पाश में मनुष्य

प्लेटो द्वारा पुनर्प्रकाशित

अनुयायियों: 0

लूप में इंसान

एक स्वचालन समाधान की तलाश है? आगे कोई तलाश नहीं करें!

.cta-first-blue{ संक्रमण: सभी 0.1s क्यूबिक-बेज़ियर(0.4, 0, 0.2, 1) 0s; सीमा-त्रिज्या: 0px; फोंट की मोटाई: बोल्ड; फ़ॉन्ट-आकार: 16px; लाइन-ऊंचाई: 24px; पैडिंग: 12px 24px; पृष्ठभूमि: #546fff; रंग सफेद; ऊंचाई: 56 पीएक्स; पाठ-संरेखण: बाएँ; प्रदर्शन: इनलाइन-फ्लेक्स; फ्लेक्स-दिशा: पंक्ति; -मोज़-बॉक्स-संरेखण: केंद्र; संरेखित-आइटम: केंद्र; लेटर-स्पेसिंग: 0px; बॉक्स-साइज़िंग: बॉर्डर-बॉक्स; सीमा-चौड़ाई: 2px! महत्वपूर्ण; सीमा: ठोस #546fff!महत्वपूर्ण; } .cta-first-blue:hover{ color:#546fff; पृष्ठभूमि: सफेद; संक्रमण: सभी 0.1s क्यूबिक-बेज़ियर(0.4, 0, 0.2, 1) 0s; सीमा-चौड़ाई: 2px! महत्वपूर्ण; सीमा: ठोस #546fff!महत्वपूर्ण; } .cta-सेकेंड-ब्लैक{संक्रमण: सभी 0.1s क्यूबिक-बेज़ियर(0.4, 0, 0.2, 1) 0s; सीमा-त्रिज्या: 0px; फोंट की मोटाई: बोल्ड; फ़ॉन्ट-आकार: 16px; लाइन-ऊंचाई: 24px; पैडिंग: 12px 24px; पृष्ठभूमि: सफेद; रंग: #333; ऊंचाई: 56 पीएक्स; पाठ-संरेखण: बाएँ; प्रदर्शन: इनलाइन-फ्लेक्स; फ्लेक्स-दिशा: पंक्ति; -मोज़-बॉक्स-संरेखण: केंद्र; संरेखित-आइटम: केंद्र; लेटर-स्पेसिंग: 0px; बॉक्स-साइज़िंग: बॉर्डर-बॉक्स; सीमा-चौड़ाई: 2px! महत्वपूर्ण; सीमा: ठोस #333 !महत्वपूर्ण; } .cta-सेकंड-ब्लैक: होवर {रंग: सफ़ेद; पृष्ठभूमि:#333; संक्रमण: सभी 0.1s क्यूबिक-बेज़ियर(0.4, 0, 0.2, 1) 0s; सीमा-चौड़ाई: 2px! महत्वपूर्ण; सीमा: ठोस #333 !महत्वपूर्ण; } .column1{ न्यूनतम-चौड़ाई: 240px; अधिकतम-चौड़ाई: फिट-सामग्री; पैडिंग-राइट: 4%; } .column2{ न्यूनतम-चौड़ाई: 200px; अधिकतम-चौड़ाई: फिट-सामग्री; } .cta-main{ डिस्प्ले: फ्लेक्स; }

"जैसा कि अधिक से अधिक कृत्रिम बुद्धिमत्ता दुनिया में प्रवेश कर रही है, अधिक से अधिक भावनात्मक बुद्धिमत्ता को नेतृत्व में प्रवेश करना चाहिए।" -अमित रे, प्रसिद्ध एआई वैज्ञानिक, अनुकंपा आर्टिफिशियल इंटेलिजेंस के लेखक

