Άνθρωποι στον βρόχο

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Άνθρωποι στο βρόχο

Ψάχνετε για λύση αυτοματισμού; Μην ψάχνετε άλλο!

.cta-first-blue{ μετάβαση: όλα τα 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; περίγραμμα-ακτίνα: 0px; βάρος γραμματοσειράς: έντονη γραφή; μέγεθος γραμματοσειράς: 16 px; Ύψος γραμμής: 24 px; padding: 12px 24px; φόντο: #546fff; άσπρο χρώμα; ύψος: 56 px; text-align: αριστερά; οθόνη: inline-flex; flex-direction: σειρά; -moz-box-align: κέντρο; στοίχιση-στοιχεία: κέντρο; Διάστιχο γραμμάτων: 0 px; box-sizing: border-box; border-width:2px !important; περίγραμμα: συμπαγές #546fff !σημαντικό; } .cta-first-blue:hover{ color:#546fff; φόντο: λευκό; μετάβαση: όλα τα 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !important; περίγραμμα: συμπαγές #546fff !σημαντικό; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; περίγραμμα-ακτίνα: 0px; βάρος γραμματοσειράς: έντονη γραφή; μέγεθος γραμματοσειράς: 16 px; Ύψος γραμμής: 24 px; padding: 12px 24px; φόντο: λευκό; χρώμα: #333; ύψος: 56 px; text-align: αριστερά; οθόνη: inline-flex; flex-direction: σειρά; -moz-box-align: κέντρο; στοίχιση-στοιχεία: κέντρο; Διάστιχο γραμμάτων: 0 px; box-sizing: border-box; border-width:2px !important; περίγραμμα: συμπαγές #333 !σημαντικό; } .cta-second-black:hover{ color:white; φόντο:#333; μετάβαση: όλα τα 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !important; περίγραμμα: συμπαγές #333 !σημαντικό; } .column1{ min-width: 240px; max-width: fit-content. padding-right: 4%; } .column2{ min-width: 200px; max-width: fit-content. } .cta-main{ display: flex; }

«Καθώς όλο και περισσότερη τεχνητή νοημοσύνη εισέρχεται στον κόσμο, όλο και περισσότερη συναισθηματική νοημοσύνη πρέπει να εισέλθει στην ηγεσία». -Amit Ray, διάσημος επιστήμονας AI, συγγραφέας της Compassionate Artificial Intelligence

Η τέταρτη βιομηχανική εποχή στην οποία ζούμε είναι ανατρεπτική καθώς συνδυάζει τον εγκέφαλο που βασίζεται στον άνθρακα με τον εγκέφαλο του πυριτίου. Η τεχνητή νοημοσύνη είναι ήδη μέρος της ζωής μας, ακόμα κι αν δεν το συνειδητοποιούμε καν – μηχανές αναζήτησης, ψηφιακοί βοηθοί, χάρτες και πλοήγηση, η λίστα είναι ατελείωτη. Οι μηχανές μπορούν τώρα να «μάθουν» καθώς λειτουργούν, αλλά αυτό, στις περισσότερες περιπτώσεις, δεν αποκλείει τους ανθρώπους από τη διαδικασία.

Τα συστήματα Humans in the Loop ή HITL επιτρέπουν και στις δύο μορφές νοημοσύνης να αλληλεπιδρούν κομψά για το αμοιβαίο όφελος.

Ας μάθουμε περισσότερα για το human in the loop AI.

var contentsTitle = "Πίνακας περιεχομένων"; // Ορίστε τον τίτλο σας εδώ, για να αποφύγετε τη δημιουργία επικεφαλίδας για αυτόν αργότερα var ToC = "

"+contentsTitle+"

"; ToC += "

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

Ορισμός του Human In the Loop

Οι μηχανές μας έχουν διανύσει πολύ δρόμο από τότε που ο Paul Ehrlich έγραψε το 1978: «Το να κάνεις λάθος είναι ανθρώπινο, το να βλάψεις πραγματικά πράγματα χρειάζεται έναν υπολογιστή». Τα σημερινά εργαλεία Τεχνητής Νοημοσύνης έχουν προχωρήσει τόσο πολύ που το περιθώριο λάθους έχει μειωθεί σημαντικά. Αυτό είναι σημαντικό γιατί τα εργαλεία τεχνητής νοημοσύνης χρησιμοποιούνται πλέον σε κρίσιμες εφαρμογές, όπως πτήσεις, υποστήριξη ζωής και έλεγχος όπλων όπου τα λάθη είναι καταστροφικά.

