Mennesker i løkken

Genudgivet af Platon

Abonnenter: 0

Mennesker i løkken

Leder du efter en automatiseringsløsning? Stop med at lede!

.cta-first-blue{ overgang: alle 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radius: 0px; font-weight: fed; skriftstørrelse: 16px; linjehøjde: 24px; polstring: 12px 24px; baggrund: #546fff; farve: hvid; højde: 56px; tekst-align: venstre; display: inline-flex; flex-retning: række; -moz-box-align: center; align-items: center; bogstavmellemrum: 0px; kassestørrelse: border-box; border-width:2px !vigtigt; grænse: solid #546fff !vigtigt; } .cta-first-blue:hover{ color:#546fff; baggrund: hvid; overgang: alle 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !vigtigt; grænse: solid #546fff !vigtigt; } .cta-second-black{ overgang: alle 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radius: 0px; font-weight: fed; skriftstørrelse: 16px; linjehøjde: 24px; polstring: 12px 24px; baggrund: hvid; farve: #333; højde: 56px; tekst-align: venstre; display: inline-flex; flex-retning: række; -moz-box-align: center; align-items: center; bogstavmellemrum: 0px; kassestørrelse: border-box; border-width:2px !vigtigt; grænse: solid #333 !vigtigt; } .cta-second-black:hover{ color:white; baggrund:#333; overgang: alle 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !vigtigt; grænse: solid #333 !vigtigt; } .column1{ min-width: 240px; max-width: fit-content; polstring-højre: 4%; } .column2{ min-width: 200px; max-width: fit-content; } .cta-main{ display: flex; }

"Efterhånden som mere og mere kunstig intelligens kommer ind i verden, må mere og mere følelsesmæssig intelligens indgå i ledelsen." -Amit Ray, berømt AI-forsker, forfatter til Compassionate Artificial Intelligence

Den fjerde industrielle æra, vi lever i, er forstyrrende ved, at den blander den kulstofbaserede hjerne med silicium. Kunstig intelligens er allerede en del af vores liv, selvom vi ikke engang er klar over det – søgemaskiner, digitale assistenter, kort og navigation, listen er uendelig. Maskiner kan nu "lære", mens de arbejder, men dette udelukker i de fleste tilfælde ikke mennesker fra processen.

Mennesker i løkken eller HITL-systemer tillader begge former for intelligens at interagere elegant til gensidig fordel.

Lad os lære mere om human in the loop AI.

var contentsTitle = "Indholdsfortegnelse"; // Indstil din titel her, for at undgå at lave en overskrift til den senere var ToC = “

"+contentsTitle+"

"; ToC += “

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

Definition af Human In the Loop

Vores maskiner er nået langt, siden Paul Ehrlich skrev i 1978 "At fejle er menneskeligt, at virkelig spolere tingene kræver en computer". Nutidens kunstig intelligens-værktøjer er gået så meget frem, at fejlmarginen er faldet betragteligt. Dette er vigtigt, fordi AI-værktøjer nu bruges i kritiske applikationer, herunder flyvninger, livsstøtte og våbenkontrol, hvor fejl er katastrofale.

Når det er sagt, er AI'er, ligesom det menneske, der byggede dem, ikke perfekte. Forudsigelserne lavet af AI-værktøjer er ikke 100 % nøjagtige, fordi maskiner bygger deres forståelse ud fra eksisterende data og mønstre. Selvom dette også gælder for menneskelig intelligens, er der et ekstra element af prøve-og-fejl-baseret kognition, der bruger flere input og en ekstra faktor af følelsesmæssig ræsonnement i menneskelig intelligens. Dette gør sandsynligvis mennesket tilbøjelig til at fejle, mens maskinen er tilbøjelig til at forurene tingene.

Men til side for vittigheder kan AI-systemer endnu ikke være fuldstændig menneskefri på grund af denne iboende usikkerhed om nøjagtighed, og de fleste, hvis ikke alle, AI-værktøjer bruger en vis mængde menneskelig interaktion til at kurskorrigere eller blot overvåge. Interaktionen mellem menneske og maskine resulterer i en feedback-loop, der muliggør periodiske kurskorrektioner af AI-systemet for at forbedre ydeevnen og øge autonomien. Således opstår den formelle definition for Human in the Loop.

