Ihmisiä silmukassa

Julkaissut Platon

seuraajia: 0

Ihmisiä ketjussa

Etsitkö automaatioratkaisua? Älä etsi enää!

.cta-first-blue{ siirtymä: kaikki 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; raja-säde: 0px; fontin paino: lihavoitu; fonttikoko: 16px; rivin korkeus: 24 kuvapistettä; täyte: 12px 24px; tausta: #546fff; väri valkoinen; korkeus: 56px; tekstin tasaus: vasen; näyttö: inline-flex; flex-suunta: rivi; -moz-box-align: center; kohdista kohteet: keskellä; kirjainväli: 0px; laatikon koko: border-box; border-width:2px !tärkeää; reunus: kiinteä #546fff !tärkeää; } .cta-first-blue:hover{ color:#546fff; tausta: valkoinen; siirtymä: kaikki 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !tärkeää; reunus: kiinteä #546fff !tärkeää; } .cta-second-black{ siirtymä: kaikki 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; raja-säde: 0px; fontin paino: lihavoitu; fonttikoko: 16px; rivin korkeus: 24 kuvapistettä; täyte: 12px 24px; tausta: valkoinen; väri: #333; korkeus: 56px; tekstin tasaus: vasen; näyttö: inline-flex; flex-suunta: rivi; -moz-box-align: center; kohdista kohteet: keskellä; kirjainväli: 0px; laatikon koko: border-box; border-width:2px !tärkeää; reunus: kiinteä #333 !tärkeää; } .cta-second-black:hover{ color:white; tausta:#333; siirtymä: kaikki 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !tärkeää; reunus: kiinteä #333 !tärkeää; } .column1{ min-width: 240px; max-leveys: sovi-sisältö; pehmuste-oikea: 4%; } .column2{ min-width: 200px; max-leveys: sovi-sisältö; } .cta-main{ näyttö: flex; }

"Kun yhä enemmän tekoälyä tulee maailmaan, yhä useamman tunneälyn on päästävä johtajuuteen." -Amit Ray, kuuluisa tekoälytutkija, Compassionate Artificial Intelligence -kirjan kirjoittaja

Neljäs teollinen aikakausi, jota elämme, on häiritsevä, koska se sekoittaa hiilipohjaiset aivot piihin. Tekoäly on jo osa elämäämme, vaikka emme sitä edes tajua – hakukoneet, digitaaliset avustajat, kartat ja navigointi, lista on loputon. Koneet voivat nyt "oppia" toimiessaan, mutta tämä ei useimmissa tapauksissa sulje ihmisiä pois prosessista.

Ihminen Loop- tai HITL-järjestelmissä sallii molempien älykkyysmuotojen olla vuorovaikutuksessa tyylikkäästi molemminpuolisen hyödyn vuoksi.

Opitaanpa lisää ihmisen silmukan tekoälystä.

var contentsTitle = "Sisällysluettelo"; // Aseta otsikko tähän, jotta et kirjoita sille otsikkoa myöhemmin var ToC = "

"+contentsTitle+"

"; ToC += "

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

Määritelmä Ihmisen silmukassa

Koneemme ovat kulkeneet pitkän tien sen jälkeen, kun Paul Ehrlich kirjoitti vuonna 1978 "Erehtyminen on inhimillistä, asioiden todella pilaaminen vaatii tietokoneen". Nykypäivän tekoälytyökalut ovat kehittyneet niin paljon, että virhemarginaali on laskenut huomattavasti. Tämä on tärkeää, koska tekoälytyökaluja käytetään nyt kriittisissä sovelluksissa, mukaan lukien lennot, elämän tukeminen ja aseiden hallinta, kun virheet ovat katastrofaalisia.

Tekoälyt, kuten ne rakentaja ihminen, eivät kuitenkaan ole täydellisiä. Tekoälytyökalujen tekemät ennusteet eivät ole 100 % tarkkoja, koska koneet rakentavat ymmärryksensä olemassa olevien tietojen ja kuvioiden perusteella. Vaikka tämä pätee myös ihmisen älykkyyteen, on lisätty yritys- ja erehdys -pohjainen kognitio, joka käyttää useita syötteitä ja lisätekijää emotionaalisen päättelyn ihmisen älykkyydessä. Tämä luultavasti tekee ihmisen alttiiksi virheille, kun taas kone on altis likaantumiselle.

