Manusia Dalam Lingkaran

Diterbitkan Ulang Oleh Plato

Followers: 0

Manusia dalam lingkaran

Mencari solusi otomatisasi? Tidak terlihat lagi!

.cta-first-blue{ transisi: semua 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; batas-radius: 0px; font-berat: tebal; ukuran font: 16px; tinggi garis: 24px; bantalan: 12px 24px; latar belakang: #546ffff; warna putih; tinggi: 56px; perataan teks: kiri; tampilan: inline-flex; arah fleksibel: baris; -moz-box-align: tengah; align-item: tengah; spasi huruf: 0px; ukuran kotak: kotak perbatasan; border-width:2px !penting; perbatasan: padat #546fff !penting; } .cta-first-blue:hover{ color:#546fff; latar belakang:putih; transisi: semua 0.1s kubik-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !penting; perbatasan: padat #546fff !penting; } .cta-second-black{ transisi: semua 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; batas-radius: 0px; font-berat: tebal; ukuran font: 16px; tinggi garis: 24px; bantalan: 12px 24px; latar belakang: putih; warna: #333; tinggi: 56px; perataan teks: kiri; tampilan: inline-flex; arah fleksibel: baris; -moz-box-align: tengah; align-item: tengah; spasi huruf: 0px; ukuran kotak: kotak perbatasan; border-width:2px !penting; batas: solid #333 !penting; } .cta-second-black:hover{ color:white; latar belakang:#333; transisi: semua 0.1s kubik-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !penting; batas: solid #333 !penting; } .column1{ lebar minimum: 240 piksel; max-width: fit-konten; padding-kanan: 4%; } .column2{ lebar minimum: 200 piksel; max-width: fit-konten; } .cta-main{ tampilan: fleksibel; }

“Semakin banyak kecerdasan buatan memasuki dunia, semakin banyak kecerdasan emosional yang harus masuk ke dalam kepemimpinan.” -Amit Ray, Ilmuwan AI Terkenal, Penulis Kecerdasan Buatan yang Penuh Kasih

Era industri keempat di mana kita hidup sangat mengganggu karena memadukan otak berbasis karbon dengan otak silikon. Kecerdasan buatan sudah menjadi bagian dari kehidupan kita, bahkan jika kita tidak menyadarinya – mesin pencari, asisten digital, peta, dan navigasi, daftarnya tidak ada habisnya. Mesin sekarang dapat "belajar" saat mereka bekerja, tetapi ini tidak, dalam banyak kasus, mengecualikan manusia dari proses.

Manusia dalam sistem Loop atau HITL memungkinkan kedua bentuk kecerdasan berinteraksi secara elegan untuk keuntungan bersama.

Mari kita belajar lebih banyak tentang manusia dalam loop AI.

var contentTitle = “Daftar Isi”; // Tetapkan judul Anda di sini, untuk menghindari membuat judul nanti var ToC = “

“+isiJudul+”

“; Daftar Isi += “

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

Definisi Manusia Dalam Lingkaran

Mesin kami telah berkembang jauh sejak Paul Ehrlich menulis pada tahun 1978 "Untuk berbuat salah adalah manusia, untuk benar-benar merusak hal-hal yang membutuhkan komputer". Alat Kecerdasan Buatan saat ini telah berkembang sangat pesat sehingga margin kesalahan telah menurun secara signifikan. Ini penting karena alat AI sekarang digunakan dalam aplikasi penting termasuk penerbangan, alat bantu hidup, dan kontrol senjata di mana kesalahan adalah bencana besar.

Konon, AI, seperti manusia yang membuatnya, tidak sempurna. Prediksi yang dibuat oleh alat AI tidak 100% akurat karena mesin membangun pemahamannya dari data dan pola yang ada. Meskipun ini juga berlaku untuk kecerdasan manusia, ada elemen tambahan dari kognisi berbasis coba-coba yang menggunakan banyak masukan dan faktor tambahan penalaran emosional dalam kecerdasan manusia. Ini mungkin membuat manusia rentan terhadap kesalahan sementara mesin, cenderung mengotori segalanya.

Tapi selain lelucon, sistem AI belum bisa sepenuhnya bebas manusia karena ketidakpastian akurasi yang melekat ini, dan sebagian besar, jika tidak semua, alat AI menggunakan sejumlah interaksi manusia untuk mengoreksi atau sekadar memantau. Interaksi antara manusia dan mesin menghasilkan loop umpan balik yang memungkinkan koreksi kursus berkala dari sistem AI untuk meningkatkan kinerja dan meningkatkan otonomi. Dengan demikian muncul definisi formal untuk Human in the Loop.

