Gli esseri umani nel giro

Ripubblicato da Platone

Seguaci: 0

Umani nel giro

Cerchi una soluzione di automazione? Non guardare oltre!

.cta-first-blue{ transizione: tutti 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; raggio di confine: 0px; font-weight: grassetto; dimensione del carattere: 16px; altezza della linea: 24px; imbottitura: 12px 24px; sfondo: #546ff; colore bianco; altezza: 56px; allineamento del testo: sinistra; display: inline-flex; direzione flessibile: riga; -moz-box-align: centro; allineare-elementi: centro; spaziatura delle lettere: 0px; formato scatola: bordo-scatola; larghezza-bordo:2px !importante; bordo: solido #546fff !importante; } .cta-first-blue:hover{ color:#546fff; sfondo:bianco; transizione: tutti 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; larghezza-bordo:2px !importante; bordo: solido #546fff !importante; } .cta-second-black{ transizione: tutti 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; raggio di confine: 0px; font-weight: grassetto; dimensione del carattere: 16px; altezza della linea: 24px; imbottitura: 12px 24px; sfondo: bianco; colore: #333; altezza: 56px; allineamento del testo: sinistra; display: inline-flex; direzione flessibile: riga; -moz-box-align: centro; allineare-elementi: centro; spaziatura delle lettere: 0px; formato scatola: bordo-scatola; larghezza-bordo:2px !importante; bordo: solido #333 !importante; } .cta-secondo-nero:hover{ colore:bianco; sfondo:#333; transizione: tutti 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; larghezza-bordo:2px !importante; bordo: solido #333 !importante; } .colonna1{ larghezza minima: 240px; larghezza massima: fit-content; riempimento-destra: 4%; } .colonna2{ larghezza minima: 200px; larghezza massima: fit-content; } .cta-main{ display: flex; }

“Mentre sempre più intelligenze artificiali stanno entrando nel mondo, sempre più intelligenze emotive devono assumere la leadership”. -Amit Ray, famoso scienziato dell'intelligenza artificiale, autore di Intelligenza artificiale compassionevole

La quarta era industriale in cui viviamo è dirompente in quanto fonde il cervello basato sul carbonio con quello sul silicio. L’intelligenza artificiale fa già parte della nostra vita, anche se non ce ne rendiamo nemmeno conto: motori di ricerca, assistenti digitali, mappe e navigazione, l’elenco è infinito. Le macchine ora possono “imparare” mentre lavorano, ma ciò, nella maggior parte dei casi, non esclude gli esseri umani dal processo.

I sistemi Humans in the Loop o HITL consentono a entrambe le forme di intelligenza di interagire elegantemente per il reciproco vantaggio.

Impariamo di più sull'intelligenza artificiale umana nel ciclo.

var contentTitle = “Sommario”; // Imposta qui il tuo titolo, per evitare di creare un'intestazione per esso in seguito var ToC = “

“+contenutoTitolo+”

“; ToC += "

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

Definizione di Human In the Loop

Le nostre macchine hanno fatto molta strada da quando Paul Ehrlich scrisse nel 1978 “Errare è umano, per rovinare davvero le cose ci vuole un computer”. Gli odierni strumenti di intelligenza artificiale sono progrediti così tanto che il margine di errore è diminuito notevolmente. Questo è importante perché gli strumenti di intelligenza artificiale sono ora utilizzati in applicazioni critiche tra cui voli, supporto vitale e controllo delle armi, dove gli errori sono catastrofici.

Detto questo, le IA, come l’uomo che le ha costruite, non sono perfette. Le previsioni fatte dagli strumenti di intelligenza artificiale non sono accurate al 100% perché le macchine costruiscono la loro comprensione da dati e modelli esistenti. Anche se questo vale anche per l’intelligenza umana, nell’intelligenza umana c’è un elemento aggiuntivo di cognizione basata su tentativi ed errori che utilizza input multipli e un fattore aggiuntivo di ragionamento emotivo. Ciò probabilmente rende l’uomo incline all’errore mentre la macchina, incline a incasinare le cose.

Ma scherzi a parte, i sistemi di intelligenza artificiale non possono ancora essere completamente privi di intervento umano a causa di questa intrinseca incertezza sull’accuratezza, e la maggior parte, se non tutti, gli strumenti di intelligenza artificiale utilizzano una certa quantità di interazione umana per correggere la rotta o semplicemente monitorare. L’interazione tra uomo e macchina si traduce in un ciclo di feedback che consente correzioni periodiche della rotta del sistema di intelligenza artificiale per migliorare le prestazioni e aumentare l’autonomia. Emerge così la definizione formale di Human in the Loop.

