With artificial intelligence (AI) systems entering our working and leisure environments with increasing adaptation and learning capabilities, new opportunities arise for developing hybrid (human-AI) intelligence (HI) systems, comprising new ways of collaboration. However, there is not yet a structured way of specifying design solutions of collaboration for hybrid intelligence (HI) systems and there is a lack of best practices shared across application domains. We address this gap by investigating the generalization of specific design solutions into design patterns that can be shared and applied in different contexts. We present a human-centered bottom-up approach for the specification of design solutions and their abstraction into team design patterns. We apply the proposed approach for 4 concrete HI use cases and show the successful extraction of team design patterns that are generalizable, providing re-usable design components across various domains. This work advances previous research on team design patterns and designing applications of HI systems.
MULTIFILE
The potential for Artificial Intelligence is widely proclaimed. Yet, in everyday educational settings the use of this technology is limited. Particularly, if we consider smart systems that actually interact with learners in a knowledgeable way and as such support the learning process. It illustrates the fact that teaching professionally is a complex challenge that is beyond the capabilities of current autonomous robots. On the other hand, dedicated forms of Artificial Intelligence can be very good at certain things. For example, computers are excellent chess players and automated route planners easily outperform humans. To deploy this potential, experts argue for a hybrid approach in which humans and smart systems collaboratively accomplish goals. How to realize this for education? What does it entail in practice? In this contribution, we investigate the idea of a hybrid approach in secondary education. As a case-study, we focus on learners acquiring systems thinking skills and our recently for this purpose developed pedagogical approach. Particularly, we discuss the kind of Artificial Intelligence that is needed in this situation, as well as which tasks the software can perform well and which tasks are better, or necessarily, left with the teacher.
DOCUMENT
De Hogeschool van Amsterdam (HvA), Hogeschool Rotterdam (HR), Hogeschool Utrecht (HU) en de kernpartners Gemeenten Amsterdam en Rotterdam, Provincies Zuid-Holland en Utrecht, Cupola XS, Media Perspectives en CGI, hebben de ambitie om de komende acht jaar een krachtige onderzoeksgroep op te bouwen die regionaal en nationaal wordt (h)erkend als hét centrum voor praktijkgericht onderzoek op het gebied van Responsible Applied AI. Deze SPRONG-groep bouwt voort op bestaande onderzoeksgroepen met complementaire expertise van het Centre of Expertise Applied Artificial Intelligence van de HvA, het Datalab: Livinglab voor AI & Ethiek van HR en het Kenniscentrum Digital Business & Media van de HU. Responsible Applied AI methodologie Huidig AI-onderzoek is veelal fundamenteel en op de technologie gericht en voorziet daarmee tot nu toe nauwelijks in antwoorden op vragen hoe AI op een verantwoorde wijze te implementeren. De SPRONG-groep verricht onderzoek naar verantwoorde AI oplossingen voor bedrijven en instellingen. Met de onderzoekservaringen en resultaten heeft de SPRONG-groep vervolgens het doel om een Responsible Applied AI methodologie te ontwikkelen die helpt om AI oplossingen te ontwerpen, ontwikkelen en implementeren. Co-creatie in hybride leeromgevingen Om deze methodologie te ontwikkelen, is kennisopbouw en -deling nodig die onderzoekers samen ontwikkelen met de beroepspraktijk. Startpunt is daarom de (door)ontwikkeling van drie hybride leeromgevingen rondom de toepassingsgebieden Retail, Zakelijke dienstverlening en Media, waarin ontwerpers, AI-ontwikkelaars, probleemeigenaren, eindgebruikers, onderzoekers en studenten samen optrekken. Gedurende het SPRONG-programma wordt het aantal toepassingsgebieden uitgebreid en waar mogelijk nationaal opgeschaald. Aan iedere leeromgeving zijn specifieke opleidingen en praktijkpartners verbonden die meedenken over het programma. Doel is om vanuit de infrastructuur van de leeromgeving praktische tools, instrumenten, onderwijs en trainingen te ontwikkelen die breed inzetbaar zijn. Ondersteunende infrastructuur Centraal wordt een ondersteunende infrastructuur doorontwikkeld, waaronder processen en voorzieningen voor data-management en strategisch personeelsmanagement, een IT-Infrastructuur, trainingen en een impact-model.