Manusia dalam lingkaran — Sumber: Humans in the Loop – Model yang terus menerus lebih baik dengan human in the loop

Akibatnya, AI human-in-the-loop memungkinkan manusia memberikan umpan balik ke model AI (ML, DL, ANN, dll.) untuk prediksi di bawah tingkat kepercayaan tertentu.

Ingin mengikis data dari PDF dokumen, konversi PDF ke XML or mengotomatiskan ekstraksi tabel? Jelajahi Nanonet Pengikis PDF or Pengurai PDF untuk mengubah PDF ke database entri!

Coba Nanonets Gratis

ML, Alat AI populer yang dapat digunakan oleh HITL

Pembelajaran adalah proses di mana data yang sudah ada digunakan untuk membuat prediksi masa depan – “anak yang terbakar takut api” adalah contoh proses pembelajaran yang relatable, jika mengganggu. Pembelajaran mesin, salah satu alat AI, bekerja dengan cara yang hampir sama – mempelajari pola dari data yang ada dan membuat prediksi berdasarkan pola ini. Misalnya, menggunakan gambar wajah bahagia dan sedih dari database wajah emosional yang sudah ada sebelumnya, alat ML mengidentifikasi wajah baru sebagai wajah bahagia atau sedih. Prediksi tersebut kemudian divalidasi, dan jika ditemukan benar, bergerak maju, menyimpan "pengalaman" baru ini sebagai titik data lain. Jika tidak, kursus mesin akan diperbaiki.

Ingin mengotomatiskan tugas manual yang berulang? Periksa perangkat lunak pemrosesan dokumen berbasis alur kerja Nanonets kami. Ekstrak data dari faktur, kartu identitas, atau dokumen apa pun dengan autopilot!

Coba Nanonets Gratis

Jenis HITL di ML

Dalam Human in the Loop Machine Learning, manusia berpartisipasi di banyak tingkatan.

Penciptaan

Komponen manusia dimulai dengan membuat algoritme dan algoritme lepas landas di atasnya. Sama seperti Tony Stark dan JARVIS-nya

Pelatihan

Seperti dijelaskan sebelumnya, pembelajaran terjadi dengan data. Ketika seorang anak tidak menyentuh api, orang dewasa mungkin telah mengajarinya untuk tidak menyentuhnya. Penilaian manusia digunakan untuk melatih model sehingga pada saatnya model tersebut berkinerja seperti atau mengungguli manusia dalam membuat prediksi menggunakan pola.

Data pelabelan

Model Pembelajaran Mesin membutuhkan data berlabel dari mana untuk belajar. Beberapa kumpulan data mungkin sudah memiliki label, tetapi jika tidak ada data yang telah diberi label sebelumnya, manusia harus memberi label pada data yang melatih algoritme ML. Menurut IDC, 90% data yang tersedia adalah dark data, yaitu data tidak terstruktur/tidak berkategori. Pelabelan mungkin memakan waktu, pekerjaan yang membosankan. Memang, pelabelan data telah menjadi pekerjaan yang berdiri sendiri di lapangan kecerdasan buatan dan ilmu data. Meskipun terdengar biasa, pelabelan kumpulan data tidak selalu merupakan aktivitas kelas bawah, dan aplikasi tertentu mungkin memerlukan pengetahuan khusus domain. Misalnya, penandaan data medis memerlukan pengetahuan tentang penyakit, kondisi, dll. Sebagian besar kumpulan data yang digunakan dalam domain perawatan kesehatan memerlukan pengetahuan khusus domain, seperti dokter menandai rontgen paru-paru sebagai kanker atau tidak. Penandaan data yang digunakan untuk melatih AI yang digunakan dalam penerbangan membutuhkan pengetahuan tentang aerodinamika dan topik teknik lainnya.

Pengesahan

Setelah model ML mulai memprediksi menggunakan data dunia nyata, HITL memvalidasi prediksi model dan memberikan umpan balik tentang positif palsu dan negatif palsu ke ML untuk pelatihan. Manusia dalam loop dapat meninjau kinerja model dan menganalisis kinerjanya, untuk mengubah algoritme atau meningkatkan dataset pelatihan.

Ingin menggunakan otomatisasi proses robotik? Lihat perangkat lunak pemrosesan dokumen berbasis alur kerja Nanonets. Tidak ada kode. Tidak ada platform yang merepotkan.

