Humans In The Loop

Újra kiadta Platón

Követő: 0

Emberek a hurokban

Automatizálási megoldást keres? Ne keressen tovább!

.cta-first-blue{ átmenet: mind 0.1 s cubic-bezier(0.4, 0, 0.2, 1) 0s; határsugár: 0 képpont; betűsúly: félkövér; betűméret: 16 képpont; vonalmagasság: 24 képpont; padding: 12px 24px; háttér: #546fff; fehér szín; magasság: 56px; szöveg igazítása: balra; kijelző: inline-flex; flex-irány: sor; -moz-box-align: center; align-ites: center; betűköz: 0px; box-sizing: border-box; border-width:2px !fontos; keret: szilárd #546fff !fontos; } .cta-first-blue:hover{ color:#546fff; háttér:fehér; átmenet: mind 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !fontos; keret: szilárd #546fff !fontos; } .cta-second-black{ átmenet: mind 0.1 s cubic-bezier(0.4, 0, 0.2, 1) 0s; határsugár: 0 képpont; betűsúly: félkövér; betűméret: 16 képpont; vonalmagasság: 24 képpont; padding: 12px 24px; háttér: fehér; szín: # 333; magasság: 56px; szöveg igazítása: balra; kijelző: inline-flex; flex-irány: sor; -moz-box-align: center; align-ites: center; betűköz: 0px; box-sizing: border-box; border-width:2px !fontos; keret: szilárd #333 !fontos; } .cta-second-black:hover{ color:white; háttér:#333; átmenet: mind 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !fontos; keret: szilárd #333 !fontos; } .column1{ min-width: 240px; max-width: fit-content; jobb párnázás: 4%; } .column2{ min-width: 200px; max-width: fit-content; } .cta-main{ display: flex; }

"Ahogy egyre több mesterséges intelligencia kerül be a világba, egyre több érzelmi intelligencia kell a vezető szerepbe." -Amit Ray, híres mesterséges intelligencia-tudós, a Compassionate Artificial Intelligence szerzője

A negyedik ipari korszak, amelyben élünk, bomlasztó abból a szempontból, hogy összekeveri a szénalapú agyat a szilíciummal. A mesterséges intelligencia már most is az életünk része, még ha nem is vesszük észre – keresőmotorok, digitális asszisztensek, térképek és navigáció, a lista végtelen. A gépek már „tanulhatnak” munka közben, de ez a legtöbb esetben nem zárja ki az embereket a folyamatból.

Az emberek a hurokban vagy a HITL rendszerben lehetővé teszik, hogy az intelligencia mindkét formája elegánsan kommunikáljon egymással kölcsönös előnyök érdekében.

Hadd tudjunk meg többet a humán in the loop MI-ről.

var contentsTitle = "Tartalomjegyzék"; // Itt állítsa be a címet, nehogy később fejlécet adjon hozzá var ToC = "

„+contentsTitle+”

“; ToC += "

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

Az Ember a hurokban meghatározása

Gépeink hosszú utat tettek meg azóta, hogy Paul Ehrlich 1978-ban azt írta: „Tévedni emberi dolog, a dolgok igazán elrontásához számítógép kell”. A mai mesterséges intelligencia eszközei olyan sokat fejlődtek, hogy a hibahatár jelentősen csökkent. Ez azért fontos, mert a mesterséges intelligencia eszközöket ma már olyan kritikus alkalmazásokban használják, mint a repülés, az életfenntartás és a fegyvervezérlés, ahol a hibák katasztrofálisak.

Ez azt jelenti, hogy a mesterséges intelligencia, mint az ember, aki felépítette őket, nem tökéletes. Az AI-eszközök előrejelzései nem 100%-ban pontosak, mivel a gépek a meglévő adatokból és mintákból építik fel tudásukat. Noha ez igaz az emberi intelligenciára is, van egy további eleme a próba-szerencse alapú megismerésnek, amely többféle inputot és az érzelmi érvelés egy további tényezőjét használja az emberi intelligenciában. Ez valószínűleg hajlamossá teszi az embert a hibákra, míg a gépet hajlamossá tenni a dolgok elszennyeződésére.