Τούτου λεχθέντος, τα AI, όπως και ο άνθρωπος που τα κατασκεύασε, δεν είναι τέλεια. Οι προβλέψεις που γίνονται από τα εργαλεία τεχνητής νοημοσύνης δεν είναι 100% ακριβείς επειδή οι μηχανές χτίζουν την κατανόησή τους από υπάρχοντα δεδομένα και μοτίβα. Αν και αυτό ισχύει και για την ανθρώπινη νοημοσύνη, υπάρχει ένα πρόσθετο στοιχείο της γνώσης που βασίζεται σε δοκιμές και σφάλματα που χρησιμοποιεί πολλαπλές εισροές και έναν πρόσθετο παράγοντα συναισθηματικής συλλογιστικής στην ανθρώπινη νοημοσύνη. Αυτό πιθανώς κάνει τον άνθρωπο επιρρεπή σε λάθη, ενώ το μηχάνημα, επιρρεπές σε ρύπανση.

Αλλά εκτός από τα αστεία, τα συστήματα τεχνητής νοημοσύνης δεν μπορούν ακόμη να είναι εντελώς απαλλαγμένα από τον άνθρωπο λόγω αυτής της εγγενούς αβεβαιότητας ακρίβειας και τα περισσότερα, αν όχι όλα, εργαλεία τεχνητής νοημοσύνης χρησιμοποιούν κάποιο βαθμό ανθρώπινης αλληλεπίδρασης για να διορθώσουν ή απλώς να παρακολουθήσουν. Η αλληλεπίδραση μεταξύ ανθρώπου και μηχανής έχει ως αποτέλεσμα έναν βρόχο ανάδρασης που επιτρέπει περιοδικές διορθώσεις πορείας του συστήματος AI για τη βελτίωση της απόδοσης και την ενίσχυση της αυτονομίας. Έτσι προκύπτει ο επίσημος ορισμός για το Human in the Loop.

Άνθρωποι στο βρόχο — πηγή: Humans in the Loop – Συνεχώς καλύτερα μοντέλα με έναν άνθρωπο στο βρόχο

Ουσιαστικά, η ανθρώπινη τεχνητή νοημοσύνη επιτρέπει στους ανθρώπους να παρέχουν ανατροφοδότηση στο μοντέλο τεχνητής νοημοσύνης (ML, DL, ANN, κ.λπ.) για προβλέψεις κάτω από ένα ορισμένο επίπεδο εμπιστοσύνης.

Θέλετε να απόξεση δεδομένων από PDF έγγραφα, μετατροπή PDF σε XML or αυτοματοποιημένη εξαγωγή τραπεζιού? Δείτε τα Nanonets' Ξύστρα PDF or Αναλυτής PDF μετατρέπω PDF στη βάση δεδομένων συμμετοχές!