Mutta vitsit sivuun, tekoälyjärjestelmät eivät voi vielä olla täysin ihmisvapaita tämän luontaisen tarkkuuden epävarmuuden vuoksi, ja useimmat, elleivät kaikki, tekoälytyökalut käyttävät jonkin verran ihmisen vuorovaikutusta kurssin korjaamiseen tai yksinkertaisesti valvontaan. Ihmisen ja koneen välinen vuorovaikutus johtaa takaisinkytkentäpiiriin, joka mahdollistaa tekoälyjärjestelmän säännölliset kurssikorjaukset suorituskyvyn ja autonomian parantamiseksi. Näin syntyy muodollinen määritelmä ihmiselle silmukassa.

Ihmisiä ketjussa — Lähde: Humans in the Loop – Jatkuvasti parempia malleja, joissa on ihminen silmukassa

Itse asiassa ihmissilmukan tekoäly antaa ihmisille mahdollisuuden antaa palautetta tekoälymallille (ML, DL, ANN jne.) tietyn luotettavuustason alapuolella olevia ennusteita varten.

Haluatko kaapia tietoja PDF-tiedostosta asiakirjat, muuntaa PDF - XML or automatisoida taulukon purkaminen? Tutustu Nanonetsiin PDF-kaavin or PDF jäsentäjä muuntaa PDF-tiedostot tietokantaan merkinnät!

Kokeile Nanonetsia ilmaiseksi

ML, suosittu tekoälytyökalu, jota voidaan käyttää HITL:ssä

Oppiminen on prosessi, jossa jo olemassa olevaa dataa käytetään tulevaisuuden ennustamiseen – "palanut lapsi pelkää tulta" on suhteellinen, joskin häiritsevä esimerkki oppimisprosessista. Koneoppiminen, yksi tekoälyn työkaluista, toimii paljolti samalla tavalla – se oppii kuvioita olemassa olevista tiedoista ja tekee ennusteita näiden mallien perusteella. Esimerkiksi ML-työkalu tunnistaa uudet kasvot iloisiksi tai surullisiksi käyttämällä kuvia iloisista ja surullisista kasvoista olemassa olevasta tunnekasvojen tietokannasta. Ennuste vahvistetaan sitten, ja jos se todetaan oikeaksi, se siirtyy eteenpäin ja kätkee tämän uuden "kokemuksen" toiseksi tietopisteeksi. Jos ei, koneen kurssi korjaantuu.

Haluatko automatisoida toistuvia manuaalisia tehtäviä? Tarkista Nanonets-työnkulkupohjainen asiakirjankäsittelyohjelmistomme. Poimi tiedot laskuista, henkilökorteista tai mistä tahansa asiakirjasta autopilotilla!

Kokeile Nanonetsia ilmaiseksi

HITL-tyypit ML:ssä

Human in the Loop -koneoppimisessa ihminen osallistuu monilla tasoilla.

Luominen

Ihmiskomponentti alkaa algoritmin luomisella ja algoritmi lähtee siitä eteenpäin. Aivan kuten Tony Stark ja hänen JARVIS

koulutus

Kuten aiemmin kuvattiin, oppiminen tapahtuu datan avulla. Kun lapsi ei koske liekkiin, aikuinen on luultavasti opettanut häntä olemaan koskematta siihen. Ihmisen harkintakykyä käytetään mallin kouluttamiseen niin, että malli toimii aikanaan ihmisen tavoin tai ylittää sen ennusteiden tekemisessä kuvioiden avulla.

