AI时代主要的人机交互方式为()。
AI时代主要的人机交互方式为()。字体大小：大|中|小2020-05-2110:45阅读(1879)评论(0)分类： AI时代主要的人机交互方式为()。
专家系统的主要组成部分包括()。
医疗健康领域,人工智能在医学影像方面的应用被认为*不可能率先实现商业化。
人工智能的基础包括()。
仿生算法的特点有()。
人工智能会完全替代人类的某些工作,并不会创造新的就业机会。()
如果某个隐藏层中存在以下四层,那么其中*接近输出层的是()。
基于句法的机器翻译是目前较为流行的翻译方法,基本达到了预期的理想。()
一个完整的人工神经网络包括()。
智能推荐系统的特点包括()。
深度学习算法中,人可以掌控机器“思考”的具体过程,但数据来源和质量的不可控可能导致人工智能被教坏。()
专家系统的适用领域的特征包括()。
一般来说,扫地机器人必需的传感器有()。
从公众关注视角定义的人工智能的范畴是在不断变化的。()
以下四个人工智能的应用领域中,与其他三个不同的是()。
强化学习中,()主要探索未知的动作会产生的效果,有利于更新q值,获得更好的策略。
将结构型的图片(空间分辨率高,纹路细节清晰)与光谱分辨率高、色彩丰富的图片处理成空间分辨率和光谱分辨率都高的过程称为()。
在强化学习过程中,()表示随机地采取某个动作,以便于尝试各种结果;()表示采取当前认为*优的动作,以便于进一步优化评估当前认为*优的动作的值。
ai时代主要的人机交互方式为()。
传统的图像识别系统主要由图像分割、图像特征提取以及图像识别分类构成。()
图中所展示的基因遗传算法过程是()过程。
在解决函数优化问题时,基因遗传算法的全局性不好,容易陷入局部*优值。()
人工神经网络训练的目的就是使得损失函数*小化。()
前馈型神经网络常用于()。
前馈型神经网络的中各个层之间是()的,反馈型神经网络中各个层之间是()的。
1977年在斯坦福大学研发的专家系统()是用于地质领域探测矿藏的一个专家系统。
对人脸好看程度评分,主要用的是监督学习的分类功能。()
符合强人工智能的描述是()。
不仅要加强高端人才的培养,更需要在教育的各个阶段,给予不同人群学习的机会。在中小学阶段鼓励计算思维和计算机科学教育,在继续教育领域为受到人工智能影响的在职人员提供职业转型的帮助等。()
深蓝在开局阶段的算法主要是()。
根据发展趋势定义,人工智能就是会不断自我学习的计算机程序。()
人工智能(ai)概念*早1956年在达特茅斯会议上提出。()
基于规则的ai系统由一连串的if-then-else规则来进行推断或行动决策。()
仿生算法是一类模拟自然生物进化或者群体社会行为的随机搜索方法的统称。()
马尔可夫性质强调在每一个动作状态序列中,下一个状态与()有关。
人脸识别过程中,人脸采集的影响因素包括()。
以下属于完全信息博弈的游戏有()。
估值函数就是对每一个局面给出一个评价分数()。
在自动驾驶中,ai需要不断地通过路面信息来调整开车的决策。这种处理模式适合用()来训练出合理的策略。
典型的“会”问题中,提取出不同人说话的声音是属于()。
根据图中所示的minimax算法决策树,根结点的估值是()。
零和博弈中,双方(或多方)的相加为0或负数。()
目前还没有成功进行无人自动驾驶的案例。()
考虑到对称性,井字棋*终局面有()种不相同的可能。
image数据集包含了()幅图片。
前三次工业是机器人代替人的体力劳动,正在到来的人工智能将开始代替脑力劳动。()
蒙特卡洛树搜索的主要流程有()。
从技术角度看,人工智能的挑战包括()。
梯度下降算法是*常用也是*有效的神经网络的优化办法,完全可以满足不同类型的需求。()
随着人工智能的发展,人和机器的便捷可能越来越模糊。()
人工智能在医学影响分析方面,可以起到计算机辅助诊断的作用,进行病灶检测、病灶量化诊断、进行*决策等。()
智能家居应该能自动感知周围的环境,不需要人的操控。()
现阶段的自动驾驶已经能够到达第五级完全自动的标准了。()
*早提出人工智能(artificialintelligence)一词的人是()。
情感计算是在人脸识别的基础上,更加精细地通过脸上的表情和动作来判断人的情绪状态。()
自然界中生物变异的概率是不确定的,但是基因遗传算法的变异概率可以人为调节。()
关于edvac,下列说法正确的有()。
围棋ai()是基于alphabeta剪枝算法的。
用于监督分类的算法有()。
智能音箱本质上是音箱、智能语音交互系统、互联网、内容叠加的产物。()
q函数q(s,a)是指在一个给定状态s下,采取某一个动作a之后,后续的各个状态所能得到的回报的()。
图中的剪枝过程称为()剪枝。
