انسان در حلقه

---

به دنبال راه حل اتوماسیون هستید؟ جلوترش رو نگاه نکن!

.cta-first-blue{ انتقال: همه 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: #546fff; رنگ سفید؛ ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-first-blue:hover{ color:#546fff; پس زمینه: سفید; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: سفید؛ رنگ: #333; ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #333 !important; } .cta-second-black:hover{ color:white; پس زمینه:#333; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #333 !important; } .column1{ min-width: 240px; حداکثر عرض: مناسب محتوا. padding-right: 4%; } .column2{ min-width: 200px; حداکثر عرض: مناسب محتوا. } .cta-main{ display: flex; }

---

با ورود بیشتر و بیشتر هوش مصنوعی به جهان، هوش هیجانی بیشتری باید وارد رهبری شود. -آمیت ری، دانشمند مشهور هوش مصنوعی، نویسنده هوش مصنوعی دلسوز

چهارمین دوره صنعتی که در آن زندگی می کنیم، از این جهت که مغز مبتنی بر کربن را با مغز سیلیکونی ترکیب می کند، مخرب است. هوش مصنوعی بخشی از زندگی ما در حال حاضر است، حتی اگر ما حتی متوجه آن نباشیم - موتورهای جستجو، دستیارهای دیجیتال، نقشه ها و ناوبری، لیست بی پایان است. ماشین‌ها هم‌اکنون می‌توانند در حین کار «یاد بگیرند»، اما این در بیشتر موارد انسان‌ها را از این فرآیند حذف نمی‌کند.

انسان‌های موجود در سیستم‌های حلقه یا HITL به هر دو نوع هوش اجازه می‌دهند تا برای منافع متقابل خود به زیبایی تعامل داشته باشند.

اجازه دهید در مورد انسان در حلقه هوش مصنوعی بیشتر بیاموزیم.

---

var contentsTitle = "فهرست مطالب"; // عنوان خود را در اینجا تنظیم کنید تا بعداً عنوانی برای آن ایجاد نکنید var ToC = “

«+contentsTitle+»

"؛ ToC +=”

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

تعریف انسان در حلقه

از زمانی که پل ارلیچ در سال 1978 نوشت: «اشتباه کردن انسان است، و خراب کردن چیزها واقعاً به رایانه نیاز دارد»، ماشین‌های ما راه درازی را پیموده‌اند. ابزارهای هوش مصنوعی امروزی آنقدر پیشرفت کرده اند که حاشیه خطا به میزان قابل توجهی کاهش یافته است. این مهم است زیرا ابزارهای هوش مصنوعی در حال حاضر در برنامه‌های کاربردی حیاتی از جمله پرواز، پشتیبانی از زندگی و کنترل تسلیحات در جایی که اشتباهات فاجعه‌بار هستند، استفاده می‌شوند.

گفته شد، هوش مصنوعی، مانند انسانی که آنها را ساخته است، کامل نیستند. پیش‌بینی‌های انجام‌شده توسط ابزارهای هوش مصنوعی 100٪ دقیق نیستند زیرا ماشین‌ها درک خود را از داده‌ها و الگوهای موجود می‌سازند. در حالی که این در مورد هوش انسانی نیز صادق است، عنصر دیگری از شناخت مبتنی بر آزمون و خطا وجود دارد که از ورودی های متعدد و یک عامل اضافی استدلال عاطفی در هوش انسان استفاده می کند. این احتمالاً انسان را مستعد خطا می کند در حالی که دستگاه مستعد خراب کردن چیزها است.

اما به کنار شوخی، سیستم‌های هوش مصنوعی به دلیل این عدم قطعیت ذاتی در دقت، هنوز نمی‌توانند کاملاً عاری از انسان باشند، و اکثر ابزارهای هوش مصنوعی، اگر نگوییم همه، مقداری از تعامل انسانی را برای اصلاح یا نظارت ساده استفاده می‌کنند. تعامل بین انسان و ماشین منجر به یک حلقه بازخورد می شود که اصلاح دوره های دوره ای سیستم هوش مصنوعی را برای بهبود عملکرد و افزایش استقلال امکان پذیر می کند. بنابراین تعریف رسمی برای انسان در حلقه ظاهر می شود.

