Les humains dans la boucle

Republié par Platon

Suiveurs: 0

Les humains dans la boucle

Vous cherchez une solution d'automatisation ? Cherchez pas plus loin!

.cta-first-blue{ transition : tous les 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s ; rayon de bordure : 0 px ; font-weight : gras ; taille de police : 16 px ; hauteur de ligne : 24 px ; rembourrage : 12px 24px ; arrière-plan : #546fff ; Couleur blanche; hauteur : 56px ; aligner le texte : à gauche ; affichage : flexible en ligne ; flex-direction : ligne ; -moz-box-align : centre ; align-items : center ; espacement des lettres : 0px ; dimensionnement de la boîte : border-box ; border-width:2px !important; bordure : solide #546fff !important; } .cta-first-blue:hover{ color:#546fff; arrière-plan : blanc ; transition : tous les 0.1s cube-bezier(0.4, 0, 0.2, 1) 0s ; border-width:2px !important; bordure : solide #546fff !important; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; rayon de bordure : 0 px ; font-weight : gras ; taille de police : 16 px ; hauteur de ligne : 24 px ; rembourrage : 12px 24px ; fond : blanc ; couleur : #333 ; hauteur : 56px ; aligner le texte : à gauche ; affichage : flexible en ligne ; flex-direction : ligne ; -moz-box-align : centre ; align-items : center ; espacement des lettres : 0px ; dimensionnement de la boîte : border-box ; border-width:2px !important; bordure : solide #333 !important; } .cta-second-black:hover{ color:white; arrière-plan :#333 ; transition : tous les 0.1s cube-bezier(0.4, 0, 0.2, 1) 0s ; border-width:2px !important; bordure : solide #333 !important; } .column1{ largeur min : 240px ; max-width : fit-content ; rembourrage à droite : 4 % ; } .column2{ largeur min : 200px ; max-width : fit-content ; } .cta-main{ display : flex ; }

"Alors que de plus en plus d'intelligence artificielle entre dans le monde, de plus en plus d'intelligence émotionnelle doit entrer dans le leadership." -Amit Ray, célèbre scientifique en IA, auteur de Compassionate Artificial Intelligence

La quatrième ère industrielle dans laquelle nous vivons est disruptive en ce qu'elle mélange le cerveau à base de carbone avec celui en silicium. L'intelligence artificielle fait déjà partie de nos vies, même si nous ne nous en rendons même pas compte - moteurs de recherche, assistants numériques, cartes et navigation, la liste est interminable. Les machines peuvent désormais « apprendre » pendant qu'elles fonctionnent, mais cela n'exclut pas, dans la plupart des cas, les humains du processus.

Les systèmes Humans in the Loop ou HITL permettent aux deux formes d'intelligence d'interagir avec élégance pour leur bénéfice mutuel.

Apprenons-en plus sur l'IA humaine dans la boucle.

var contentsTitle = "Table des matières" ; // Définissez votre titre ici, pour éviter d'en faire un titre plus tard var ToC = "

« + Titre du contenu + »

"; Table des matières += "

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

Définition de l'humain dans la boucle

Nos machines ont parcouru un long chemin depuis que Paul Ehrlich écrivait en 1978 « L'erreur est humaine, pour vraiment gâcher les choses, il faut un ordinateur ». Les outils d'Intelligence Artificielle d'aujourd'hui ont tellement progressé que la marge d'erreur a considérablement diminué. Ceci est important car les outils d'IA sont désormais utilisés dans des applications critiques, notamment les vols, le maintien de la vie et le contrôle des armes, où les erreurs sont catastrophiques.

Cela dit, les IA, comme l'humain qui les a construites, ne sont pas parfaites. Les prédictions faites par les outils d'IA ne sont pas exactes à 100 %, car les machines construisent leur compréhension à partir de données et de modèles existants. Bien que cela soit également vrai pour l'intelligence humaine, il existe un élément supplémentaire de cognition basée sur des essais et des erreurs qui utilise de multiples entrées et un facteur supplémentaire de raisonnement émotionnel dans l'intelligence humaine. Cela rend probablement l'humain sujet à l'erreur tandis que la machine a tendance à encrasser les choses.

Mais blagues à part, les systèmes d'IA ne peuvent pas encore être complètement dépourvus d'humains en raison de cette incertitude inhérente à la précision, et la plupart, sinon la totalité, des outils d'IA utilisent une certaine quantité d'interaction humaine pour corriger ou simplement surveiller. L'interaction entre l'homme et la machine se traduit par une boucle de rétroaction qui permet des corrections de trajectoire périodiques du système d'IA pour améliorer les performances et renforcer l'autonomie. Ainsi émerge la définition formelle de Human in the Loop.