चौथा औद्योगिक युग जिसमें हम रहते हैं, विघटनकारी है क्योंकि यह कार्बन-आधारित मस्तिष्क को सिलिकॉन के साथ मिश्रित करता है। आर्टिफिशियल इंटेलिजेंस पहले से ही हमारे जीवन का हिस्सा है, भले ही हमें इसका एहसास भी न हो - खोज इंजन, डिजिटल सहायक, मानचित्र और नेविगेशन, सूची अंतहीन है। मशीनें अब काम करते हुए "सीख" सकती हैं, लेकिन यह ज्यादातर मामलों में मनुष्यों को इस प्रक्रिया से बाहर नहीं करता है।

लूप या HITL सिस्टम में मनुष्य अपने पारस्परिक लाभ के लिए दोनों प्रकार की बुद्धिमत्ता को सुरुचिपूर्ण ढंग से बातचीत करने की अनुमति देते हैं।

आइए लूप एआई में मानव के बारे में और जानें।

var सामग्री शीर्षक = "सामग्री की तालिका"; // अपना शीर्षक यहां सेट करें, इसके लिए बाद में शीर्षक बनाने से बचने के लिए var ToC = “

"+सामग्रीशीर्षक+"

"; टीओसी + = "

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

लूप में मानव की परिभाषा

1978 में पॉल एर्लिच के लिखे जाने के बाद से हमारी मशीनों ने एक लंबा सफर तय किया है "गलती करने के लिए मानव है, वास्तव में खराब चीजों के लिए एक कंप्यूटर लेता है"। आज के आर्टिफिशियल इंटेलिजेंस टूल इतना आगे बढ़ चुके हैं कि त्रुटि की गुंजाइश काफी कम हो गई है। यह महत्वपूर्ण है क्योंकि एआई उपकरण अब महत्वपूर्ण अनुप्रयोगों में उपयोग किए जाते हैं जिनमें उड़ानें, जीवन समर्थन और हथियार नियंत्रण शामिल हैं जहां गलतियां विनाशकारी होती हैं।

उस ने कहा, एआई, जिस इंसान ने उन्हें बनाया है, वह सही नहीं है। AI टूल्स द्वारा की गई भविष्यवाणियां 100% सटीक नहीं होती हैं क्योंकि मशीनें मौजूदा डेटा और पैटर्न से अपनी समझ बनाती हैं। जबकि यह मानव बुद्धि के बारे में भी सच है, परीक्षण-और-त्रुटि-आधारित अनुभूति का एक अतिरिक्त तत्व है जो कई इनपुट का उपयोग करता है और मानव बुद्धि में भावनात्मक तर्क का एक अतिरिक्त कारक है। यह संभवतः मानव को त्रुटि के लिए प्रवृत्त करता है, जबकि मशीन, चीजों को खराब करने के लिए प्रवण होती है।

लेकिन एक तरफ चुटकुले, सटीकता की इस अंतर्निहित अनिश्चितता के कारण एआई सिस्टम अभी तक पूरी तरह से मानव-मुक्त नहीं हो सकते हैं, और अधिकांश, यदि सभी नहीं, तो एआई उपकरण निश्चित रूप से सही या बस निगरानी के लिए कुछ मात्रा में मानव संपर्क का उपयोग करते हैं। मनुष्य और मशीन के बीच परस्पर क्रिया का परिणाम फीडबैक लूप में होता है जो प्रदर्शन में सुधार और स्वायत्तता को बढ़ाने के लिए एआई सिस्टम के आवधिक पाठ्यक्रम सुधार को सक्षम बनाता है। इस प्रकार लूप में मानव की औपचारिक परिभाषा सामने आती है।

लूप में इंसान — स्रोत: लूप में मानव - लूप में मानव के साथ लगातार बेहतर मॉडल

वास्तव में, मानव-में-लूप एआई मनुष्यों को विश्वास के एक निश्चित स्तर से नीचे की भविष्यवाणियों के लिए एआई मॉडल (एमएल, डीएल, एएनएन, आदि) पर प्रतिक्रिया प्रदान करने की अनुमति देता है।

चाहते पीडीएफ से डेटा खंगालें दस्तावेज़, रूपांतरित करें पीडीएफ से एक्सएमएल or स्वचालित तालिका निष्कर्षण? नैनोनेट्स की जाँच करें' पीडीएफ खुरचनी or पीडीएफ पार्सर कन्वर्ट करने के लिए डेटाबेस के लिए पीडीएफ प्रविष्टियां!