Umani nel giro — Fonte: Humans in the Loop – Modelli continuamente migliori con un essere umano nel loop

In effetti, l’intelligenza artificiale human-in-the-loop consente agli esseri umani di fornire feedback al modello di intelligenza artificiale (ML, DL, ANN, ecc.) per previsioni al di sotto di un certo livello di confidenza.

Vuoi raschiare i dati dal PDF documenti, convertire PDF in XML or automatizzare l'estrazione della tabella? Dai un'occhiata a Nanonet Raschietto PDF or Analizzatore PDF convertire PDF nel database inserimenti!

Prova Nanonets gratuitamente

ML, un popolare strumento di intelligenza artificiale compatibile con HITL

L’apprendimento è il processo in cui i dati preesistenti vengono utilizzati per fare previsioni future – “un bambino bruciato teme il fuoco” è un esempio riconoscibile, anche se inquietante, del processo di apprendimento. L’apprendimento automatico, uno degli strumenti dell’intelligenza artificiale, funziona più o meno allo stesso modo: apprende modelli dai dati esistenti e fa previsioni basate su questi modelli. Ad esempio, utilizzando le immagini di volti felici e tristi da un database preesistente di volti emotivi, uno strumento ML identifica un nuovo volto come felice o triste. La previsione viene quindi convalidata e, se ritenuta corretta, va avanti, nascondendo questa nuova “esperienza” come un altro punto dati. In caso contrario, la rotta della macchina si corregge.

Vuoi automatizzare le attività manuali ripetitive? Controlla il nostro software di elaborazione dei documenti basato sul flusso di lavoro Nanonets. Estrai dati da fatture, carte d'identità o qualsiasi documento con il pilota automatico!

Prova Nanonets gratuitamente

Tipi di HITL in ML

Nell’apprendimento automatico Human in the Loop, l’essere umano partecipa a molti livelli.

coerenti

La componente umana inizia con la creazione dell'algoritmo e da lì l'algoritmo prende il via. Proprio come Tony Stark e il suo J.A.R.V.I.S.

Training

Come descritto in precedenza, l’apprendimento avviene tramite i dati. Quando un bambino non tocca la fiamma, probabilmente un adulto gli ha insegnato a non farlo. Il giudizio umano viene utilizzato per addestrare il modello in modo che, a tempo debito, il modello si comporti come o superi l'umano nel fare previsioni utilizzando modelli.

Etichettatura dei dati

I modelli di machine learning necessitano dati etichettati da cui imparare. Alcuni set di dati potrebbero già avere etichette, ma in assenza di dati preetichettati, gli esseri umani devono etichettare i dati che addestrano l’algoritmo ML. Secondo il IDC, il 90% dei dati disponibili sono dati oscuri, ovvero dati non strutturati/non categorizzati. L’etichettatura può essere un lavoro noioso e dispendioso in termini di tempo. In effetti, l’etichettatura dei dati è diventata un lavoro autonomo sul campo dell’intelligenza artificiale e della scienza dei dati. Per quanto banale possa sembrare, l’etichettatura dei set di dati non è sempre un’attività di fascia bassa e applicazioni specifiche possono richiedere conoscenze specifiche del dominio. Ad esempio, l'etichettatura dei dati medici richiede conoscenze su malattie, condizioni, ecc. La maggior parte dei set di dati utilizzati nel settore sanitario richiedono conoscenze specifiche del settore, come un medico che etichetta una radiografia polmonare come cancerosa o meno. La codifica dei dati utilizzati per addestrare l’intelligenza artificiale utilizzata nei voli richiede la conoscenza dell’aerodinamica e di altri argomenti di ingegneria.

Convalida

Una volta che un modello ML inizia a effettuare previsioni utilizzando dati del mondo reale, l'HITL convalida le previsioni del modello e fornisce feedback sui falsi positivi e falsi negativi al ML per l'addestramento. L’essere umano nel ciclo può rivedere le prestazioni del modello e analizzarle, per modificare l’algoritmo o migliorare il set di dati di addestramento.

Vuoi utilizzare l'automazione dei processi robotici? Dai un'occhiata al software di elaborazione dei documenti basato sul flusso di lavoro Nanonets. Nessun codice. Nessuna piattaforma complicata.

