機械学習開発の専門性を定義する
機械学習の専門家の資格についての分析。
― 1 分で読む
目次
機械学習(ML)の世界では、専門家はパーティーの特別ゲストみたいなもんだ。彼らはデータから学ぶシステムを作る手助けをするけど、どうやって「専門家」って呼ばれるかはいつも明確じゃないんだ。この記事では、専門性がどう定義されるかと、専門家がこれらの賢いシステムを開発する中でどんな役割を果たすかを見ていくよ。
人間の専門家の役割
人間の専門家は機械学習システムの開発に欠かせない存在。彼らはデータを集めてチェックし、アルゴリズムを構築し、システムがどれだけ動いているか評価する。でも、実際に「専門家」って何かっていうのは、わかりやすい答えがないことも多い。例えば、正式な教育や認定プログラムで教えられないような知識があまり注目されないことがあって、何が有効な知識と見なされるかにギャップが生まれちゃう。
面白いことに、専門家は教科書の知識に基づくタスクに使われることが多い。つまり、実際にデバイスの使い方を理解せずに取扱説明書だけ読む人みたいなイメージ。この記事では、専門家がML開発にどう関わっているかや、専門性の社会的側面と責任あるAI開発への影響について話すよ。
誰が専門家としてカウントされる?
「専門家」っていう肩書きには大きな重みがある。それはその人が特別な知識を持っていることを示すけど、この肩書きはシステムの目的によって変わることもある。異なる分野では、何が最善の解決策や方法かに関する考え方が違ってくることも。たとえば、経済学の専門家が心理学の専門家と問題解決の方法で意見が合わないこともある。この見方の違いは、ML研究における専門性の定義がどれだけ一貫性があり、明確かを問うことになる。
場合によっては、「専門家」というタイトルはその人の人生経験や正式なトレーニングに基づいて与えられることも。例えば、データアノテーターは、特定の状況を経験したり、ウィキペディアの記事を編集したりする特別なトレーニングを受けていれば専門家と見なされることがある。「ゴールドスタンダード」っていう言葉も使われるけど、具体的に誰が評価をしたかが不明確だからあまり注目されないことが多いんだ。
専門性を定義することの重要性
誰が専門家と見なされるかを定義するのは重要だ。これがどの知識が信頼できると見なされるかを決めるし、開発プロセスでの選択にも影響を与える。これは、誰の経験が他よりも重要視されるかという問題を引き起こす。この問題は、MLシステムの開発における専門家の扱いにも関係している。
いくつかの研究では、専門家を呼ぶことが不平等な権力ダイナミクスを生むことがあると示されている、特にパフォーマンスが主な焦点の場合。それに対して、コミュニティの関与や参加型の取り組みに注目する研究者もいるが、様々な専門分野の声も同じような課題に直面している。
開発における知識とその価値
専門家が洞察を提供する時、その知識が簡単に抽出されてシステム用のデータになると考えられがち。でも、この見方は専門家が提供する知識の複雑さや豊かさを無視していることが多い。多くの場合、専門家は知識を簡単にカテゴライズして評価できる形で共有するように求められ、その際に多くのニュアンスが見逃されてしまう。
専門家の知識を量的に評価するプロセスは、彼らの能力や経験が過小評価される「デスキリング」を引き起こすこともある。この文脈では、専門家が開発のさまざまなフェーズでどのように役割を果たすか、その貢献をどう完全に認識するかを見直す必要がある。
社会的視点を考える
専門家は技術的な立場から見られることが多く、知識は簡単に抽出できてシステムに活用できるものとされる。しかし、社会科学では知識はもっと複雑で、社会的文脈に結びついていると考えられている。この視点は、専門性が単に情報を持つことにとどまらず、知識がどのように認識され、活用されるかに影響を与える社会的相互作用や関係を含んでいることを示唆している。
機械学習では、知識が真空の中に存在しないということを考慮することが重要だ。専門家を取り巻く社会的ダイナミクスは、どの知識が評価されるか、そしてそれがどう適用されるかに影響を与える。この理解は、さまざまな経験やバックグラウンドを考慮に入れた専門性のより広い見方を促進する。
知識源のバランスを取る
ML開発における一つの課題は、さまざまな知識源が認識され、取り入れられることを確保すること。伝統的な方法では認識されない知識を持つさまざまな関係者からの参加が求められることが多い。これは、システムが多様なコミュニティに影響を与えると期待されるときに特に重要だ。さまざまな価値観や視点を特定し、取り入れることで、より公正な結果に繋がる。
専門家は彼らのコミュニティでの経験によって形成された独自の洞察を持っていて、これらの洞察は文化的文脈によって大きく異なることがある。これらの専門家を無視することは、彼らの理解の豊かさや責任あるシステム開発に必要なニュアンスを見逃すことになる。
専門家との関わり方
より包括的な機械学習システムを作るためには、専門家を伝統的な役割を超えてどう関与させるかを考える必要がある。現在のアプローチはしばしば専門家を特定のインプットを提供する役割に制限し、彼らがより広い目標に影響を与える機会を与えていない。これは、彼らのスキルや経験をどう活かしてシステム設計に役立てるかという点で問題を提起する。
例えば、システムの目標に関する議論に専門家を巻き込むことで、デザインプロセスが向上する可能性がある。これらの議論は、専門家がデータ提供以上のものを持っていて、システムがどのように構築され、機能するかを形作るための重要な洞察を提供できることを認識することで利益を得ることができる。
選択の透明性を提供する