در واقع، هوش مصنوعی انسان در حلقه به انسان اجازه می دهد تا برای پیش بینی های زیر سطح معینی از اطمینان، بازخوردی را به مدل هوش مصنوعی (ML، DL، ANN و غیره) ارائه دهد.

---

می خواهم به داده ها را از PDF خراش دهید اسناد، تبدیل PDF به XML or استخراج خودکار جدول? Nanonets را بررسی کنید اسکراپر پی دی اف or تجزیه کننده PDF برای تبدیل فایل های PDF به پایگاه داده ورودی های!

.cta-first-blue{ انتقال: همه 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: #546fff; رنگ سفید؛ ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-first-blue:hover{ color:#546fff; پس زمینه: سفید; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: سفید؛ رنگ: #333; ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #333 !important; } .cta-second-black:hover{ color:white; پس زمینه:#333; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #333 !important; } .column1{ min-width: 240px; حداکثر عرض: مناسب محتوا. padding-right: 4%; } .column2{ min-width: 200px; حداکثر عرض: مناسب محتوا. } .cta-main{ display: flex; }

---

ML، یک ابزار محبوب هوش مصنوعی قابل استفاده برای HITL

یادگیری فرآیندی است که در آن از داده‌های از قبل موجود برای پیش‌بینی‌های آینده استفاده می‌شود - «کودک سوخته از آتش می‌ترسد» یک مثال قابل ربط، اگر آزاردهنده باشد، از فرآیند یادگیری است. یادگیری ماشینی، یکی از ابزارهای هوش مصنوعی، تقریباً به همین روش کار می کند - الگوها را از داده های موجود می آموزد و بر اساس این الگوها پیش بینی می کند. به عنوان مثال، با استفاده از تصاویر چهره‌های شاد و غمگین از یک پایگاه داده از قبل موجود از چهره‌های احساسی، یک ابزار ML چهره جدید را شاد یا غمگین شناسایی می‌کند. سپس پیش‌بینی تأیید می‌شود، و اگر درست تشخیص داده شود، به جلو حرکت می‌کند و این «تجربه» جدید را به‌عنوان یک نقطه داده دیگر پنهان می‌کند. اگر نه، دوره ماشین اصلاح می شود.

---

آیا می خواهید کارهای دستی تکراری را خودکار کنید؟ نرم افزار پردازش اسناد مبتنی بر گردش کار نانوشبکه ما را بررسی کنید. استخراج داده ها از فاکتورها، کارت های شناسایی یا هر سندی در خلبان خودکار!

.cta-first-blue{ انتقال: همه 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: #546fff; رنگ سفید؛ ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-first-blue:hover{ color:#546fff; پس زمینه: سفید; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: سفید؛ رنگ: #333; ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #333 !important; } .cta-second-black:hover{ color:white; پس زمینه:#333; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #333 !important; } .column1{ min-width: 240px; حداکثر عرض: مناسب محتوا. padding-right: 4%; } .column2{ min-width: 200px; حداکثر عرض: مناسب محتوا. } .cta-main{ display: flex; }

---

انواع HITL در ML

در یادگیری ماشینی انسان در حلقه، انسان در سطوح مختلفی شرکت می کند.

ایجاد

مؤلفه انسانی با ایجاد الگوریتم شروع می شود و الگوریتم روی آن بلند می شود. بسیار شبیه تونی استارک و جارویس او

آموزش

همانطور که قبلا توضیح داده شد، یادگیری با داده اتفاق می افتد. وقتی کودکی شعله را لمس نمی کند، احتمالاً یک بزرگسال به او یاد داده است که این کار را نکند. قضاوت انسان برای آموزش مدل استفاده می شود تا در زمان مناسب مدل در پیش بینی با استفاده از الگوها مانند انسان عمل کند یا بهتر از آن عمل کند.