Δοκιμάστε το Nanonets δωρεάν

ML, ένα δημοφιλές εργαλείο τεχνητής νοημοσύνης που επιδέχεται το HITL

Η μάθηση είναι η διαδικασία κατά την οποία χρησιμοποιούνται προϋπάρχοντα δεδομένα για να γίνουν μελλοντικές προβλέψεις – «ένα καμένο παιδί φοβάται τη φωτιά» είναι ένα σχετικό, αν και ενοχλητικό, παράδειγμα της μαθησιακής διαδικασίας. Η μηχανική μάθηση, ένα από τα εργαλεία της τεχνητής νοημοσύνης, λειτουργεί σχεδόν με τον ίδιο τρόπο – μαθαίνει μοτίβα από υπάρχοντα δεδομένα και κάνει προβλέψεις με βάση αυτά τα μοτίβα. Για παράδειγμα, χρησιμοποιώντας τις εικόνες χαρούμενων και λυπημένων προσώπων από μια προϋπάρχουσα βάση δεδομένων συναισθηματικών προσώπων, ένα εργαλείο ML προσδιορίζει ένα νέο πρόσωπο ως χαρούμενο ή λυπημένο. Στη συνέχεια, η πρόβλεψη επικυρώνεται και, αν βρεθεί σωστή, προχωρά, αποκρύπτοντας αυτή τη νέα «εμπειρία» ως άλλο σημείο δεδομένων. Εάν όχι, η πορεία του μηχανήματος διορθώνεται.

Θέλετε να αυτοματοποιήσετε επαναλαμβανόμενες χειροκίνητες εργασίες; Ελέγξτε το λογισμικό επεξεργασίας εγγράφων που βασίζεται σε ροή εργασίας Nanonets. Εξαγωγή δεδομένων από τιμολόγια, ταυτότητες ή οποιοδήποτε έγγραφο στον αυτόματο πιλότο!

Δοκιμάστε το Nanonets δωρεάν

Τύποι HITL σε ML

Στο Human in the Loop Machine Learning, ο άνθρωπος συμμετέχει σε πολλά επίπεδα.

Δημιουργία

Το ανθρώπινο στοιχείο ξεκινά με τη δημιουργία του αλγόριθμου και ο αλγόριθμος απογειώνεται. Όπως ο Tony Stark και ο JARVIS του

Εκπαίδευση

Όπως περιγράφηκε προηγουμένως, η μάθηση γίνεται με δεδομένα. Όταν ένα παιδί δεν αγγίζει τη φλόγα, πιθανότατα ένας ενήλικας του έχει μάθει να μην το κάνει. Η ανθρώπινη κρίση χρησιμοποιείται για να εκπαιδεύσει το μοντέλο, έτσι ώστε σε εύθετο χρόνο το μοντέλο να έχει ίδια απόδοση ή να ξεπερνάει τον άνθρωπο στο να κάνει προβλέψεις χρησιμοποιώντας μοτίβα.

Δεδομένα επισήμανσης

Τα μοντέλα μηχανικής μάθησης χρειάζονται επισημασμένα δεδομένα από το οποίο να μάθουν. Ορισμένα σύνολα δεδομένων μπορεί να έχουν ήδη ετικέτες, αλλά ελλείψει προεπισημασμένων δεδομένων, οι άνθρωποι πρέπει να επισημαίνουν τα δεδομένα που εκπαιδεύουν τον αλγόριθμο ML. Σύμφωνα με την IDC, το 90% των δεδομένων που είναι διαθέσιμα είναι σκοτεινά δεδομένα, δηλαδή μη δομημένα/χωρίς κατηγοριοποίηση δεδομένα. Η επισήμανση μπορεί να είναι χρονοβόρα, κουραστική δουλειά. Πράγματι, η επισήμανση δεδομένων έχει γίνει μια αυτόνομη δουλειά στον τομέα της τεχνητής νοημοσύνης και της επιστήμης δεδομένων. Όσο κοσμικό κι αν ακούγεται, η επισήμανση των συνόλων δεδομένων δεν είναι πάντα μια δραστηριότητα χαμηλού επιπέδου και συγκεκριμένες εφαρμογές μπορεί να απαιτούν γνώσεις για συγκεκριμένο τομέα. Για παράδειγμα, η προσθήκη ετικετών σε ιατρικά δεδομένα απαιτεί γνώση σχετικά με ασθένειες, καταστάσεις κ.λπ. Τα περισσότερα σύνολα δεδομένων που χρησιμοποιούνται στον τομέα της υγειονομικής περίθαλψης απαιτούν γνώσεις για συγκεκριμένο τομέα, όπως ένας γιατρός που επισημαίνει μια ακτινογραφία πνεύμονα ως καρκινική ή όχι. Η επισήμανση δεδομένων που χρησιμοποιούνται για την εκπαίδευση της τεχνητής νοημοσύνης που χρησιμοποιείται στις πτήσεις απαιτεί γνώση αεροδυναμικής και άλλων θεμάτων μηχανικής.

