Hin zu menschengestütztem maschinellen Lernen

Automatisierte Machine Learning (AutoML) Systeme entstehen, die automatisch nach möglichen Lösungen aus einem großen Raum möglicher Modellarten suchen. Obwohl vollständig automatisiertes maschinelles Lernen für viele Anwendungen geeignet ist, verfügen Nutzer oft über Kenntnisse, die die verfügbaren Daten und Lösungen ergänzen und einschränken. Dieses Papier schlägt menschengestütztes maschinelles Lernen (HGML) als einen hybriden Ansatz vor, bei dem ein Nutzer mit einem AutoML-System interagiert und es anweist, verschiedene Problemstellungen zu erkunden, die das Wissen des Nutzers über die verfügbaren Daten widerspiegeln. Wir präsentieren: 1) eine Aufgabenanalyse von HGML, die die Aufgaben zeigt, die ein Nutzer durchführen möchte, 2) eine Charakterisierung von zwei wissenschaftlichen Publikationen, einer in der Neurowissenschaft und einer in der Politikwissenschaft, hinsichtlich der Art und Weise, wie die Autoren nach Lösungen mithilfe eines AutoML-Systems suchen würden, 3) Anforderungen an HGML basierend auf diesen Charakterisierungen und 4) eine Bewertung bestehender AutoML-Systeme in Bezug auf diese Anforderungen.