লুপে মানুষ

প্লেটো দ্বারা প্রকাশিত

অনুসরণকারী: 0

লুপে মানুষ

একটি অটোমেশন সমাধান খুঁজছেন? সামনে তাকিও না!

.cta-first-blue{ ট্রানজিশন: সমস্ত 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; সীমানা-ব্যাসার্ধ: 0px; font-weight: গাঢ়; ফন্ট-আকার: 16px; লাইন-উচ্চতা: 24px; প্যাডিং: 12px 24px; ব্যাকগ্রাউন্ড: #546fff; সাদা রং; উচ্চতা: 56px; text-align: left; প্রদর্শন: ইনলাইন-ফ্লেক্স; flex-direction: সারি; -moz-বক্স-সারিবদ্ধ: কেন্দ্র; align-items: কেন্দ্র; অক্ষর-ব্যবধান: 0px; box-sizing: বর্ডার-বক্স; সীমানা-প্রস্থ:2px !গুরুত্বপূর্ণ; সীমানা: কঠিন #546ffff !গুরুত্বপূর্ণ; } .cta-first-blue:hover{ color:#546fff; পটভূমি: সাদা; রূপান্তর: সমস্ত 0.1 সেকেন্ড কিউবিক-বেজিয়ার (0.4, 0, 0.2, 1) 0 সেকেন্ড; সীমানা-প্রস্থ:2px !গুরুত্বপূর্ণ; সীমানা: কঠিন #546ffff !গুরুত্বপূর্ণ; } .cta-সেকেন্ড-ব্ল্যাক{ ট্রানজিশন: সমস্ত 0.1 সেকেন্ড কিউবিক-বেজিয়ার(0.4, 0, 0.2, 1) 0s; সীমানা-ব্যাসার্ধ: 0px; font-weight: গাঢ়; ফন্ট-আকার: 16px; লাইন-উচ্চতা: 24px; প্যাডিং: 12px 24px; পটভূমি: সাদা; রঙ: #333; উচ্চতা: 56px; text-align: left; প্রদর্শন: ইনলাইন-ফ্লেক্স; flex-direction: সারি; -moz-বক্স-সারিবদ্ধ: কেন্দ্র; align-items: কেন্দ্র; অক্ষর-ব্যবধান: 0px; box-sizing: বর্ডার-বক্স; সীমানা-প্রস্থ:2px !গুরুত্বপূর্ণ; সীমানা: কঠিন #333 !গুরুত্বপূর্ণ; } .cta-সেকেন্ড-ব্ল্যাক:হোভার{রং:সাদা; পটভূমি:#333; রূপান্তর: সমস্ত 0.1 সেকেন্ড কিউবিক-বেজিয়ার (0.4, 0, 0.2, 1) 0 সেকেন্ড; সীমানা-প্রস্থ:2px !গুরুত্বপূর্ণ; সীমানা: কঠিন #333 !গুরুত্বপূর্ণ; } .কলাম1{মিনিট-প্রস্থ: 240px; সর্বোচ্চ-প্রস্থ: ফিট-সামগ্রী; প্যাডিং-ডান: 4%; } .কলাম2{মিনিট-প্রস্থ: 200px; সর্বোচ্চ-প্রস্থ: ফিট-সামগ্রী; } .cta-main{ প্রদর্শন: flex; }

"যত বেশি সংখ্যক কৃত্রিম বুদ্ধিমত্তা বিশ্বে প্রবেশ করছে, তত বেশি আবেগগত বুদ্ধিমত্তা অবশ্যই নেতৃত্বে প্রবেশ করবে।" -অমিত রায়, বিখ্যাত এআই বিজ্ঞানী, করুণাময় কৃত্রিম বুদ্ধিমত্তার লেখক

আমরা যে চতুর্থ শিল্প যুগে বাস করি তা বিঘ্নজনক কারণ এটি সিলিকন-ভিত্তিক মস্তিষ্কের সাথে কার্বন-ভিত্তিক মস্তিষ্ককে মিশ্রিত করে। কৃত্রিম বুদ্ধিমত্তা ইতিমধ্যেই আমাদের জীবনের অংশ, এমনকি যদি আমরা এটি উপলব্ধিও না করি - সার্চ ইঞ্জিন, ডিজিটাল সহকারী, মানচিত্র এবং নেভিগেশন, তালিকাটি অন্তহীন। মেশিনগুলি এখন কাজ করার সাথে সাথে "শিখতে" পারে, তবে এটি বেশিরভাগ ক্ষেত্রেই মানুষকে প্রক্রিয়া থেকে বাদ দেয় না।