नैनोनेट्स मुफ़्त में आज़माएं

ML, एक लोकप्रिय AI टूल है जो HITL के अनुकूल है

सीखना वह प्रक्रिया है जिसमें पूर्व-मौजूदा डेटा का उपयोग भविष्य की भविष्यवाणी करने के लिए किया जाता है - "जला हुआ बच्चा आग से डरता है" सीखने की प्रक्रिया का एक संबंधित, अगर परेशान करने वाला उदाहरण है। मशीन लर्निंग, एआई के उपकरणों में से एक, उसी तरह से काम करता है - यह मौजूदा डेटा से पैटर्न सीखता है और इन पैटर्न के आधार पर भविष्यवाणियां करता है। उदाहरण के लिए, भावनात्मक चेहरों के पहले से मौजूद डेटाबेस से खुश और उदास चेहरों की छवियों का उपयोग करके, एक एमएल टूल एक नए चेहरे को खुश या उदास के रूप में पहचानता है। तब भविष्यवाणी को मान्य किया जाता है, और यदि सही पाया जाता है, तो इस नए "अनुभव" को एक अन्य डेटा बिंदु के रूप में छिपाते हुए, आगे बढ़ता है। यदि नहीं, तो मशीन का कोर्स सही हो जाता है।

दोहराए जाने वाले मैन्युअल कार्यों को स्वचालित करना चाहते हैं? हमारे नैनोनेट्स वर्कफ़्लो-आधारित दस्तावेज़ संसाधन सॉफ़्टवेयर की जाँच करें। ऑटोपायलट पर इनवॉइस, पहचान पत्र या किसी दस्तावेज़ से डेटा निकालें!

नैनोनेट्स मुफ़्त में आज़माएं

एमएल में HITL के प्रकार

ह्यूमन इन द लूप मशीन लर्निंग में मानव कई स्तरों पर भाग लेता है।

निर्माण

मानव घटक एल्गोरिथम बनाने से शुरू होता है और एल्गोरिथम उसके बाद आगे बढ़ता है। टोनी स्टार्क और उनके जार्विस की तरह

प्रशिक्षण

जैसा कि पहले बताया गया है, सीखना डेटा के साथ होता है। जब कोई बच्चा लौ को नहीं छूता है, तो संभवतः किसी वयस्क ने उसे ऐसा न करना सिखाया है। मॉडल को प्रशिक्षित करने के लिए मानव निर्णय का उपयोग किया जाता है ताकि समय के साथ मॉडल पैटर्न का उपयोग करके भविष्यवाणियां करने में मानव की तरह प्रदर्शन करे या उससे बेहतर प्रदर्शन करे।

