humanos en el bucle

Reeditado por Platón

seguidores: 0

Humanos en el circuito

¿Busca una solución de automatización? ¡No busque más!

.cta-first-blue{ transición: todo 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; borde-radio: 0px; fuente-peso: negrita; tamaño de fuente: 16px; altura de línea: 24px; relleno: 12px 24px; fondo: #546fff; color blanco; altura: 56px; alineación de texto: izquierda; pantalla: en línea-flexible; dirección de flexión: fila; -moz-box-align: centro; alinear elementos: centro; espaciado entre letras: 0px; tamaño de caja: caja de borde; border-width:2px !importante; borde: sólido #546fff !importante; } .cta-first-blue: hover{ color:#546fff; fondo:blanco; transición: todo 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !importante; borde: sólido #546fff !importante; } .cta-segundo-negro{ transición: todo 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; borde-radio: 0px; fuente-peso: negrita; tamaño de fuente: 16px; altura de línea: 24px; relleno: 12px 24px; fondo: blanco; color: #333; altura: 56px; alineación de texto: izquierda; pantalla: en línea-flexible; dirección de flexión: fila; -moz-box-align: centro; alinear elementos: centro; espaciado entre letras: 0px; tamaño de caja: caja de borde; border-width:2px !importante; borde: sólido #333 !importante; } .cta-segundo-negro: hover{ color: blanco; fondo:#333; transición: todo 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !importante; borde: sólido #333 !importante; } .column1{ ancho mínimo: 240px; max-width: ajuste-contenido; relleno derecho: 4%; } .column2{ ancho mínimo: 200px; max-width: ajuste-contenido; } .cta-principal{ pantalla: flex; }

“A medida que más y más inteligencia artificial ingresa al mundo, más y más inteligencia emocional debe ingresar al liderazgo”. -Amit Ray, famoso científico de inteligencia artificial, autor de Inteligencia artificial compasiva

La cuarta era industrial en la que vivimos es disruptiva en la medida en que mezcla el cerebro de carbono con el de silicio. La inteligencia artificial ya forma parte de nuestras vidas, incluso si ni siquiera nos damos cuenta: motores de búsqueda, asistentes digitales, mapas y navegación, la lista es interminable. Las máquinas ahora pueden "aprender" mientras trabajan, pero esto, en la mayoría de los casos, no excluye a los humanos del proceso.

Los sistemas Humans in the Loop o HITL permiten que ambas formas de inteligencia interactúen elegantemente para su beneficio mutuo.

Aprendamos más sobre la IA humana en el bucle.

var contentTitle = "Tabla de contenido"; // Establezca su título aquí, para evitar hacer un encabezado para él más adelante var ToC = “

“+contenidoTítulo+”

“; TdC += “

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

Definición de Human In the Loop

Nuestras máquinas han recorrido un largo camino desde que Paul Ehrlich escribió en 1978: “Errar es humano, para estropear realmente las cosas se necesita una computadora”. Las herramientas de Inteligencia Artificial actuales han progresado tanto que el margen de error ha disminuido considerablemente. Esto es importante porque las herramientas de IA ahora se usan en aplicaciones críticas, incluidos vuelos, soporte vital y control de armas, donde los errores son catastróficos.

Dicho esto, las IA, como el humano que las construyó, no son perfectas. Las predicciones hechas por las herramientas de IA no son 100% precisas porque las máquinas construyen su comprensión a partir de datos y patrones existentes. Si bien esto también es cierto para la inteligencia humana, hay un elemento adicional de cognición basada en prueba y error que utiliza múltiples entradas y un factor adicional de razonamiento emocional en la inteligencia humana. Esto probablemente hace que el ser humano sea propenso a cometer errores, mientras que la máquina es propensa a estropear las cosas.

Pero aparte de las bromas, los sistemas de IA aún no pueden estar completamente libres de humanos debido a esta incertidumbre inherente de precisión, y la mayoría, si no todas, las herramientas de IA utilizan cierta cantidad de interacción humana para corregir el rumbo o simplemente monitorear. La interacción entre el hombre y la máquina da como resultado un ciclo de retroalimentación que permite correcciones periódicas del curso del sistema de IA para mejorar el rendimiento y aumentar la autonomía. Así surge la definición formal de Human in the Loop.

