Menschen in der Schleife

Neuauflage von Plato

Verfolger: 0

Menschen in der Schleife

Auf der Suche nach einer Automatisierungslösung? Suchen Sie nicht weiter!

.cta-first-blue{ Übergang: alle 0.1 s kubische Bezier (0.4, 0, 0.2, 1) 0 s; Randradius: 0px; Schriftdicke: fett; Schriftgröße: 16px; Zeilenhöhe: 24px; Polsterung: 12px 24px; Hintergrund: #546fff; Farbe weiß; Höhe: 56px; Textausrichtung: links; Anzeige: Inline-Flex; Biegerichtung: Reihe; -moz-box-align: Mitte; Ausrichtungselemente: Mitte; Buchstabenabstand: 0px; Box-Größe: Border-Box; Rahmenbreite: 2px !wichtig; Rand: durchgehend #546fff !wichtig; } .cta-first-blue:hover{ color:#546fff; Hintergrund: weiß; Übergang: alle 0.1 s kubisch-bezier (0.4, 0, 0.2, 1) 0 s; Rahmenbreite: 2px !wichtig; Rand: durchgehend #546fff !wichtig; } .cta-second-black{ Übergang: alle 0.1 s kubische Bezier (0.4, 0, 0.2, 1) 0s; Randradius: 0px; Schriftdicke: fett; Schriftgröße: 16px; Zeilenhöhe: 24px; Polsterung: 12px 24px; Hintergrund: weiß; Farbe: #333; Höhe: 56px; Textausrichtung: links; Anzeige: Inline-Flex; Biegerichtung: Reihe; -moz-box-align: Mitte; Ausrichtungselemente: Mitte; Buchstabenabstand: 0px; Box-Größe: Border-Box; Rahmenbreite: 2px !wichtig; Rand: durchgehend #333 !wichtig; } .cta-second-black:hover{ color:white; Hintergrund:#333; Übergang: alle 0.1 s kubisch-bezier (0.4, 0, 0.2, 1) 0 s; Rahmenbreite: 2px !wichtig; Rand: durchgehend #333 !wichtig; } .column1{ Mindestbreite: 240px; max-Breite: fit-Inhalt; Polsterung rechts: 4 %; } .column2{ Mindestbreite: 200px; max-Breite: fit-Inhalt; } .cta-main{ Anzeige: flex; }

„Da immer mehr künstliche Intelligenz in die Welt eindringt, muss immer mehr emotionale Intelligenz in die Führung eintreten.“ -Amit Ray, berühmter KI-Wissenschaftler, Autor von Compassionate Artificial Intelligence

Das vierte Industriezeitalter, in dem wir leben, ist insofern disruptiv, als es das kohlenstoffbasierte Gehirn mit dem Silizium-Gehirn vermischt. Künstliche Intelligenz ist bereits Teil unseres Lebens, auch wenn wir es nicht einmal merken – Suchmaschinen, digitale Assistenten, Karten und Navigation, die Liste ist endlos. Maschinen können jetzt während ihrer Arbeit „lernen“, aber das schließt den Menschen in den meisten Fällen nicht aus.

Humans-in-the-Loop- oder HITL-Systeme ermöglichen es beiden Formen der Intelligenz, zum gegenseitigen Nutzen elegant zu interagieren.

Lassen Sie uns mehr über Human-in-the-Loop-KI erfahren.

var contentTitle = „Inhaltsverzeichnis“; // Geben Sie hier Ihren Titel ein, um später keine Überschrift dafür zu erstellen var ToC = „

„+InhaltTitel+“

„; ToC += „

“; var tocDiv = document.getElementById('dynamictocnative'); tocDiv.outerHTML = Inhaltsverzeichnis;

Definition von Mensch in der Schleife

Unsere Maschinen haben einen langen Weg zurückgelegt, seit Paul Ehrlich 1978 schrieb: „Irren ist menschlich, um wirklich Mist zu bauen, braucht es einen Computer“. Die heutigen Werkzeuge der künstlichen Intelligenz sind so weit fortgeschritten, dass die Fehlerquote erheblich gesunken ist. Dies ist wichtig, da KI-Tools jetzt in kritischen Anwendungen wie Flügen, Lebenserhaltung und Waffenkontrolle eingesetzt werden, bei denen Fehler katastrophal sind.