लेबलिंग डेटा

मशीन लर्निंग मॉडल की जरूरत है लेबल किया गया डेटा जिससे सीखना है. कुछ डेटासेट में पहले से ही लेबल हो सकते हैं, लेकिन पूर्व-लेबल डेटा की अनुपस्थिति में, मनुष्यों को एमएल एल्गोरिदम को प्रशिक्षित करने वाले डेटा को लेबल करना होगा। के अनुसार आईडीसी, उपलब्ध डेटा का 90% डार्क डेटा है, यानी असंरचित/अवर्गीकृत डेटा। लेबलिंग समय लेने वाला, कठिन काम हो सकता है। दरअसल, डेटा लेबलिंग बन गई है क्षेत्र में एक अकेली नौकरी कृत्रिम बुद्धिमत्ता और डेटा विज्ञान का। यह सुनने में भले ही साधारण लगे, लेकिन डेटासेट को लेबल करना हमेशा एक निम्न स्तर की गतिविधि नहीं होती है, और विशिष्ट अनुप्रयोगों के लिए डोमेन-विशिष्ट ज्ञान की आवश्यकता हो सकती है। उदाहरण के लिए, मेडिकल डेटा को टैग करने के लिए बीमारियों, स्थितियों आदि के बारे में ज्ञान की आवश्यकता होती है। स्वास्थ्य देखभाल डोमेन में उपयोग किए जाने वाले अधिकांश डेटासेट के लिए डोमेन-विशिष्ट ज्ञान की आवश्यकता होती है, जैसे डॉक्टर फेफड़े के एक्स-रे को कैंसरग्रस्त या नहीं के रूप में टैग करता है। उड़ानों में उपयोग किए जाने वाले एआई को प्रशिक्षित करने के लिए उपयोग किए जाने वाले डेटा की टैगिंग के लिए वायुगतिकी और अन्य इंजीनियरिंग विषयों के ज्ञान की आवश्यकता होती है।

मान्यकरण

एक बार जब एक एमएल मॉडल वास्तविक दुनिया के डेटा का उपयोग करके भविष्यवाणी करना शुरू कर देता है, तो एचआईटीएल मॉडल की भविष्यवाणियों को मान्य करता है और प्रशिक्षण के लिए एमएल को झूठी सकारात्मक और झूठी नकारात्मक के बारे में प्रतिक्रिया प्रदान करता है। लूप में मानव एल्गोरिदम को बदलने या प्रशिक्षण डेटासेट में सुधार के लिए मॉडल के प्रदर्शन की समीक्षा कर सकता है और इसके प्रदर्शन का विश्लेषण कर सकता है।

रोबोटिक प्रक्रिया स्वचालन का उपयोग करना चाहते हैं? नैनोनेट्स वर्कफ़्लो-आधारित दस्तावेज़ प्रोसेसिंग सॉफ़्टवेयर देखें। कोई कोड नहीं। कोई परेशानी मंच नहीं।

नैनोनेट्स मुफ़्त में आज़माएं

मानव-में-लूप एमएल और अन्य एआई टूल का महत्व

जब प्रशिक्षण डेटा की कमी हो

पारंपरिक मशीन लर्निंग और अन्य एआई टूल को अच्छी तरह से प्रशिक्षित करने और सटीक परिणाम प्राप्त करने के लिए बड़े डेटासेट की आवश्यकता होती है। किसी नए क्षेत्र या ऐसे क्षेत्र में जिसमें पूर्व डेटा का अभाव है, एमएल मॉडल शुरू करने के लिए सटीक नहीं हैं और प्रशिक्षण के लिए पर्याप्त डेटा उत्पन्न होने में काफी समय लगता है। लूप एआई में मानव उन मामलों में मदद कर सकता है जहां मानव काम करने के लिए बड़े डेटासेट की आवश्यकता के बिना एल्गोरिदम, पैटर्न और नियम सिखाता है। उस संदर्भ में, HITL मॉडलों के सत्यापन में मदद करता है और उन डेटा का उपयोग करके प्रशिक्षण की अनुमति देता है जो असंरचित, टैग करने में कठिन और लगातार बदलते रहते हैं।