Επικύρωση

Μόλις ένα μοντέλο ML αρχίσει να προβλέπει χρησιμοποιώντας δεδομένα πραγματικού κόσμου, το HITL επικυρώνει τις προβλέψεις του μοντέλου και παρέχει ανατροφοδότηση σχετικά με ψευδώς θετικά και ψευδώς αρνητικά στο ML για εκπαίδευση. Ο άνθρωπος στον βρόχο μπορεί να ελέγξει την απόδοση του μοντέλου και να αναλύσει την απόδοσή του, για να τροποποιήσει τον αλγόριθμο ή να βελτιώσει το σύνολο δεδομένων εκπαίδευσης.

Θέλετε να χρησιμοποιήσετε ρομποτική αυτοματοποίηση διεργασιών; Ρίξτε μια ματιά στο λογισμικό επεξεργασίας εγγράφων που βασίζεται σε ροή εργασίας Nanonets. Χωρίς κωδικό. Χωρίς πλατφόρμα ταλαιπωρίας.

Δοκιμάστε το Nanonets δωρεάν

Η σημασία της ανθρώπινης ML και άλλων εργαλείων τεχνητής νοημοσύνης

Όταν υπάρχει έλλειψη δεδομένων προπόνησης

Η συμβατική μηχανική εκμάθηση και άλλα εργαλεία τεχνητής νοημοσύνης απαιτούν ένα μεγάλο σύνολο δεδομένων για την καλή εκπαίδευση και την απόκτηση ακριβών αποτελεσμάτων. Σε ένα νέο πεδίο ή σε ένα πεδίο που δεν διαθέτει προηγούμενα δεδομένα, τα μοντέλα ML δεν είναι ακριβή για να ξεκινήσουν και χρειάζονται πολύ χρόνο μέχρι να δημιουργηθούν επαρκή δεδομένα για εκπαίδευση. Το Human in the loop AI μπορεί να βοηθήσει σε αυτές τις περιπτώσεις όπου ο άνθρωπος διδάσκει τον αλγόριθμο, τα μοτίβα και τους κανόνες χωρίς να χρειάζεται ένα μεγάλο σύνολο δεδομένων για εργασία. Σε αυτό το πλαίσιο, το HITL βοηθά στην επικύρωση των μοντέλων και επιτρέπει την εκπαίδευση με χρήση δεδομένων που δεν είναι δομημένα, δύσκολα να επισημανθούν και αλλάζουν συνεχώς.

Όταν η απανθρωποποίηση δεν είναι επιλογή

Υπάρχουν επίσης συγκεκριμένα πεδία στα οποία ο άνθρωπος στον βρόχο της τεχνητής νοημοσύνης είναι χρήσιμος, ακόμη και απαραίτητος. Ένας τομέας είναι η υγειονομική περίθαλψη. Ενώ η τεχνητή νοημοσύνη μπορεί σίγουρα να διευκολύνει τη διάγνωση και ακόμη και τη θεραπεία, όπως η ρομποτική χειρουργική, δεν είναι σαφές εάν μπορεί να απο-ανθρωποποιηθεί. Είναι πράγματι αλήθεια ότι η τεχνητή νοημοσύνη μπορεί να βοηθήσει τους κλινικούς γιατρούς να αφιερώνουν λιγότερο χρόνο σε διοικητικές και διαγνωστικές εργασίες, αλλά συνεχίζεται η συζήτηση σχετικά με το εάν η απανθρωποποιημένη τεχνητή νοημοσύνη θα υπονόμευε την ανθρώπινη διάσταση της σχέσης ασθενή-γιατρού. Η γενική δεοντολογική συναίνεση είναι ότι το human-in-the-loop είναι απαραίτητο για την τεχνητή νοημοσύνη να εξυπηρετεί τους ανθρώπινους σκοπούς, να σέβεται την προσωπική ταυτότητα και να προωθεί την ανθρώπινη αλληλεπίδραση.