Allerdings sind KIs, wie der Mensch, der sie gebaut hat, nicht perfekt. Die Vorhersagen von KI-Tools sind nicht zu 100 % genau, da Maschinen ihr Verständnis aus vorhandenen Daten und Mustern aufbauen. Während dies auch für die menschliche Intelligenz gilt, gibt es ein zusätzliches Element der auf Versuch und Irrtum basierenden Kognition, das mehrere Eingaben und einen zusätzlichen Faktor des emotionalen Denkens in der menschlichen Intelligenz verwendet. Dies macht den Menschen wahrscheinlich anfällig für Fehler, während die Maschine anfällig dafür ist, Dinge zu verschmutzen.

Aber Spaß beiseite, KI-Systeme können aufgrund dieser inhärenten Unsicherheit der Genauigkeit noch nicht vollständig menschenfrei sein, und die meisten, wenn nicht alle KI-Tools verwenden ein gewisses Maß an menschlicher Interaktion, um den Kurs zu korrigieren oder einfach zu überwachen. Die Interaktion zwischen Mensch und Maschine führt zu einer Rückkopplungsschleife, die regelmäßige Kurskorrekturen des KI-Systems ermöglicht, um die Leistung zu verbessern und die Autonomie zu erhöhen. Daraus ergibt sich die formale Definition für Human in the Loop.

Menschen in der Schleife — Quelle: Humans in the Loop – Kontinuierlich bessere Modelle mit einem Human in the Loop

Tatsächlich ermöglicht Human-in-the-Loop-KI Menschen, Feedback an das KI-Modell (ML, DL, ANN usw.) für Vorhersagen unterhalb eines bestimmten Vertrauensniveaus zu geben.

Wollen Daten aus PDF kratzen Dokumente konvertieren PDF zu XML or Tabellenextraktion automatisieren? Sehen Sie sich Nanonets an PDF-Schaber or PDF-Parser umwandeln PDFs in die Datenbank Einträge!

Probieren Sie Nanonets kostenlos aus

ML, ein beliebtes KI-Tool, das für HITL zugänglich ist

Lernen ist der Prozess, bei dem bereits vorhandene Daten verwendet werden, um zukünftige Vorhersagen zu treffen – „ein verbranntes Kind fürchtet das Feuer“ ist ein nachvollziehbares, wenn auch verstörendes Beispiel für den Lernprozess. Maschinelles Lernen, eines der Werkzeuge der KI, funktioniert ähnlich – es lernt Muster aus vorhandenen Daten und trifft auf der Grundlage dieser Muster Vorhersagen. Anhand der Bilder von fröhlichen und traurigen Gesichtern aus einer bereits bestehenden Datenbank mit emotionalen Gesichtern identifiziert ein ML-Tool beispielsweise ein neues Gesicht als fröhlich oder traurig. Die Vorhersage wird dann validiert, und wenn sie als richtig befunden wird, geht sie weiter und speichert diese neue „Erfahrung“ als weiteren Datenpunkt. Wenn nicht, korrigiert der Maschinenkurs.

Möchten Sie sich wiederholende manuelle Aufgaben automatisieren? Informieren Sie sich über unsere Workflow-basierte Dokumentenverarbeitungssoftware Nanonets. Extrahieren Sie Daten aus Rechnungen, Personalausweisen oder anderen Dokumenten auf Autopilot!

Probieren Sie Nanonets kostenlos aus

Arten von HITL in ML

Beim Human in the Loop Machine Learning ist der Mensch auf vielen Ebenen beteiligt.

von Vorabkalkulationen

Die menschliche Komponente beginnt mit der Erstellung des Algorithmus und der Algorithmus startet damit. Ähnlich wie Tony Stark und sein JARVIS

Ausbildung

Wie bereits beschrieben, geschieht Lernen mit Daten. Wenn ein Kind die Flamme nicht berührt, hat ihm wahrscheinlich ein Erwachsener beigebracht, es nicht zu tun. Menschliches Urteilsvermögen wird verwendet, um das Modell zu trainieren, so dass das Modell zu gegebener Zeit wie der Mensch funktioniert oder es übertrifft, wenn es um Vorhersagen unter Verwendung von Mustern geht.

Beschriftungsdaten

Modelle für maschinelles Lernen benötigen beschriftete Daten von denen zu lernen. Einige Datensätze haben möglicherweise bereits Labels, aber in Ermangelung vorgelabelter Daten müssen Menschen die Daten benennen, die den ML-Algorithmus trainieren. Laut dem IDC, sind 90 % der verfügbaren Daten Dark Data, dh unstrukturierte/nicht kategorisierte Daten. Das Etikettieren kann eine zeitraubende, mühsame Arbeit sein. In der Tat ist die Datenkennzeichnung geworden eine eigenständige Tätigkeit im Außendienst von Künstlicher Intelligenz und Data Science. So banal es auch klingen mag, die Kennzeichnung der Datensätze ist nicht immer eine Low-End-Aktivität, und bestimmte Anwendungen erfordern möglicherweise domänenspezifisches Wissen. Zum Beispiel erfordert das Markieren medizinischer Daten Kenntnisse über Krankheiten, Zustände usw. Die meisten Datensätze, die im Gesundheitswesen verwendet werden, erfordern domänenspezifisches Wissen, wie z. B. ein Arzt, der eine Lungenröntgenaufnahme als krebsartig markiert oder nicht. Das Markieren von Daten, die zum Trainieren von KI für Flüge verwendet werden, erfordert Kenntnisse in Aerodynamik und anderen technischen Themen.