De a viccet félretéve, az AI-rendszerek még nem lehetnek teljesen embermentesek a pontosság eme eredendő bizonytalansága miatt, és a legtöbb, ha nem az összes AI-eszköz bizonyos mennyiségű emberi interakciót használ a kurzus korrigálására vagy egyszerűen figyelésére. Az ember és a gép közötti kölcsönhatás egy visszacsatolási hurkot eredményez, amely lehetővé teszi az AI-rendszer időszakos pályakorrekcióit a teljesítmény és az autonómia növelése érdekében. Így alakul ki az Ember a hurokban formális meghatározása.

Emberek a hurokban — Forrás: Humans in the Loop – Folyamatosan jobb modellek emberrel a hurokban

Valójában a humán-in-the-loop AI lehetővé teszi az emberek számára, hogy visszajelzést adjanak az AI-modellhez (ML, DL, ANN stb.) bizonyos megbízhatósági szint alatti előrejelzésekhez.

Szeretne adatok kaparása PDF-ből dokumentumokat, konvertálni PDF - XML or automatizálja a táblázat kivonását? Nézze meg a Nanonets PDF kaparó or PDF elemző átalakít PDF-ek adatbázisba bejegyzés!

Próbálja ki a Nanonets-t ingyen

ML, egy népszerű mesterséges intelligencia eszköz, amely alkalmas a HITL-re

A tanulás az a folyamat, amelyben a már meglévő adatokat használjuk fel a jövőbeli előrejelzésekhez – „egy megégett gyerek retteg a tűztől” a tanulási folyamat rokon, de zavaró példája. A gépi tanulás, az AI egyik eszköze, nagyjából ugyanígy működik – mintákat tanul a meglévő adatokból, és ezek alapján előrejelzéseket készít. Például egy érzelmi arcokat tartalmazó, már meglévő adatbázisból származó boldog és szomorú arcok képeit használva egy ML eszköz boldognak vagy szomorúnak azonosítja az új arcot. Az előrejelzést ezután érvényesítik, és ha helyesnek találják, továbblép, elrejtve ezt az új „tapasztalatot” egy másik adatpontként. Ha nem, a géppálya korrigálja.

Szeretné automatizálni az ismétlődő manuális feladatokat? Tekintse meg Nanonets munkafolyamat-alapú dokumentumfeldolgozó szoftverünket. Kivonat adatokat számlákról, személyi igazolványokról vagy bármilyen dokumentumról robotpilóta segítségével!

Próbálja ki a Nanonets-t ingyen

A HITL típusai ML-ben

A Human in the Loop Machine Learningben az ember számos szinten részt vesz.

Teremtés

Az emberi komponens az algoritmus létrehozásával kezdődik, majd az algoritmus elindul. Hasonlóan Tony Starkhoz és a JARVIS-hez

Képzések

Amint azt korábban leírtuk, a tanulás adatokkal történik. Ha egy gyerek nem érinti a lángot, valószínűleg egy felnőtt tanította meg neki, hogy ne tegye. Az emberi ítélőképességet arra használják fel, hogy a modellt úgy képezzék ki, hogy a modell kellő időben úgy teljesítsen, mint az ember, vagy felülmúlja a mintákat használó előrejelzéseket.

Adatok címkézése

Gépi tanulási modellekre van szükség címkézett adatok amiből tanulni lehet. Egyes adatkészletek már tartalmazhatnak címkéket, de előre címkézett adatok hiányában az embereknek fel kell címkéznie az ML algoritmust tanító adatokat. Szerint a IDC, a rendelkezésre álló adatok 90%-a sötét adat, azaz strukturálatlan/nem kategorizált adat. A címkézés időigényes, fárasztó munka lehet. Valóban, adatcímkézés lett önálló munka a területen mesterséges intelligencia és adattudomány. Bármilyen hétköznapinak is hangzik, az adatkészletek címkézése nem mindig alacsony szintű tevékenység, és az egyes alkalmazásokhoz tartomány-specifikus ismeretekre lehet szükség. Például az orvosi adatok címkézéséhez ismeretekre van szükség a betegségekről, állapotokról stb. Az egészségügyi tartományban használt legtöbb adatkészlethez terület-specifikus ismeretek szükségesek, például egy orvosnak meg kell jelölnie a tüdőröntgenfelvételt rákos-e vagy sem. A repüléseknél használt mesterséges intelligencia képzéséhez használt adatok címkézéséhez aerodinamikai és egyéb mérnöki témák ismerete szükséges.