داده های برچسب گذاری

نیاز به مدل های یادگیری ماشین داده های برچسب گذاری شده که از آن یاد بگیریم برخی از مجموعه‌های داده ممکن است قبلاً دارای برچسب باشند، اما در غیاب داده‌های از پیش برچسب‌گذاری‌شده، انسان‌ها باید داده‌هایی را که الگوریتم ML را آموزش می‌دهند برچسب‌گذاری کنند. بر اساس IDC90 درصد داده‌های موجود، داده‌های تاریک هستند، یعنی داده‌های بدون ساختار/دسته‌بندی نشده. برچسب زدن ممکن است کاری وقت گیر و خسته کننده باشد. در واقع، برچسب گذاری داده ها تبدیل شده است یک شغل مستقل در این زمینه هوش مصنوعی و علم داده همانطور که ممکن است پیش پا افتاده به نظر برسد، برچسب زدن مجموعه داده ها همیشه یک فعالیت سطح پایین نیست و برنامه های کاربردی خاص ممکن است به دانش خاص دامنه نیاز داشته باشند. برای مثال، برچسب‌گذاری داده‌های پزشکی نیاز به دانش در مورد بیماری‌ها، شرایط، و غیره دارد. بیشتر مجموعه داده‌های مورد استفاده در حوزه مراقبت‌های بهداشتی به دانش مربوط به دامنه نیاز دارند، مانند اینکه یک پزشک یک اشعه ایکس ریه را سرطانی یا غیر سرطانی علامت‌گذاری کند. برچسب گذاری داده های مورد استفاده برای آموزش هوش مصنوعی مورد استفاده در پروازها نیازمند دانش آیرودینامیک و سایر موضوعات مهندسی است.

اعتبار

هنگامی که یک مدل ML شروع به پیش‌بینی با استفاده از داده‌های دنیای واقعی می‌کند، HITL پیش‌بینی‌های مدل را تأیید می‌کند و بازخوردی در مورد موارد مثبت و منفی کاذب به ML برای آموزش ارائه می‌کند. انسان در حلقه می‌تواند عملکرد مدل را بررسی کرده و عملکرد آن را برای تغییر الگوریتم یا بهبود مجموعه داده‌های آموزشی تحلیل کند.

---

آیا می خواهید از اتوماسیون فرآیند رباتیک استفاده کنید؟ نرم افزار پردازش اسناد مبتنی بر گردش کار نانو شبکه را بررسی کنید. بدون کد. بدون پلت فرم دردسر.

.cta-first-blue{ انتقال: همه 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: #546fff; رنگ سفید؛ ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-first-blue:hover{ color:#546fff; پس زمینه: سفید; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: سفید؛ رنگ: #333; ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #333 !important; } .cta-second-black:hover{ color:white; پس زمینه:#333; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #333 !important; } .column1{ min-width: 240px; حداکثر عرض: مناسب محتوا. padding-right: 4%; } .column2{ min-width: 200px; حداکثر عرض: مناسب محتوا. } .cta-main{ display: flex; }

---

اهمیت ML انسان در حلقه و سایر ابزارهای هوش مصنوعی

هنگامی که کمبود داده های آموزشی وجود دارد

یادگیری ماشین معمولی و سایر ابزارهای هوش مصنوعی برای آموزش خوب و به دست آوردن نتایج دقیق نیاز به مجموعه داده بزرگی دارند. در یک زمینه جدید یا زمینه ای که فاقد داده های قبلی است، مدل های ML برای شروع دقیق نیستند و زمان زیادی طول می کشد تا داده های کافی برای آموزش تولید شود. هوش مصنوعی انسان در حلقه می‌تواند در مواردی که انسان الگوریتم، الگوها و قوانین را بدون نیاز به مجموعه داده بزرگی برای کار روی آن آموزش می‌دهد، کمک کند. در این زمینه، HITL به اعتبارسنجی مدل‌ها کمک می‌کند و امکان آموزش با استفاده از داده‌هایی را می‌دهد که بدون ساختار، برچسب‌گذاری سخت و دائماً در حال تغییر هستند.

