Oavsett om artificiella intelligenssystem stjäl människors jobb eller skapar nya arbetsmöjligheter, människor kommer att behöva arbeta tillsammans med dem.

I min forskning använder jag sensorer och datorer för att övervaka hur hjärnan själv behandlar beslutsfattande. Tillsammans med en annan hjärna-dator-gränssnittslärare, Riccardo Poli, Jag tittade på ett exempel på möjligt samarbete mellan människor och maskiner-situationer då polis och säkerhetspersonal ombeds att hålla utkik efter en viss person, eller människor, i en trång miljö, som en flygplats.

Det verkar som en enkel begäran, men det är faktiskt riktigt svårt att göra. En säkerhetsansvarig måste övervaka flera övervakningskameror i många timmar varje dag, letar efter misstänkta. Upprepade uppgifter som dessa är benägna att mänskliga fel.

Vissa människor föreslår att dessa uppgifter bör automatiseras, eftersom maskiner inte tröttnar ut, trött eller distraherad över tiden. Dock, datorsynalgoritmer som har till uppgift att känna igen ansikten kan också göra misstag. Som min forskning har funnit, tillsammans, maskiner och människor kan göra mycket bättre.

Två typer av artificiell intelligens

Vi har utvecklat två AI -system som kan hjälpa till att identifiera målansikten i trånga scener. Den första är en algoritm för ansiktsigenkänning. Den analyserar bilder från en säkerhetskamera, identifierar vilka delar av bilderna som är ansikten och jämför dessa ansikten med en bild av den person som man söker. När den identifierar en matchning, Denna algoritm rapporterar också hur säker den är på det beslutet.

Det andra systemet är ett hjärna-dator-gränssnitt som använder sensorer i en persons hårbotten, letar efter neural aktivitet relaterad till förtroende för beslut.

Vi genomförde ett experiment med 10 mänskliga deltagare, visar var och en av dem 288 bilder av trångt inomhusmiljö. Varje bild visades bara 300 millisekunder - ungefär så länge det tar ett öga att blinka - varefter personen ombads att avgöra om de hade sett en viss persons ansikte eller inte. I genomsnitt, de kunde korrekt skilja mellan bilder med och utan målet i 72 procent av bilderna.

När vårt helt autonoma AI -system utförde samma uppgifter, det klassificerade korrekt 84 procent av bilderna.

Human-AI-samarbete

Alla människor och den fristående algoritmen såg samma bilder, så vi försökte förbättra beslutsfattandet genom att kombinera handlingar från mer än en av dem åt gången.

Att slå samman flera beslut till ett, vi vägde individuella svar med beslutsförtroende-algoritmens självuppskattade förtroende, och mätningarna från människors hjärnavläsningar, transformeras med en maskininlärningsalgoritm. Vi fann att en genomsnittlig grupp av bara människor, oavsett hur stor gruppen var, klarade sig bättre än den genomsnittliga människan ensam - men var mindre exakt än algoritmen ensam.

Dock, grupper som inkluderade minst fem personer och algoritmen var statistiskt signifikant bättre än människor eller enbart maskiner.

Håller folk i ögonen

Det blir lättare att para ihop människor med datorer. Exakta datorsyn och bildbehandlingsprogram är vanliga på flygplatser och andra situationer. Kostnaderna sjunker för konsumentsystem som läser hjärnaktivitet, och de ger tillförlitliga data.

Att arbeta tillsammans kan också hjälpa till att ta itu med farhågor kring etiken och partiskheten i algoritmiska beslut, samt juridiska frågor om ansvarsskyldighet.

I vår studie, människorna var mindre exakta än AI. Dock, hjärn-dator-gränssnitten observerade att människorna var mer säkra på sina val än AI var. Att kombinera dessa faktorer erbjöd en användbar blandning av noggrannhet och förtroende, där människor vanligtvis påverkade gruppbeslutet mer än det automatiska systemet gjorde. När det inte finns någon överenskommelse mellan människor och AI, det är etiskt enklare att låta människorna bestämma.

Vår studie har hittat ett sätt på vilket maskiner och algoritmer inte behöver - och faktiskt inte borde - ersätta människor. Snarare, de kan arbeta tillsammans med människor för att hitta det bästa av alla möjliga resultat.

Denna artikel publiceras från The Conversation under en Creative Commons -licens. Läs originalartikeln.