Merkintätiedot

Koneoppimismallit tarvitsevat merkittyjä tietoja josta oppia. Joissakin tietosarjoissa voi jo olla tunnisteita, mutta ennalta merkittyjen tietojen puuttuessa ihmisten on merkittävä ML-algoritmia harjoittava data. Mukaan IDC, 90 % saatavilla olevista tiedoista on tummaa tietoa, eli jäsentelemätöntä/luokittelematonta dataa. Merkintä voi olla aikaa vievää ja työlästä työtä. Tietojen merkitsemisestä on todellakin tullut itsenäistä työtä alalla tekoälystä ja datatieteestä. Niin arkipäiväiseltä kuin se kuulostaakin, tietojoukkojen merkitseminen ei aina ole huonolaatuista toimintaa, ja tietyt sovellukset voivat vaatia toimialuekohtaista tietoa. Esimerkiksi lääketieteellisten tietojen merkitseminen edellyttää tietoa sairauksista, tiloista jne. Useimmat terveydenhuollon alalla käytetyt tietojoukot edellyttävät aluekohtaista tietoa, kuten lääkäri merkitsee keuhkojen röntgenkuvan syöpää tai ei. Lennoilla käytettävän tekoälyn harjoittamiseen käytettävien tietojen merkitseminen edellyttää aerodynamiikkaa ja muita teknisiä aiheita.

Validation

Kun ML-malli alkaa ennustaa todellisen datan avulla, HITL vahvistaa mallin ennusteet ja antaa palautetta vääristä positiivisista ja vääristä negatiivisista ML:lle harjoittelua varten. Silmukassa oleva ihminen voi tarkastella mallin suorituskykyä ja analysoida sen suorituskykyä algoritmin säätämiseksi tai harjoitustietojoukon parantamiseksi.

Haluatko käyttää robottiprosessiautomaatiota? Tutustu Nanonets-työnkulkuun perustuvaan asiakirjankäsittelyohjelmistoon. Ei koodia. Ei ongelmia alusta.

Kokeile Nanonetsia ilmaiseksi

Human-in-the-loop ML:n ja muiden tekoälytyökalujen merkitys

Kun harjoitustiedoista on pulaa

Perinteinen koneoppiminen ja muut tekoälytyökalut vaativat suuren tietojoukon harjoitellakseen hyvin ja saadakseen tarkkoja tuloksia. Uudessa kentässä tai kentässä, josta puuttuu aikaisempia tietoja, ML-mallit eivät ole tarkkoja käynnistyäkseen ja kestää kauan ennen kuin koulutusta varten syntyy riittävästi dataa. Human in the loop AI voi auttaa näissä tapauksissa, joissa ihminen opettaa algoritmin, kuviot ja säännöt ilman suurta tietojoukkoa. Tässä yhteydessä HITL auttaa mallien validoinnissa ja mahdollistaa koulutuksen käyttämällä tietoja, jotka ovat rakenteettomia, vaikeasti tunnistettavia ja jatkuvasti muuttuvia.

Kun epäinhimillistäminen ei ole vaihtoehto

On myös tiettyjä aloja, joilla tekoälyn silmukassa oleva ihminen on hyödyllinen, jopa välttämätön. Yksi ala on terveydenhuolto. Vaikka tekoäly voi varmasti helpottaa diagnoosia ja jopa terapiaa, kuten robottikirurgiaa, on epäselvää, voidaanko se dehumanisoida. On todellakin totta, että tekoäly voi auttaa kliinikoita käyttämään vähemmän aikaa hallinnollisiin ja diagnostisiin tehtäviin, mutta keskustelua käydään edelleen siitä, voisiko dehumanisoitu tekoäly heikentää potilaan ja lääkärin suhteen inhimillistä ulottuvuutta. Yleinen eettinen konsensus on, että silmukassa oleva ihminen on välttämätön, jotta tekoäly palvelee inhimillisiä tavoitteita, kunnioittaa henkilöidentiteettiä ja edistää ihmisten välistä vuorovaikutusta.

Missä kaksi silmää ovat turvallisempia kuin konenäkö

HITL:ää tarvitaan myös tilanteissa, joissa turvallisuus vaatii äärimmäistä tarkkuutta. Esimerkkinä voidaan mainita kriittisten osien valmistus ajoneuvoihin tai lentokoneisiin; Tekoälytyökalut, kuten ML, ovat äärimmäisen hyödyllisiä tarkastuksissa, mutta ryhmässä oleva ihmismonitori lisäisi osan luotettavuutta. Lisäksi epätäydellisillä tai puolueellisilla tiedoilla koneoppimismalleista voi tulla puolueellisia. Silmukassa oleva ihminen voi havaita ja korjata harhan ajoissa.