وقتی غیرانسانی کردن یک گزینه نیست

همچنین زمینه های خاصی وجود دارد که در آنها انسان در حلقه هوش مصنوعی مفید است، حتی ضروری است. یکی از زمینه ها بهداشت و درمان است. در حالی که هوش مصنوعی مطمئناً می تواند تشخیص و حتی روش های درمانی مانند جراحی رباتیک را آسان کند، مشخص نیست که آیا می توان آن را غیرانسانی کرد یا خیر. در واقع درست است که هوش مصنوعی می تواند به پزشکان کمک کند زمان کمتری را برای کارهای اداری و تشخیصی صرف کنند، اما بحث در مورد اینکه آیا هوش مصنوعی غیرانسانی می تواند بعد انسانی رابطه بیمار و پزشک را تضعیف کند، ادامه دارد. اجماع اخلاقی کلی این است که انسان در حلقه برای خدمت به اهداف انسانی، احترام به هویت شخصی و ارتقای تعامل انسانی ضروری است.

جایی که دو چشم از بینایی ماشین ایمن تر هستند

HITL همچنین در شرایطی که برای ایمنی نیاز به حداکثر دقت دارد، مورد نیاز است. به عنوان مثال، ساخت قطعات حیاتی برای وسایل نقلیه یا هواپیماها است. در حالی که ابزارهای هوش مصنوعی مانند ML برای بازرسی بسیار مفید هستند، یک مانیتور انسانی در گروه به قابلیت اطمینان قطعه می‌افزاید. علاوه بر این، با داده‌های ناقص یا مغرضانه، مدل‌های یادگیری ماشینی خود می‌توانند سوگیری شوند. یک انسان در حلقه می تواند تعصب را به موقع تشخیص داده و تصحیح کند.

برای افزایش شفافیت

برنامه‌های هوش مصنوعی می‌توانند به جعبه‌های سیاه تبدیل شوند که در آن پردازشی که داده‌ها را به تصمیم تبدیل می‌کند، پنهان می‌شود. این برای فعالیت های حساس به داده ها مانند امور مالی و بانکی ناخوشایند است. این همچنین برای نیازهای تصمیم‌گیری، انطباق با مقررات و افشای اطلاعات که با فعالیت‌های خاصی مرتبط است، مشکل دارد. در چنین مواردی، مدل HITL به انسان این امکان را می‌دهد تا ببیند چگونه ابزار هوش مصنوعی با مجموعه‌ای از داده‌ها به یک نتیجه خاص می‌رسد. این به ابزار AI/ML این امکان را می‌دهد تا در اصطلاح ترمودینامیک، یک سیستم "باز" ​​باشد تا "ایزوله".

برای تقویت ابزار هوش مصنوعی

وقتی کودکی الفبا را یاد می گیرد، به معلم نیاز است، اما با رشد او، نقش معلم در نهایت به جای آموزش تبدیل به راهنما می شود، آن فرد بالغ می تواند خودش بدون نیاز به معلم یاد بگیرد. تقریباً مانند آن، انسان باید ابتدا سیستم را آموزش دهد، و هر چه ابزار هوش مصنوعی از مداخله انسان بیشتر بیاموزد، بهتر می شود و میزان زمان انسان در حلقه را می توان کاهش داد، یا در برخی موارد، حتی حذف شده است. بنابراین ابزار هوش مصنوعی از طریق حلقه بازخورد از هوش انسانی سود می برد.

در یادگیری عمیق

یادگیری عمیق انسان در حلقه در سناریو زیر استفاده می شود:

• الگوریتم ها داده های ورودی را تشخیص نمی دهند.
• داده های ورودی اشتباه تفسیر شده است
• در مورد کار بعدی که باید روی داده ها استفاده شود، بلاتکلیفی وجود دارد
• برای اینکه انسان بتواند وظایف خاصی را به طور عینی انجام دهد
• برای کاهش خطاها و تاخیرهای زمانی برای کارهای انسانی

---

اگر با فاکتورها و رسیدها کار می کنید یا نگران تأیید هویت هستید، Nanonets را بررسی کنید OCR آنلاین or استخراج کننده متن PDF برای استخراج متن از اسناد PDF رایگان. برای کسب اطلاعات بیشتر در مورد زیر کلیک کنید راه حل اتوماسیون سازمانی نانوشبکه ها.