লুপ বা এইচআইটিএল সিস্টেমের মানুষ তাদের পারস্পরিক সুবিধার জন্য উভয় প্রকারের বুদ্ধিমত্তাকে সুন্দরভাবে যোগাযোগ করতে দেয়।

আসুন আমরা লুপ এআই সম্পর্কে আরও শিখি।

var contentsTitle = "সূচিপত্র"; // আপনার শিরোনামটি এখানে সেট করুন, পরে এটির জন্য শিরোনাম করা এড়াতে var ToC = “

“+বিষয়বস্তু শিরোনাম+”

"; ToC += “

"; var tocDiv = document.getElementById('dynamictocnative'); tocDiv.outerHTML = ToC;

লুপে মানুষের সংজ্ঞা

পল এহরলিচ 1978 সালে লিখেছিলেন যে আমাদের মেশিনগুলি অনেক দূর এগিয়েছে "ভুল করা মানবিক, সত্যিকারের খারাপ জিনিসগুলিকে একটি কম্পিউটার লাগে"। আজকের কৃত্রিম বুদ্ধিমত্তার সরঞ্জামগুলি এতটাই এগিয়েছে যে ত্রুটির মার্জিন অনেকটাই কমে গেছে। এটি গুরুত্বপূর্ণ কারণ AI সরঞ্জামগুলি এখন ফ্লাইট, লাইফ সাপোর্ট এবং অস্ত্র নিয়ন্ত্রণ সহ জটিল অ্যাপ্লিকেশনগুলিতে ব্যবহৃত হয় যেখানে ভুলগুলি বিপর্যয়কর।

যে বলেছে, এআই, মানুষের মতো যে তাদের তৈরি করেছে, নিখুঁত নয়। AI টুলস দ্বারা করা ভবিষ্যদ্বাণীগুলি 100% সঠিক নয় কারণ মেশিনগুলি বিদ্যমান ডেটা এবং প্যাটার্ন থেকে তাদের বোঝাপড়া তৈরি করে। যদিও এটি মানুষের বুদ্ধিমত্তার ক্ষেত্রেও সত্য, সেখানে ট্রায়াল-এবং-এরর-ভিত্তিক জ্ঞানের একটি অতিরিক্ত উপাদান রয়েছে যা একাধিক ইনপুট ব্যবহার করে এবং মানুষের বুদ্ধিমত্তায় আবেগগত যুক্তির একটি অতিরিক্ত উপাদান ব্যবহার করে। এটি সম্ভবত যন্ত্রের সময় মানুষকে ত্রুটির প্রবণ করে তোলে, জিনিসগুলিকে ফাউল করার প্রবণতা।

কিন্তু কৌতুক একপাশে, সঠিকতার এই অন্তর্নিহিত অনিশ্চয়তার কারণে এআই সিস্টেমগুলি এখনও সম্পূর্ণরূপে মানবমুক্ত হতে পারে না, এবং বেশিরভাগ, যদি না হয়, তবে এআই সরঞ্জামগুলি অবশ্যই সঠিক বা কেবল নিরীক্ষণের জন্য কিছু পরিমাণে মানুষের মিথস্ক্রিয়া ব্যবহার করে। মানুষ এবং মেশিনের মধ্যে মিথস্ক্রিয়া একটি ফিডব্যাক লুপ তৈরি করে যা কর্মক্ষমতা উন্নত করতে এবং স্বায়ত্তশাসন বাড়াতে এআই সিস্টেমের পর্যায়ক্রমিক কোর্স সংশোধনকে সক্ষম করে। এইভাবে লুপে মানুষের জন্য আনুষ্ঠানিক সংজ্ঞা আবির্ভূত হয়।

উত্স: লুপে মানুষ - লুপে একজন মানুষের সাথে ক্রমাগত ভালো মডেল

প্রকৃতপক্ষে, হিউম্যান-ইন-দ্য-লুপ এআই মানুষকে একটি নির্দিষ্ট স্তরের আস্থার নিচে ভবিষ্যদ্বাণীর জন্য এআই মডেল (এমএল, ডিএল, এএনএন, ইত্যাদি) প্রতিক্রিয়া প্রদান করতে দেয়।

