Inimesed ringis

Taasavaldanud Platon

järgijaid: 0

Inimesed ringis

Kas otsite automatiseerimislahendust? Ära enam otsi!

.cta-first-blue{ üleminek: kõik 0.1 s cubic-bezier(0.4, 0, 0.2, 1) 0s; piiri raadius: 0px; fondi kaal: paks; fondi suurus: 16 pikslit; rea kõrgus: 24 pikslit; polsterdus: 12px 24px; taust: #546fff; värvus: valge; kõrgus: 56 pikslit; teksti joondamine: vasakule; ekraan: inline-flex; painduv suund: rida; -moz-box-align: keskel; joonda-elemendid: keskel; tähevahe: 0 pikslit; box-sizing: border-box; border-width:2px !tähtis; ääris: tahke #546fff !tähtis; } .cta-first-blue:hover{ color:#546fff; taust: valge; üleminek: kõik 0.1 s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !tähtis; ääris: tahke #546fff !tähtis; } .cta-second-black{ üleminek: kõik 0.1 s cubic-bezier(0.4, 0, 0.2, 1) 0s; piiri raadius: 0px; fondi kaal: paks; fondi suurus: 16 pikslit; rea kõrgus: 24 pikslit; polsterdus: 12px 24px; taust: valge; värv: #333; kõrgus: 56 pikslit; teksti joondamine: vasakule; ekraan: inline-flex; painduv suund: rida; -moz-box-align: keskel; joonda-elemendid: keskel; tähevahe: 0 pikslit; box-sizing: border-box; border-width:2px !tähtis; ääris: tahke #333 !tähtis; } .cta-second-black:hover{ värv:valge; taust:#333; üleminek: kõik 0.1 s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !tähtis; ääris: tahke #333 !tähtis; } .column1{ min-width: 240px; max-laius: mahutav-sisu; polsterdus-parempoolne: 4%; } .column2{ min-width: 200px; max-laius: mahutav-sisu; } .cta-main{ kuva: flex; }

"Kuna maailmas tuleb üha rohkem tehisintellekti, peab üha rohkem emotsionaalset intelligentsust juhtima." -Amit Ray, kuulus tehisintellekti teadlane, kaastundliku tehisintellekti autor

Neljas tööstusajastu, milles me elame, on häiriv, kuna see ühendab süsinikupõhise aju räni ajuga. Tehisintellekt on juba osa meie elust, isegi kui me seda isegi ei teadvusta – otsingumootorid, digitaalsed assistendid, kaardid ja navigeerimine on see nimekiri lõputu. Masinad saavad nüüd töö käigus "õppida", kuid enamikul juhtudel ei välista see inimesi protsessist.

Loop- või HITL-süsteemides olevad inimesed võimaldavad mõlemal intelligentsuse vormil vastastikuse kasu nimel elegantselt suhelda.

Õppige rohkem tundma inimese in the loop AI kohta.

var contentsTitle = "Sisukord"; // Määrake oma pealkiri siia, et vältida sellele hiljem pealkirja lisamist var ToC = "

"+contentsTitle+"

“; ToC += "

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

Inimese ahelas määratlus

Meie masinad on kaugele jõudnud pärast seda, kui Paul Ehrlich 1978. aastal kirjutas: "Eksimine on inimlik, asjade tõeliselt rikkumine nõuab arvutit". Tänapäeva tehisintellekti tööriistad on nii palju edasi arenenud, et veapiir on tunduvalt vähenenud. See on oluline, kuna tehisintellekti tööriistu kasutatakse nüüd kriitilistes rakendustes, sealhulgas lendude, elu toetamise ja relvade juhtimises, kus vead on katastroofilised.

See tähendab, et tehisintellektid, nagu ka need ehitanud inimene, pole täiuslikud. AI tööriistade ennustused ei ole 100% täpsed, sest masinad loovad oma arusaama olemasolevatest andmetest ja mustritest. Kuigi see kehtib ka inimeste intelligentsuse kohta, on lisatud katse-eksitusepõhise tunnetuse element, mis kasutab inimese intelligentsuses mitut sisendit ja emotsionaalset arutluskäiku. Tõenäoliselt muudab see inimese altid vigadele, samal ajal kui masin võib asju rikkuda.

Aga kui naljad kõrvale jätta, ei saa tehisintellektisüsteemid selle loomupärase täpsuse ebakindluse tõttu veel olla täiesti inimvabad ning enamik, kui mitte kõik, tehisintellekti tööriistu kasutavad teatud määral inimeste suhtlemist, et muidugi parandada või lihtsalt jälgida. Inimese ja masina interaktsiooni tulemuseks on tagasisideahel, mis võimaldab AI-süsteemi perioodilisi kursikorrektsioone, et parandada jõudlust ja suurendada autonoomiat. Nii ilmneb inimese silmuses formaalne määratlus.