Kilde: Mennesker i løkken – Løbende bedre modeller med et menneske i løkken

Faktisk giver human-in-the-loop AI mennesker mulighed for at give feedback til AI-modellen (ML, DL, ANN osv.) for forudsigelser under et vist niveau af tillid.

Ønsker du at skrabe data fra PDF dokumenter, konvertere PDF til XML or automatisere bordudtræk? Tjek Nanonets' PDF-skraber or PDF-parser at konvertere PDF-filer til database indgange!

Prøv Nanonets gratis

ML, et populært AI-værktøj, der er modtageligt for HITL

Læring er den proces, hvor allerede eksisterende data bruges til at lave fremtidige forudsigelser – "et forbrændt barn frygter ilden" er et relateret, om end foruroligende, eksempel på læringsprocessen. Maskinlæring, et af AI-værktøjerne, fungerer på nogenlunde samme måde – den lærer mønstre fra eksisterende data og laver forudsigelser baseret på disse mønstre. For eksempel ved at bruge billederne af glade og triste ansigter fra en allerede eksisterende database med følelsesmæssige ansigter, identificerer et ML-værktøj et nyt ansigt som glad eller trist. Forudsigelsen valideres derefter, og hvis den findes korrekt, bevæger den sig fremad og gemmer denne nye "oplevelse" som endnu et datapunkt. Hvis ikke, retter maskinkursen sig.

Vil du automatisere gentagne manuelle opgaver? Tjek vores Nanonets workflow-baserede dokumentbehandlingssoftware. Udtræk data fra fakturaer, identitetskort eller ethvert dokument på autopilot!

Prøv Nanonets gratis

Typer af HITL i ML

I Human in the Loop Machine Learning deltager mennesket på mange niveauer.

Creation

Den menneskelige komponent starter med at skabe algoritmen og algoritmen starter derpå. Meget ligesom Tony Stark og hans JARVIS

Kurser

Som beskrevet tidligere sker læring med data. Når et barn ikke rører ved flammen, har en voksen sikkert lært hende at lade være. Menneskelig dømmekraft bruges til at træne modellen, så modellen med tiden præsterer som eller udkonkurrerer mennesket i at lave forudsigelser ved hjælp af mønstre.

Mærkningsdata

Machine Learning-modeller har brug for mærkede data at lære af. Nogle datasæt kan allerede have etiketter, men i mangel af præ-mærkede data skal mennesker mærke de data, der træner ML-algoritmen. Ifølge IDC, 90 % af de tilgængelige data er mørke data, altså ustrukturerede/ukategoriserede data. Mærkning kan være tidskrævende, kedeligt arbejde. Faktisk er datamærkning blevet et selvstændigt job i marken af kunstig intelligens og datavidenskab. Hvor banalt det end kan lyde, er mærkning af datasættene ikke altid en low-end aktivitet, og specifikke applikationer kan kræve domænespecifik viden. For eksempel kræver mærkning af medicinske data viden om sygdomme, tilstande osv. De fleste datasæt, der bruges i sundhedsdomænet, kræver domænespecifik viden, som en læge, der mærker et lungerøntgenbillede som kræftfremkaldende eller ej. Tagging af data, der bruges til at træne AI, der bruges i flyvninger, kræver viden om aerodynamik og andre tekniske emner.

Validering

Når en ML-model begynder at forudsige ved hjælp af data fra den virkelige verden, validerer HITL modellens forudsigelser og giver feedback om falske positive og falske negative til ML til træning. Mennesket i løkken kan gennemgå modellens ydeevne og analysere dens ydeevne, for at justere algoritmen eller forbedre træningsdatasættet.

Vil du bruge robotprocesautomatisering? Tjek Nanonets workflow-baseret dokumentbehandlingssoftware. Ingen kode. Ingen besværlig platform.