Όπου δύο μάτια είναι πιο ασφαλή από την μηχανική όραση

Το HITL είναι επίσης απαραίτητο σε καταστάσεις που απαιτούν μέγιστη ακρίβεια για ασφάλεια. Ένα παράδειγμα είναι η κατασκευή κρίσιμων εξαρτημάτων για οχήματα ή αεροπλάνα. Ενώ τα εργαλεία τεχνητής νοημοσύνης όπως το ML είναι εξαιρετικά χρήσιμα για επιθεωρήσεις, μια ανθρώπινη οθόνη στην ομάδα θα πρόσθετε στην αξιοπιστία του εξαρτήματος. Επιπλέον, με ελλιπή ή μεροληπτικά δεδομένα, τα μοντέλα Μηχανικής Μάθησης μπορούν να γίνουν μεροληπτικά. Ένας άνθρωπος στο βρόχο μπορεί να εντοπίσει και να διορθώσει την προκατάληψη εγκαίρως.

Για αυξημένη διαφάνεια

Οι εφαρμογές τεχνητής νοημοσύνης μπορούν να γίνουν μαύρα κουτιά στα οποία είναι κρυμμένη η επεξεργασία που μετατρέπει τα δεδομένα σε μια απόφαση. Αυτό δεν είναι βολικό για δραστηριότητες ευαίσθητες σε δεδομένα, όπως χρηματοοικονομικά και τραπεζικά. Αυτό αποτελεί επίσης πρόβλημα για τη λήψη αποφάσεων, τη συμμόρφωση με τους κανονισμούς και τις ανάγκες γνωστοποίησης που σχετίζονται με ορισμένες δραστηριότητες. Σε τέτοιες περιπτώσεις, το μοντέλο HITL επιτρέπει στους ανθρώπους να δουν πώς το εργαλείο AI καταλήγει σε ένα συγκεκριμένο αποτέλεσμα με ένα δεδομένο σύνολο δεδομένων. Αυτό επιτρέπει στο εργαλείο AI/ML να είναι, στη γλώσσα της θερμοδυναμικής, ένα «ανοιχτό» παρά ένα «απομονωμένο» σύστημα.

Για να ενδυναμώσετε το εργαλείο AI

Όταν ένα παιδί μαθαίνει το αλφάβητο, απαιτείται δάσκαλος, αλλά καθώς μεγαλώνει, ο ρόλος του δασκάλου γίνεται καθοδήγηση αντί να διδάσκει τελικά, ο ενήλικας πλέον μπορεί να μάθει μόνος του χωρίς να χρειάζεται δάσκαλο. Κάπως έτσι, ο άνθρωπος πρέπει πρώτα να εκπαιδεύσει το σύστημα και όσο περισσότερα μαθαίνει το εργαλείο τεχνητής νοημοσύνης από την ανθρώπινη παρέμβαση, τόσο καλύτερο γίνεται και ο χρόνος του ανθρώπου στον βρόχο μπορεί να μειωθεί, ή σε ορισμένες περιπτώσεις, ακόμη και εξαλειφθεί. Έτσι, το εργαλείο AI επωφελείται από την ανθρώπινη νοημοσύνη μέσω του βρόχου ανάδρασης.

Στη βαθιά μάθηση

Η βαθιά μάθηση Human in the loop χρησιμοποιείται στο ακόλουθο σενάριο:

Οι αλγόριθμοι δεν αναγνωρίζουν τα δεδομένα εισόδου.
Τα δεδομένα εισόδου παρερμηνεύονται
Υπάρχει αναποφασιστικότητα σχετικά με την επόμενη εργασία που θα χρησιμοποιηθεί στα δεδομένα
Να επιτρέψει στους ανθρώπους να εκτελούν ορισμένα καθήκοντα αντικειμενικά
Για τη μείωση των σφαλμάτων και των χρονικών καθυστερήσεων για ανθρώπινες εργασίες

Εάν εργάζεστε με τιμολόγια και αποδείξεις ή ανησυχείτε για την επαλήθευση ταυτότητας, ρίξτε μια ματιά στο Nanonets online OCR or Εξαγωγή κειμένου PDF για εξαγωγή κειμένου από έγγραφα PDF δωρεάν. Κάντε κλικ παρακάτω για να μάθετε περισσότερα Nanonets Enterprise Automation Solution.

