Dear colleagues and friends,

I am happy to invite you to my Ph.D defense entitled Interactive Machine Teaching with and for novices.

The defense will be on Monday, 20th June, 16h30 Paris time.

  • The physical location is: Amphitheater, Bât 660 Claude Shannon, Rue René Thom, 91190 Gif-sur-Yvette. How to go there from Paris?
  • The defense will be streamed on YouTube.

The presentation will be in English 🇬🇧

You are also invited to the traditional « Pot de thèse » following the defense 🧀 🧁 🥂

Looking forward to see you there!

Thesis committee: 

Reviewers    
Pr. Antti Oulasvirta,   Aalto université
Gonzalo Ramos,   Microsoft Research (Redmond)
Pr. Albrecht Schmidt,   Ludwig Maximilian University
Examiners    
Pr. Michèle Sebag,   Université Paris Saclay, CNRS
Pr. Simone Stumpf,   University of London
Supervisors    
Wendy E. Mackay,   Université Paris Saclay, Inria
Baptiste Caramiaux,   Sorbonne Université, CNRS

Abstract: 

Machine Learning algorithms in interactive systems generally provide users with little or no agency with respect to how models are optimized from data. Only experts design, analyze, and optimize ML algorithms. Interactive Machine Teaching (IMT) focuses on empowering non-expert users in the process of building machine learning models.

This thesis takes an empirical approach to IMT by focusing on how novice users develop strategies and understand interactive ML systems through the act of « teaching ». I will present two user studies involving participants as « teachers» of image-based classifiers using transfer-learned artificial neural networks. These studies focus on what users understand from the ML model’s behavior and what strategies they adopt to “make it work.” The second study focuses on machine teachers’ understanding and use of uncertainty. Besides empowering people to build ML models, I argue that IMT involve users in co-adaptive mecanisms that trigger investigative behaviors and foster peoples’ curiosity toward ML and artificial intelligence.

Résumé en français:

Les algorithmes d’apprentissage automatique dans les systèmes interactifs fournissent généralement aux utilisateurs peu ou pas de prise sur la façon dont les modèles sont entraînés à partir des données. Seuls les experts conçoivent, analysent et optimisent les algorithmes d’apprentissage automatique. L’enseignement interactif des machines (Interactive Machine Teaching, IMT) cherche à autonomiser des utilisateurs non expert dans le processus de construction de modèles d’apprentissage automatique.

Cette thèse adopte une approche empirique de l’IMT en se concentrant sur la façon dont les utilisateurs novices développent des stratégies et comprennent ces systèmes apprenants à travers l’acte «d’enseigner». Je présenterai deux études impliquant des participants humains en tant qu’ « enseignants » de classificateurs d’images utilisant des réseaux de neurones artificiels appris par transfert. Ces études se concentrent sur ce que les participants comprennent du comportement du modèle et les stratégies qu’ils adoptent pour «le faire marcher». La deuxième étude porte sur la compréhension et l’utilisation de l’incertitude dans un contexte similaire. Outre le fait de permettre à un public plus large de construire des modèles d’apprentissage automatique, je soutiens que l’IMT implique les utilisateurs dans des mécanismes co-adaptatifs qui déclenchent des comportements d’investigation et stimulent leurs curiosité envers l’apprentissage automatique et l’intelligence artificielle.