जब अमानवीयकरण कोई विकल्प नहीं है

ऐसे विशिष्ट क्षेत्र भी हैं जिनमें एआई के दायरे में आने वाला मानव उपयोगी है, यहां तक कि आवश्यक भी है। एक क्षेत्र है स्वास्थ्य देखभाल. जबकि एआई निश्चित रूप से निदान और यहां तक कि रोबोटिक सर्जरी जैसे उपचार को आसान बना सकता है, लेकिन यह स्पष्ट नहीं है कि क्या इसे अमानवीय बनाया जा सकता है। यह वास्तव में सच है कि एआई चिकित्सकों को प्रशासनिक और नैदानिक कार्यों पर कम समय खर्च करने में मदद कर सकता है, लेकिन इस बात पर बहस जारी है कि क्या अमानवीय एआई रोगी-चिकित्सक संबंधों के मानवीय आयाम को कमजोर कर देगा। सामान्य नैतिक सहमति यह है कि मानवीय उद्देश्यों की पूर्ति, व्यक्तिगत पहचान का सम्मान करने और मानवीय संपर्क को बढ़ावा देने के लिए एआई के लिए ह्यूमन-इन-द-लूप आवश्यक है।

जहाँ दो आँखें मशीनी दृष्टि से अधिक सुरक्षित हैं

एचआईटीएल की उन स्थितियों में भी आवश्यकता होती है जिनमें सुरक्षा के लिए अत्यधिक सटीकता की आवश्यकता होती है। इसका एक उदाहरण वाहनों या हवाई जहाज के लिए महत्वपूर्ण भागों का निर्माण है; जबकि एमएल जैसे एआई उपकरण निरीक्षण के लिए बेहद उपयोगी हैं, समूह में एक मानव मॉनिटर भाग की विश्वसनीयता को बढ़ाएगा। इसके अलावा, अधूरे या पक्षपाती डेटा के साथ, मशीन लर्निंग मॉडल स्वयं पक्षपाती हो सकते हैं। लूप में मौजूद एक इंसान समय रहते पूर्वाग्रह का पता लगा सकता है और उसे ठीक कर सकता है।

अधिक पारदर्शिता के लिए

एआई एप्लिकेशन ब्लैक बॉक्स बन सकते हैं जिनमें डेटा को निर्णय में बदलने वाली प्रोसेसिंग छिपी होती है। यह वित्त और बैंकिंग जैसी डेटा-संवेदनशील गतिविधियों के लिए असुविधाजनक है। यह निर्णय लेने, विनियामक अनुपालन और प्रकटीकरण आवश्यकताओं के लिए भी एक समस्या है जो कुछ गतिविधियों से जुड़ी हैं। ऐसे मामलों में, HITL मॉडल मनुष्यों को यह देखने की अनुमति देता है कि AI उपकरण दिए गए डेटा सेट के साथ किसी विशेष परिणाम पर कैसे पहुंचता है। यह एआई/एमएल उपकरण को, थर्मोडायनामिक्स की भाषा में, एक "पृथक" प्रणाली के बजाय एक "खुला" होने की अनुमति देता है।

एआई टूल को सशक्त बनाना

जब कोई बच्चा वर्णमाला सीखता है, तो एक शिक्षक की आवश्यकता होती है, लेकिन जैसे-जैसे वह बड़ा होता है, शिक्षक की भूमिका अंततः सिखाने के बजाय मार्गदर्शन बन जाती है, अब वयस्क शिक्षक की आवश्यकता के बिना स्वयं ही सीख सकता है। बहुत हद तक, मानव को पहले सिस्टम को प्रशिक्षित करने की आवश्यकता होती है, और जितना अधिक एआई उपकरण मानव हस्तक्षेप से सीखता है, उतना ही बेहतर होता जाता है, और लूप में मानव समय की मात्रा कम हो सकती है, या कुछ मामलों में, यहां तक कि सफाया कर दिया। इस प्रकार एआई उपकरण फीडबैक लूप के माध्यम से मानव बुद्धि से लाभ उठाता है।

गहरी सीख में

ह्यूमन इन द लूप डीप लर्निंग का उपयोग निम्नलिखित परिदृश्य में किया जाता है:

