La Voz De WNY
目录:
一个配偶研究人工和自然智能的演变，另一个研究德国的语言，文化和历史，想象一下我们餐桌上的讨论。我们经常在可量化的，基于测量的自然科学方法与人文学科的定性方法之间的观点中经历陈规定型的冲突，其中最重要的是人们如何感受某种东西，或者他们如何体验或解释它。
我们决定从这种模式中休息一下，看看每种方法对另一种方法有多大帮助。具体来说，我们想看看人工智能的各个方面是否能够找到解释大屠杀的非小说类图画小说的新方法。我们最终发现了一些A.I.技术尚未先进且足够强大以提供有用的见解 - 但更简单的方法导致可量化的测量结果显示出新的解释机会。
选择文字
有大量研究可用于分析大量文本，因此我们为A.I.选择了更复杂的东西。分析：莱因哈德克莱斯特 拳击手 这是一部关于赫兹科“哈利”哈夫特如何在纳粹死亡集中营生存的真实故事的图画小说。我们想要识别书中插图中主要角色的面部表情中的情绪，以确定这是否会为我们提供一个理解故事的新镜头。
在这部黑白漫画中，哈夫特讲述了他可怕的故事，他与其他集中营的囚犯相互勾结致死。这个故事是从哈夫特的角度写的;穿插在整个故事中的是闪回的小组，描绘了Haft对重要个人事件的记忆。
人文学科的方法是分析和背景化故事的元素或整个故事。克莱斯特的图画小说是对哈夫特的儿子艾伦的2009年传记小说的重新诠释，基于艾伦对父亲经历的了解。分析这组复杂的作者的解释和理解可能只会在现有的主观层之上添加另一个主观层。
从科学哲学的角度来看，这种分析水平只会使事情变得更加复杂。学者可能会有不同的解释，但即使他们都同意，他们仍然不知道他们的洞察力是客观真实还是每个人都遭受同样的错觉。解决这一难题需要进行一项旨在产生其他人可以独立复制的测量的实验。
可重复的图像解释？
我们希望A.I.而不是自己解读图像，使它们受到我们自己的偏见和偏见。可以带来更客观的观点。我们首先扫描了书中的所有面板。然后我们运行谷歌的愿景A.I.和Microsoft AZURE的面部识别和情感角色注释也是如此。
我们用来分析的算法 拳击手 以前曾经过谷歌或微软对成千上万张图片进行过培训，这些图片已经标有他们所描绘内容的描述。在此培训阶段，A.I。系统被要求识别图像显示的内容，并将这些答案与现有描述进行比较，以确定正在训练的系统是对还是错。训练系统加强了产生正确答案的潜在深层神经网络的元素，并削弱了导致错误答案的部分。方法和培训材料 - 图像和注释 - 对系统的性能至关重要。
然后，我们转向A.I.松散在书的图像上。就像上 家族世仇 ，节目制作人向100个陌生人询问一个问题并计算每个可能答案的数量，我们的方法要求A.I.确定面部表现出的情绪。在主观解释内容时，这种方法增加了一个经常缺失的关键因素：再现性。任何想要检查的研究人员都可以再次运行算法，并获得与我们相同的结果。
不幸的是，我们发现这些A.I.工具针对数码照片进行了优化，而不是扫描黑白图纸。这意味着我们没有获得关于图片中情绪的可靠数据。我们也不安地发现，没有一种算法能够确定任何与大屠杀或集中营有关的图像 - 尽管人类观众很容易识别这些主题。希望这是因为A.I.s在黑白图像本身存在问题，而不是因为他们的训练集或注释中的疏忽或偏见。
偏见是机器学习中众所周知的现象，它可能具有真正令人反感的结果。仅根据我们获得的数据对这些图像进行分析就不会讨论或承认大屠杀，这是一个在德国和其他国家违反法律的遗漏。这些缺陷突出了在更广泛地使用新技术之前批判性地评估新技术的重要性。
寻找其他可重复的结果
我们决定寻找另一种方法来帮助人文学科的定量方法，我们最终分析了图片的亮度，比较了闪回场景与哈夫特生活中的其他时刻。为此，我们使用图像分析软件量化扫描图像的亮度。
我们发现在整本书中，使用明亮的图像展示了他在监狱逃离或Haft在美国战后生活中的情感快乐和轻盈阶段。创伤和悲伤的阶段，例如他的集中营经历，被显示为黑暗的图像。这与白色作为纯粹和快乐的色调的色彩心理识别一致，而黑色象征着悲伤和悲伤。
在对书的图像中如何使用亮度建立了一般性的理解后，我们更仔细地观察了闪回场景。所有这些都描绘了情绪紧张的事件，其中一些是黑暗的，例如对其他集中营囚犯进行火化的回忆以及对他生命的热爱。
然而，我们感到惊讶的是，发现显示Haft即将击败对手致死的闪回是明亮而清晰的 - 暗示他对即将到来的致命遭遇有积极情绪。这与读者喜欢我们跟随故事的感觉完全相反，或许看到Haft的对手弱者并意识到他即将被杀。当读者感到怜悯和同情时，为什么哈夫特感到积极？
通过测量图片的亮度可以发现这种矛盾，可以更深入地了解纳粹死亡集中营如何在情感上影响哈夫特。对我们来说，现在，如何在拳击比赛中击败别人去死的前景是不可想象的。但也许哈夫特处于如此绝望的境地，以至于当面对一个比他更加饥饿的对手时，他看到了生存的希望。
使用A.I.分析这篇文献的工具为书中的情感和记忆的关键要素提供了新的视角 - 但它们并没有取代专家或学者在解释文本或图片时的技能。作为我们实验的结果，我们认为A.I.和其他计算方法提供了一个有趣的机会，有可能在人文学科中进行更多可量化，可重复和可能客观的研究。
找到使用A.I.的方法将是一项挑战。适当的人文学科 - 尤其是当前的A.I.系统尚不够复杂，无法在所有环境中可靠地工作。学者们也应该警惕这些工具中的潜在偏见。如果A.I.的最终目标研究是开发可与人类认知相媲美的机器，人工智能系统不仅需要像人一样行事，还需要像人一样理解和解释感情。
本文最初发表于Leonie Hintze和Arend Hintze的The Conversation http://theconversation.com/profiles/arend-hintze-225106。阅读原文。