চাই পিডিএফ থেকে ডেটা স্ক্র্যাপ করুন নথি, রূপান্তর পিডিএফ থেকে এক্সএমএল or স্বয়ংক্রিয় টেবিল নিষ্কাশন? Nanonets' দেখুন পিডিএফ স্ক্র্যাপ or পিডিএফ পার্সার পরিবর্তন করতে ডাটাবেসে পিডিএফ এন্ট্রি

বিনামূল্যের জন্য Nanonets চেষ্টা করুন

ML, একটি জনপ্রিয় AI টুল HITL-এর জন্য উপযুক্ত

শেখা হল এমন একটি প্রক্রিয়া যেখানে পূর্বে বিদ্যমান ডেটা ভবিষ্যত ভবিষ্যদ্বাণী করার জন্য ব্যবহার করা হয় - "একটি পোড়া শিশু আগুনের ভয় করে" এটি একটি সম্পর্কিত, যদি বিরক্তিকর হয়, শেখার প্রক্রিয়ার উদাহরণ। মেশিন লার্নিং, এআই-এর অন্যতম টুল, অনেকটা একইভাবে কাজ করে – এটি বিদ্যমান ডেটা থেকে প্যাটার্ন শেখে এবং এই প্যাটার্নগুলির উপর ভিত্তি করে ভবিষ্যদ্বাণী করে। উদাহরণস্বরূপ, সংবেদনশীল মুখের একটি পূর্ব-বিদ্যমান ডাটাবেস থেকে সুখী এবং দুঃখী মুখের ছবি ব্যবহার করে, একটি ML টুল একটি নতুন মুখকে সুখী বা দুঃখী হিসাবে চিহ্নিত করে। ভবিষ্যদ্বাণীটি তারপর যাচাই করা হয়, এবং যদি সঠিক পাওয়া যায়, এই নতুন "অভিজ্ঞতা"কে অন্য ডেটা পয়েন্ট হিসাবে লুকিয়ে রেখে এগিয়ে যায়। যদি না হয়, মেশিন কোর্স সংশোধন করে.

পুনরাবৃত্তিমূলক ম্যানুয়াল কাজগুলি স্বয়ংক্রিয় করতে চান? আমাদের Nanonets ওয়ার্কফ্লো-ভিত্তিক নথি প্রক্রিয়াকরণ সফ্টওয়্যার পরীক্ষা করুন। চালান, পরিচয়পত্র বা অটোপাইলটের যেকোনো নথি থেকে ডেটা বের করুন!

বিনামূল্যের জন্য Nanonets চেষ্টা করুন

ML-এ HITL-এর প্রকারভেদ

হিউম্যান ইন দ্য লুপ মেশিন লার্নিং-এ, মানুষ অনেক স্তরে অংশগ্রহণ করে।

সৃষ্টি

মানব উপাদানটি অ্যালগরিদম তৈরির সাথে শুরু হয় এবং অ্যালগরিদম তার উপর থেকে শুরু হয়। অনেকটা টনি স্টার্ক এবং তার জার্ভিসের মতো

প্রশিক্ষণ

পূর্বে বর্ণিত হিসাবে, শেখার ডেটা দিয়ে ঘটে। যখন একটি শিশু শিখা স্পর্শ না, একটি প্রাপ্তবয়স্ক সম্ভবত তাকে শিখিয়েছে না. মডেলকে প্রশিক্ষিত করার জন্য মানুষের বিচার ব্যবহার করা হয় যাতে সঠিক সময়ে মডেলটি প্যাটার্ন ব্যবহার করে ভবিষ্যদ্বাণী করার ক্ষেত্রে মানুষের মতো বা তার চেয়ে বেশি পারফর্ম করে।