専門家を意味のある形で認識するためには、誰が専門家として選ばれ、その貢献がどう文書化されるかについての透明性が必要だ。開発において評価される知識を特定することが重要で、さまざまな視点が無視されないようにする必要がある。これは、知識が一つの領域から別の領域に不適切に適用される「認識の侵入」の落とし穴を避けることにも関連している。
専門家を選ぶ基準を文書化することで、開発チームは自分たちが作業している知識の風景をよりよく理解できる。このことは、専門性とそれがシステム開発に与える影響についてのより豊かな対話の機会を開く。
より広い参加の必要性
周縁化された声が会話に含まれるようにするためには、異なる形式の専門性を認識する必要がある。これは、伝統的な資格を超えて、生活経験から得た知識や、開発されているシステムに影響を受けたコミュニティからの知識を認めることを意味する。
参加型デザインアプローチは、専門家と開発者の間のギャップを埋めるのに役立ち、より多様な声が聞かれることを確保することができる。これらのプロセスは、さまざまな専門家の協力を促進し、開発段階や結果として得られるシステムを豊かにすることができる。
結論:責任ある実践に向けて
最終的に、機械学習が発展し、さまざまな分野に影響を与える中で、開発者はより広く専門性を認識し、関与することが重要になる。この認識には、正式な機関の外から多様な道を経て得た知識を持つ個人も含めるべきだ。
異なる形式の知識にオープンでいることは、AI開発における責任ある実践を育て、コミュニティのニーズによりよく合ったシステムを生み出すことに繋がる。誰が専門家としてカウントされ、どう関与するかについての対話は続ける必要があり、開発プロセスが包括的で、専門性の理解を形作る豊かな経験の多様性を反映することを保証するべきだ。
専門性の定義を広げ、さまざまな関係者と積極的に関与することで、私たちは本当に多様な社会を反映する、より責任ある倫理的な機械学習システムに向けて取り組むことができる。
タイトル: What Makes An Expert? Reviewing How ML Researchers Define "Expert"
概要: Human experts are often engaged in the development of machine learning systems to collect and validate data, consult on algorithm development, and evaluate system performance. At the same time, who counts as an 'expert' and what constitutes 'expertise' is not always explicitly defined. In this work, we review 112 academic publications that explicitly reference 'expert' and 'expertise' and that describe the development of machine learning (ML) systems to survey how expertise is characterized and the role experts play. We find that expertise is often undefined and forms of knowledge outside of formal education and professional certification are rarely sought, which has implications for the kinds of knowledge that are recognized and legitimized in ML development. Moreover, we find that expert knowledge tends to be utilized in ways focused on mining textbook knowledge, such as through data annotation. We discuss the ways experts are engaged in ML development in relation to deskilling, the social construction of expertise, and implications for responsible AI development. We point to a need for reflection and specificity in justifications of domain expert engagement, both as a matter of documentation and reproducibility, as well as a matter of broadening the range of recognized expertise.
著者: Mark Díaz, Angela DR Smith
最終更新: 2024-10-31 00:00:00
言語: English
ソースURL: https://arxiv.org/abs/2411.00179
ソースPDF: https://arxiv.org/pdf/2411.00179
ライセンス: https://creativecommons.org/licenses/by/4.0/
変更点: この要約はAIの助けを借りて作成されており、不正確な場合があります。正確な情報については、ここにリンクされている元のソース文書を参照してください。
オープンアクセスの相互運用性を利用させていただいた arxiv に感謝します。