Inimesed ringis — Allikas: Humans in the Loop – pidevalt paremad mudelid inimesega ringis

Tegelikult võimaldab inimese in-the-loop AI inimestel anda tagasisidet tehisintellekti mudelile (ML, DL, ANN jne) ennustuste jaoks, mis jäävad alla teatud usaldustaseme.

Tahad kraapige andmed PDF-ist dokumendid, teisendada PDF-ist XML-i or automatiseerida tabeli väljavõtmist? Vaadake Nanonetsi PDF-kaabits or PDF-i parser teisendada PDF-id andmebaasi sissekandeid!

Proovige Nanonetsit tasuta

ML, populaarne AI tööriist, mis sobib HITL-ile

Õppimine on protsess, kus olemasolevaid andmeid kasutatakse tulevikuprognooside tegemiseks – „põlenud laps kardab tuld“ on võrreldav, kui häiriv näide õppeprotsessist. Masinõpe, üks tehisintellekti tööriistu, töötab peaaegu samamoodi – õpib olemasolevatest andmetest mustreid ja teeb nende mustrite põhjal ennustusi. Näiteks kasutades rõõmsate ja kurbade nägude pilte olemasolevast emotsionaalsete nägude andmebaasist, tuvastab ML-tööriist uue näo rõõmsa või kurvana. Seejärel ennustus kinnitatakse ja kui see osutub õigeks, liigub see edasi, salvestades selle uue "kogemuse" teise andmepunktina. Kui ei, siis masina kurss korrigeerib.

Kas soovite korduvaid käsitsi tehtavaid ülesandeid automatiseerida? Vaadake meie Nanonetsi töövoopõhist dokumenditöötlustarkvara. Väljavõte autopiloodil andmeid arvetest, isikutunnistustest või mis tahes dokumendist!

Proovige Nanonetsit tasuta

HITL-i tüübid ML-is

Inimene loop masinõppes osaleb inimene mitmel tasandil.

Loomine

Inimkomponent alustab algoritmi loomisest ja algoritm läheb sellega edasi. Umbes nagu Tony Stark ja tema J.A.R.V.I.S.

koolitus

Nagu varem kirjeldatud, toimub õppimine andmetega. Kui laps leeki ei puuduta, on täiskasvanu teda tõenäoliselt õpetanud seda mitte tegema. Inimese otsustusvõimet kasutatakse mudeli koolitamiseks, nii et mudel toimiks mustrite abil ennustamisel inimesega sarnaselt või ületaks selle.

Andmete märgistamine

Masinõppe mudelid vajavad märgistatud andmed millest õppida. Mõnel andmekogumil võivad juba sildid olla, kuid eelmärgistatud andmete puudumisel peavad inimesed märgistama andmed, mis treenivad ML-algoritmi. Vastavalt IDC90% saadaolevatest andmetest on tumedad, st struktureerimata/kategoriseerimata andmed. Märgistamine võib olla aeganõudev ja tüütu töö. Tõepoolest, andmete märgistamine on muutunud iseseisev töö selles valdkonnas tehisintellektist ja andmeteadusest. Nii igapäevaselt kui see ka ei kõla, ei ole andmekogumite märgistamine alati madala kvaliteediga tegevus ja konkreetsed rakendused võivad vajada domeenispetsiifilisi teadmisi. Näiteks meditsiiniliste andmete märgistamiseks on vaja teadmisi haiguste, seisundite jms kohta. Enamik tervishoiuvaldkonnas kasutatavaid andmekogumeid nõuavad valdkonnaspetsiifilisi teadmisi, näiteks arst, kes märgib kopsuröntgenipildi vähkkasvajaks või mitte. Lendudel kasutatava tehisintellekti treenimiseks kasutatavate andmete märgistamine eeldab teadmisi aerodünaamikast ja muudest inseneriteemadest.

Kinnitamine

Kui ML-mudel hakkab ennustama, kasutades reaalseid andmeid, kinnitab HITL mudeli ennustused ja annab tagasisidet valepositiivsete ja valenegatiivsete tulemuste kohta ML-ile treenimiseks. Silmuses olev inimene saab vaadata mudeli toimivust ja analüüsida selle toimivust, et muuta algoritmi või täiustada koolitusandmestikku.

Kas soovite kasutada robotiprotsesside automatiseerimist? Tutvuge Nanonetsi töövoopõhise dokumenditöötlustarkvaraga. Kood puudub. Ei mingit probleemiplatvormi.