Lisää läpinäkyvyyttä

Tekoälysovelluksista voi tulla mustia laatikoita, joissa tietojen päätökseksi muuntava käsittely on piilotettu. Tämä on hankalaa dataarkaluontoisissa toimissa, kuten rahoitus- ja pankkitoiminnassa. Tämä on ongelma myös tiettyihin toimintoihin liittyvien päätöksenteon, säännösten noudattamisen ja tiedonantotarpeiden kannalta. Tällaisissa tapauksissa HITL-malli antaa ihmisille mahdollisuuden nähdä, kuinka tekoälytyökalu saavuttaa tietyn tuloksen tietyllä datajoukolla. Tämä sallii AI/ML-työkalun olla termodynamiikan kielellä "avoin" eikä "eristetty" järjestelmä.

Tehostaa tekoälytyökalua

Kun lapsi oppii aakkoset, tarvitaan opettaja, mutta hänen kasvaessaan opettajan roolista tulee lopulta ohjaaminen eikä opettaja, nyt aikuinen voi oppia itse ilman opettajaa. Vastaavasti ihmisen on ensin koulutettava järjestelmä, ja mitä enemmän tekoälytyökalu oppii ihmisen väliintulosta, sitä paremmaksi se tulee, ja ihmisen silmukassa olevaa aikaa voidaan vähentää tai joissakin tapauksissa jopa eliminoitu. Näin ollen tekoälytyökalu hyötyy ihmisen älykkyydestä palautesilmukan kautta.

Syvässä oppimisessa

Human in the loop syväoppimista käytetään seuraavassa skenaariossa:

Algoritmit eivät tunnista syöttötietoja.
Syöttötiedot on tulkittu väärin
On päättämätöntä seuraavaa dataa koskevaa tehtävää
Jotta ihmiset voisivat suorittaa tietyt tehtävät objektiivisesti
Virheiden ja viiveiden vähentäminen inhimillisissä tehtävissä

Jos työskentelet laskujen ja kuittien parissa tai olet huolissasi henkilöllisyyden vahvistamisesta, tutustu Nanonetsiin verkossa OCR or PDF-tekstin purku poimia tekstiä PDF-dokumenteista ilmaiseksi. Napsauta alla saadaksesi lisätietoja Nanonets Enterprise Automation Solution.

Kokeile Nanonetsia ilmaiseksi

Ihmisten sovellukset silmukassa

Tekoäly- ja ML-järjestelmät ovat nykyään kaikkialla maailmassa. Silmukassa oleva ihminen voi olla joko vain kulutuspäässä tai myös toiminta-alueella. Esimerkkejä edellisistä ovat hakukoneiden, digitaalisten karttojen, navigoinnin jne. käyttö, jossa ihmiskuluttaja käyttää tekoälyjärjestelmää hyödyntääkseen erilaisia palveluita.

Joitakin tyypillisiä sovelluksia, joissa HITL on itse AI/ML-operaation vaiheessa, ovat:

Sosiaalisen median sovellusten käytön ja väärinkäytön välinen raja on hyvä, ja inhimillinen harkinta on olennaista sisällön moderointiin. On totta, että tekoälyjärjestelmät voivat oppia hallitsemaan sisältöä ajan myötä. Mutta sitä varten ihmisen osallistuminen on välttämätöntä, jotta kone oppii tunnistamaan tekstiä, käyttäjätunnuksia, kuvia ja videoita, joissa saattaa olla ei-toivottuja vuorovaikutuksen elementtejä.