Humanos en el circuito — Fuente: Humans in the Loop: modelos cada vez mejores con un humano en el circuito

En efecto, la IA humana en el circuito permite que los humanos proporcionen retroalimentación al modelo de IA (ML, DL, ANN, etc.) para predicciones por debajo de un cierto nivel de confianza.

¿Quieres raspar datos de PDF documentos, convertir PDF a XML or automatizar la extracción de tablas? Echa un vistazo a Nanonets Raspador de PDF or analizador de PDF para convertir PDF a la base de datos entradas!

Prueba Nanonets gratis

ML, una popular herramienta de inteligencia artificial compatible con HITL

El aprendizaje es el proceso en el que se utilizan datos preexistentes para hacer predicciones futuras: "un niño quemado teme al fuego" es un ejemplo identificable, aunque perturbador, del proceso de aprendizaje. El aprendizaje automático, una de las herramientas de la IA, funciona de la misma manera: aprende patrones de los datos existentes y hace predicciones basadas en estos patrones. Por ejemplo, al usar las imágenes de caras felices y tristes de una base de datos preexistente de caras emocionales, una herramienta de ML identifica una cara nueva como feliz o triste. Luego, la predicción se valida y, si se encuentra correcta, avanza, ocultando esta nueva "experiencia" como otro punto de datos. Si no, el curso de la máquina corrige.

¿Quiere automatizar tareas manuales repetitivas? Consulte nuestro software de procesamiento de documentos basado en el flujo de trabajo Nanonets. ¡Extrae datos de facturas, documentos de identidad o cualquier documento en piloto automático!

Prueba Nanonets gratis

Tipos de HITL en ML

En Human in the Loop Machine Learning, el ser humano participa en muchos niveles.

contenido SEO

El componente humano comienza con la creación del algoritmo y el algoritmo despega. Al igual que Tony Stark y su JARVIS

Formación

Como se describió anteriormente, el aprendizaje ocurre con los datos. Cuando un niño no toca la llama, probablemente un adulto le haya enseñado a no hacerlo. El juicio humano se utiliza para entrenar el modelo de modo que, en el momento oportuno, el modelo se desempeñe como o supere al ser humano al hacer predicciones utilizando patrones.

Etiquetado de datos

Los modelos de aprendizaje automático necesitan datos etiquetados de la que aprender. Es posible que algunos conjuntos de datos ya tengan etiquetas, pero en ausencia de datos preetiquetados, los humanos deben etiquetar los datos que entrenan el algoritmo ML. De acuerdo con la IDC, el 90% de los datos disponibles son datos oscuros, es decir, datos no estructurados/no categorizados. El etiquetado puede ser un trabajo tedioso y lento. De hecho, el etiquetado de datos se ha convertido un trabajo independiente en el campo de inteligencia artificial y ciencia de datos. Por mundano que parezca, el etiquetado de los conjuntos de datos no siempre es una actividad de bajo nivel, y las aplicaciones específicas pueden requerir conocimientos específicos del dominio. Por ejemplo, el etiquetado de datos médicos requiere conocimientos sobre enfermedades, afecciones, etc. La mayoría de los conjuntos de datos utilizados en el ámbito de la atención de la salud requieren conocimientos específicos del dominio, como un médico que etiqueta una radiografía de pulmón como cancerosa o no. El etiquetado de datos utilizados para entrenar la IA utilizada en vuelos requiere conocimientos de aerodinámica y otros temas de ingeniería.

Validación

Una vez que un modelo de ML comienza a predecir utilizando datos del mundo real, el HITL valida las predicciones del modelo y proporciona comentarios sobre los falsos positivos y los falsos negativos al ML para el entrenamiento. El ser humano en el bucle puede revisar el rendimiento del modelo y analizar su rendimiento, para ajustar el algoritmo o mejorar el conjunto de datos de entrenamiento.

¿Quiere utilizar la automatización robótica de procesos? Consulte el software de procesamiento de documentos basado en el flujo de trabajo de Nanonets. Sin código. Plataforma sin complicaciones.