Prova Nanonets gratuitamente

L'importanza del ML human-in-the-loop e di altri strumenti di intelligenza artificiale

Quando mancano i dati di allenamento

L’apprendimento automatico convenzionale e altri strumenti di intelligenza artificiale richiedono un ampio set di dati per addestrarsi bene e ottenere risultati accurati. In un campo nuovo o in un campo privo di dati precedenti, i modelli ML non sono accurati all'inizio e richiedono molto tempo prima che vengano generati dati sufficienti per l'addestramento. L’intelligenza artificiale umana nel ciclo può aiutare in questi casi in cui l’essere umano insegna l’algoritmo, i modelli e le regole senza la necessità di un grande set di dati su cui lavorare. In tale contesto, HITL aiuta la convalida dei modelli e consente la formazione utilizzando dati non strutturati, difficili da etichettare e in continua evoluzione.

Quando disumanizzare non è un’opzione

Ci sono anche campi specifici in cui l’essere umano nel circuito dell’IA è utile, addirittura necessario. Un campo è l’assistenza sanitaria. Sebbene l’intelligenza artificiale possa certamente facilitare la diagnosi e persino le terapie, come la chirurgia robotica, non è chiaro se possa essere disumanizzata. È infatti vero che l’intelligenza artificiale può aiutare i medici a dedicare meno tempo a compiti amministrativi e diagnostici, ma continua ad esistere il dibattito sulla questione se l’intelligenza artificiale disumanizzata minerebbe la dimensione umana della relazione paziente-medico. Il consenso etico generale è che l’intervento umano è necessario affinché l’intelligenza artificiale possa servire i fini umani, rispettare l’identità personale e promuovere l’interazione umana.

Dove due occhi sono più sicuri della visione artificiale

HITL è necessario anche in situazioni che richiedono la massima precisione per la sicurezza. Un esempio è la produzione di parti critiche per veicoli o aerei; sebbene gli strumenti di intelligenza artificiale come ML siano immensamente utili per le ispezioni, un monitor umano nel gruppo aumenterebbe l'affidabilità del componente. Inoltre, con dati incompleti o distorti, i modelli di machine learning possono essi stessi diventare distorti. Un essere umano nel circuito può rilevare e correggere i bias in tempo.

Per una maggiore trasparenza

Le applicazioni AI possono diventare scatole nere in cui è nascosta l’elaborazione che converte i dati in una decisione. Ciò è scomodo per attività sensibili ai dati come la finanza e le banche. Ciò rappresenta anche un problema per il processo decisionale, la conformità normativa e le esigenze di divulgazione associate a determinate attività. In questi casi, il modello HITL consente agli esseri umani di vedere come lo strumento di intelligenza artificiale arriva a un risultato particolare con un dato insieme di dati. Ciò consente allo strumento AI/ML di essere, nel gergo della termodinamica, un sistema “aperto” piuttosto che “isolato”.

Potenziare lo strumento AI

Quando un bambino impara l'alfabeto, è necessario un insegnante, ma man mano che cresce, il ruolo dell'insegnante diventa di guida piuttosto che di insegnamento, alla fine l'adulto può imparare da solo senza bisogno di un insegnante. In modo molto simile, l’essere umano deve prima addestrare il sistema, e più lo strumento di intelligenza artificiale impara dall’intervento umano, meglio diventa, e la quantità di tempo umano nel ciclo può essere ridotta o, in alcuni casi, addirittura eliminato. Pertanto lo strumento AI beneficia dell’intelligenza umana attraverso il ciclo di feedback.

Nell'apprendimento profondo

L'apprendimento profondo umano nel ciclo viene utilizzato nel seguente scenario:

Gli algoritmi non riconoscono i dati di input.
I dati immessi sono interpretati erroneamente
C'è indecisione sul prossimo compito da svolgere sui dati
Consentire agli esseri umani di svolgere determinati compiti in modo obiettivo
Ridurre gli errori e i ritardi temporali nelle attività umane

Se lavori con fatture e ricevute o ti preoccupi della verifica dell'identità, dai un'occhiata a Nanonets OCR in linea or Estrattore di testo PDF per estrarre testo da documenti PDF gratuito. Fare clic di seguito per saperne di più Soluzione di automazione aziendale Nanonets.

Prova Nanonets gratuitamente

Applicazioni degli esseri umani nel loop

I sistemi di intelligenza artificiale e ML sono oggi onnipresenti nel mondo. L’essere umano nel circuito può trovarsi solo nella parte del consumo o anche nell’ambito operativo. Esempi del primo includono l’uso di motori di ricerca, mappe digitali, navigazione, ecc., in cui il consumatore umano utilizza un sistema di intelligenza artificiale per usufruire di vari servizi.