.cta-first-blue{ انتقال: همه 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: #546fff; رنگ سفید؛ ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-first-blue:hover{ color:#546fff; پس زمینه: سفید; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: سفید؛ رنگ: #333; ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #333 !important; } .cta-second-black:hover{ color:white; پس زمینه:#333; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #333 !important; } .column1{ min-width: 240px; حداکثر عرض: مناسب محتوا. padding-right: 4%; } .column2{ min-width: 200px; حداکثر عرض: مناسب محتوا. } .cta-main{ display: flex; }

---

کاربردهای انسان در حلقه

سیستم های هوش مصنوعی و ML امروزه در جهان وجود دارند. انسان در حلقه ممکن است فقط در پایان مصرف باشد یا در قلمرو عملیاتی نیز باشد. نمونه های اولی شامل استفاده از موتورهای جستجو، نقشه های دیجیتال، ناوبری و غیره است که در آن مصرف کننده انسانی از یک سیستم هوش مصنوعی برای بهره مندی از خدمات مختلف استفاده می کند.

برخی از برنامه های معمولی که در آنها HITL در مرحله خود عملیات AI/ML قرار دارد عبارتند از:

رسانه‌های اجتماعی

مرز بین استفاده و سوء استفاده از برنامه های رسانه های اجتماعی خوب است و قضاوت انسان برای تعدیل محتوا ضروری است. درست است که سیستم های هوش مصنوعی می توانند یاد بگیرند که محتوا را در طول زمان تعدیل کنند. اما برای آن، مشارکت انسان برای کمک به ماشین برای یادگیری شناسایی متن، نام کاربری، تصاویر و ویدیوهایی که ممکن است دارای عناصر تعامل نامطلوب باشند، ضروری است.

فناوری مراقبت های بهداشتی

تصویربرداری پزشکی و تشخیص ویژگی‌های طبیعی و غیرطبیعی تصویر مبتنی بر هوش مصنوعی به طور گسترده در حال توسعه است. چنین تحولاتی نیاز به مداخله متخصصان موضوع دارد تا مدل را آموزش دهند تا به دنبال ویژگی‌های خاصی از تصویر باشد که به ناهنجاری‌ها اشاره می‌کند. حتی بهترین مدل‌های آموزش‌دیده نیز باید توسط تایید انسانی بیشتر پشتیبانی شوند، زیرا خدمات تشخیصی و درمانی با زندگی‌ها سروکار دارد و اشتباهات قابل قبول نیستند. برنامه های کاربردی فناوری مراقبت های بهداشتی به خدمات برچسب گذاری داده های فشرده نیاز دارند تا داده های آموزشی خود را تقویت کنند.

حمل و نقل

خودروهای خودران در حال حاضر به استفاده عملی نزدیک می‌شوند، اما برای پیشرفت‌های بیشتر، حجم عظیمی از داده‌ها در قالب تصاویر، ویدئوها و صداها باید توسط انسان جمع‌آوری و حاشیه‌نویسی شود. برچسب‌گذاری داده‌های تصویر به‌عنوان انسان، وسایل نقلیه، موانع جاده، پوشش گیاهی، حیوانات، اشکال جاده‌ها و غیره، برای ML برای فعال کردن رانندگی خودکار بدون تصادفات از اهمیت بالایی برخوردار است. تلاش های زیادی برای برچسب گذاری و حاشیه نویسی توسط انسان برای تحقق وسایل نقلیه خودران واقعی در جهان مورد نیاز است.

کاربردهای دفاعی

چشم انداز آینده نگرانه برای سازمان های دفاعی استفاده از سیستم های خودمختار در ماموریت های خطرناک است. چنین سیستم هایی باید بتوانند تصمیمات انسانی را در شرایط کسری از ثانیه بگیرند. با این حال، حجم داده های موجود برای آموزش این پشتیبان های هوش مصنوعی با کارایی بالا در حال حاضر برای ایجاد استقلال کامل کافی نیست. سیستم‌های هوش مصنوعی بدون انسان نیز قادر به درک اطلاعات متنی در ورودی نیستند و این می‌تواند منجر به پیش‌بینی‌ها و تصمیم‌های فاجعه‌بار شود. بنابراین، از هم اکنون، مطمئناً یک انسان در حلقه مورد نیاز است تا عملیات دفاعی را تحت کنترل و انسان نگه دارد.