Prueba Nanonets gratis

La importancia del aprendizaje automático humano en el circuito y otras herramientas de IA

Cuando hay escasez de datos de entrenamiento

El aprendizaje automático convencional y otras herramientas de IA requieren un gran conjunto de datos para entrenar bien y obtener resultados precisos. En un campo nuevo o en un campo que carece de datos anteriores, los modelos de ML no son precisos al principio y tardan mucho tiempo en generar suficientes datos para el entrenamiento. Human in the loop AI puede ayudar en estos casos en los que el humano enseña el algoritmo, los patrones y las reglas sin la necesidad de un gran conjunto de datos para trabajar. En ese contexto, HITL ayuda a la validación de modelos y permite el entrenamiento utilizando datos que no están estructurados, son difíciles de etiquetar y cambian constantemente.

Cuando deshumanizar no es una opción

También hay campos específicos en los que el ser humano en el circuito de la IA es útil, incluso necesario. Un campo es el cuidado de la salud. Si bien la IA ciertamente puede facilitar el diagnóstico e incluso la terapia, como la cirugía robótica, no está claro si se puede deshumanizar. De hecho, es cierto que la IA puede ayudar a los médicos a dedicar menos tiempo a las tareas administrativas y de diagnóstico, pero sigue existiendo un debate sobre si la IA deshumanizada socavaría la dimensión humana de la relación médico-paciente. El consenso ético general es que el ser humano en el circuito es necesario para que la IA sirva a los fines humanos, respete la identidad personal y promueva la interacción humana.

Donde dos ojos son más seguros que la visión artificial

HITL también es necesario en situaciones que requieren la máxima precisión para la seguridad. Un ejemplo es la fabricación de piezas críticas para vehículos o aviones; Si bien las herramientas de IA como ML son inmensamente útiles para las inspecciones, un monitor humano en el grupo aumentaría la confiabilidad de la pieza. Además, con datos incompletos o sesgados, los modelos de Machine Learning pueden verse sesgados. Un humano en el circuito puede detectar y corregir el sesgo a tiempo.

Para una mayor transparencia

Las aplicaciones de IA pueden convertirse en cajas negras en las que se oculta el procesamiento que convierte los datos en una decisión. Esto es un inconveniente para las actividades sensibles a los datos, como las finanzas y la banca. Esto también es un problema para la toma de decisiones, el cumplimiento normativo y las necesidades de divulgación asociadas con ciertas actividades. En tales casos, el modelo HITL permite a los humanos ver cómo la herramienta de IA llega a un resultado particular con un conjunto de datos determinado. Esto permite que la herramienta AI/ML sea, en el lenguaje de la termodinámica, un sistema "abierto" en lugar de "aislado".

Para potenciar la herramienta de IA

Cuando un niño aprende el alfabeto, se requiere un maestro, pero a medida que crece, el papel del maestro se convierte en guía en lugar de enseñar, eventualmente, el ahora adulto puede aprender por sí mismo sin la necesidad de un maestro. De manera muy similar, primero se requiere que el ser humano entrene el sistema, y cuanto más aprende la herramienta de IA de la intervención humana, mejor se vuelve, y la cantidad de tiempo humano en el ciclo puede reducirse o, en algunos casos, incluso eliminado Por lo tanto, la herramienta de IA se beneficia de la inteligencia humana a través del ciclo de retroalimentación.

En aprendizaje profundo

El aprendizaje profundo Human in the loop se utiliza en el siguiente escenario:

Los algoritmos no reconocen los datos de entrada.
Los datos de entrada se malinterpretan
Hay indecisión sobre la próxima tarea a emplear en los datos.
Permitir que los seres humanos realicen ciertas tareas de manera objetiva.
Para reducir los errores y los retrasos de tiempo para las tareas humanas

Si trabaja con facturas y recibos o le preocupa la verificación de identidad, consulte Nanonets reconocimiento óptico de caracteres en línea or Extractor de texto PDF para extraer texto de documentos PDF gratis. Haga clic a continuación para obtener más información sobre Solución de automatización empresarial Nanonets.

Prueba Nanonets gratis

Aplicaciones de Humans in the Loop

Los sistemas AI y ML son omnipresentes en el mundo de hoy. El ser humano en el circuito puede estar solo en el extremo del consumo o también en el ámbito operativo. Ejemplos de los primeros incluyen el uso de motores de búsqueda, mapas digitales, navegación, etc., en los que el consumidor humano utiliza un sistema de IA para disponer de diversos servicios.