Δοκιμάστε το Nanonets δωρεάν

Εφαρμογές των ανθρώπων στον βρόχο

Τα συστήματα AI και ML είναι πανταχού παρόντα στον κόσμο σήμερα. Ο άνθρωπος στον βρόχο μπορεί είτε να βρίσκεται μόνο στο τέλος της κατανάλωσης είτε στο επιχειρησιακό πεδίο επίσης. Παραδείγματα των πρώτων περιλαμβάνουν τη χρήση μηχανών αναζήτησης, ψηφιακών χαρτών, πλοήγησης κ.λπ., όπου ο άνθρωπος καταναλωτής χρησιμοποιεί ένα σύστημα τεχνητής νοημοσύνης για να επωφεληθεί από διάφορες υπηρεσίες.

Μερικές τυπικές εφαρμογές στις οποίες το HITL βρίσκεται στο στάδιο της ίδιας της λειτουργίας AI/ML είναι:

Η γραμμή μεταξύ της χρήσης και της κατάχρησης των εφαρμογών μέσων κοινωνικής δικτύωσης είναι καλή και η ανθρώπινη κρίση είναι απαραίτητη για μέτριο περιεχόμενο. Είναι αλήθεια ότι τα συστήματα AI μπορούν να μάθουν να μετριάζουν το περιεχόμενο με την πάροδο του χρόνου. Αλλά για αυτό, η ανθρώπινη συμμετοχή είναι απαραίτητη για να βοηθήσει το μηχάνημα να μάθει να εντοπίζει κείμενο, ονόματα χρήστη, εικόνες και βίντεο που μπορεί να έχουν ανεπιθύμητα στοιχεία αλληλεπίδρασης.

Τεχν. Φροντίδας Υγείας

Η ιατρική απεικόνιση και η αναγνώριση με βάση την τεχνητή νοημοσύνη των φυσιολογικών και μη φυσιολογικών χαρακτηριστικών της εικόνας αναπτύσσονται εκτενώς. Τέτοιες εξελίξεις απαιτούν παρέμβαση από ειδικούς στο αντικείμενο, προκειμένου να εκπαιδεύσει το μοντέλο να αναζητά συγκεκριμένα χαρακτηριστικά της εικόνας που δείχνουν ανωμαλίες. Ακόμη και τα καλύτερα εκπαιδευμένα μοντέλα πρέπει να υποστηρίζονται περαιτέρω από ανθρώπινη επιβεβαίωση, επειδή οι διαγνωστικές και θεραπευτικές υπηρεσίες αντιμετωπίζουν ζωές και τα λάθη δεν είναι αποδεκτά. Οι τεχνολογικές εφαρμογές της υγειονομικής περίθαλψης απαιτούν εντατικές υπηρεσίες σήμανσης δεδομένων για να αυξήσουν τα εκπαιδευτικά τους δεδομένα.

Μεταφορά

Τα αυτοοδηγούμενα αυτοκίνητα πλησιάζουν ήδη στην πρακτική χρήση, αλλά για περαιτέρω εξελίξεις, τεράστιες ποσότητες δεδομένων με τη μορφή εικόνων, βίντεο και ήχων πρέπει να συγκεντρωθούν και να σχολιαστούν από τους ανθρώπους. Η επισήμανση δεδομένων εικόνας ως άνθρωποι, οχήματα, οδοφράγματα, βλάστηση, ζώα, σχήματα δρόμων κ.λπ., είναι υψίστης σημασίας για το ML ώστε να επιτρέπει την αυτοματοποιημένη οδήγηση χωρίς ατυχήματα. Απαιτούνται τεράστιες προσπάθειες ανθρώπινων ετικετών και σχολιασμών για την πραγματοποίηση πραγματικά αυτό-οδηγούμενων οχημάτων στον κόσμο.