Validierung

Sobald ein ML-Modell mit der Vorhersage unter Verwendung von Daten aus der realen Welt beginnt, validiert das HITL die Vorhersagen des Modells und gibt dem ML für das Training Feedback zu falsch positiven und falsch negativen Ergebnissen. Der Mensch in der Schleife kann die Leistung des Modells überprüfen und seine Leistung analysieren, um den Algorithmus zu optimieren oder den Trainingsdatensatz zu verbessern.

Möchten Sie robotergesteuerte Prozessautomatisierung nutzen? Sehen Sie sich die Workflow-basierte Dokumentenverarbeitungssoftware von Nanonets an. Kein Code. Keine lästige Plattform.

Probieren Sie Nanonets kostenlos aus

Die Bedeutung von Human-in-the-Loop-ML und anderen KI-Tools

Wenn Trainingsdaten fehlen

Herkömmliches maschinelles Lernen und andere KI-Tools erfordern einen großen Datensatz, um gut zu trainieren und genaue Ergebnisse zu erzielen. In einem neuen Bereich oder einem Bereich, dem vorherige Daten fehlen, sind ML-Modelle zu Beginn nicht genau und es dauert lange, bis genügend Daten für das Training generiert werden. Die Human-in-the-Loop-KI kann in diesen Fällen helfen, in denen der Mensch den Algorithmus, die Muster und die Regeln beibringt, ohne dass ein großer Datensatz bearbeitet werden muss. In diesem Zusammenhang hilft HITL bei der Validierung von Modellen und ermöglicht das Training mit Daten, die unstrukturiert, schwer zu markieren und sich ständig ändern.

Wenn Entmenschlichung keine Option ist

Es gibt auch bestimmte Bereiche, in denen der Mensch im Kreislauf der KI nützlich, ja sogar notwendig ist. Ein Bereich ist das Gesundheitswesen. Während KI sicherlich die Diagnose und sogar Therapien wie die Roboterchirurgie erleichtern kann, ist unklar, ob sie entmenschlicht werden kann. Es ist in der Tat richtig, dass KI Ärzten helfen kann, weniger Zeit für administrative und diagnostische Aufgaben aufzuwenden, aber es wird weiterhin darüber diskutiert, ob eine entmenschlichte KI die humane Dimension der Arzt-Patienten-Beziehung untergraben würde. Der allgemeine ethische Konsens ist, dass der Human-in-the-Loop für KI notwendig ist, um menschlichen Zwecken zu dienen, die persönliche Identität zu respektieren und die menschliche Interaktion zu fördern.

Wo zwei Augen sicherer sind als das maschinelle Sehen

HITL wird auch in Situationen benötigt, die höchste Präzision für die Sicherheit erfordern. Ein Beispiel ist die Herstellung kritischer Teile für Fahrzeuge oder Flugzeuge; Während KI-Tools wie ML für Inspektionen immens nützlich sind, würde ein menschlicher Monitor in der Gruppe die Zuverlässigkeit des Teils erhöhen. Darüber hinaus können Modelle des maschinellen Lernens bei unvollständigen oder voreingenommenen Daten selbst voreingenommen werden. Ein Human-in-the-Loop kann Bias rechtzeitig erkennen und korrigieren.

Für mehr Transparenz

KI-Anwendungen können zu Black Boxes werden, in denen sich die Verarbeitung versteckt, die Daten in eine Entscheidung umwandelt. Dies ist für datensensible Aktivitäten wie Finanzen und Bankwesen unpraktisch. Dies ist auch ein Problem für die Entscheidungsfindung, die Einhaltung gesetzlicher Vorschriften und die Offenlegungsanforderungen, die mit bestimmten Aktivitäten verbunden sind. In solchen Fällen ermöglicht das HITL-Modell Menschen zu sehen, wie das KI-Tool mit einem bestimmten Datensatz zu einem bestimmten Ergebnis kommt. Dadurch kann das KI/ML-Tool im Sprachgebrauch der Thermodynamik eher ein „offenes“ als ein „isoliertes“ System sein.