Prøv Nanonets gratis

Vigtigheden af human-in-the-loop ML og andre AI-værktøjer

Når der mangler træningsdata

Konventionel maskinlæring og andre AI-værktøjer kræver et stort datasæt for at træne godt og opnå nøjagtige resultater. I et nyt felt eller et felt, der mangler forudgående data, er ML-modeller ikke nøjagtige til at starte og tager lang tid, før der genereres tilstrækkelige data til træning. Human in the loop AI kan hjælpe i disse tilfælde, hvor mennesket underviser i algoritmen, mønstrene og reglerne uden behov for et stort datasæt at arbejde på. I den sammenhæng hjælper HITL med validering af modeller og giver mulighed for træning ved hjælp af data, der er ustrukturerede, svære at tagge, og som konstant ændrer sig.

Når dehumanisering ikke er en mulighed

Der er også specifikke områder, hvor mennesket i loopen af AI er nyttigt, endda nødvendigt. Et felt er sundhedspleje. Selvom kunstig intelligens helt sikkert kan lette diagnosticering og endda terapi, såsom robotkirurgi, er det uklart, om det kan afhumaniseres. Det er sandt, at AI kan hjælpe klinikere med at bruge mindre tid på administrative og diagnostiske opgaver, men der eksisterer fortsat debat om, hvorvidt dehumaniseret AI ville underminere den humane dimension af patient-læge-forholdet. Den generelle etiske konsensus er, at mennesket-i-løkken er nødvendigt for AI for at tjene menneskelige formål, respektere personlig identitet og fremme menneskelig interaktion.

Hvor to øjne er sikrere end maskinsynet

HITL er også nødvendig i situationer, der kræver den største præcision for sikkerheden. Et eksempel er fremstilling af kritiske dele til køretøjer eller flyvemaskiner; mens AI-værktøjer såsom ML er uhyre nyttige til inspektioner, ville en menneskelig monitor i gruppen bidrage til delens pålidelighed. Med ufuldstændige eller partiske data kan Machine Learning-modeller desuden selv blive partiske. Et menneske i løkken kan opdage og korrigere bias i tide.

For øget gennemsigtighed

AI-applikationer kan blive til sorte bokse, hvor den behandling, der konverterer data til en beslutning, er skjult. Dette er ubelejligt for datafølsomme aktiviteter såsom finans og bank. Dette er også et problem for beslutningstagning, overholdelse af lovgivning og oplysningsbehov, der er forbundet med visse aktiviteter. I sådanne tilfælde giver HITL-modellen mennesker mulighed for at se, hvordan AI-værktøjet når frem til et bestemt resultat med et givet sæt data. Dette gør det muligt for AI/ML-værktøjet at være, i termodynamikkens sprogbrug, et "åbent" snarere end et "isoleret" system.

For at styrke AI-værktøjet

Når et barn lærer alfabetet, kræves der en lærer, men efterhånden som hun vokser, bliver lærerens rolle til vejledning snarere end undervisning i sidste ende, den nu voksne kan lære af sig selv uden behov for en lærer. På samme måde kræves det, at mennesket træner systemet først, og jo mere AI-værktøjet lærer af den menneskelige indgriben, jo bedre bliver det, og mængden af menneskelig tid i løkken kan reduceres, eller i nogle tilfælde endda elimineret. Således drager AI-værktøjet fordel af menneskelig intelligens gennem feedback-sløjfen.

I dyb læring

Human in the loop deep learning bruges i følgende scenarie:

Algoritmer genkender ikke inputdata.
Inputdata er fejlfortolket
Der er ubeslutsomhed om den næste opgave, der skal bruges på dataene
At sætte mennesker i stand til at udføre visse opgaver objektivt
For at reducere fejl og tidsforsinkelser for menneskelige opgaver

Hvis du arbejder med fakturaer og kvitteringer eller bekymrer dig om ID-bekræftelse, så tjek Nanonets online OCR or PDF-tekstudtrækker at udtrække tekst fra PDF-dokumenter gratis. Klik nedenfor for at lære mere om Nanonets Enterprise Automation Solution.

Prøv Nanonets gratis

Anvendelser af mennesker i løkken

AI- og ML-systemer er allestedsnærværende i verden i dag. Mennesket i løkken kan enten kun være ved forbrugsenden eller også i det operationelle område. Eksempler på førstnævnte omfatter brugen af søgemaskiner, digitale kort, navigation osv., hvor den menneskelige forbruger bruger et AI-system til at benytte forskellige tjenester.