Αμυντικές εφαρμογές

Το φουτουριστικό όραμα για τους αμυντικούς οργανισμούς είναι η χρήση αυτόνομων συστημάτων σε επικίνδυνες αποστολές. Τέτοια συστήματα πρέπει να είναι σε θέση να λαμβάνουν ανθρώπινες αποφάσεις υπό συνθήκες κλασμάτων δευτερολέπτου. Ωστόσο, οι ποσότητες των διαθέσιμων δεδομένων για την εκπαίδευση αυτών των backends υψηλής απόδοσης AI είναι επί του παρόντος ανεπαρκείς για να επιτρέψουν την πλήρη αυτονομία. Τα συστήματα τεχνητής νοημοσύνης χωρίς άνθρωπο δεν είναι επίσης σε θέση να κατανοήσουν τις πληροφορίες συμφραζομένων στην είσοδο και αυτό μπορεί να οδηγήσει σε καταστροφικές προβλέψεις και αποφάσεις. Έτσι, από τώρα, σίγουρα απαιτείται ένας άνθρωπος στον βρόχο για να κρατήσει τις αμυντικές επιχειρήσεις υπό έλεγχο και ανθρώπινο.

Δημιουργικές εφαρμογές

Πέρα από τις παραπάνω «βασικές» εφαρμογές, τα συστήματα HITL AI μπορούν να έχουν και ψυχαγωγική αξία. ο Stanford Ανθρωποκεντρική AI Η πρωτοβουλία σχεδιάζει συστήματα που εμπλουτίζουν την τεχνολογία με την ανθρώπινη αλληλεπίδραση για την ανάπτυξη νέων εργαλείων για μουσική και άλλες μορφές ανθρώπινης δημιουργικότητας. Βαθιά τεχνητά νευρωνικά δίκτυα μεταφοράς στυλ χρησιμοποιήστε την ανθρώπινη παρέμβαση για να διδάξετε στις μηχανές «στυλ» ζωγραφικής για νέες δημιουργίες τεχνητής νοημοσύνης.

Άλλοι τομείς που επωφελούνται από τα συστήματα τεχνητής νοημοσύνης Human in the loop περιλαμβάνουν τον αθλητισμό, τα παιχνίδια (βίντεο και την πραγματική ζωή), τη γεωργία, τον αυτοματισμό εργοστασίων και τις οικονομικές δραστηριότητες.

Θέλετε να αυτοματοποιήσετε επαναλαμβανόμενες χειροκίνητες εργασίες; Εξοικονομήστε χρόνο, κόπο και χρήματα ενώ ενισχύετε την αποτελεσματικότητα!

Δοκιμάστε το Nanonets δωρεάν

Πάρε μακριά

0:00

Έχουμε ακόμη πολύ δρόμο, αν είναι δυνατόν, για να ανέβουν τα ρομπότ και να κατακτήσουν τον κόσμο. Οι άνθρωποι εξακολουθούν να απαιτούνται στο βρόχο της τεχνητής νοημοσύνης. Η ευρύτερη προσέγγιση της τεχνητής νοημοσύνης δεν είναι ο σχεδιασμός μιας τέλειας μηχανής – κάτι που είναι εξαιρετικά δύσκολο, αν όχι αδύνατο, αλλά ο σχεδιασμός συνεργατικών συστημάτων που συνδυάζουν τη λεπτότητα της ανθρώπινης λογικής και τη δύναμη του ευφυούς αυτοματισμού.

"+contentsTitle+"

"; ToC += "

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

Νανοδίκτυα διαδικτυακό OCR & OCR API έχουν πολλά ενδιαφέροντα περιπτώσεις χρήσης tΤο καπέλο θα μπορούσε να βελτιστοποιήσει την απόδοση της επιχείρησής σας, να εξοικονομήσει κόστος και να αυξήσει την ανάπτυξη. Βρίσκω πώς οι θήκες χρήσης των Nanonets μπορούν να εφαρμοστούν στο προϊόν σας.