Coba Nanonets Gratis

Pentingnya human-in-the-loop ML dan alat AI lainnya

Ketika ada kelangkaan data pelatihan

Pembelajaran mesin konvensional dan alat AI lainnya memerlukan kumpulan data besar untuk berlatih dengan baik dan mendapatkan hasil yang akurat. Di bidang baru atau bidang yang tidak memiliki data sebelumnya, model ML tidak akurat untuk memulai dan membutuhkan waktu lama sebelum data yang memadai dihasilkan untuk pelatihan. Human in the loop AI dapat membantu dalam kasus ini di mana manusia mengajarkan algoritme, pola, dan aturan tanpa memerlukan kumpulan data besar untuk dikerjakan. Dalam konteks itu, HITL membantu validasi model dan memungkinkan pelatihan menggunakan data yang tidak terstruktur, sulit untuk ditandai, dan terus berubah.

Ketika tidak manusiawi bukanlah suatu pilihan

Ada juga bidang khusus di mana manusia dalam lingkaran AI berguna, bahkan diperlukan. Salah satunya adalah bidang kesehatan. Sementara AI pasti dapat memudahkan diagnosis dan bahkan terapi, seperti operasi robotik, tidak jelas apakah itu dapat di-dehumanisasi. Memang benar bahwa AI dapat membantu dokter menghabiskan lebih sedikit waktu untuk tugas administratif dan diagnostik, tetapi perdebatan terus ada tentang apakah AI yang tidak manusiawi akan merusak dimensi manusiawi dari hubungan pasien-dokter. Konsensus etika umum adalah bahwa human-in-the-loop diperlukan bagi AI untuk melayani tujuan manusia, menghormati identitas pribadi dan mempromosikan interaksi manusia.

Di mana dua mata lebih aman daripada penglihatan mesin

HITL juga diperlukan dalam situasi yang membutuhkan presisi tertinggi untuk keselamatan. Contohnya adalah pembuatan suku cadang penting untuk kendaraan atau pesawat terbang; sementara alat AI seperti ML sangat berguna untuk inspeksi, monitor manusia dalam grup akan menambah keandalan bagian tersebut. Selain itu, dengan data yang tidak lengkap atau bias, model Machine Learning sendiri dapat menjadi bias. Seorang manusia dalam lingkaran dapat mendeteksi dan mengoreksi bias dalam waktu.

Untuk meningkatkan transparansi

Aplikasi AI dapat menjadi kotak hitam di mana pemrosesan yang mengubah data menjadi keputusan disembunyikan. Ini tidak nyaman untuk aktivitas sensitif data seperti keuangan dan perbankan. Ini juga merupakan masalah untuk pengambilan keputusan, kepatuhan terhadap peraturan, dan kebutuhan pengungkapan yang terkait dengan aktivitas tertentu. Dalam kasus seperti itu, model HITL memungkinkan manusia untuk melihat bagaimana alat AI mencapai hasil tertentu dengan kumpulan data tertentu. Ini memungkinkan alat AI/ML, dalam istilah termodinamika, menjadi sistem "terbuka" daripada "terisolasi".

Untuk memberdayakan alat AI

Ketika seorang anak belajar alfabet, seorang guru diperlukan, tetapi ketika dia tumbuh, peran guru menjadi bimbingan daripada mengajar pada akhirnya, orang dewasa sekarang dapat belajar sendiri tanpa perlu seorang guru. Sama seperti itu, manusia diharuskan untuk melatih sistem terlebih dahulu, dan semakin banyak alat AI belajar dari intervensi manusia, semakin baik hasilnya, dan jumlah waktu manusia dalam loop dapat dikurangi, atau dalam beberapa kasus, bahkan dihilangkan. Dengan demikian, alat AI mendapat manfaat dari kecerdasan manusia melalui loop umpan balik.

Dalam pembelajaran yang mendalam

Pembelajaran mendalam manusia dalam lingkaran digunakan dalam skenario berikut:

Algoritma tidak mengenali data input.
Data masukan disalahartikan
Ada keragu-raguan pada tugas berikutnya untuk digunakan pada data
Untuk memungkinkan manusia melakukan tugas-tugas tertentu secara objektif
Untuk mengurangi kesalahan dan penundaan waktu untuk tugas-tugas manusia

Jika Anda bekerja dengan faktur, dan tanda terima atau khawatir tentang verifikasi ID, periksa Nanonets OCR online or ekstraktor teks PDF untuk mengekstrak teks dari dokumen PDF gratis. Klik di bawah untuk mempelajari lebih lanjut Solusi Otomatisasi Perusahaan Nanonets.

Coba Nanonets Gratis

Aplikasi Manusia dalam Loop

Sistem AI dan ML ada di mana-mana di dunia saat ini. Manusia dalam lingkaran mungkin hanya berada di ujung konsumsi, atau di alam operasional juga. Contoh yang pertama termasuk penggunaan mesin pencari, peta digital, navigasi, dll., Di mana konsumen manusia menggunakan sistem AI untuk memanfaatkan berbagai layanan.