Érvényesítés

Amint egy ML-modell megkezdi a valós adatok felhasználásával történő előrejelzést, a HITL érvényesíti a modell előrejelzéseit, és visszajelzést ad a hamis pozitív és hamis negatív értékekről az ML-nek a képzéshez. A hurokban lévő ember áttekintheti a modell teljesítményét és elemezheti annak teljesítményét az algoritmus módosítása vagy a betanítási adatkészlet javítása érdekében.

Robotizált folyamatautomatizálást szeretne használni? Nézze meg a Nanonets munkafolyamat-alapú dokumentumfeldolgozó szoftvert. Nincs kód. Nincs probléma platform.

Próbálja ki a Nanonets-t ingyen

A human-in-the-loop ML és más AI-eszközök fontossága

Ha kevés az edzési adat

A hagyományos gépi tanuláshoz és más mesterséges intelligencia-eszközökhöz nagy adatkészletre van szükség a megfelelő képzéshez és a pontos eredmények eléréséhez. Egy új mezőben vagy olyan mezőben, amelyből hiányoznak az előzetes adatok, az ML-modellek nem pontosak az induláshoz, és sok időbe telik, amíg elegendő adat keletkezik a betanításhoz. A Human in the loop AI segíthet azokban az esetekben, amikor az ember megtanítja az algoritmust, a mintákat és a szabályokat anélkül, hogy nagy adathalmazra lenne szükség. Ebben az összefüggésben a HITL segíti a modellek érvényesítését, és lehetővé teszi a strukturálatlan, nehezen címkézhető és folyamatosan változó adatok felhasználásával történő képzést.

Amikor a dehumanizálás nem választható

Vannak olyan speciális területek is, ahol a mesterséges intelligencia hurkába tartozó ember hasznos, sőt szükséges is. Az egyik terület az egészségügy. Bár a mesterséges intelligencia minden bizonnyal megkönnyíti a diagnózist, sőt a terápiát is, például a robotsebészetet, nem világos, hogy dehumanizálható-e. Valóban igaz, hogy a mesterséges intelligencia segíthet abban, hogy a klinikusok kevesebb időt töltsenek adminisztratív és diagnosztikai feladatokra, de továbbra is vita folyik arról, hogy a dehumanizált mesterséges intelligencia aláásná-e a beteg-orvos kapcsolat humánus dimenzióját. Az általános etikai konszenzus az, hogy az ember a hurokban szükséges ahhoz, hogy a mesterséges intelligencia emberi célokat szolgáljon, tiszteletben tartsa a személyes identitást és elősegítse az emberi interakciót.

Ahol két szem biztonságosabb, mint a gépi látás

A HITL-re olyan helyzetekben is szükség van, amelyek a legnagyobb biztonságot igénylik. Ilyen például a járművek vagy repülőgépek kritikus alkatrészeinek gyártása; Míg az olyan mesterséges intelligencia eszközök, mint az ML rendkívül hasznosak az ellenőrzésekhez, a csoportba tartozó emberi monitor növelné az alkatrész megbízhatóságát. Továbbá hiányos vagy elfogult adatok esetén a gépi tanulási modellek maguk is elfogulttá válhatnak. A hurokban lévő ember képes időben észlelni és korrigálni a torzítást.

A fokozott átláthatóság érdekében

Az AI-alkalmazások fekete dobozokká válhatnak, amelyekben az adatokat döntéssé konvertáló feldolgozás el van rejtve. Ez kényelmetlen az olyan adatérzékeny tevékenységeknél, mint a pénzügy és a banki tevékenység. Ez bizonyos tevékenységekhez kapcsolódó döntéshozatali, szabályozási megfelelési és közzétételi igények esetében is problémát jelent. Ilyen esetekben a HITL modell lehetővé teszi az emberek számára, hogy lássák, hogyan jut el az AI eszköz egy adott eredményhez egy adott adatkészlettel. Ez lehetővé teszi, hogy az AI/ML eszköz a termodinamika szóhasználatában „nyitott”, semmint „elszigetelt” rendszer legyen.