Algunas aplicaciones típicas en las que el HITL se encuentra en la etapa de la propia operación AI/ML son:

La línea entre el uso y el abuso de las aplicaciones de redes sociales es fina y el juicio humano es esencial para moderar el contenido. Es cierto que los sistemas de IA pueden aprender a moderar el contenido con el tiempo. Pero para eso, la participación humana es esencial para ayudar a la máquina a aprender a identificar texto, nombres de usuario, imágenes y videos que pueden tener elementos de interacción no deseados.

Tecnología de la salud

Las imágenes médicas y el reconocimiento basado en IA de las características normales y anormales de la imagen se están desarrollando ampliamente. Dichos desarrollos requieren la intervención de expertos en la materia, a fin de entrenar al modelo para que busque características específicas de la imagen que indiquen anomalías. Incluso los modelos mejor entrenados deben estar respaldados por confirmación humana porque los servicios de diagnóstico y terapéuticos tratan con vidas y los errores no son aceptables. Las aplicaciones de tecnología para el cuidado de la salud requieren servicios intensivos de etiquetado de datos para aumentar sus datos de entrenamiento.

Transporte

Los automóviles autónomos ya se están acercando al uso práctico, pero para futuros desarrollos, los humanos deben recopilar y anotar cantidades masivas de datos en forma de imágenes, videos y sonidos. Etiquetar datos de imágenes como personas, vehículos, barricadas, vegetación, animales, formas de carreteras, etc., es de suma importancia para que el ML permita la conducción automatizada sin accidentes. Se necesitan enormes esfuerzos humanos de etiquetado y anotación para lograr vehículos verdaderamente autónomos en el mundo.

Aplicaciones de defensa

La visión futurista para las organizaciones de defensa es el uso de sistemas autónomos en misiones peligrosas. Dichos sistemas deben poder tomar decisiones similares a las humanas en condiciones de una fracción de segundo. Sin embargo, las cantidades de datos disponibles para entrenar estos backends de IA de alto rendimiento actualmente son insuficientes para permitir una autonomía completa. Los sistemas de inteligencia artificial libres de humanos también son incapaces de comprender la información contextual en la entrada y esto puede resultar en predicciones y decisiones catastróficas. Por lo tanto, a partir de ahora, ciertamente se requiere un ser humano en el circuito para mantener las operaciones de defensa bajo control y ser humano.

Aplicaciones creativas

Más allá de las aplicaciones "esenciales" anteriores, los sistemas HITL AI también pueden tener un valor de entretenimiento. los Stanford IA centrada en el ser humano La iniciativa diseña sistemas que fusionan la tecnología con la interacción humana para desarrollar nuevas herramientas para la música y otras formas de creatividad humana. Redes neuronales artificiales profundas de transferencia de estilo utilice la intervención humana para enseñar a las máquinas "estilos" de pinturas para nuevas creaciones de IA.

Otros campos que se benefician de los sistemas de inteligencia artificial Human in the loop incluyen deportes, juegos (video y vida real), agricultura, automatización de fábricas y actividades financieras.

¿Quiere automatizar tareas manuales repetitivas? ¡Ahorre tiempo, esfuerzo y dinero mientras mejora la eficiencia!

Prueba Nanonets gratis

Para llevar

0:00

Todavía nos queda un largo camino, si es que es posible, para que los robots se levanten y se apoderen del mundo. Los humanos todavía son necesarios en el ciclo de la inteligencia artificial. El enfoque más amplio de la IA no es el diseño de una máquina perfecta, que es extremadamente difícil, si no imposible, sino el diseño de sistemas colaborativos que combinan la sutileza del razonamiento humano y el poder de la automatización inteligente.

var contentTitle = "Tabla de contenido"; // Establezca su título aquí, para evitar hacer un encabezado para él más adelante var ToC = “

“+contenidoTítulo+”

“; TdC += “

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

Nanonetas API de OCR y OCR en línea tengo muchos interesantes casos de uso tEsto podría optimizar el desempeño de su negocio, ahorrar costos e impulsar el crecimiento. Descubra cómo los casos de uso de Nanonets pueden aplicarse a su producto.