اپلیکیشن های خلاقانه

فراتر از برنامه های کاربردی "ضروری" فوق، سیستم های هوش مصنوعی HITL می توانند ارزش سرگرمی نیز داشته باشند. این هوش مصنوعی انسان محور استانفورد ابتکار سیستم‌هایی را طراحی می‌کند که فناوری را با تعامل انسانی القا می‌کند تا ابزارهای جدیدی برای موسیقی و سایر اشکال خلاقیت انسانی ایجاد کند. انتقال سبک شبکه های عصبی مصنوعی عمیق از مداخله انسان برای آموزش "سبک" نقاشی ها برای خلاقیت های جدید هوش مصنوعی به ماشین ها استفاده کنید.

سایر زمینه‌هایی که از سیستم‌های هوش مصنوعی انسان در حلقه سود می‌برند، شامل ورزش، بازی (ویدئو و زندگی واقعی)، کشاورزی، اتوماسیون کارخانه و فعالیت‌های مالی است.

---

آیا می خواهید کارهای دستی تکراری را خودکار کنید؟ صرفه جویی در زمان، تلاش و پول در حالی که افزایش بهره وری!

.cta-first-blue{ انتقال: همه 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: #546fff; رنگ سفید؛ ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-first-blue:hover{ color:#546fff; پس زمینه: سفید; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #546fff !important; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; مرز-شعاع: 0px; فونت-وزن: پررنگ; اندازه فونت: 16px; ارتفاع خط: 24 پیکسل؛ بالشتک: 12px 24px; پس زمینه: سفید؛ رنگ: #333; ارتفاع: 56px; text-align: left; صفحه نمایش: inline-flex; flex-direction: row; -moz-box-align: center; align-اقلام: مرکز; فاصله حروف: 0px; box-sizing: border-box; border-width:2px !important; حاشیه: جامد #333 !important; } .cta-second-black:hover{ color:white; پس زمینه:#333; انتقال: همه 0.1 ثانیه مکعب بیزیر (0.4، 0، 0.2، 1) 0s; border-width:2px !important; حاشیه: جامد #333 !important; } .column1{ min-width: 240px; حداکثر عرض: مناسب محتوا. padding-right: 4%; } .column2{ min-width: 200px; حداکثر عرض: مناسب محتوا. } .cta-main{ display: flex; }

---

بردن

0:00

/

1 ×

ما هنوز راه درازی داریم، اگر اصلاً ممکن باشد، تا روبات‌ها ظهور کنند و جهان را تسخیر کنند. انسان ها هنوز در حلقه هوش مصنوعی مورد نیاز هستند. رویکرد گسترده تر به هوش مصنوعی طراحی یک ماشین کامل نیست - که بسیار دشوار است، اگر نگوییم غیرممکن است، بلکه طراحی سیستم های مشترکی است که ظرافت استدلال انسانی و قدرت اتوماسیون هوشمند را ترکیب می کند.

---

var contentsTitle = "فهرست مطالب"; // عنوان خود را در اینجا تنظیم کنید تا بعداً عنوانی برای آن ایجاد نکنید var ToC = “

«+contentsTitle+»

"؛ ToC +=”

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

نانوت OCR و OCR API آنلاین بسیاری از جالب است موارد استفاده tکلاه می تواند عملکرد کسب و کار شما را بهینه کند، در هزینه ها صرفه جویی کند و رشد را تقویت کند. پیدا کردن چگونه موارد استفاده نانوشبکه ها می تواند برای محصول شما اعمال شود.

شروع کنید

---

• Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
• CryptoHawk. رادار آلت کوین امتحان رایگان.
• منبع: https://nanonets.com/blog/human-in-the-loop/