লেবেল ডেটা

মেশিন লার্নিং মডেল প্রয়োজন লেবেলযুক্ত ডেটা যা থেকে শিখতে হবে। কিছু ডেটাসেটে ইতিমধ্যেই লেবেল থাকতে পারে, কিন্তু পূর্ব-লেবেলযুক্ত ডেটার অনুপস্থিতিতে, মানুষকে অবশ্যই ML অ্যালগরিদমকে প্রশিক্ষণ দেয় এমন ডেটা লেবেল করতে হবে। অনুযায়ী আইডিসি, উপলভ্য ডেটার 90% ডার্ক ডাটা, যেমন অসংগঠিত/অশ্রেণীভুক্ত ডেটা। লেবেল করা সময়সাপেক্ষ, ক্লান্তিকর কাজ হতে পারে। প্রকৃতপক্ষে, ডেটা লেবেলিং হয়ে গেছে ক্ষেত্রে একটি স্বতন্ত্র কাজ কৃত্রিম বুদ্ধিমত্তা এবং তথ্য বিজ্ঞানের। এটি যতটা জাগতিক শোনাতে পারে, ডেটাসেটগুলির লেবেল সর্বদা একটি নিম্ন-অন্তিম কার্যকলাপ নয়, এবং নির্দিষ্ট অ্যাপ্লিকেশনগুলির জন্য ডোমেন-নির্দিষ্ট জ্ঞানের প্রয়োজন হতে পারে। উদাহরণ স্বরূপ, মেডিকেল ডেটা ট্যাগ করার জন্য রোগ, অবস্থা ইত্যাদি সম্পর্কে জ্ঞানের প্রয়োজন হয়৷ স্বাস্থ্যসেবা ডোমেনে ব্যবহৃত বেশিরভাগ ডেটাসেটের জন্য ডোমেন-নির্দিষ্ট জ্ঞানের প্রয়োজন হয়, যেমন একজন ডাক্তার ফুসফুসের এক্স-রেকে ক্যান্সারযুক্ত বা না বলে ট্যাগ করছেন৷ ফ্লাইটে ব্যবহৃত AI প্রশিক্ষণের জন্য ব্যবহৃত ডেটা ট্যাগ করার জন্য এরোডাইনামিকস এবং অন্যান্য প্রকৌশল বিষয়গুলির জ্ঞান প্রয়োজন।

ভ্যালিডেশন

একবার একটি ML মডেল বাস্তব-বিশ্বের ডেটা ব্যবহার করে ভবিষ্যদ্বাণী করা শুরু করলে, HITL মডেলের ভবিষ্যদ্বাণীগুলিকে যাচাই করে এবং প্রশিক্ষণের জন্য ML-কে মিথ্যা ইতিবাচক এবং মিথ্যা নেতিবাচক সম্পর্কে প্রতিক্রিয়া প্রদান করে। লুপে থাকা মানুষটি মডেলের কর্মক্ষমতা পর্যালোচনা করতে পারে এবং অ্যালগরিদম টুইক করার জন্য বা প্রশিক্ষণ ডেটাসেট উন্নত করার জন্য এর কার্যক্ষমতা বিশ্লেষণ করতে পারে।

রোবোটিক প্রক্রিয়া অটোমেশন ব্যবহার করতে চান? Nanonets ওয়ার্কফ্লো-ভিত্তিক নথি প্রক্রিয়াকরণ সফ্টওয়্যার দেখুন। কোনো সংকেত নেই. কোন ঝামেলা প্ল্যাটফর্ম.

বিনামূল্যের জন্য Nanonets চেষ্টা করুন

হিউম্যান-ইন-দ্য-লুপ এমএল এবং অন্যান্য এআই টুলের গুরুত্ব

যখন প্রশিক্ষণের তথ্যের অভাব থাকে

প্রচলিত মেশিন লার্নিং এবং অন্যান্য AI সরঞ্জামগুলির জন্য ভাল প্রশিক্ষণ এবং সঠিক ফলাফল পেতে একটি বড় ডেটাসেটের প্রয়োজন। একটি নতুন ক্ষেত্র বা একটি ক্ষেত্রে যেখানে পূর্বের ডেটা নেই, এমএল মডেলগুলি শুরু করতে সঠিক নয় এবং প্রশিক্ষণের জন্য পর্যাপ্ত ডেটা তৈরি হওয়ার আগে দীর্ঘ সময় নেয়। হিউম্যান ইন দ্য লুপ এআই এই ক্ষেত্রে সাহায্য করতে পারে যেখানে মানুষ কাজ করার জন্য একটি বড় ডেটাসেটের প্রয়োজন ছাড়াই অ্যালগরিদম, প্যাটার্ন এবং নিয়ম শেখায়। সেই প্রেক্ষাপটে, HITL মডেলের বৈধতা দিতে সাহায্য করে এবং অসংগঠিত, ট্যাগ করা কঠিন এবং ক্রমাগত পরিবর্তনশীল ডেটা ব্যবহার করে প্রশিক্ষণের অনুমতি দেয়।

