[论文解读] AI from concrete to abstract: demystifying artificial intelligence to the general public

Rubens Lacerda Queiroz, Fábio Ferrentini Sampaio+2 more|arXiv (Cornell University)|Jun 7, 2020

Radiation Effects in Electronics参考文献 34被引用 5

一句话总结

本文介紹了 AIcon2abs，一種創新教育方法，結合視覺程式設計與 WiSARD 無權重神經網絡，讓非專家——特別是兒童——透過實際參與的整合式學習與分類任務，了解人工智慧的運作方式。透過將學習與推理直接嵌入程式流程，該方法揭開人工智慧的神秘面紗，使學習系統與傳統程式的差異變得清晰，並促進公眾對人工智慧的知情參與。

ABSTRACT

Artificial Intelligence (AI) has been adopted in a wide range of domains. This shows the imperative need to develop means to endow common people with a minimum understanding of what AI means. Combining visual programming and WiSARD weightless artificial neural networks, this article presents a new methodology, AI from concrete to abstract (AIcon2abs), to enable general people (including children) to achieve this goal. The main strategy adopted by is to promote a demystification of artificial intelligence via practical activities related to the development of learning machines, as well as through the observation of their learning process. Thus, it is possible to provide subjects with skills that contributes to making them insightful actors in debates and decisions involving the adoption of artificial intelligence mechanisms. Currently, existing approaches to the teaching of basic AI concepts through programming treat machine intelligence as an external element/module. After being trained, that external module is coupled to the main application being developed by the learners. In the methodology herein presented, both training and classification tasks are blocks that compose the main program, just as the other programming constructs. As a beneficial side effect of AIcon2abs, the difference between a program capable of learning from data and a conventional computer program becomes more evident. In addition, the simplicity of the WiSARD weightless artificial neural network model enables easy visualization and understanding of training and classification tasks internal realization.

研究动机与目标

• 回應社會日益增長的需求，提升公眾對人工智慧的理解，儘管人工智慧已廣泛應用。
• 克服現有人工智慧教育工具的限制，這些工具將機器學習視為獨立於主程式之外的黑箱模組。
• 發展一種教育方法，讓一般大眾，包括兒童，能透過具體、視覺化且互動式的程式設計經驗，掌握人工智慧的核心概念。
• 讓學習系統的內部運作機制——特別是訓練與分類過程——透明化並即時可觀察。
• 賦予非專家能力，使其能成為涉及人工智慧技術之社會辯論與決策的知情參與者。

提出的方法

• AIcon2abs 方法將 WiSARD 無權重人工神經網絡整合至視覺程式設計環境中，使學習者能建立包含學習與分類作為一等構造的程式。
• 訓練與分類任務以可程式化模組的形式實作於主應用程式內，而非作為外部模組，使學習者能即時觀察學習過程的展開。
• 使用無權重網絡可簡化模型的內部機制，使其更容易視覺化與理解資料如何被處理與學習。
• 該方法利用視覺程式設計抽象化底層實作細節，使學習者專注於從資料中學習的觀念性理解。
• 學習者建立的程式中，學習與推理被視為一等公民，可直接觀察與修改，進而增強對人工智慧系統如何演化的洞察。
• 該方法設計上對兒童與非專家友善，透過降低數學複雜度，強調體驗式學習。

实验结果

研究问题

• RQ1 如何讓非專家以一種使學習過程可見且易懂的方式學習人工智慧？
• RQ2 哪種教育方法能讓學習者體驗人工智慧作為程式中整合且可觀察的組成部分，而非黑箱模組？
• RQ3 將學習與分類任務內嵌於主程式流程中，與傳統模組化方法相比，如何提升對人工智慧的理解？
• RQ4 視覺程式設計與無權重神經網絡在多大程度上能支援兒童與一般大眾對機器學習的直覺理解？
• RQ5 將學習整合至程式結構中，對學習者對傳統程式與學習系統之間差異的認知有何影響？

主要发现

• AIcon2abs 方法成功讓非專家，包括兒童，能即時建立並觀察學習系統，促進對人工智慧作為動態、資料驅動過程的深入理解。
• 透過將訓練與分類視為一等程式模組，學習者能更清楚區分傳統程式與具備學習功能的系統。
• WiSARD 無權重神經網絡模型的簡潔性，使學習與分類過程能直覺地視覺化，降低認知負荷。
• 該方法透過使內部機制可觀察與可修改，有效揭開人工智慧的神秘面紗，支持主動學習與概念性洞察。
• 該方法帶來更具透明度與參與感的學習體驗，學習者能直接看到資料如何隨時間影響模型行為。
• 將學習整合至程式流程中，提升了學習者對人工智慧作為持續演變、依賴資料的過程之認知，而非靜態工具。