Vil A.I. Kan snart erstatte litterære lærde?

Med en ektefelle som studerer utviklingen av kunstig og naturlig intelligens og den andre som forsker på språket, kulturen og historien til Tyskland, kan du forestille diskusjonene ved vårt spisebord. Vi opplever ofte stereotypiske sammenstøt i visninger mellom den kvantifiserbare, målebaserte tilnærmingen til naturvitenskap og den mer kvalitative tilnærmingen til humaniora, hvor det som betyr mest, er hvordan folk føler noe, eller hvordan de opplever eller tolker det.

Vi bestemte oss for å ta en pause fra det mønsteret, for å se hvor mye hver tilnærming kunne hjelpe den andre. Spesielt ønsket vi å se om aspekter av kunstig intelligens kunne vise seg nye måter å tolke en ikke-fiktiv grafisk roman om Holocaust. Vi endte opp med å finne ut at noen A.I. teknologiene er ennå ikke avanserte og robuste nok til å gi nyttig innsikt - men enklere metoder resulterte i kvantifiserbare målinger som viste en ny mulighet for tolkning.

Velge en tekst

Det er rikelig med forskning tilgjengelig som analyserer store tekstkropper, så vi valgte noe mer komplekst for A.I. analyse: Reinhard Kleist s The Boxer, en grafisk roman basert på den sanne historien om hvordan Hertzko "Harry" Haft overlevde nazistiske dødsleirer. Vi ønsket å identifisere følelser i ansiktsuttrykkene til hovedpersonen som vises i bokens illustrasjoner, for å finne ut om det ville gi oss et nytt objektiv for å forstå historien.

I denne svart-hvite tegneserien forteller Haft sin forferdelige historie, der han og andre konsentrasjonsleir innsatte ble laget for å kaste hverandre til døden. Historien er skrevet fra Hafts perspektiv; Interspersed gjennom hele fortellingen er paneler med flashbacks som skildrer Hafts minner om viktige personlige hendelser.

Humaniora tilnærming ville være å analysere og kontekstualisere elementer av historien, eller historien som helhet. Kleists grafiske roman er en fortolkning av en 2009 biografisk roman av Hafts sønn Allan, basert på hva Allan visste om sin fars opplevelser. Analysere dette komplekse settet av forfatteres tolkninger og forståelser kan bare tjene til å legge til et annet subjektivt lag på toppen av de eksisterende.

Fra vitenskapsfilosofiens perspektiv ville dette nivå av analyse bare gjøre ting mer komplisert. Forskere kan ha forskjellige tolkninger, men selv om de alle enige om det, ville de fortsatt ikke vite om deres innsikt var objektivt sant eller om alle lider av den samme illusjonen. Å løse dilemmaet ville kreve et eksperiment rettet mot å generere en måling andre kunne reproducere selvstendig.

Reproducerbar tolkning av bilder?

I stedet for å tolke bildene selv, utsette dem for egne forutsetninger og forutsetninger, håpet vi at A.I. kunne gi en mer objektiv visning. Vi begynte med å skanne alle panelene i boken. Da kjørte vi Googles visjon A.I. og Microsoft AZUREs ansiktsgjenkjenning og følelsesmessige karakteranbefalinger også.

Algoritmene vi pleide å analysere The Boxer ble tidligere utdannet av Google eller Microsoft på hundretusener av bilder som allerede er merket med beskrivelser av hva de skildrer. I denne treningsfasen vil A.I. Systemene ble bedt om å identifisere hva bildene viste, og svarene ble sammenlignet med de eksisterende beskrivelsene for å se om systemet som ble opplært var riktig eller feil. Treningssystemet styrket elementene i de underliggende dype nevrale nettverkene som produserte riktige svar, og svekket delene som bidro til feil svar. Både metoden og treningsmateriellene - bildene og kommentarene - er avgjørende for systemets ytelse.

Så snudde vi A.I. løs på bokens bilder. Akkurat som på Familie krangel, hvor showets produsenter spør 100 fremmede et spørsmål og teller opp hvor mange velger hvert potensielt svar, spør vår metode en A.I. å bestemme hvilke følelser et ansikt viser. Denne tilnærmingen legger til et nøkkelelement som ofte mangler når subjektivt tolker innhold: reproduserbarhet. Enhver forsker som vil sjekke, kan kjøre algoritmen igjen og få de samme resultatene vi gjorde.