Az AI eszköz felhatalmazása érdekében

Amikor a gyermek megtanulja az ábécét, tanárra van szükség, de ahogy nő, a tanár szerepe nem a tanítás, hanem az útmutatás lesz, a felnőttek pedig egyedül tanulhatnak, tanár nélkül. Ehhez hasonlóan az embernek először betanítania kell a rendszert, és minél többet tanul az AI eszköz az emberi beavatkozásból, annál jobb lesz, és a hurokban töltött emberi idő csökkenthető, sőt bizonyos esetekben akár Eltüntetett. Így az AI eszköz a visszacsatolási hurkon keresztül profitál az emberi intelligenciából.

A mély tanulásban

A Human in the loop mély tanulást a következő forgatókönyvben használják:

Az algoritmusok nem ismerik fel a bemeneti adatokat.
A bevitt adatokat félreértelmezték
Határozatlanság van a következő adatkezelési feladatot illetően
Lehetővé tenni az emberek számára bizonyos feladatok objektív elvégzését
Az emberi feladatoknál előforduló hibák és késések csökkentése érdekében

Ha számlákkal és nyugtákkal dolgozik, vagy aggódik a személyi igazolvány ellenőrzése miatt, nézze meg a Nanonets-t online OCR or PDF szövegkivonat szöveg kinyeréséhez PDF dokumentumokból ingyen. Kattintson az alábbiakra, ha többet szeretne megtudni erről Nanonets vállalati automatizálási megoldás.

Próbálja ki a Nanonets-t ingyen

Az emberek alkalmazása a hurokban

Az AI és az ML rendszerek ma mindenütt jelen vannak a világban. A hurokban lévő ember lehet csak a fogyasztási oldalon, vagy a működési területen is. Az előbbiekre példa a keresőmotorok, digitális térképek, navigáció stb. használata, ahol az emberi fogyasztó mesterséges intelligencia rendszert használ a különféle szolgáltatások igénybevételére.

Néhány tipikus alkalmazás, amelyben a HITL maga az AI/ML művelet szakaszában van:

A közösségi médiaalkalmazások használata és a visszaélések közötti határ rendben van, és az emberi megítélés elengedhetetlen a tartalom moderálásához. Igaz, hogy az AI-rendszerek idővel megtanulhatják a tartalom moderálását. Ehhez azonban elengedhetetlen az emberi részvétel, hogy a gép megtanulja azonosítani azokat a szövegeket, felhasználóneveket, képeket és videókat, amelyek nemkívánatos interakciós elemekkel rendelkeznek.

Egészségügyi Tech

Az orvosi képalkotás és a kép normál és abnormális jellemzőinek mesterséges intelligencia alapú felismerése kiterjedt fejlesztés alatt áll. Az ilyen fejlesztésekhez a téma szakértőinek beavatkozására van szükség, hogy a modellt arra tanítsák, hogy keresse a kép sajátos jellemzőit, amelyek rendellenességekre utalnak. Még a legjobban képzett modelleket is emberi megerősítésnek kell alátámasztania, mert a diagnosztikai és terápiás szolgáltatások életekkel foglalkoznak, a hibák pedig nem fogadhatók el. Az egészségügyi technológiai alkalmazások intenzív adatcímkézési szolgáltatásokat igényelnek az edzési adatok bővítéséhez.

Szállítás

Az önvezető autók már a gyakorlati használathoz közelednek, de a további fejlesztésekhez hatalmas mennyiségű adatot kell összegyűjteni és kommentálni az embereknek képek, videók és hangok formájában. A képadatok emberek, járművek, útlezárások, növényzet, állatok, útformák stb. címkézése kiemelkedően fontos az ML számára, hogy lehetővé tegye az automatizált vezetést balesetek nélkül. Óriási emberi címkézési és annotációs erőfeszítésekre van szükség ahhoz, hogy valóban önvezető járműveket valósítsunk meg a világon.

Védelmi alkalmazások

A védelmi szervezetek futurisztikus víziója az autonóm rendszerek használata veszélyes küldetésekben. Az ilyen rendszereknek képesnek kell lenniük emberszerű döntések meghozatalára a másodperc töredéke alatt. A nagy teljesítményű AI-háttérrendszerek betanításához rendelkezésre álló adatmennyiség azonban jelenleg nem elegendő a teljes autonómia biztosításához. Az ember nélküli mesterséges intelligencia rendszerek sem képesek megérteni a bemeneti kontextuális információkat, és ez katasztrofális előrejelzésekhez és döntésekhez vezethet. Így mostantól minden bizonnyal emberre van szükség a védelmi műveletek ellenőrzése alatt tartásához és emberre.