根据图中所示的minimax算法决策树,图中估值为7的结点被称为()。
*查找是一个有效计算平方根的办法。()
以下对基因遗传算法描述正确的是()。
alphabeta剪枝的效率一定比单纯的minimax算法效率高。()
能够提取出图片边缘特征的网络是()。
*例专家系统是在()领域发挥作用的。
深蓝在开局阶段的算法主要是()。
相较于其他早期的面部解锁,iphonex的原深感头能够有效解决的问题是()。
在ε-greedy策略当中,ε的值越大,表示采用随机的一个动作的概率越(),采用当前q函数值*大的动作的概率越()。
发展出图像识别成功率超越人类的人工智能的主要因素有()。
启发式算法与alphabeta剪枝类似,是从叶节点自底向上计算估值。()
在人工智能当中,图像、语音、手势等识别被认为是()的层次;而问题求解、创作、推理预测被认为是()的层次。
与图灵测试相比,中文屋提出了如何判断是否拥有()的问题。
隐藏层中的全连接层主要作用是将所有特征融合到一起。()
在强化学习的过程中,学习率α越大,表示采用新的尝试得到的结果比例越(),保持旧的结果的比例越()。
人工智能学习玩flappybird过程中,只需要人类告诉ai不能碰到水管即可,不需要提供其他信息。()
基因遗传算法的两个常用的结束条件为()。
从人文视角看,人工智能产生的影响不包括()。
*在新闻报道的翻译质量和准确率上可以比肩人工翻译的翻译系统是()。
根据课程3.6中所讲的井字棋估值方法,以下局面估值为()。
根据图中所示的minimax算法决策树,图中估值为7的结点被称为()。
隐藏层中的池化层作用是()训练参数,对原始特征信号进行采样。
rgb模型可以组合出()种颜色。
神经网络中各个隐藏层能提取出和人类看到的一样的特征。()
在语音识别中,按照从微观到宏观的顺序排列正确的是()。
向量[0.1,0.1,0.2,0.3,0.6]的维数是()。
图中的剪枝过程称为()剪枝。
将两个图片每个像素rgb三个分量的差值的平方和作为适应度函数的计算方法,两次计算得出来的值分别为1512869728和1495705312,那么说明适应度函数值(),适应度()。
每一次比较都使搜索范围减少一半的方法是()。
在强化学习中,主体和环境之间交互的要素有()。
一个运用*查找算法的程序的时间复杂度是()。
人工智能研发者的多元化有助于满足不同人群的需求,避免潜在的歧视问题。()
2016年3月,人工智能程序()在韩国首尔以4:1的比分战胜的人类围棋冠军李世石。
基因遗传算法的终止条件一般是适应度数值小于0.()
()是用来评估神经网络的计算模型对样本的预测值和真实值之间的误差大小。
()是*个使用蒙特卡洛树搜索的围棋程序,在9×9的棋盘上击败了职业选手。
关于mnist,下列说法错误的是()。
强化学习的回报值一个重要特点是具有()。
图灵测试是图灵于1950年提出的一个关于判断机器是否能够思考的*试验,测试某机器是否能表现出与人等价或无法区分的智能。()
关于人工智能的概念,下列表述正确的有()。
根据科学流行定义,人工智能就是和人类()相似的计算机程序。
目前外科手术领域的医用机器人的优点有()。
图中的剪枝过程称为()剪枝。
()有跟环境进行交互,从反馈当中进行不断的学习的过程。
属于家中的人工智能产品的有()。
只有符合社会规范和公共政策的解决方案,才能设计出可信赖的人工智能。()
除了问题本身的定义之外,使用问题特定知识的搜索策略被认为是()。
科大讯飞目前的主要业务领域是()。
图中的剪枝过程称为()剪枝。
电影()中,机器人*终脱离了人类社会,上演了“出埃及记”一幕。
专家系统的发展趋势不包括()。
语音识别技术的英文缩写为()。
人工智能的研发和应用的政策,应该将()置于核心位置。
色彩的三原色模型是()。
人工智能具有学会下棋的学习能力,是实现通用人工智能算法的基础。()
人类对于知识的归纳总是通过()来进行的。
博弈树的每个结点表示一个动作。()
在第五章手写数字识别的例子中,输入的图片为长和宽都是28像素的图片,输出判断数字0-9的概率。要构建前馈型神经网络去解决这个问题,输入层是()维的,输出层是()维的。
在q-learning中,所谓的q函数是指()。
谷歌相册与传统相册*大不同点是()。
根据课程3.6中所讲的井字棋估值方法,以下局面估值为()。
状态动作函数直接决定主体该采取什么决策。()
基因遗传算法的组成部分包括()。
以下属于仿生算法的有()。
cortana是()推出的个人语音助手。
误差的反向传播,即从*个隐藏层到输出层,逐层修改神经元的连接权值参数,使得损失函数值*小。()。