Nogle typiske applikationer, hvor HITL er på stadiet af selve AI/ML-operationen, er:

Grænsen mellem brug og misbrug af sociale medieapplikationer er fin, og menneskelig dømmekraft er afgørende for at moderere indhold. Det er rigtigt, at AI-systemer kan lære at moderere indhold over tid. Men for det er menneskelig involvering afgørende for at hjælpe maskinen med at lære at identificere tekst, brugernavne, billeder og videoer, der kan have uønskede elementer af interaktion.

Health Care Tech

Medicinsk billeddannelse og AI-baseret genkendelse af de normale og unormale træk ved billedet er under omfattende udvikling. Sådanne udviklinger kræver indgriben fra emneeksperter for at træne modellen til at lede efter specifikke træk ved billedet, der peger på abnormiteter. Selv de bedst trænede modeller skal understøttes yderligere af menneskelig bekræftelse, fordi diagnostiske og terapeutiske tjenester omhandler liv, og fejl er ikke acceptable. De sundhedsteknologiske applikationer kræver intensive datamærkningstjenester for at udvide deres træningsdata.

Transport

Selvkørende biler nærmer sig allerede praktisk brug, men for den videre udvikling skal enorme mængder data i form af billeder, videoer og lyde indsamles og kommenteres af mennesker. Mærkning af billeddata som mennesker, køretøjer, vejspærringer, vegetation, dyr, vejformer osv. er af afgørende betydning for ML for at muliggøre automatiseret kørsel uden ulykker. En enorm indsats for menneskelig mærkning og annotering er nødvendig for at realisere ægte selvkørende køretøjer i verden.

Forsvarsansøgninger

Den futuristiske vision for forsvarsorganisationer er brugen af autonome systemer i farlige missioner. Sådanne systemer skal være i stand til at træffe menneskelignende beslutninger under splitsekundforhold. Men mængden af tilgængelige data til at træne disse højtydende AI-backends er i øjeblikket utilstrækkelige til at muliggøre fuldstændig autonomi. Menneskefri kunstig intelligens-systemer er også ude af stand til at forstå kontekstuel information i inputtet, og dette kan resultere i katastrofale forudsigelser og beslutninger. Der kræves således helt sikkert et menneske i løkken for at holde forsvarsoperationerne under kontrol og menneskelige.

Kreative applikationer

Ud over de ovennævnte "essentielle" applikationer kan HITL AI-systemer også have underholdningsværdi. Det Stanford Menneske-centreret AI initiativ designer systemer, der tilfører teknologi med menneskelig interaktion for at udvikle nye værktøjer til musikalsk og andre former for menneskelig kreativitet. Stil-overfør dybe kunstige neurale netværk bruge menneskelig indgriben til at lære maskiner "stile" af malerier til nye AI-kreationer.

Andre områder, der drager fordel af Human in the loop AI-systemer, omfatter sport, spil (video og det virkelige liv), landbrug, fabriksautomatisering og finansielle aktiviteter.

Vil du automatisere gentagne manuelle opgaver? Spar tid, indsats og penge, mens du øger effektiviteten!

Prøv Nanonets gratis

Tag væk

0:00

Vi er stadig et stykke vej, hvis det overhovedet er muligt, før robotter rejser sig og overtager verden. Mennesker er stadig påkrævet i sløjfen af kunstig intelligens. Den bredere tilgang til kunstig intelligens er ikke designet af en perfekt maskine - hvilket er overordentlig svært, hvis ikke umuligt, men designet af samarbejdssystemer, der kombinerer subtiliteten af menneskelig ræsonnement og kraften i intelligent automatisering.

var contentsTitle = "Indholdsfortegnelse"; // Indstil din titel her, for at undgå at lave en overskrift til den senere var ToC = “

"+contentsTitle+"

"; ToC += “

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

Nanonetter online OCR & OCR API har mange interessante brug sager that kunne optimere din virksomheds ydeevne, spare omkostninger og øge væksten. Finde ud af hvordan Nanonets' use cases kan gælde for dit produkt.