एल्गोरिदम इनपुट डेटा को नहीं पहचानते.
इनपुट डेटा की गलत व्याख्या की गई है
डेटा पर नियोजित करने के लिए अगले कार्य पर अनिर्णय है
मनुष्य को कुछ कार्यों को निष्पक्षता से करने में सक्षम बनाना
मानवीय कार्यों के लिए त्रुटियों और समय की देरी को कम करना

यदि आप इनवॉइस और रसीदों के साथ काम करते हैं या आईडी सत्यापन के बारे में चिंतित हैं, तो नैनोनेट देखें ऑनलाइन ओसीआर or पीडीएफ टेक्स्ट एक्सट्रैक्टर PDF दस्तावेज़ों से टेक्स्ट निकालने के लिए मुक्त करने के लिए. के बारे में अधिक जानने के लिए नीचे क्लिक करें नैनोनेट्स एंटरप्राइज ऑटोमेशन सॉल्यूशन.

नैनोनेट्स मुफ़्त में आज़माएं

लूप में मनुष्यों के अनुप्रयोग

एआई और एमएल सिस्टम आज दुनिया में सर्वव्यापी हैं। लूप में मानव या तो केवल उपभोग के अंत में हो सकता है, या परिचालन क्षेत्र में भी हो सकता है। पूर्व के उदाहरणों में खोज इंजन, डिजिटल मानचित्र, नेविगेशन आदि का उपयोग शामिल है, जिसमें मानव उपभोक्ता विभिन्न सेवाओं का लाभ उठाने के लिए एआई प्रणाली का उपयोग करता है।

कुछ विशिष्ट अनुप्रयोग जिनमें एचआईटीएल एआई/एमएल ऑपरेशन के चरण में ही है:

सोशल मीडिया अनुप्रयोगों के उपयोग और दुरुपयोग के बीच की रेखा ठीक है, और सामग्री को नियंत्रित करने के लिए मानवीय निर्णय आवश्यक है। यह सच है कि एआई सिस्टम समय के साथ सामग्री को मॉडरेट करना सीख सकता है। लेकिन इसके लिए, मशीन को टेक्स्ट, उपयोगकर्ता नाम, छवियों और वीडियो की पहचान करने में मदद करने के लिए मानवीय भागीदारी आवश्यक है, जिनमें इंटरैक्शन के अवांछनीय तत्व हो सकते हैं।

स्वास्थ्य देखभाल तकनीक

छवि की सामान्य और असामान्य विशेषताओं की मेडिकल इमेजिंग और एआई-आधारित पहचान बड़े पैमाने पर विकसित की जा रही है। इस तरह के विकास के लिए विषय-वस्तु विशेषज्ञों के हस्तक्षेप की आवश्यकता होती है, ताकि छवि की विशिष्ट विशेषताओं को देखने के लिए मॉडल को प्रशिक्षित किया जा सके जो असामान्यताओं की ओर इशारा करते हैं। यहां तक कि सर्वोत्तम प्रशिक्षित मॉडलों को भी मानवीय पुष्टि द्वारा समर्थित किया जाना चाहिए क्योंकि नैदानिक और चिकित्सीय सेवाएं जीवन से संबंधित हैं, और गलतियाँ स्वीकार्य नहीं हैं। स्वास्थ्य देखभाल तकनीकी अनुप्रयोगों को अपने प्रशिक्षण डेटा को बढ़ाने के लिए गहन डेटा लेबलिंग सेवाओं की आवश्यकता होती है।

परिवहन

स्व-चालित कारें पहले से ही व्यावहारिक उपयोग के करीब हैं, लेकिन आगे के विकास के लिए, छवियों, वीडियो और ध्वनियों के रूप में भारी मात्रा में डेटा को मनुष्यों द्वारा इकट्ठा और एनोटेट किया जाना चाहिए। मानव, वाहन, बाधाएं, वनस्पति, जानवर, सड़क के आकार आदि के रूप में छवि डेटा को लेबल करना, दुर्घटनाओं के बिना स्वचालित ड्राइविंग को सक्षम करने के लिए एमएल के लिए सबसे महत्वपूर्ण है। दुनिया में वास्तव में स्व-चालित वाहनों को साकार करने के लिए भारी मानव लेबलिंग और एनोटेशन प्रयासों की आवश्यकता है।