Dessverre fant vi ut at disse A.I. verktøyene er optimalisert for digitale fotografier, ikke skanning av svart-hvitt tegninger. Det betydde at vi ikke fikk mye pålitelige data om følelsene i bildene. Vi var også forstyrret for å finne at ingen av algoritmene identifiserte noen av bildene som relatert til Holocaust- eller konsentrasjonsleirene - selv om menneskelige seere lett kunne identifisere disse temaene. Forhåpentligvis er det fordi A.I.s hadde problemer med de svart-hvite bildene selv, og ikke på grunn av uaktsomhet eller forspenning i deres treningssett eller merknader.

Bias er et velkjent fenomen i maskinlæring, som kan ha virkelig støtende resultater. En analyse av disse bildene basert utelukkende på dataene vi fikk, ville ikke ha diskutert eller anerkjent Holocaust, en utelatelse som er imot loven i Tyskland, blant annet land. Disse feilene understreker viktigheten av å kritisk evaluere ny teknologi før de brukes i større grad.

Finne andre reproducerbare resultater

Bestemt for å finne en alternativ måte for kvantitative tilnærminger for å hjelpe humaniora, endte vi med å analysere lysstyrken på bildene, sammenligne flashback scener til andre øyeblikk i Hafts liv. For det formål kvantifiserte vi lysstyrken til de skannede bildene ved hjelp av bildeanalyseprogramvare.

Vi fant at gjennom hele boken er følelsesmessig lykkelige og lyse faser som hans fengselflykt eller Hafts etterkrigstid i USA vist ved hjelp av lyse bilder. Traumatiserende og triste faser, som hans konsentrasjonsleiropplevelser, vises som mørke bilder. Dette stemmer overens med fargesykologiske identifikasjoner av hvitt som en ren og lykkelig tone, og svart som symboliserer tristhet og sorg.

Etter å ha etablert en generell forståelse av hvordan lysstyrken er brukt i bokens bilder, så vi nærmere på tilbakemeldingsscenen. Alle avbildet følelsesmessig intense hendelser, og noen av dem var mørke, slik som tilbakemeldinger om å kreme andre konsentrasjonsleir innsatte og forlate kjærligheten i sitt liv.

Vi var overrasket over å finne ut at tilbakeblikkene som viser Haft om å slå motstandere til døden var lyse og klare - noe som tyder på at han har en positiv følelse om det kommende dødelige møtet. Det er det motsatte av det som leserne som oss føler sannsynligvis når de følger historien, kanskje se Hafts motstander som svak og innser at han er i ferd med å bli drept. Når leseren føler synd og empati, hvorfor er Haft positiv?

Denne motsetningen, funnet ved å måle lysstyrken på bildene, kan avsløre et dypere innblikk i hvordan de nazistiske dødsleirene påvirket Haft følelsesmessig. For oss, akkurat nå, er det ufattelig hvordan utsikten for å slå noen andre til døden i en boksingskamp ville være positiv. Men kanskje Haft var i en så desperat situasjon at han så håp om overlevelse når han vendte seg mot en motstander som var enda mer sultet enn han var.

Bruk av A.I. verktøy for å analysere denne litteraturen skaper nytt lys på viktige elementer av følelser og minne i boka - men de erstattet ikke en ekspert eller læreres ferdigheter ved tolking av tekster eller bilder. Som et resultat av vårt eksperiment tror vi at A.I. og andre beregningsmetoder presenterer en interessant mulighet med potensialet for mer kvantifiserbar, reproduserbar og kanskje objektiv forskning i humaniora.

Det vil være utfordrende å finne måter å bruke A.I. passende i humaniora - og enda mer fordi dagens A.I. Systemene er ennå ikke sofistikerte nok til å fungere pålitelig i alle sammenhenger. Lærde skal også være oppmerksom på potensielle forstyrrelser i disse verktøyene. Hvis det endelige målet for A.I. forskning er å utvikle maskiner som konkurrerer med menneskelig forståelse, kunstige intelligenssystemer må kanskje ikke bare oppføre seg som mennesker, men forstå og tolke følelser som mennesker også.

Denne artikkelen ble opprinnelig publisert på The Conversation av Leonie Hintze og Arend Hintze http://theconversation.com/profiles/arend-hintze-225106. Les den opprinnelige artikkelen her.