Kreatív alkalmazások

A fenti „lényeges” alkalmazásokon túl a HITL AI-rendszerek szórakoztató értékkel is bírhatnak. A Stanford Emberközpontú AI kezdeményezés olyan rendszereket tervez, amelyek átitatják a technológiát az emberi interakciókkal, hogy új eszközöket fejlesszenek ki a zenei és az emberi kreativitás egyéb formáihoz. Stílusátvitel mély mesterséges neurális hálózatok emberi beavatkozás segítségével tanítsa meg a gépeket a festmények „stílusaira” az új AI-alkotásokhoz.

A Human in the loop AI-rendszer további előnyei közé tartozik a sport, a játékok (videó és valós élet), a mezőgazdaság, a gyárautomatizálás és a pénzügyi tevékenységek.

Szeretné automatizálni az ismétlődő manuális feladatokat? Takarítson meg időt, erőfeszítést és pénzt, miközben növeli a hatékonyságot!

Próbálja ki a Nanonets-t ingyen

Elvitel

0:00

Még hosszú út áll előttünk, ha egyáltalán lehetséges, hogy a robotok felemelkedjenek és átvegyék az uralmat a világ felett. Az emberekre továbbra is szükség van a mesterséges intelligencia körforgásában. A mesterséges intelligencia tágabb megközelítése nem egy tökéletes gép tervezése – ami rendkívül nehéz, ha nem lehetetlen, hanem olyan együttműködési rendszerek tervezése, amelyek egyesítik az emberi gondolkodás finomságát és az intelligens automatizálás erejét.

var contentsTitle = "Tartalomjegyzék"; // Itt állítsa be a címet, nehogy később fejlécet adjon hozzá var ToC = "

„+contentsTitle+”

“; ToC += "

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

Nanonetek online OCR és OCR API sok érdekesség van használati esetek tkalap optimalizálhatja az üzleti teljesítményt, megtakaríthatja a költségeket és fellendítheti a növekedést. Kitalál hogyan vonatkozhatnak a Nanonets használati esetei az Ön termékére.

Időbélyeg: Június 6, 2022

Időbélyeg: 27. március 2023.

Újra kiadta Platón

Mi a könyvelés és hogyan automatizálható?

Túlélni a Szilícium-völgy Bank apokalipszist: Multi-bank menedzsment induló vállalkozások számára

Mi az a számlaolvasó és hogyan kell használni?

Bankszámlakivonat-egyeztetés a QuickBooks Online-ban

A 9 legjobb thai OCR szoftver 2022-ben

Mi az a költségmenedzsment automatizálás?

AWS Textract Teardown – Az Amazon Textract használatának előnyei és hátrányai 2021-ben

Hogyan készítsünk OCR-megrendeléseket az automatizáláshoz

Hogyan egyszerűsítheti a jelzáloghitel-automatizálás hitelezési üzletét

Rólunk

Vertical Search & Ai

Emelvény

Maradjon kapcsolatban

Fiók

„+contentsTitle+”

Az Ember a hurokban meghatározása

ML, egy népszerű mesterséges intelligencia eszköz, amely alkalmas a HITL-re

A HITL típusai ML-ben

Teremtés

Képzések

Adatok címkézése

Érvényesítés

A human-in-the-loop ML és más AI-eszközök fontossága

Ha kevés az edzési adat

Amikor a dehumanizálás nem választható

Ahol két szem biztonságosabb, mint a gépi látás

A fokozott átláthatóság érdekében

Az AI eszköz felhatalmazása érdekében

A mély tanulásban

Az emberek alkalmazása a hurokban

Social Media

Egészségügyi Tech

Szállítás

Védelmi alkalmazások

Kreatív alkalmazások

Elvitel

„+contentsTitle+”

Még több AI és gépi tanulás

Rólunk

Vertical Search & Ai

Emelvény

Maradjon kapcsolatban

Fiók