Alcune applicazioni tipiche in cui l'HITL è nella fase dell'operazione AI/ML vera e propria sono:

Il confine tra uso e abuso delle applicazioni dei social media è sottile e il giudizio umano è essenziale per moderare i contenuti. È vero che i sistemi di intelligenza artificiale possono imparare a moderare i contenuti nel tempo. Ma per questo, il coinvolgimento umano è essenziale per aiutare la macchina a imparare a identificare testo, nomi utente, immagini e video che potrebbero avere elementi di interazione indesiderati.

Tecnologia sanitaria

L’imaging medico e il riconoscimento basato sull’intelligenza artificiale delle caratteristiche normali e anormali dell’immagine sono in fase di ampio sviluppo. Tali sviluppi richiedono l'intervento di esperti in materia, al fine di addestrare il modello a cercare caratteristiche specifiche dell'immagine che indicano anomalie. Anche i modelli meglio addestrati devono essere ulteriormente supportati dalla conferma umana perché i servizi diagnostici e terapeutici hanno a che fare con vite umane e gli errori non sono accettabili. Le applicazioni tecnologiche sanitarie richiedono servizi intensivi di etichettatura dei dati per aumentare i dati di formazione.

Trasporti in Damanhur

Le auto a guida autonoma sono già prossime all’uso pratico, ma per ulteriori sviluppi, enormi quantità di dati sotto forma di immagini, video e suoni devono essere raccolte e annotate dagli esseri umani. Etichettare i dati immagine come esseri umani, veicoli, posti di blocco, vegetazione, animali, forme stradali, ecc. è di fondamentale importanza per ML per consentire la guida automatizzata senza incidenti. Sono necessari enormi sforzi umani di etichettatura e annotazione per realizzare veicoli veramente a guida autonoma nel mondo.

Applicazioni di difesa

La visione futuristica per le organizzazioni di difesa è l’uso di sistemi autonomi in missioni pericolose. Tali sistemi devono essere in grado di prendere decisioni simili a quelle umane in frazioni di secondo. Tuttavia, la quantità di dati disponibili per addestrare questi backend IA ad alte prestazioni è attualmente insufficiente per consentire la completa autonomia. I sistemi di intelligenza artificiale senza esseri umani sono inoltre incapaci di comprendere le informazioni contestuali nell’input e ciò può portare a previsioni e decisioni catastrofiche. Pertanto, a partire da ora, è certamente necessario un essere umano nel circuito per mantenere le operazioni di difesa sotto controllo e umano.

Applicazioni creative

Oltre alle applicazioni “essenziali” di cui sopra, i sistemi di intelligenza artificiale HITL possono avere anche un valore di intrattenimento. IL Stanford IA centrata sull’uomo L'iniziativa progetta sistemi che fondono la tecnologia con l'interazione umana per sviluppare nuovi strumenti per la musica e altre forme di creatività umana. Reti neurali artificiali profonde con trasferimento di stile utilizzare l’intervento umano per insegnare alle macchine “stili” di dipinti per nuove creazioni di intelligenza artificiale.

Altri campi che traggono vantaggio dai sistemi di intelligenza artificiale Human in the loop includono sport, giochi (video e vita reale), agricoltura, automazione industriale e attività finanziarie.

Vuoi automatizzare le attività manuali ripetitive? Risparmia tempo, fatica e denaro migliorando l'efficienza!

Prova Nanonets gratuitamente

togliere

0:00

Siamo ancora lontani, se possibile, affinché i robot emergano e conquistino il mondo. Gli esseri umani sono ancora necessari nel ciclo dell’intelligenza artificiale. L’approccio più ampio all’intelligenza artificiale non è la progettazione di una macchina perfetta – il che è estremamente difficile, se non impossibile, ma la progettazione di sistemi collaborativi che combinino la sottigliezza del ragionamento umano e la potenza dell’automazione intelligente.

var contentTitle = “Sommario”; // Imposta qui il tuo titolo, per evitare di creare un'intestazione per esso in seguito var ToC = “

“+contenutoTitolo+”

“; ToC += "

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

nanonet OCR online e API OCR hanno molti interessanti casi d'uso tche potrebbe ottimizzare le prestazioni della tua azienda, risparmiare sui costi e aumentare la crescita. Scoprire come i casi d'uso di Nanonets possono essere applicati al tuo prodotto.