যখন অমানবিককরণ একটি বিকল্প নয়

এছাড়াও নির্দিষ্ট ক্ষেত্র রয়েছে যেখানে AI এর লুপে থাকা মানুষ দরকারী, এমনকি প্রয়োজনীয়। একটি ক্ষেত্র স্বাস্থ্যসেবা। যদিও এআই অবশ্যই রোগ নির্ণয় এবং এমনকি থেরাপিউটিকস যেমন রোবোটিক সার্জারির মতো সহজ করতে পারে, তবে এটি অ-মানবিক করা যেতে পারে কিনা তা স্পষ্ট নয়। এটা সত্য যে AI চিকিত্সকদের প্রশাসনিক এবং ডায়াগনস্টিক কাজগুলিতে কম সময় ব্যয় করতে সহায়তা করতে পারে, তবে অমানবিক এআই রোগী-চিকিৎসক সম্পর্কের মানবিক মাত্রাকে হ্রাস করবে কিনা তা নিয়ে বিতর্ক অব্যাহত রয়েছে। সাধারণ নৈতিক ঐকমত্য হল যে AI-এর জন্য মানুষের পরিপ্রেক্ষিতে, ব্যক্তিগত পরিচয়কে সম্মান করতে এবং মানুষের মিথস্ক্রিয়াকে উন্নীত করার জন্য হিউম্যান-ইন-দ্য-লুপ প্রয়োজনীয়।

যেখানে যন্ত্রের দৃষ্টির চেয়ে দুটি চোখ নিরাপদ

নিরাপত্তার জন্য অত্যন্ত নির্ভুলতা প্রয়োজন এমন পরিস্থিতিতেও HITL প্রয়োজন। একটি উদাহরণ হল যানবাহন বা এরোপ্লেনগুলির জন্য গুরুত্বপূর্ণ অংশগুলির উত্পাদন; যদিও AI টুল যেমন ML পরিদর্শনের জন্য অত্যন্ত উপযোগী, গ্রুপের একটি মানব মনিটর অংশটির নির্ভরযোগ্যতা যোগ করবে। অধিকন্তু, অসম্পূর্ণ বা পক্ষপাতমূলক ডেটা সহ, মেশিন লার্নিং মডেলগুলি নিজেরাই পক্ষপাতদুষ্ট হয়ে উঠতে পারে। লুপের একজন মানুষ সময়মতো পক্ষপাত সনাক্ত করতে এবং সংশোধন করতে পারে।

বর্ধিত স্বচ্ছতার জন্য

এআই অ্যাপ্লিকেশনগুলি ব্ল্যাক বক্সে পরিণত হতে পারে যেখানে প্রসেসিং যা ডেটাকে সিদ্ধান্তে রূপান্তরিত করে তা লুকানো থাকে। ডেটা-সংবেদনশীল ক্রিয়াকলাপ যেমন অর্থ এবং ব্যাঙ্কিংয়ের জন্য এটি অসুবিধাজনক। এটি সিদ্ধান্ত গ্রহণ, নিয়ন্ত্রক সম্মতি, এবং কিছু নির্দিষ্ট ক্রিয়াকলাপের সাথে সম্পর্কিত প্রকাশের প্রয়োজনীয়তার জন্যও একটি সমস্যা। এই ধরনের ক্ষেত্রে, এইচআইটিএল মডেল মানুষকে দেখতে দেয় যে কীভাবে এআই টুল একটি নির্দিষ্ট ফলাফলে ডেটার সেটের সাথে পৌঁছায়। এটি AI/ML টুলকে তাপগতিবিদ্যার ভাষায়, একটি "বিচ্ছিন্ন" সিস্টেমের পরিবর্তে একটি "খোলা" হতে দেয়।

এআই টুলকে শক্তিশালী করতে

যখন একটি শিশু বর্ণমালা শেখে, তখন একজন শিক্ষকের প্রয়োজন হয়, কিন্তু সে যত বড় হয়, শিক্ষকের ভূমিকা শেষ পর্যন্ত শেখানোর পরিবর্তে নির্দেশিকা হয়ে ওঠে, এখন প্রাপ্তবয়স্করা একজন শিক্ষকের প্রয়োজন ছাড়াই নিজে নিজে শিখতে পারে। অনেকটা সেরকমই, মানুষকে প্রথমে সিস্টেমকে প্রশিক্ষণ দিতে হবে, এবং AI টুলটি মানুষের হস্তক্ষেপ থেকে যত বেশি শিখবে, ততই ভাল হবে, এবং লুপে মানুষের সময় কমানো যেতে পারে, বা কিছু ক্ষেত্রে, এমনকি নির্মূল এইভাবে AI টুল ফিডব্যাক লুপের মাধ্যমে মানুষের বুদ্ধিমত্তা থেকে উপকৃত হয়।