Les humains dans la boucle — La source: Humains dans la boucle – Des modèles toujours meilleurs avec un humain dans la boucle

En effet, l'IA humaine dans la boucle permet aux humains de fournir une rétroaction au modèle d'IA (ML, DL, ANN, etc.) pour les prédictions inférieures à un certain niveau de confiance.

Vouloir gratter les données du PDF documents, convertir PDF en XML or automatiser l'extraction de table? Découvrez les nanonets Grattoir PDF or Analyseur PDF convertir PDF vers base de données entrées !

Essayez Nanonets gratuitement

ML, un outil d'IA populaire compatible avec HITL

L'apprentissage est le processus par lequel des données préexistantes sont utilisées pour faire des prédictions futures - "un enfant brûlé redoute le feu" est un exemple pertinent, bien que dérangeant, du processus d'apprentissage. L'apprentissage automatique, l'un des outils de l'IA, fonctionne à peu près de la même manière : il apprend des modèles à partir de données existantes et fait des prédictions basées sur ces modèles. Par exemple, en utilisant les images de visages heureux et tristes d'une base de données préexistante de visages émotionnels, un outil ML identifie un nouveau visage comme heureux ou triste. La prédiction est ensuite validée et, si elle est jugée correcte, avance, en stockant cette nouvelle « expérience » comme un autre point de données. Si ce n'est pas le cas, la trajectoire de la machine corrige.

Vous souhaitez automatiser les tâches manuelles répétitives ? Consultez notre logiciel de traitement de documents basé sur le flux de travail Nanonets. Extrayez les données des factures, des cartes d'identité ou de tout document sur pilote automatique !

Essayez Nanonets gratuitement

Types de HITL en ML

Dans Human in the Loop Machine Learning, l'humain participe à plusieurs niveaux.

Création

La composante humaine commence par la création de l'algorithme et l'algorithme prend son envol. Tout comme Tony Stark et son JARVIS

Formation

Comme décrit précédemment, l'apprentissage se fait avec des données. Lorsqu'un enfant ne touche pas la flamme, un adulte lui a probablement appris à ne pas le faire. Le jugement humain est utilisé pour former le modèle afin qu'en temps voulu, le modèle fonctionne comme ou surpasse l'humain en faisant des prédictions à l'aide de modèles.

Données d'étiquetage

Les modèles d'apprentissage automatique ont besoin données étiquetées à partir de laquelle apprendre. Certains ensembles de données peuvent déjà avoir des étiquettes, mais en l'absence de données pré-étiquetées, les humains doivent étiqueter les données qui entraînent l'algorithme ML. Selon le IDC, 90 % des données disponibles sont des données sombres, c'est-à-dire des données non structurées/non catégorisées. L'étiquetage peut être un travail long et fastidieux. En effet, l'étiquetage des données est devenu un travail autonome dans le domaine de l'intelligence artificielle et de la science des données. Aussi banal que cela puisse paraître, l'étiquetage des ensembles de données n'est pas toujours une activité de bas de gamme, et des applications spécifiques peuvent nécessiter des connaissances spécifiques à un domaine. Par exemple, le marquage des données médicales nécessite des connaissances sur les maladies, les conditions, etc. La plupart des ensembles de données utilisés dans le domaine des soins de santé nécessitent des connaissances spécifiques au domaine, comme un médecin qui marque une radiographie pulmonaire comme cancéreuse ou non. Le marquage des données utilisées pour former l'IA utilisée dans les vols nécessite une connaissance de l'aérodynamique et d'autres sujets d'ingénierie.

Validation

Une fois qu'un modèle ML commence à prédire à l'aide de données du monde réel, le HITL valide les prédictions du modèle et fournit des commentaires sur les faux positifs et les faux négatifs au ML pour la formation. L'humain dans la boucle peut examiner les performances du modèle et analyser ses performances, pour peaufiner l'algorithme ou améliorer l'ensemble de données de formation.

Vous souhaitez utiliser l'automatisation des processus robotisés ? Découvrez le logiciel de traitement de documents basé sur le flux de travail Nanonets. Pas de code. Pas de plate-forme de tracas.