Um das KI-Tool zu stärken

Wenn ein Kind das Alphabet lernt, ist ein Lehrer erforderlich, aber wenn es heranwächst, wird die Rolle des Lehrers schließlich eher zur Anleitung als zum Unterrichten, und der jetzt Erwachsene kann selbst lernen, ohne dass ein Lehrer erforderlich ist. Ähnlich muss der Mensch das System zuerst trainieren, und je mehr das KI-Tool aus dem menschlichen Eingriff lernt, desto besser wird es, und die menschliche Zeit in der Schleife kann reduziert werden, oder in einigen Fällen sogar eliminiert. So profitiert das KI-Tool durch die Feedback-Schleife von menschlicher Intelligenz.

Im tiefen Lernen

Human-in-the-Loop-Deep-Learning wird im folgenden Szenario verwendet:

Algorithmen erkennen die Eingabedaten nicht.
Eingabedaten werden falsch interpretiert
Es besteht Unentschlossenheit über die nächste Aufgabe, die auf die Daten anzuwenden ist
Menschen zu befähigen, bestimmte Aufgaben objektiv auszuführen
Um Fehler und Zeitverzögerungen für menschliche Aufgaben zu reduzieren

Wenn Sie mit Rechnungen und Quittungen arbeiten oder sich Gedanken über die Identitätsprüfung machen, sehen Sie sich Nanonets an Online-OCR or PDF-Textextraktor um Text aus PDF-Dokumenten zu extrahieren kostenlos registrieren. Klicken Sie unten, um mehr darüber zu erfahren Unternehmensautomatisierungslösung von Nanonets.

Probieren Sie Nanonets kostenlos aus

Anwendungen von Humans in the Loop

KI- und ML-Systeme sind heute in der Welt allgegenwärtig. Der Mensch in der Schleife kann entweder nur auf der Verbrauchsseite oder auch im operativen Bereich sein. Beispiele für Ersteres sind die Verwendung von Suchmaschinen, digitalen Karten, Navigation usw., bei denen der menschliche Verbraucher ein KI-System verwendet, um verschiedene Dienste in Anspruch zu nehmen.

Einige typische Anwendungen, in denen sich das HITL auf der Stufe des AI/ML-Betriebs selbst befindet, sind:

Die Grenze zwischen Nutzung und Missbrauch von Social-Media-Anwendungen ist schmal, und menschliches Urteilsvermögen ist unerlässlich, um Inhalte zu moderieren. Es stimmt, dass KI-Systeme mit der Zeit lernen können, Inhalte zu moderieren. Dafür ist jedoch die menschliche Beteiligung unerlässlich, damit die Maschine lernt, Texte, Benutzernamen, Bilder und Videos zu identifizieren, die möglicherweise unerwünschte Interaktionselemente enthalten.

Gesundheitstechnik

Die medizinische Bildgebung und die KI-basierte Erkennung der normalen und abnormalen Merkmale des Bildes werden umfassend entwickelt. Solche Entwicklungen erfordern das Eingreifen von Fachexperten, um das Modell darauf zu trainieren, nach bestimmten Merkmalen des Bildes zu suchen, die auf Anomalien hindeuten. Selbst die am besten ausgebildeten Modelle müssen durch menschliche Bestätigung weiter unterstützt werden, da diagnostische und therapeutische Dienstleistungen mit Leben zu tun haben und Fehler nicht akzeptabel sind. Die technischen Anwendungen im Gesundheitswesen erfordern intensive Datenkennzeichnungsdienste, um ihre Trainingsdaten zu erweitern.

Transportwesen

Selbstfahrende Autos nähern sich bereits dem praktischen Einsatz, aber für die weitere Entwicklung müssen riesige Datenmengen in Form von Bildern, Videos und Tönen von Menschen gesammelt und annotiert werden. Die Kennzeichnung von Bilddaten als Menschen, Fahrzeuge, Straßensperren, Vegetation, Tiere, Straßenformen usw. ist für das ML von größter Bedeutung, um automatisiertes Fahren ohne Unfälle zu ermöglichen. Um wirklich selbstfahrende Fahrzeuge auf der Welt zu realisieren, sind enorme menschliche Kennzeichnungs- und Anmerkungsanstrengungen erforderlich.

