人类一直与机器合作以完成各种任务，无论是使用简单的机器来移动材料，还是使用复杂的机器在太空中旅行。但是今天，人工智能的进步为更复杂的团队合作带来了可能性，利用真正的人机团队合作解决复杂的问题。
团队的大部分开发都集中在机器上，训练人工智能算法以有效执行任务的技术挑战。但是，麻省理工学院林肯实验室的研究人员说，人们对团队中人的一面的关注却少了。如果机器运转得很好，但人类却压力巨大该怎么办呢？
“在人机合作领域，我们经常思考的是技术，例如，我们如何监控它，理解它，确保它正常工作。但是团队合作是双向的，这些考虑并不是双向的。实验室的战术系统专家迈克尔·皮特鲁查说：“我们所做的是从另一个角度看问题，即机器在监视和增强另一个方面——人类。”。
Pietrucha是一个实验室研究小组的成员之一，该团队的目标是开发能够感知人的认知疲劳何时干扰其表现的人工智能系统。然后系统会建议干预措施，甚至在可怕的情况下采取行动，帮助个人康复或防止伤害。
“纵观历史，我们看到人为错误导致灾难、错失机会，有时甚至是灾难性的后果，”梅根·布莱克威尔（Megan Blackwell）说，他是实验室内部资助生物科学和技术研究的前副主管，神经监测变得更加具体和便携。我们设想使用技术来监测疲劳或压力。可以这么说，如果你能监控人类，你就可以在不好的事情发生之前进行干预。”
这一观点源于实验室长达数十年的研究，即利用技术“解读”一个人的认知或情绪状态。通过收集生物特征数据，如说话的人的视频和音频记录，并用先进的人工智能算法处理这些数据，研究人员发现了各种心理和神经行为状况的生物标志物。例如，这些生物标志物被用来训练能够准确估计一个人抑郁程度。
在这项工作中，研究小组将把他们的生物标记物研究应用于人工智能，它可以分析个体的认知状态，概括出一个人的疲劳、压力或超负荷的感受。该系统将使用来自生理数据的生物标志物，如声音和面部记录、心率、脑电图和大脑活动的光学指示以及眼球运动来获得这些信息。
第一步是建立一个个体的认知模型。”“认知模型将整合生理输入并监控输入，以观察当一个人执行特定的疲劳任务时，这些输入是如何变化的，”托马斯·夸蒂里说，他领导了实验室的几项神经行为生物标记研究工作通过这个过程，系统可以建立活动模式，并了解一个人的基本认知状态，包括基本的任务相关功能，以避免伤害或不良结果，如听觉和视觉注意力和反应时间。”
一旦建立了这个个性化的基线，系统就可以开始识别偏离正常值的偏差，并预测这些偏差是否会导致错误或性能不佳。
“建立一个模型很难。林肯实验室国土保护和空中交通管制部门的主要工作人员威廉·斯特里林说：“你知道，当它预测性能时，你是对的。”如果系统能够识别出偏差，然后实际预测偏差会干扰员工在任务中的表现，那么我们已经做得很好了。人类是复杂的；我们会自然地补偿压力或疲劳。重要的是建立一个系统，能够预测这种偏差何时不会得到补偿，并且只在那时进行干预。”
干预的可能性是广泛的。在光谱的一端，人类可以做一些小的调整来恢复性能：喝咖啡，改变灯光，呼吸新鲜空气。其他干预措施可能建议换班或将任务转移给机器或其他队友。另一种可能性是使用经颅直流电刺激，这是一种使用电极刺激大脑部分区域的恢复性能的技术，已经证明在对抗疲劳方面比咖啡因更有效，副作用更少。
另一方面，当人员无法做到这一点时，机器可能会采取必要的措施来确保团队成员的生存。例如，一个AI队友可以为失去知觉或身体自我弹射能力的战斗机飞行员做出“弹射决定”。皮特鲁查（Pietrucha）是美国空军的退休上校，曾作为战斗机/攻击机飞行员飞行了许多小时，他看到了这样一个系统的希望，“不仅限于飞行参数的分析，还包括对机组人员认知状态的分析。 ，只有在机组人员不能或不会的时候才进行干预。”他说。
确定最有用的干预措施及其有效性取决于与手头任务，干预措施的剂量甚至用户的人口背景有关的许多因素。斯特雷林说：“要了解不同干预措施的效果并验证其安全性，还有许多工作要做。” “最终，我们希望引入个性化的认知干预措施，并评估其对任务执行的有效性。”
除了在战斗航空中使用之外，该技术还可以使其他苛刻或危险的工作受益，例如与空中交通管制，战斗行动，灾难响应或急诊医学有关的工作。“在某些情况下，作战医务人员的人数远远多于其他人，处于征税状况，并且与其他所有人一样疲惫不堪。拥有这种过分的帮助，可以帮助监控他们的心理状况和疲劳程度，这可能会有所帮助预防医疗错误，甚至可以警告其他人疲劳程度。”布莱克韦尔说。
今天，该团队正在寻求赞助，以帮助进一步开发该技术。来年将集中于收集数据以训练他们的算法。首先是智能分析人员，他们在玩严肃的游戏时会配备传感器，以模拟他们的工作需求。“智能分析师通常会被数据淹没，并且可以从这种类型的系统中受益，” Streilein说。“他们通常在计算机上的'正常'房间环境中工作，这一事实使我们能够轻松地为他们提供仪器，以收集生理数据并开始训练。”
Quatieri说：“我们将在短期内根据一系列功能进行工作，但最终目标将是利用这些功能，以便在系统仍是个性化的同时，它可能是更完整的功能，可以广泛部署，类似于Siri的通用性，但可以快速适应个人需求。” 从长远来看，该团队看到了通用背景模型的希望，该模型可以代表任何人并可以针对特定用途进行修改。这种能力可能是推动未来人机团队发展的关键。