在神经网络方法之前,机器翻译主要是基于统计模型的翻译。()
图灵认为,人工智能应当是一个模拟成熟思维的系统。()
图中所展示的基因遗传算法过程是()过程。
从公共关注视角来看,人工智能就是机器可以完成社会大众不认为机器能胜任的事情。()
基因遗传算法中,利用适应度函数表示参数值的大小,判断个体是否应该被淘汰。()
*个成功应用的专家系统是()。
被誉为计算机科学与人工智能之父的是()。
根据图中所示的minimax算法决策树,根结点的估值是()。
人工智能研究*次寒冬的发生主要原因有()。
已投稿到企业博客:2020智慧树知到最新答案
文章标签:答案
分享到：阅读(1879)评论(0)顶(0)顶一下分享打印上一篇：电路与电子技术课后答案
下一篇：典型的“鸡尾酒会”问题中,提取出不同
《研究简报》第148期 人工智能时代的人机交互（下）——关注人工智能落地过程中的算法厌恶问题
人工智能算法在很多方面正在达到甚至超越人类的水平，而人工智能技术的使用可以带来极大的效率提升，例如医学诊断、简历筛选、智能推荐、机器人流程自动化等。[1]在现实中，人类与人工智能的交互形式非常复杂。在很多决策中，人类掌握着许多人工智能不知道的信息，因此人工智能只能提供一部分的辅助，最终决策仍然由人来完成。例如，在地图语音导航的场景中，人工智能会给人类提供最优行车路线，但是人类可以观察到更多的路况信息，驾驶仍然由司机本人完成。
因此，在企业数字化转型和技术升级的浪潮中，人们是否能够理智地看待、有效地利用算法所带来的技术红利相当关键。人类对待人工智能的态度将会决定人工智能技术的应用和效率提升程度。
上篇中笔者通过决策实验的方法研究引入人工智能辅助人类决策的过程中对劳动力市场效率和平等的影响。这里我们进一步分析在人机合作的框架下是否存在算法厌恶，并解析其背后的机制。本课题提供了如下发现：
第一，在预测“人脸”可信度的任务中，人工智能的效率比人类更高。
第二，人类对人工智能建议存在“算法厌恶”的现象。
第三，“算法厌恶”的现象可以用人类广泛存在的过度自信现象来解释。
一、人工智能打败了人类
漫长的进化历史使得人类非常善于处理视觉信息。大量的社会性交互使得人脸信息对于人类决策有重要影响。人工智能是否可以在“看脸”的任务上打败人类呢？
我们发现，机器学习算法预测的人脸“还款分”比人类决策者预测的更为准确，偏误更少。我们的样本中共有1103位违约者和3792位履约者。图1表明，在10分制的“还款分”下，人类决策者对违约者的平均打分是5.22，对履约者的平均打分是5.44。而机器学习算法对违约者的平均打分是3.21，对履约者的平均打分是6.94。在平均意义上，机器学习算法对还款概率的预测，比人类所做的预测更为准确。
图1人类决策者（左）和机器学习算法（右）的人脸“还款分”比较
是否部分有优秀的“看脸”才能的人，可以超越人工智能呢？我们用统计学上的一个指标AUC（areaunderthereceiveroperatingcharacteristiccurve）来量化衡量“还款分”的质量，取值越大代表质量越高。图2展示了每个决策者的AUC值的分布和人工智能的AUC值，可以看到，即使是人脸“还款分”预测质量最高的那部分人类决策者，也无法超越人工智能（右侧虚线代表算法的预测质量）。
图2人类决策者的“还款分”质量分布
二、人类对人工智能存在“算法厌恶”
虽然人工智能在很多任务上可以超越人类，但是人类很多时候并不愿意采用人工智能的建议，造成了效率的损失。现有的一些案例和研究表明，即使算法建议的质量更高，人们往往更倾向于使用人类的建议，而不愿意采纳算法的建议。这种现象被称为“算法厌恶（Algorithmaversion）”。最近一项关于语音推销机器人的研究可以生动地说明，现实中人们对人工智能存在着较为回避的态度。当顾客不知道与自己对话的推销员是机器人时，语音机器人和人工推销员的推销效果一样好；但是当顾客知道与自己对话的是机器人的时候，语音机器人的推销效果相比人工推销员下降了79.7%。[2]
本研究关心人们是否会在借贷领域做出类似的非理性决策。我们估计了人类决策中对人工智能提供的“人脸分”所赋予的权重，并将其与最优权重进行对比。图3表明，大部分决策者对人工智能的权重误差都小于0。在回归分析中，算法给出的人脸分每上升1分（满分为10分），决策者认为还款概率将上升6.7个百分点，而实际上还款概率上升了8.9个百分点，这说明决策者对人工智能的权重误差为-2.2个百分点。这一结果说明，大部分决策者都倾向于低估人工智能提供的信息的重要性，即，他们存在算法厌恶。这是首次在人机交互的场景下使用权重的方式进行算法厌恶进行估计。
课题组成员：陈泽阳、刘玉珍、孟涓涓、王曾
作者单位：北京大学光华管理学院