Verteidigungsanwendungen

Die Zukunftsvision für Verteidigungsorganisationen ist der Einsatz autonomer Systeme in gefährlichen Missionen. Solche Systeme müssen in Sekundenbruchteilen menschenähnliche Entscheidungen treffen können. Die verfügbaren Datenmengen, um diese leistungsstarken KI-Backends zu trainieren, reichen derzeit jedoch nicht aus, um eine vollständige Autonomie zu ermöglichen. Menschenlose künstliche Intelligenzsysteme sind auch nicht in der Lage, Kontextinformationen in der Eingabe zu verstehen, was zu katastrophalen Vorhersagen und Entscheidungen führen kann. Daher ist ab sofort sicherlich ein Mensch in der Schleife erforderlich, um die Verteidigungsoperationen unter Kontrolle und menschlich zu halten.

Kreative Anwendungen

Über die oben genannten „wesentlichen“ Anwendungen hinaus können KI-Systeme von HITL auch Unterhaltungswert haben. Das Stanford Menschenzentrierte KI Initiative entwirft Systeme, die Technologie mit menschlicher Interaktion verbinden, um neue Werkzeuge für musikalische und andere Formen menschlicher Kreativität zu entwickeln. Stilübertragende tiefe künstliche neuronale Netze Verwenden Sie menschliche Eingriffe, um Maschinen „Stile“ von Gemälden für neue KI-Kreationen beizubringen.

Andere Bereiche, die von Human-in-the-Loop-KI-Systemen profitieren, sind Sport, Spiele (Video und real), Landwirtschaft, Fabrikautomatisierung und Finanzaktivitäten.

Möchten Sie sich wiederholende manuelle Aufgaben automatisieren? Sparen Sie Zeit, Mühe und Geld und steigern Sie gleichzeitig die Effizienz!

Probieren Sie Nanonets kostenlos aus

wegnehmen

0:00

Wir sind, wenn überhaupt möglich, noch weit davon entfernt, dass Roboter aufsteigen und die Welt erobern. Der Mensch wird im Kreislauf der künstlichen Intelligenz immer noch benötigt. Der breitere Ansatz für KI ist nicht das Design einer perfekten Maschine – was äußerst schwierig, wenn nicht sogar unmöglich ist, sondern das Design von kollaborativen Systemen, die die Subtilität menschlicher Argumentation und die Kraft intelligenter Automatisierung kombinieren.

var contentTitle = „Inhaltsverzeichnis“; // Geben Sie hier Ihren Titel ein, um später keine Überschrift dafür zu erstellen var ToC = „

„+InhaltTitel+“

„; ToC += „

“; var tocDiv = document.getElementById('dynamictocnative'); tocDiv.outerHTML = Inhaltsverzeichnis;

Nanonetze Online-OCR & OCR-API habe viele interessante Anwendungsfälle tDies könnte Ihre Geschäftsleistung optimieren, Kosten sparen und das Wachstum fördern. Finden Sie heraus wie die Anwendungsfälle von Nanonets auf Ihr Produkt angewendet werden können.

Zeitstempel: 6. Juni 2022

Zeitstempel: 1. September 2023

Neuauflage von Plato

Leitfaden für B2B-Zahlungen: Ein umfassender Überblick

Wie hoch sind die Kosten für die Bearbeitung einer Rechnung?

So verwalten Sie interne Kontrollen für die Kreditorenbuchhaltung

8 beste Logistik-OCR-Software im Jahr 2024

So entwickeln Sie eine effektive Beschaffungsstrategie

Was ist Rechnungsbearbeitung? – Rechnungsverarbeitung erklärt

21 Beste Buchhaltungsautomatisierungssoftware für kleine Unternehmen

Der ultimative Leitfaden zur Contact Center-Automatisierung

Über uns

Vertikale Suche & Ai

Plattform

Bleiben Sie in Verbindung

Konto

„+InhaltTitel+“

Definition von Mensch in der Schleife

ML, ein beliebtes KI-Tool, das für HITL zugänglich ist

Arten von HITL in ML

von Vorabkalkulationen

Ausbildung

Beschriftungsdaten

Validierung

Die Bedeutung von Human-in-the-Loop-ML und anderen KI-Tools

Wenn Trainingsdaten fehlen

Wenn Entmenschlichung keine Option ist

Wo zwei Augen sicherer sind als das maschinelle Sehen

Für mehr Transparenz

Um das KI-Tool zu stärken

Im tiefen Lernen

Anwendungen von Humans in the Loop

Social Media

Gesundheitstechnik

Transportwesen

Verteidigungsanwendungen

Kreative Anwendungen

wegnehmen

„+InhaltTitel+“

Mehr von KI & Maschinelles Lernen

Über uns

Vertikale Suche & Ai

Plattform

Bleiben Sie in Verbindung

Konto