Proovige Nanonetsit tasuta

Human-in-the-loop ML ja muude tehisintellekti tööriistade tähtsus

Kui treeningandmeid napib

Tavapärane masinõpe ja muud tehisintellekti tööriistad nõuavad hästi treenimiseks ja täpsete tulemuste saamiseks suurt andmekogumit. Uuel väljal või väljal, millel puuduvad eelnevad andmed, ei ole ML-mudelid käivitamiseks täpsed ja kulub palju aega, enne kui treenimiseks piisavalt andmeid genereeritakse. Inimene ahelas tehisintellekt võib aidata neil juhtudel, kui inimene õpetab algoritmi, mustreid ja reegleid, ilma et oleks vaja töötamiseks suurt andmekogu. Selles kontekstis aitab HITL mudeleid valideerida ja võimaldab treenida, kasutades andmeid, mis on struktureerimata, raskesti märgistatavad ja pidevalt muutuvad.

Kui dehumaniseerimine pole valik

On ka spetsiifilisi valdkondi, milles tehisintellekti ahelas olev inimene on kasulik, isegi vajalik. Üks valdkond on tervishoid. Kuigi tehisintellekt võib kindlasti hõlbustada diagnoosimist ja isegi ravimeetodeid, nagu robotkirurgia, on ebaselge, kas seda saab dehumaniseerida. On tõesti tõsi, et tehisintellekt võib aidata arstidel kulutada vähem aega haldus- ja diagnostikaülesannetele, kuid jätkub arutelu selle üle, kas dehumaniseeritud tehisintellekt kahjustaks patsiendi ja arsti suhte humaanset mõõdet. Üldine eetiline konsensus on, et ahelas olev inimene on vajalik selleks, et tehisintellekt teeniks inimlikke eesmärke, austaks isiklikku identiteeti ja edendaks inimestevahelist suhtlust.

Kus kaks silma on turvalisemad kui masinnägemine

HITL on vajalik ka olukordades, mis nõuavad ohutuse tagamiseks ülimat täpsust. Näiteks võib tuua sõidukite või lennukite kriitiliste osade valmistamise; Kuigi tehisintellekti tööriistad, nagu ML, on kontrollimisel tohutult kasulikud, suurendaks rühmas olev inimmonitor detaili töökindlust. Lisaks võivad masinõppe mudelid mittetäielike või kallutatud andmete korral muutuda kallutatud. Silmuses olev inimene suudab erapoolikust õigel ajal tuvastada ja parandada.

Läbipaistvuse suurendamiseks

AI-rakendused võivad muutuda mustadeks kastideks, milles on peidetud töötlus, mis muudab andmed otsuseks. See on ebamugav andmetundlike tegevuste puhul, nagu rahandus ja pangandus. See on probleem ka teatud tegevustega seotud otsuste tegemisel, eeskirjade järgimisel ja avalikustamisvajadustel. Sellistel juhtudel võimaldab HITL-mudel inimestel näha, kuidas tehisintellekti tööriist teatud andmekogumiga konkreetse tulemuseni jõuab. See võimaldab AI/ML-tööriistal olla termodünaamika kõnepruugis pigem "avatud" kui "isoleeritud" süsteem.

Tehisintellekti tööriista volitamiseks

Kui laps õpib tähestikku, on vaja õpetajat, kuid tema kasvades muutub õpetaja roll pigem juhendajaks kui õpetamiseks. Nüüdseks täiskasvanud inimene saab õppida ise, ilma õpetajata. Sarnaselt sellele peab inimene kõigepealt süsteemi välja õpetama ja mida rohkem AI tööriist inimese sekkumisest õpib, seda paremaks see muutub ja inimese tööaega saab vähendada või mõnel juhul isegi kõrvaldatud. Seega saab AI-tööriist tagasisideahela kaudu kasu inimese intelligentsusest.

Süvaõppes

Inimese ahelas süvaõpet kasutatakse järgmise stsenaariumi korral:

Algoritmid ei tunne sisendandmeid ära.
Sisendandmeid on valesti tõlgendatud
Järgmise ülesande osas, mida andmetele rakendada, on otsustamatus
Võimaldada inimestel teatud ülesandeid objektiivselt täita
Vigade ja viivituste vähendamiseks inimlike ülesannete täitmisel

Kui töötate arvete ja kviitungitega või muretsete ID-kontrolli pärast, vaadake Nanonetsit võrgus OCR or PDF-teksti ekstraktor PDF-dokumentidest teksti eraldamiseks tasuta. Selle kohta lisateabe saamiseks klõpsake allpool Nanonetsi ettevõtte automatiseerimislahendus.

Proovige Nanonetsit tasuta

Inimeste rakendused ahelas

AI- ja ML-süsteemid on tänapäeval maailmas kõikjal olemas. Inimene ahelas võib olla kas ainult tarbimise lõpus või ka töövaldkonnas. Esimeste näidete hulka kuuluvad otsingumootorite, digitaalsete kaartide, navigatsiooni jms kasutamine, mille puhul tarbija kasutab AI-süsteemi erinevate teenuste kasutamiseks.