Beberapa aplikasi khas di mana HITL berada pada tahap operasi AI/ML itu sendiri adalah:

Batas antara penggunaan dan penyalahgunaan aplikasi media sosial baik-baik saja, dan penilaian manusia sangat penting untuk memoderasi konten. Memang benar bahwa sistem AI dapat belajar memoderasi konten dari waktu ke waktu. Tetapi untuk itu, keterlibatan manusia sangat penting untuk membantu mesin belajar mengidentifikasi teks, nama pengguna, gambar, dan video yang mungkin memiliki elemen interaksi yang tidak diinginkan.

Teknologi Perawatan Kesehatan

Pencitraan medis dan pengenalan berbasis AI dari fitur normal dan abnormal dari gambar sedang dikembangkan secara ekstensif. Perkembangan tersebut memerlukan intervensi oleh ahli materi pelajaran, untuk melatih model untuk mencari fitur tertentu dari gambar yang menunjukkan kelainan. Bahkan model yang paling terlatih pun harus didukung lebih jauh oleh konfirmasi manusia karena layanan diagnostik dan terapeutik berhubungan dengan kehidupan, dan kesalahan tidak dapat diterima. Aplikasi teknologi perawatan kesehatan memerlukan layanan pelabelan data intensif untuk menambah data pelatihan mereka.

Transportasi

Mobil self-driving sudah mendekati penggunaan praktis, tetapi untuk pengembangan lebih lanjut, sejumlah besar data dalam bentuk gambar, video, dan suara harus dikumpulkan dan dianotasi oleh manusia. Memberi label pada data gambar sebagai manusia, kendaraan, penghalang jalan, vegetasi, hewan, bentuk jalan, dll., sangat penting bagi ML untuk memungkinkan mengemudi otomatis tanpa kecelakaan. Upaya pelabelan dan anotasi manusia yang besar diperlukan untuk mewujudkan kendaraan yang benar-benar dapat mengemudi sendiri di dunia.

Aplikasi pertahanan

Visi futuristik untuk organisasi pertahanan adalah penggunaan sistem otonom dalam misi berbahaya. Sistem seperti itu harus mampu membuat keputusan seperti manusia dalam kondisi sepersekian detik. Namun, jumlah data yang tersedia untuk melatih backend AI berkinerja tinggi ini saat ini tidak cukup untuk memungkinkan otonomi penuh. Sistem kecerdasan buatan yang bebas manusia juga tidak mampu memahami informasi kontekstual dalam input dan ini dapat mengakibatkan prediksi dan keputusan yang membawa bencana. Jadi, sampai sekarang, manusia tentu diperlukan dalam lingkaran untuk menjaga operasi pertahanan tetap terkendali dan manusia.

Aplikasi kreatif

Di luar aplikasi "penting" di atas, sistem AI HITL juga dapat memiliki nilai hiburan. Itu Stanford AI yang berpusat pada manusia inisiatif merancang sistem yang memasukkan teknologi dengan interaksi manusia untuk mengembangkan alat baru untuk musik dan bentuk kreativitas manusia lainnya. Jaringan saraf tiruan dalam transfer gaya menggunakan intervensi manusia untuk mengajarkan mesin "gaya" lukisan untuk kreasi AI baru.

Bidang lain yang mendapat manfaat dari sistem AI Human in the loop termasuk olahraga, game (video dan kehidupan nyata), pertanian, otomatisasi pabrik, dan aktivitas keuangan.

Ingin mengotomatiskan tugas manual yang berulang? Hemat Waktu, Tenaga & Uang sambil meningkatkan efisiensi!

Coba Nanonets Gratis

Bawa pulang

0:00

Kami masih jauh, jika memungkinkan, bagi robot untuk bangkit dan mengambil alih dunia. Manusia masih dibutuhkan dalam lingkaran kecerdasan buatan. Pendekatan yang lebih luas untuk AI bukanlah desain mesin yang sempurna – yang sangat sulit, jika bukan tidak mungkin, tetapi desain sistem kolaboratif yang menggabungkan kehalusan penalaran manusia dan kekuatan otomatisasi cerdas.

var contentTitle = “Daftar Isi”; // Tetapkan judul Anda di sini, untuk menghindari membuat judul nanti var ToC = “

“+isiJudul+”

“; Daftar Isi += “

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

Nanonet OCR & OCR API online punya banyak yang menarik gunakan kasing tHal ini dapat mengoptimalkan kinerja bisnis Anda, menghemat biaya, dan meningkatkan pertumbuhan. Temukan bagaimana kasus penggunaan Nanonet dapat diterapkan pada produk Anda.