গভীর শিক্ষায়

হিউম্যান ইন লুপ ডিপ লার্নিং নিম্নলিখিত পরিস্থিতিতে ব্যবহৃত হয়:

অ্যালগরিদম ইনপুট ডেটা চিনতে পারে না।
ইনপুট তথ্য ভুল ব্যাখ্যা করা হয়
ডেটাতে নিয়োগের পরবর্তী কাজ সম্পর্কে সিদ্ধান্ত নেই
মানুষকে কিছু নির্দিষ্ট কাজ উদ্দেশ্যমূলকভাবে সম্পাদন করতে সক্ষম করা
মানুষের কাজের জন্য ত্রুটি এবং সময় বিলম্ব কমাতে

আপনি যদি চালান, এবং রসিদ নিয়ে কাজ করেন বা আইডি যাচাইকরণের বিষয়ে উদ্বিগ্ন হন, তাহলে Nanonets দেখুন অনলাইন ওসিআর or পিডিএফ টেক্সট এক্সট্র্যাক্টর PDF নথি থেকে পাঠ্য বের করতে বিনামূল্যে জন্য. সম্পর্কে আরও জানতে নীচে ক্লিক করুন Nanonets এন্টারপ্রাইজ অটোমেশন সমাধান.

বিনামূল্যের জন্য Nanonets চেষ্টা করুন

লুপে মানুষের অ্যাপ্লিকেশন

AI এবং ML সিস্টেম আজ বিশ্বে সর্বব্যাপী। লুপের মধ্যে থাকা মানুষটি হয় কেবলমাত্র ভোগের শেষ পর্যায়ে, অথবা অপারেশনাল ক্ষেত্রেও থাকতে পারে। পূর্বের উদাহরণগুলির মধ্যে রয়েছে সার্চ ইঞ্জিন, ডিজিটাল মানচিত্র, নেভিগেশন ইত্যাদির ব্যবহার, যেখানে মানব ভোক্তা বিভিন্ন পরিষেবা পাওয়ার জন্য একটি এআই সিস্টেম ব্যবহার করে।

কিছু সাধারণ অ্যাপ্লিকেশন যেখানে HITL নিজেই AI/ML অপারেশনের পর্যায়ে রয়েছে:

সোশ্যাল মিডিয়া অ্যাপ্লিকেশনগুলির ব্যবহার এবং অপব্যবহারের মধ্যে লাইনটি ভাল, এবং কন্টেন্ট পরিমিত করার জন্য মানুষের বিচার অপরিহার্য। এটা সত্য যে এআই সিস্টেম সময়ের সাথে সাথে বিষয়বস্তুকে পরিমিত করতে শিখতে পারে। কিন্তু এর জন্য, যন্ত্রটিকে পাঠ্য, ব্যবহারকারীর নাম, ছবি এবং ভিডিওগুলি সনাক্ত করতে শিখতে সাহায্য করার জন্য মানুষের সম্পৃক্ততা অপরিহার্য যা মিথস্ক্রিয়া করার অবাঞ্ছিত উপাদান থাকতে পারে।

হেলথ কেয়ার টেক

মেডিকেল ইমেজিং এবং চিত্রের স্বাভাবিক এবং অস্বাভাবিক বৈশিষ্ট্যগুলির AI-ভিত্তিক স্বীকৃতি ব্যাপকভাবে বিকশিত হচ্ছে। এই ধরনের উন্নয়নের জন্য বিষয়-বিষয় বিশেষজ্ঞদের হস্তক্ষেপের প্রয়োজন হয়, যাতে মডেলকে প্রশিক্ষিত করা যায় যাতে চিত্রের নির্দিষ্ট বৈশিষ্ট্যগুলি অস্বাভাবিকতার দিকে নির্দেশ করে। এমনকি সর্বোত্তম-প্রশিক্ষিত মডেলগুলিকে অবশ্যই মানুষের নিশ্চিতকরণ দ্বারা আরও সমর্থন করতে হবে কারণ ডায়াগনস্টিক এবং থেরাপিউটিক পরিষেবাগুলি জীবনের সাথে মোকাবিলা করে এবং ভুলগুলি গ্রহণযোগ্য নয়। স্বাস্থ্যসেবা প্রযুক্তি অ্যাপ্লিকেশনগুলির প্রশিক্ষণের ডেটা বাড়ানোর জন্য নিবিড় ডেটা লেবেলিং পরিষেবাগুলির প্রয়োজন৷

