Opis projektu
Bardziej ludzkie podejście do uczenia maszynowego
Zjawiskami typowymi dla współczesności są masowa cyfryzacja i dostęp do niemal nieograniczonej mocy obliczeniowej. Oznacza to, że technologia pozwala obecnie na ocenę, wspieranie lub nawet całkowite zastąpienie ludzkiego procesu decyzyjnego przy pomocy uczenia maszynowego. W modelach i algorytmach uczenia maszynowego decyzje są zwykle podejmowane autonomicznie, bez ludzkiej interwencji. Jednak w miarę jak uczenie maszynowe staje się częścią naszego codziennego życia, może powodować różne problemy, od dyskryminacji społecznej po wypadki samochodowe. W ramach finansowanego przez UE projektu HumanML powstanie w większym stopniu skoncentrowane na człowieku podejście do uczenia maszynowego, pozwalające na uzupełnianie modeli uczenia maszynowego procesami decyzyjnymi podejmowanymi przez człowieka, co będzie stanowiło sposób na skalowanie automatyzacji. Celem jest uporanie się z problemami typowymi dla uczenia maszynowego przy jednoczesnym zwiększeniu jego efektywności w różnych dziedzinach.
Cel
With the advent of mass-scale digitization of information and virtually limitless computational power, an increasing number of social, information and cyber-physical systems evaluate, support or even replace human decisions using machine learning models and algorithms. Machine learning models and algorithms have been traditionally designed to take decisions autonomously, without human intervention, on the basis of passively collected data. However, in most social, information and cyber-physical systems, algorithmic and human decisions feed on and influence each other. As these decisions become more consequential to individuals and society, machine learning models and algorithms have been blamed to play a major role in an increasing number of missteps, from discriminating minorities, causing car accidents and increasing polarization to misleading people in social media. In this project, we will develop human-centric machine learning models and algorithms for evaluating, supporting and enhancing decision making processes where algorithmic and human decisions feed on and influence each other. These models and algorithms will account for the feedback loop between algorithmic and human decisions, which currently perpetuates or even amplifies biases and inequalities, and they will learn to operate under different automation levels. Moreover, they will anticipate how individuals will react to their algorithmic decisions, often strategically, to receive beneficial decisions and they will provide actionable insights about their algorithmic decisions. Finally, we will perform observational and interventional experiments as well as realistic simulations to evaluate their effectiveness in a wide range of applications, from content moderation, recidivism prediction, and credit scoring to medical diagnosis and autonomous driving.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
ERC-STG - Starting GrantInstytucja przyjmująca
80539 Munchen
Niemcy