Mõned tüüpilised rakendused, milles HITL on AI/ML-i operatsiooni enda etapis, on järgmised:

Piir sotsiaalmeedia rakenduste kasutamise ja kuritarvitamise vahel on korras ning inimlik otsustusvõime on sisu modereerimiseks hädavajalik. On tõsi, et AI-süsteemid võivad aja jooksul õppida sisu modereerima. Kuid selleks on inimeste kaasamine hädavajalik, et aidata masinal õppida tuvastama teksti, kasutajanimesid, pilte ja videoid, millel võib olla soovimatuid suhtluselemente.

Tervishoiutehnika

Meditsiiniline pildistamine ja AI-põhine kujutise normaalsete ja ebanormaalsete tunnuste tuvastamine on ulatuslikult arendatud. Sellised arengud nõuavad valdkonna ekspertide sekkumist, et treenida mudelit otsima pildi spetsiifilisi tunnuseid, mis viitavad kõrvalekalletele. Isegi kõige paremini koolitatud mudelid peavad saama inimeste kinnituse, sest diagnostika- ja raviteenused tegelevad eludega ning vead ei ole vastuvõetavad. Tervishoiutehnoloogia rakendused nõuavad treeningandmete täiendamiseks intensiivseid andmesilditeenuseid.

Transport

Isejuhtivad autod on juba praktiliselt kasutusel, kuid edasiseks arendamiseks peavad inimesed koguma ja märkima tohutul hulgal andmeid piltide, videote ja helidena. Pildiandmete märgistamine inimeste, sõidukite, teetõkete, taimestiku, loomade, teekujude jms järgi on ML-i jaoks ülimalt oluline, et võimaldada autojuhtimist ilma õnnetusteta. Tõeliselt isejuhtivate sõidukite realiseerimiseks maailmas on vaja tohutuid inimlikke jõupingutusi märgistamise ja märkuste lisamiseks.

Kaitserakendused

Kaitseorganisatsioonide futuristlik visioon on autonoomsete süsteemide kasutamine ohtlikel missioonidel. Sellised süsteemid peavad olema võimelised tegema inimesesarnaseid otsuseid sekundi murdosa tingimustes. Nende suure jõudlusega tehisintellekti taustaprogrammide koolitamiseks saadaolevatest andmetest ei piisa aga täieliku autonoomia võimaldamiseks. Inimesevabad tehisintellektisüsteemid ei ole samuti võimelised mõistma sisendis sisalduvat kontekstuaalset teavet ja see võib põhjustada katastroofilisi ennustusi ja otsuseid. Seega on praeguse seisuga kindlasti vaja inimest, et hoida kaitseoperatsioone kontrolli all ja inimene.

Loomingulised rakendused

Lisaks ülaltoodud "olulistele" rakendustele võivad HITL AI-süsteemidel olla ka meelelahutuslik väärtus. The Stanford Inimkeskne AI algatus kavandab süsteeme, mis ühendavad tehnoloogiat inimestevahelise suhtlusega, et töötada välja uusi tööriistu muusikaliseks ja muudeks inimeste loovuse vormideks. Sügavad tehisnärvivõrgud stiiliülekandega kasutage inimese sekkumist, et õpetada masinatele maalide "stiile" uute tehisintellekti loomiseks.

Teised valdkonnad, mis saavad kasu inimese ahelas tehisintellektisüsteemidest, hõlmavad sporti, mänge (video ja päriselu), põllumajandust, tehase automatiseerimist ja finantstegevust.

Kas soovite korduvaid käsitsi tehtavaid ülesandeid automatiseerida? Säästke aega, jõupingutusi ja raha, suurendades samal ajal tõhusust!

Proovige Nanonetsit tasuta

Ära viima

0:00

Oleme veel kaugel, kui vähegi võimalik, et robotid tõuseksid ja maailma üle võtaksid. Inimesi vajatakse endiselt tehisintellekti ahelas. Laiem lähenemine tehisintellektile ei seisne täiusliku masina kujundamises – mis on ülimalt raske, kui mitte võimatu –, vaid koostöösüsteemide kujundamises, milles on ühendatud inimliku mõttekäigu peensus ja intelligentse automatiseerimise jõud.

var contentsTitle = "Sisukord"; // Määrake oma pealkiri siia, et vältida sellele hiljem pealkirja lisamist var ToC = "

"+contentsTitle+"

“; ToC += "

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

Nanonetid võrgus OCR ja OCR API on palju huvitavaid kasutage juhtumeid tmüts võib teie ettevõtte toimivust optimeerida, kulusid kokku hoida ja kasvu kiirendada. Uuri välja kuidas saab Nanonetsi kasutusjuhtumeid teie tootele rakendada.