Health Care Tech

Lääketieteellistä kuvantamista ja tekoälyyn perustuvaa kuvan normaalien ja epänormaalien ominaisuuksien tunnistamista kehitetään laajasti. Tällainen kehitys vaatii alan asiantuntijoiden puuttumista, jotta malli voidaan kouluttaa etsimään kuvan erityispiirteitä, jotka viittaavat poikkeavuuksiin. Parhaitenkin koulutetuille malleille on annettava inhimillinen vahvistus, koska diagnostiset ja terapeuttiset palvelut käsittelevät elämää, eivätkä virheet ole hyväksyttäviä. Terveydenhuollon teknologiasovellukset vaativat intensiivisiä tiedonmerkintäpalveluita harjoitustietojensa lisäämiseksi.

kuljetus

Itseajavat autot ovat jo lähestymässä käytännön käyttöä, mutta jatkokehitystä varten ihmisten on kerättävä ja kommentoitava valtavia määriä dataa kuvien, videoiden ja äänien muodossa. Kuvatietojen merkitseminen ihmisiksi, ajoneuvoiksi, tiesulkuiksi, kasvillisuudeksi, eläimiksi, tien muodoiksi jne. on ensiarvoisen tärkeää ML:lle, jotta se mahdollistaa automaattisen ajon ilman onnettomuuksia. Aidosti itseohjautuvien ajoneuvojen toteuttaminen maailmassa vaatii valtavia ihmisten merkintöjä ja huomautuksia.

Puolustussovellukset

Puolustusorganisaatioiden futuristinen visio on autonomisten järjestelmien käyttö vaarallisissa tehtävissä. Tällaisten järjestelmien on kyettävä tekemään ihmisen kaltaisia päätöksiä sekunnin murto-osissa. Näiden tehokkaiden tekoälytaustaohjelmien kouluttamiseen käytettävissä olevat datamäärät eivät kuitenkaan tällä hetkellä riitä täydellisen autonomian mahdollistamiseen. Ihmisestä vapaat tekoälyjärjestelmät eivät myöskään pysty ymmärtämään syötteen kontekstuaalista tietoa, mikä voi johtaa katastrofaalisiin ennusteisiin ja päätöksiin. Siten, toistaiseksi, tarvitaan varmasti ihmistä pitämään puolustusoperaatiot hallinnassa ja ihmisenä.

Luovat sovellukset

Yllä olevien "olennaisten" sovellusten lisäksi HITL AI -järjestelmillä voi olla myös viihdearvoa. The Stanford Ihmiskeskeinen tekoäly Aloite suunnittelee järjestelmiä, jotka yhdistävät teknologian ihmisten vuorovaikutukseen uusien työkalujen kehittämiseksi musiikilliseen ja muunlaiseen ihmisen luovuuteen. Tyylinsiirto syvät keinotekoiset neuroverkot käyttää ihmisen väliintuloa opettaakseen koneille maalausten "tyylejä" uusia tekoälyluomuksia varten.

Muita Human in the loop AI -järjestelmistä hyötyviä aloja ovat urheilu, pelit (video ja tosielämä), maatalous, tehdasautomaatio ja taloustoiminta.

Haluatko automatisoida toistuvia manuaalisia tehtäviä? Säästä aikaa, vaivaa ja rahaa samalla kun tehostat!

Kokeile Nanonetsia ilmaiseksi

Ottaa mukaan

0:00

Meillä on vielä pitkä matka, jos mahdollista, jotta robotit nousevat ja valtaavat maailman. Ihmisiä tarvitaan edelleen tekoälyn piirissä. Laajempi lähestymistapa tekoälyyn ei ole täydellisen koneen suunnittelu – mikä on äärimmäisen vaikeaa, ellei mahdotonta, vaan yhteistyöjärjestelmien suunnittelu, joissa yhdistyvät ihmisen päättelyn hienovaraisuus ja älykkään automaation voima.

var contentsTitle = "Sisällysluettelo"; // Aseta otsikko tähän, jotta et kirjoita sille otsikkoa myöhemmin var ToC = "

"+contentsTitle+"

"; ToC += "

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

Nanonetit online-OCR- ja OCR-sovellusliittymä on monia mielenkiintoisia Käytä koteloita thattu voisi optimoida liiketoimintasi suorituskyvyn, säästää kustannuksia ja vauhdittaa kasvua. Selvittää miten Nanonetsin käyttötapaukset voivat koskea tuotettasi.