論文の概要: Training Novices: The Role of Human-AI Collaboration and Knowledge Transfer

• arxiv url: http://arxiv.org/abs/2207.00497v1
• Date: Fri, 1 Jul 2022 15:34:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-04 13:02:14.294372
• Title: Training Novices: The Role of Human-AI Collaboration and Knowledge Transfer
• Title（参考訳）: 教育初心者:人間-AI連携と知識伝達の役割
• Authors: Philipp Spitzer, Niklas K\"uhl, Marc Goutier
• Abstract要約: 本研究では,HAICを用いて初心者のタスクを学習するフレームワークを提案する。 本稿では,このトレーニングプロセスにおける明示的知識と暗黙的知識の役割について,HAICを用いて解説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Across a multitude of work environments, expert knowledge is imperative for humans to conduct tasks with high performance and ensure business success. These humans possess task-specific expert knowledge (TSEK) and hence, represent subject matter experts (SMEs). However, not only demographic changes but also personnel downsizing strategies lead and will continue to lead to departures of SMEs within organizations, which constitutes the challenge of how to retain that expert knowledge and train novices to keep the competitive advantage elicited by that expert knowledge. SMEs training novices is time- and cost-intensive, which intensifies the need for alternatives. Human-AI collaboration (HAIC) poses a way out of this dilemma, facilitating alternatives to preserve expert knowledge and teach it to novices for tasks conducted by SMEs beforehand. In this workshop paper, we (1) propose a framework on how HAIC can be utilized to train novices on particular tasks, (2) illustrate the role of explicit and tacit knowledge in this training process via HAIC, and (3) outline a preliminary experiment design to assess the ability of AI systems in HAIC to act as a trainer to transfer TSEK to novices who do not possess prior TSEK.
• Abstract（参考訳）: 多くの作業環境において、専門家の知識は、人間が高いパフォーマンスでタスクを遂行し、ビジネスの成功を確実にすることが不可欠である。 これらの人間はタスク固有の専門家知識(tsek)を持ち、それゆえ主題の専門家(sme)を表す。 しかし、人口統計の変化だけでなく、人員の縮小戦略も先導し、組織内の中小企業の離脱につながり続けており、その専門知識の維持と、その専門知識によって引き起こされる競争優位性を維持するための初心者の訓練の方法の課題となっている。 中小企業のトレーニング初心者は時間とコストがかかり、代替手段の必要性が高まる。 人間とAIのコラボレーション(HAIC)はこのジレンマから抜け出し、専門家の知識を保存し、前もって中小企業が行うタスクの初心者に教えるための代替手段を提供する。 本ワークショップでは,(1)特定のタスクにおける初心者の学習にHAICをどのように活用するか,(2)このトレーニングプロセスにおける明示的かつ暗黙的な知識の役割を,(3)事前のTSEKを持たない初心者にTSEKを転送する訓練者として,HAIC内のAIシステムの有効性を評価するための予備的な実験設計を概説する。

関連論文リスト

• TeamLoRA: Boosting Low-Rank Adaptation with Expert Collaboration and Competition [61.91764883512776]
  我々は,専門家のためのコラボレーション・コンペティション・モジュールからなる,革新的なPEFT手法であるTeamLoRAを紹介する。 そうすることで、TeamLoRAは専門家を"チーム"として内部のコラボレーションや競争に結び付け、マルチタスク学習のためのより高速で正確なPEFTパラダイムを可能にします。
  論文  参考訳（メタデータ） (2024-08-19T09:58:53Z)
• HoME: Hierarchy of Multi-Gate Experts for Multi-Task Learning at Kuaishou [19.113649341888532]
  クアイショーのショートビデオサービスで学んだ実践的問題と教訓について紹介する。 業界では、広く使われているマルチタスクフレームワークはMixture-of-Experts(MoE)パラダイムである。
  論文  参考訳（メタデータ） (2024-08-10T04:25:48Z)
• Mix-CPT: A Domain Adaptation Framework via Decoupling Knowledge Learning and Format Alignment [120.06538000214552]
  汎用大規模言語モデル(LLM)を特殊なドメインに適応させることは、様々なデータ分散のために大きな課題となる。 そこで我々はMix-CPTと呼ばれるドメイン知識学習と汎用フォーマットアライメントを含む新しいドメイン適応フレームワークを提案する。 提案するMix-CPTフレームワークは,目標領域および一般領域におけるLCMのタスク解決能力を同時に向上させることができる。
  論文  参考訳（メタデータ） (2024-07-15T15:20:13Z)
• Knowledge Editing for Large Language Models: A Survey [51.01368551235289]
  大規模言語モデル(LLM)の大きな欠点の1つは、事前学習に要する計算コストである。 知識に基づくモデル編集(KME)が注目を集めており、特定の知識を組み込むためにLLMを正確に修正することを目的としている。
  論文  参考訳（メタデータ） (2023-10-24T22:18:13Z)
• ML-Based Teaching Systems: A Conceptual Framework [0.0]
  組織的文脈における知識伝達を促進する機械学習(ML)モデルの可能性について検討する。 MLに基づく教育システムをよりよく理解し、設計するために、重要な概念、テーマ、次元について検討する。
  論文  参考訳（メタデータ） (2023-05-12T09:55:34Z)
• Bayesian Optimization Augmented with Actively Elicited Expert Knowledge [13.551210295284733]
  我々は、最適化をさらに加速することを目的として、専門家の知識をBOに組み込むという課題に取り組む。 本研究では,この課題に対するマルチタスク学習アーキテクチャを設計し,専門家の知識を共同で抽出し,目的関数を最小化することを目的とする。 シミュレーションと実際の人間の専門家による様々なベンチマーク関数の実験では、専門家の知識が偏っている場合でも、提案手法はBOを著しく高速化することが示された。
  論文  参考訳（メタデータ） (2022-08-18T09:49:21Z)
• Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
  外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。 我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
  論文  参考訳（メタデータ） (2022-03-19T03:22:57Z)
• Rethinking Learning Dynamics in RL using Adversarial Networks [79.56118674435844]
  本稿では,スキル埋め込み空間を通じてパラメータ化された,密接に関連するスキルの強化学習のための学習機構を提案する。 本研究の主な貢献は、エントロピー規則化政策勾配定式化の助けを借りて、強化学習のための敵の訓練体制を定式化することである。
  論文  参考訳（メタデータ） (2022-01-27T19:51:09Z)
• Hierarchical Skills for Efficient Exploration [70.62309286348057]
  強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。 下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。 教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-20T22:29:32Z)
• Learning Transferable Concepts in Deep Reinforcement Learning [0.7161783472741748]
  感覚入力の離散的な表現を学習することで、複数のタスクに共通するハイレベルな抽象化が得られることを示す。 特に,情報理論のアプローチに従って,自己超越によってそのような表現を学習することは可能であることを示す。 本手法は, 未知タスクと未知タスクの両方において, サンプル効率を高めるための, 機関車および最適制御タスクの概念を学習することができる。
  論文  参考訳（メタデータ） (2020-05-16T04:45:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。