机器学习过程作为模糊性的来源：来自人工智能艺术的见解

文献标题

Machine Learning Processes as Sources of Ambiguity: Insights from AI Art

文献信息

• 主题领域: 人工智能艺术与人机交互设计
• 关键词: 模糊性, 机器学习, 人工智能, 艺术, 计算机视觉, 生成艺术

研究背景与问题

• 问题与挑战:

  • 当前人机交互（HCI）领域尝试将机器学习（ML）转化为设计材料的努力成效有限。
  • 对机器学习的“能力不确定性”和“输出复杂性”的设计挑战为行业设计师带来困扰。
  • HCI 尚需新框架和设计标准来更好地定义 ML 的用户体验。

• 研究重要性:

  • 机器学习是未来许多技术的核心，理解其不确定性如何影响设计至关重要。
  • 人工智能艺术（AI Art）领域的迅速跃升为 HCI 提供了一个观察和学习 ML 作为创意媒介的新视角。

• 研究动机与相关工作:

  • AI 艺术家通过电脑视觉和图像生成技术创造作品，展现了触发用户多重解释的模糊类型。
  • 模糊性（ambiguity）在 HCI 和传统艺术领域被视为一种刺激用户解读、创新和反思的有价值设计资源。

解决方案

• 核心方法与贡献:

  • 分析九个 AI 艺术作品，探索艺术家如何利用 ML 的各个阶段（数据集管理、模型训练和应用）来引发模糊性。
  • 将 Gaver 等学者提出的模糊性理论应用于 AI 艺术，并扩展了新的“过程模糊性”分类。
  • 质疑 HCI 中对 ML 的主流要求，例如对可靠性和可解释性的关注，提出基于艺术的替代设计视角。

• 创新之处:

  • 强调将机器学习的过程本身作为设计元素，而不仅仅是将其视为一种技术细节。
  • 提出“过程模糊性”作为一个新范畴，将焦点从人工制品转移到它们的制作和设计过程。

• 实施步骤与关键技术:

  • 采用人文主义解释分析与艺术批判方法，围绕模糊性特征详细剖析九件 AI 艺术作品。
  • 结合 ML 流水线的三个核心阶段（数据集管理、模型训练和应用），探讨艺术家如何在每个阶段注入模糊性以引发观众的多元解读。

研究成果

• 具体成果:

  • 确定了艺术家在使用 ML 创作时的八种主要技术，如选取具有问题标签的数据集、故意停留在次优模型训练阶段、以及将模型应用到不同领域。
  • 提出“过程模糊性”作为额外的模糊性类别，展示了 ML 艺术体验在技术和解释层面上的不确定性及开放性。

• 与现有解决方案的优势:

  • 相较于传统的以产品为中心的框架，过程导向的 ML 设计更能揭示技术背后的伦理、认知和创意潜力。
  • 否定机器学习系统应完全排除错误的传统设计假设，提出可以通过设计拥抱错误，甚至利用错误创造新体验。

• 实验或评估结果:

  • 所有九个被分析的艺术作品均展示了深度神经网络模型和 ML 数据流中的模糊性应用实例。
  • 例如，《ImageNet Roulette》通过质疑数据集背后的种族偏见揭示了数据不确定性的挑战。
  • 《Learning to See》将一般物体转化成人类感知的自然现象，成功实现了对数据集与应用环境的新型模糊性探索。

• 局限性与未来方向:

  • 论文分析的艺术作品数量有限，且主要关注已建立的艺术家作品，未涉及业余创作者的更多样性实验。
  • 对未来研究的建议是扩大样本范围，从更多区域和文化背景的艺术家中挖掘潜在模式。
  • 进一步检验如何将模糊性策略应用于商业设计领域，如游戏、家庭娱乐和教育平台。

总结

研究通过结合HCI与AI艺术的新颖视角，不仅丰富了HCI对ML的理解，还提出了在不确定性中挖掘设计价值的可能性。这一研究有助于重新思考 ML 的用户体验设计，从而在技术与创意的交叉领域开启新的讨论。