前面兩篇介紹了可視化以及可視化分析，
這篇想要續談前一篇有略提到的
「互動式機器學習（Interactive Machine Learning）」，
以及互動式機器學習背後的一個重要概念：
「以人為中心的機器學習（Human-Centered Machine Learning）」。

要介紹互動式機器學習，
就得先簡單地介紹機器學習中一個也是滿重要的主題
「主動式學習（Active Learning）」

主動式學習是什麼呢？

之前當我們提到監督式機器學習的時候，
有提到我們做這種機器學習的時候，
是在建立一個模型，然後讓他去預測分類之類的。

在這個過程裡，其實我們可以基於模型的一些特性，
去算出模型到底對於這個預測的信心值為何
（可以想成一個資料點如果機器在學的時候它有看過，
那他對於那個資料點的信心就會比較高。）

而有時候訓練分類模型，如果各個類別的資料不夠多，
那麼他可能就會很難做出很好的判斷。
（可以想成如果給你三個分類，
每個分類都只有一個例子。
如果再給你一個新資料，
要你去判斷那個資料屬於哪個分類，
你可能也不會知道。）

主動式學習的重點就是，
會讓機器去做預測，
然後會根據預測的信心分數，
找出那些信心分數不是很高的點，
讓訓練者再多標注一些例子的分類標籤。

有點像是說，如果兩個分類之間很模糊，
那麼我們就多提供一些例子，
讓兩者之間的分類可以清楚一點。

這個作法基本上是讓機器在訓練的過程中，
需要更多來自人的幫助，
這種做法我們稱為「人機迴圈（Human-in-the-loop）」。
（前一篇提到用可視化工具去幫助開發機器學習模型的例子，
以及如果我們用XAI去對機器做更多的對應調整，
其實也是人機迴圈的例子。）

雖然主動式學習這個想法概念很好，
但他最大的問題是，這些由主動式學習推出來讓機器困惑的例子，
可能本身也讓人類非常困惑。
所以就算加了標注，也不一定真的對改進模型有幫助。
而且這個作法本身，
其實只是把人類當作機器的工具，
很像是古時候那些號稱能讀天意的人(oracles)，
他只是負責「傳遞天意」，本身不具有想法。

但是實際上人並不是這樣的，
人在建造機器模型的過程，
是有血有肉，有自己的想法，
而這些想法都會影響機器模型的細節。
（對於「People are not oracles」這個想法的細節有興趣的人，
可以參考微軟研究院知名的HCI+AI研究員Saleema Amershi的這篇文章：
Power to the People: The Role of Humans in Interactive Machine Learning）

所以有另外一派的人，
推崇「以人為中心的機器學習」。
以人為中心的機器學習，是重視建造機器學習模型中，
關於「人」的各種面向。
這件事情不只是強調人比機器厲害的地方，同時也要承認人的侷限。
例如說標記資料的時候，人類可能可以很快地去分辨一樣東西所屬的類別，
但人類也可能會因為疲倦而犯錯，
或是可能因為先入為主的觀念，標錯資料應該屬於的類別。
承認這些事情的存在，並且設計工具去輔助，
去解決人類侷限性的問題，
就是以人為中心的機器學習很重視的中心思想。

「主動式機器學習」承襲了這個基本概念。
他的目標是要讓整個機器學習的過程，
變成是人與機器的互動，讓機器模型被建造的過程，
像是人與機器互助合作去建造出來的。

微軟研究院有提出過一個跟主動式機器學習非常類似的概念，
叫做「機器教導（Machine Teaching）」。
這個名詞本身有點容易讓人誤會成是要讓機器去教學，
但它實際上的概念是，我們在研究如何建造更好的模型，
不應該是以機器為主題，而是應該以人為主體。
也就是說，我們應該去研究怎麼樣讓人更好地教機器。
(有興趣多讀的人可以參考這篇介紹：
https://blogs.microsoft.com/ai/machine-teaching/）

他們的基本思想是，我們在發展程式語言的時候，
其實是在尋找一個更好的方法，讓人類想做的事情，
可以被機器很好的理解。
越好、越容易寫的程式語言，就能幫助人類更容易控制電腦。
而今天建造人工智慧系統，
應該也要往這個目標邁進，
去思考如何讓「教導機器」對人類來說更容易，
同時也去讓人工智慧系統，
更容易理解人類到底想讓他們學什麼。

這些想法本身其實非常的強而有力，
但細節怎麼做，其實也是各界都還在努力的。

下一篇再讓我更細節地談談互動式機器學習到底是怎麼做的，
以及更多相關的HCI研究吧～