পরিবহন

স্ব-চালিত গাড়িগুলি ইতিমধ্যেই ব্যবহারিক ব্যবহারের কাছাকাছি, তবে আরও উন্নয়নের জন্য, চিত্র, ভিডিও এবং শব্দের আকারে প্রচুর পরিমাণে ডেটা মানুষের দ্বারা সংগ্রহ এবং টীকা করতে হবে। দুর্ঘটনা ছাড়া স্বয়ংক্রিয় ড্রাইভিং সক্ষম করার জন্য ML-এর জন্য মানুষ, যানবাহন, রাস্তার বাধা, গাছপালা, প্রাণী, রাস্তার আকার ইত্যাদি হিসাবে চিত্রের ডেটা লেবেল করা অত্যন্ত গুরুত্বপূর্ণ। বিশ্বে সত্যিকারের স্ব-চালিত যানবাহন উপলব্ধি করার জন্য বিশাল মানব লেবেলিং এবং টীকা প্রচেষ্টা প্রয়োজন।

প্রতিরক্ষা অ্যাপ্লিকেশন

প্রতিরক্ষা সংস্থাগুলির জন্য ভবিষ্যত দৃষ্টিভঙ্গি হ'ল বিপজ্জনক মিশনে স্বায়ত্তশাসিত ব্যবস্থার ব্যবহার। এই ধরনের সিস্টেমগুলি বিভক্ত-দ্বিতীয় অবস্থার অধীনে মানুষের মত সিদ্ধান্ত নিতে সক্ষম হতে হবে। যাইহোক, এই উচ্চ-পারফরম্যান্স এআই ব্যাকএন্ডগুলিকে প্রশিক্ষণের জন্য উপলব্ধ ডেটার পরিমাণ বর্তমানে সম্পূর্ণ স্বায়ত্তশাসন সক্ষম করার জন্য অপর্যাপ্ত। মানব-মুক্ত কৃত্রিম-বুদ্ধিমত্তা সিস্টেমগুলি ইনপুটে প্রাসঙ্গিক তথ্য বুঝতেও অক্ষম এবং এর ফলে বিপর্যয়কর ভবিষ্যদ্বাণী এবং সিদ্ধান্ত হতে পারে। এইভাবে, এখন পর্যন্ত, প্রতিরক্ষা কার্যক্রমকে নিয়ন্ত্রণে রাখতে এবং মানুষের মধ্যে একজন মানুষের অবশ্যই প্রয়োজন।

সৃজনশীল অ্যাপ্লিকেশন

উপরের "প্রয়োজনীয়" অ্যাপ্লিকেশনগুলির বাইরে, HITL AI সিস্টেমগুলির বিনোদনের মানও থাকতে পারে। দ্য স্ট্যানফোর্ড মানব-কেন্দ্রিক এআই উদ্যোগ এমন সিস্টেম ডিজাইন করে যা মানবিক মিথস্ক্রিয়ায় প্রযুক্তিকে মিশ্রিত করে বাদ্যযন্ত্র এবং মানুষের সৃজনশীলতার অন্যান্য রূপের জন্য নতুন সরঞ্জামগুলি বিকাশ করতে। শৈলী-স্থানান্তর গভীর কৃত্রিম নিউরাল নেটওয়ার্ক নতুন এআই-সৃষ্টির জন্য পেইন্টিংয়ের "শৈলী" মেশিনকে শেখানোর জন্য মানুষের হস্তক্ষেপ ব্যবহার করুন।

হিউম্যান ইন দ্য লুপ এআই সিস্টেম থেকে উপকৃত অন্যান্য ক্ষেত্রগুলির মধ্যে রয়েছে খেলাধুলা, গেমস (ভিডিও এবং বাস্তব-জীবন), কৃষি, কারখানা অটোমেশন এবং আর্থিক কার্যক্রম।

পুনরাবৃত্তিমূলক ম্যানুয়াল কাজগুলি স্বয়ংক্রিয় করতে চান? দক্ষতা বাড়ানোর সময় সময়, প্রচেষ্টা এবং অর্থ সাশ্রয় করুন!

