Exploring machine learning based support for commuters in travel planner apps

Exploring machine learning based support for commuters in travel planner apps

Detta project fokuserar på pendling som tillämpningsområde, givet den allt starkare roll kollektivtrafik spelar i dagens samhälle. Medan populära platser för på- och avstigning samt byten, såväl som rutter med särskilt stor relevans är relativt enkelt att identifiera på en makronivå, är pendlingsmönster alltjämt individuella. Detta gör att relevanta prediktioner för enskilda passagerare är kontextuellt beroende. I detta projekt har en prototyp utvecklats som medger att pendlaren själv har kontroll över hur deras pendlingsmönster tränar en maskininlärningsmodell.

Aktuell ML-forskning domineras av ett perspektiv som främst ser till tekniska och funktionella mål, med mindre fokus på mänskliga värden och etiska principer. För att adressera detta krävs att domänexperter och slutanvändare ställs i fokus för utvecklingen, istället för det nuvarande teknikfokuset. En sådan förändring medför även möjlighet att se på kunskapande som mer demokratiserat, vilket även minskar risken att det blir teknikutvecklande aktörers syn på tillämpningsområden som byggs in i ML-baserade tjänster.

Ett resultat av den förflyttning av aktiv part mot mänskliga användare som detta projekt håller har ‘machine teaching’ (MT) används. Detta innebär att den mänskliga domänexperten agerar som utlärande part gentemot den maskinagentbaserad inlärande parten. Som ett resultat av detta får domänexpertis en naturlig roll i tillämpningen av ett ML-system. Tidigare studier med denna typ av ansats har främst varit av teoretisk karaktär med exempel inom klinisk (tex läkare med domänexpertis för tolkning av röntgenbilder) och robotar. Givet hur högt investerat intresse pendlare har att optimera sin användning av kollektivtrafik utgör dom en särskilt lämplig grupp att arbeta med.

Detta projekt har utforskat möjlig effekt på relationen mellan människa och teknologi som effekt av denna MT-baserade ansats till ML, samt observerat att förtroende för teknologi inte är direkt kopplat till precisionen i prediktioner eftersom interaktionsdesign och transparens i termer av vad och varför en maskinagent agerar som den gör också spelar en stor roll för att bygga förtroende för systemet. Medan majoriteten av denna forskning fokuserat på människan-i-kontroll som specifik MT-ansats – dvs den ansats där människan som aktör är starkast drivande – så är människa-inom-inlärningsprocessen och människa-över-inlärningsprocessen två relaterade ansatser i termer av den roll människan har i relationen mellan människa-teknologi.

Projektledare: 
Carl Magnus Olsson, K2 Malmö universitet.
Forskningsinriktning: 
Parter: 
Malmö universitet
Finansiär: 
K2
Budget: 
350 000 kr
Period: 
2018 till 2019