रक्षा अनुप्रयोग

रक्षा संगठनों के लिए भविष्य की दृष्टि खतरनाक अभियानों में स्वायत्त प्रणालियों का उपयोग है। ऐसी प्रणालियाँ क्षणिक परिस्थितियों में मानव जैसे निर्णय लेने में सक्षम होनी चाहिए। हालाँकि, इन उच्च-प्रदर्शन AI बैकएंड को प्रशिक्षित करने के लिए उपलब्ध डेटा की मात्रा वर्तमान में पूर्ण स्वायत्तता को सक्षम करने के लिए अपर्याप्त है। मानव-मुक्त कृत्रिम-बुद्धि प्रणालियाँ भी इनपुट में प्रासंगिक जानकारी को समझने में असमर्थ हैं और इसके परिणामस्वरूप विनाशकारी भविष्यवाणियाँ और निर्णय हो सकते हैं। इस प्रकार, अब तक, रक्षा कार्यों को नियंत्रण में रखने के लिए लूप में एक मानव और मानव की आवश्यकता है।

रचनात्मक अनुप्रयोग

उपरोक्त "आवश्यक" अनुप्रयोगों के अलावा, एचआईटीएल एआई सिस्टम का मनोरंजन मूल्य भी हो सकता है। स्टैनफोर्ड मानव-केंद्रित एआई पहल ऐसी प्रणालियाँ डिज़ाइन करती है जो संगीत और मानव रचनात्मकता के अन्य रूपों के लिए नए उपकरण विकसित करने के लिए मानव संपर्क के साथ प्रौद्योगिकी को जोड़ती है। स्टाइल-ट्रांसफर गहरे कृत्रिम तंत्रिका नेटवर्क नई एआई-रचनाओं के लिए मशीनों को पेंटिंग की "शैलियाँ" सिखाने के लिए मानवीय हस्तक्षेप का उपयोग करें।

ह्यूमन इन लूप एआई सिस्टम से लाभान्वित होने वाले अन्य क्षेत्रों में खेल, खेल (वीडियो और वास्तविक जीवन), कृषि, फैक्ट्री स्वचालन और वित्तीय गतिविधियां शामिल हैं।

दोहराए जाने वाले मैन्युअल कार्यों को स्वचालित करना चाहते हैं? दक्षता बढ़ाते हुए समय, प्रयास और धन बचाएं!

नैनोनेट्स मुफ़्त में आज़माएं

ले जाओ

0:00

यदि संभव हो तो रोबोट के उभरने और दुनिया पर कब्ज़ा करने के लिए हम अभी भी एक लंबा रास्ता तय कर रहे हैं। कृत्रिम बुद्धिमत्ता के चक्र में अभी भी मनुष्य की आवश्यकता है। एआई के लिए व्यापक दृष्टिकोण एक आदर्श मशीन का डिज़ाइन नहीं है - जो असंभव नहीं तो अत्यधिक कठिन है, बल्कि सहयोगी प्रणालियों का डिज़ाइन है जो मानव तर्क की सूक्ष्मता और बुद्धिमान स्वचालन की शक्ति को जोड़ती है।

"+सामग्रीशीर्षक+"

"; टीओसी + = "

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

नैनोनेट्स ऑनलाइन ओसीआर और ओसीआर एपीआई कई दिलचस्प हैं बक्सों का इस्तेमाल करें tटोपी आपके व्यवसाय के प्रदर्शन को अनुकूलित कर सकती है, लागतों को बचा सकती है और विकास को बढ़ावा दे सकती है। मालूम करना नैनोनेट्स के उपयोग के मामले आपके उत्पाद पर कैसे लागू हो सकते हैं।