বিনামূল্যের জন্য Nanonets চেষ্টা করুন

ছাড়াইয়া লত্তয়া

0:00

আমরা এখনও অনেক দূরে, যদি সম্ভব হয়, রোবটদের উত্থান এবং বিশ্ব দখল করতে। কৃত্রিম বুদ্ধিমত্তার লুপে মানুষের এখনও প্রয়োজন। AI-এর বিস্তৃত পন্থা একটি নিখুঁত মেশিনের নকশা নয় - যা অসম্ভব না হলেও অত্যন্ত কঠিন, কিন্তু সহযোগিতামূলক সিস্টেমের নকশা যা মানুষের যুক্তির সূক্ষ্মতা এবং বুদ্ধিমান অটোমেশনের শক্তিকে একত্রিত করে।

“+বিষয়বস্তু শিরোনাম+”

"; ToC += “

"; var tocDiv = document.getElementById('dynamictocnative'); tocDiv.outerHTML = ToC;

ন্যানোনেটস অনলাইন ওসিআর এবং ওসিআর এপিআই অনেক আকর্ষণীয় আছে ক্ষেত্রে ব্যবহার করুন tটুপি আপনার ব্যবসায়ের পারফরম্যান্সকে অনুকূল করতে পারে, ব্যয় বাঁচায় এবং বৃদ্ধি বাড়াতে পারে। খুঁজে বের কর ন্যানোনেটের ব্যবহারের ক্ষেত্রে কীভাবে আপনার পণ্যে প্রয়োগ করা যেতে পারে।

সময় স্ট্যাম্প: জুন 6, 2022

সময় স্ট্যাম্প: সেপ্টেম্বর 1, 2023

প্লেটো দ্বারা প্রকাশিত

B2B পেমেন্টের গাইড: একটি ব্যাপক ওভারভিউ

একটি চালান প্রক্রিয়াকরণের খরচ কত?

প্রদেয় অ্যাকাউন্টগুলির জন্য অভ্যন্তরীণ নিয়ন্ত্রণগুলি কীভাবে পরিচালনা করবেন

8 সালে 2024টি সেরা লজিস্টিক OCR সফ্টওয়্যার

কিভাবে একটি কার্যকর প্রকিউরমেন্ট কৌশল তৈরি করা যায়

চালান প্রক্রিয়াকরণ কি? - চালান প্রক্রিয়াকরণ ব্যাখ্যা করা হয়েছে

ছোট ব্যবসার জন্য 21 সেরা অ্যাকাউন্টিং অটোমেশন সফ্টওয়্যার

চূড়ান্ত যোগাযোগ কেন্দ্র অটোমেশন গাইড

আমাদের সম্পর্কে

উল্লম্ব অনুসন্ধান এবং আই

প্ল্যাটফর্ম

যোগাযোগ রেখো

হিসাব

“+বিষয়বস্তু শিরোনাম+”

লুপে মানুষের সংজ্ঞা

ML, একটি জনপ্রিয় AI টুল HITL-এর জন্য উপযুক্ত

ML-এ HITL-এর প্রকারভেদ

সৃষ্টি

প্রশিক্ষণ

লেবেল ডেটা

ভ্যালিডেশন

হিউম্যান-ইন-দ্য-লুপ এমএল এবং অন্যান্য এআই টুলের গুরুত্ব

যখন প্রশিক্ষণের তথ্যের অভাব থাকে

যখন অমানবিককরণ একটি বিকল্প নয়

যেখানে যন্ত্রের দৃষ্টির চেয়ে দুটি চোখ নিরাপদ

বর্ধিত স্বচ্ছতার জন্য

এআই টুলকে শক্তিশালী করতে

গভীর শিক্ষায়

লুপে মানুষের অ্যাপ্লিকেশন

সামাজিক মাধ্যম

হেলথ কেয়ার টেক

পরিবহন

প্রতিরক্ষা অ্যাপ্লিকেশন

সৃজনশীল অ্যাপ্লিকেশন

ছাড়াইয়া লত্তয়া

“+বিষয়বস্তু শিরোনাম+”

থেকে আরো এআই এবং মেশিন লার্নিং

আমাদের সম্পর্কে

উল্লম্ব অনুসন্ধান এবং আই

প্ল্যাটফর্ম

যোগাযোগ রেখো

হিসাব