Essayez Nanonets gratuitement

L'importance du ML human-in-the-loop et d'autres outils d'IA

Lorsqu'il y a une pénurie de données d'entraînement

L'apprentissage automatique conventionnel et d'autres outils d'IA nécessitent un grand ensemble de données pour bien s'entraîner et obtenir des résultats précis. Dans un nouveau champ ou un champ qui manque de données préalables, les modèles ML ne sont pas précis au démarrage et prennent beaucoup de temps avant que suffisamment de données soient générées pour la formation. L'IA humaine dans la boucle peut aider dans les cas où l'humain enseigne l'algorithme, les modèles et les règles sans avoir besoin d'un grand ensemble de données sur lequel travailler. Dans ce contexte, HITL facilite la validation des modèles et permet la formation à l'aide de données non structurées, difficiles à étiqueter et en constante évolution.

Quand déshumaniser n'est pas une option

Il existe aussi des domaines spécifiques dans lesquels l'humain dans la boucle de l'IA est utile, voire nécessaire. Un domaine est celui des soins de santé. Bien que l'IA puisse certainement faciliter le diagnostic et même la thérapeutique, comme la chirurgie robotique, il n'est pas clair si elle peut être déshumanisée. Il est vrai que l'IA peut aider les cliniciens à passer moins de temps sur les tâches administratives et diagnostiques, mais le débat continue d'exister sur la question de savoir si une IA déshumanisée porterait atteinte à la dimension humaine de la relation patient-médecin. Le consensus éthique général est que l'humain dans la boucle est nécessaire pour que l'IA serve des fins humaines, respecte l'identité personnelle et favorise l'interaction humaine.

Où deux yeux sont plus sûrs que la vision artificielle

HITL est également nécessaire dans les situations qui nécessitent une précision maximale pour la sécurité. Un exemple est la fabrication de pièces critiques pour véhicules ou avions ; alors que les outils d'IA tels que ML sont extrêmement utiles pour les inspections, un moniteur humain dans le groupe ajouterait à la fiabilité de la pièce. De plus, avec des données incomplètes ou biaisées, les modèles d'apprentissage automatique peuvent eux-mêmes devenir biaisés. Un humain dans la boucle peut détecter et corriger le biais dans le temps.

Pour une transparence accrue

Les applications d'IA peuvent devenir des boîtes noires dans lesquelles le traitement qui convertit les données en décision est caché. Cela n'est pas pratique pour les activités sensibles aux données telles que la finance et la banque. C'est également un problème pour la prise de décision, la conformité réglementaire et les besoins de divulgation associés à certaines activités. Dans de tels cas, le modèle HITL permet aux humains de voir comment l'outil d'IA arrive à un résultat particulier avec un ensemble de données donné. Cela permet à l'outil AI/ML d'être, dans le langage de la thermodynamique, un système "ouvert" plutôt qu'un système "isolé".

Renforcer l'outil d'IA

Lorsqu'un enfant apprend l'alphabet, un enseignant est nécessaire, mais à mesure qu'il grandit, le rôle de l'enseignant devient un guide plutôt qu'un enseignant. Finalement, l'adulte peut apprendre par lui-même sans avoir besoin d'un enseignant. Un peu comme ça, l'humain doit d'abord former le système, et plus l'outil d'IA apprend de l'intervention humaine, mieux il s'améliore, et la quantité de temps humain dans la boucle peut être réduite, ou dans certains cas, même éliminé. Ainsi, l'outil d'IA bénéficie de l'intelligence humaine à travers la boucle de rétroaction.

En apprentissage profond

L'apprentissage en profondeur humain dans la boucle est utilisé dans le scénario suivant :

Les algorithmes ne reconnaissent pas les données d'entrée.
Les données d'entrée sont mal interprétées
Il y a une indécision sur la prochaine tâche à employer sur les données
Permettre aux êtres humains d'accomplir certaines tâches de manière objective
Pour réduire les erreurs et les retards pour les tâches humaines

Si vous travaillez avec des factures et des reçus ou si vous vous souciez de la vérification d'identité, consultez Nanonets ROC en ligne or Extracteur de texte PDF pour extraire du texte de documents PDF gratuitement. Cliquez ci-dessous pour en savoir plus sur Solution d'automatisation d'entreprise Nanonets.

Essayez Nanonets gratuitement

Applications des humains dans la boucle

Les systèmes d'IA et de ML sont aujourd'hui omniprésents dans le monde. L'humain dans la boucle peut être soit uniquement du côté de la consommation, soit également dans le domaine opérationnel. Des exemples de la première incluent l'utilisation de moteurs de recherche, de cartes numériques, de navigation, etc., dans lesquels le consommateur humain utilise un système d'IA pour bénéficier de divers services.

