gemakkelijker maken voor mensen om hen te begrijpen en te sturen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.