Certaines applications typiques dans lesquelles le HITL est au stade de l'opération AI/ML elle-même sont :

La frontière entre l'utilisation et l'abus des applications de médias sociaux est fine, et le jugement humain est essentiel pour modérer le contenu. Il est vrai que les systèmes d'IA peuvent apprendre à modérer le contenu au fil du temps. Mais pour cela, l'implication humaine est essentielle pour aider la machine à apprendre à identifier le texte, les noms d'utilisateur, les images et les vidéos qui peuvent avoir des éléments d'interaction indésirables.

Technologie de la santé

L'imagerie médicale et la reconnaissance basée sur l'IA des caractéristiques normales et anormales de l'image sont largement développées. De tels développements nécessitent l'intervention d'experts en la matière, afin d'entraîner le modèle à rechercher des caractéristiques spécifiques de l'image qui indiquent des anomalies. Même les modèles les mieux formés doivent être soutenus davantage par une confirmation humaine, car les services diagnostiques et thérapeutiques concernent des vies et les erreurs ne sont pas acceptables. Les applications technologiques des soins de santé nécessitent des services d'étiquetage de données intensifs pour augmenter leurs données de formation.

Transports

Les voitures autonomes approchent déjà d'une utilisation pratique, mais pour de futurs développements, des quantités massives de données sous forme d'images, de vidéos et de sons doivent être collectées et annotées par des humains. L'étiquetage des données d'image en tant qu'humains, véhicules, barrages routiers, végétation, animaux, formes de route, etc., est d'une importance primordiale pour le ML afin de permettre une conduite automatisée sans accidents. D'énormes efforts humains d'étiquetage et d'annotation sont nécessaires pour réaliser des véhicules véritablement autonomes dans le monde.

Demandes de défense

La vision futuriste des organisations de défense est l'utilisation de systèmes autonomes dans des missions dangereuses. De tels systèmes doivent être capables de prendre des décisions de type humain dans des conditions d'une fraction de seconde. Cependant, les quantités de données disponibles pour former ces backends d'IA hautes performances sont actuellement insuffisantes pour permettre une autonomie complète. Les systèmes d'intelligence artificielle sans être humains sont également incapables de comprendre les informations contextuelles dans l'entrée, ce qui peut entraîner des prédictions et des décisions catastrophiques. Ainsi, à partir de maintenant, un humain est certainement nécessaire dans la boucle pour garder les opérations de défense sous contrôle et humain.

Applications créatives

Au-delà des applications "essentielles" ci-dessus, les systèmes HITL AI peuvent également avoir une valeur de divertissement. La Stanford IA centrée sur l'humain L'initiative conçoit des systèmes qui infusent la technologie avec l'interaction humaine pour développer de nouveaux outils pour la musique et d'autres formes de créativité humaine. Réseaux de neurones artificiels profonds à transfert de style utiliser l'intervention humaine pour enseigner aux machines des "styles" de peintures pour de nouvelles créations d'IA.

Les autres domaines qui bénéficient des systèmes d'intelligence artificielle Human in the loop comprennent les sports, les jeux (vidéo et réels), l'agriculture, l'automatisation des usines et les activités financières.

Vous souhaitez automatiser les tâches manuelles répétitives ? Économisez du temps, des efforts et de l'argent tout en améliorant l'efficacité !

Essayez Nanonets gratuitement

À emporter

0:00

Nous sommes encore loin, si possible, pour que les robots se lèvent et conquièrent le monde. Les humains sont toujours tenus dans la boucle de l'intelligence artificielle. L'approche plus large de l'IA n'est pas la conception d'une machine parfaite - ce qui est extrêmement difficile, voire impossible, mais la conception de systèmes collaboratifs qui combinent la subtilité du raisonnement humain et la puissance de l'automatisation intelligente.

var contentsTitle = "Table des matières" ; // Définissez votre titre ici, pour éviter d'en faire un titre plus tard var ToC = "

« + Titre du contenu + »

"; Table des matières += "

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

nanonets API OCR et OCR en ligne avoir beaucoup intéressant cas d'utilisation tCela pourrait optimiser les performances de votre entreprise, réduire les coûts et stimuler la croissance. Découvre ça comment les cas d'utilisation des Nanonets peuvent s'appliquer à votre produit.