בני אדם בלולאה

הועלה מחדש על ידי אפלטון

עוקב: 0

בני אדם בלולאה

מחפשים פתרון אוטומציה? אל תחפש עוד!

.cta-first-blue{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radius: 0px; מודגש; גודל גופן: 16px; גובה קו: 24px; ריפוד: 12px 24px; רקע: #546fff; צבע לבן; גובה: 56 פיקסלים; יישור טקסט: שמאלה; תצוגה: inline-flex; flex-direction: שורה; -moz-box-align: center; align-items: center; מרווח אותיות: 0px; גודל קופסה: border-box; border-width:2px !חשוב; גבול: מוצק #546fff !חשוב; } .cta-first-blue:hover{ color:#546fff; רקע: לבן; transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !חשוב; גבול: מוצק #546fff !חשוב; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radius: 0px; מודגש; גודל גופן: 16px; גובה קו: 24px; ריפוד: 12px 24px; רקע: לבן; צבע: #333; גובה: 56 פיקסלים; יישור טקסט: שמאלה; תצוגה: inline-flex; flex-direction: שורה; -moz-box-align: center; align-items: center; מרווח אותיות: 0px; גודל קופסה: border-box; border-width:2px !חשוב; גבול: מוצק #333 !חשוב; } .cta-second-black:hover{ color:white; רקע:#333; transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !חשוב; גבול: מוצק #333 !חשוב; } .column1{ min-width: 240px; max-width: התאמה-תוכן; ריפוד-ימין: 4%; } .column2{ min-width: 200px; max-width: התאמה-תוכן; } .cta-main{ display: flex; }

"ככל שיותר ויותר בינה מלאכותית נכנסת לעולם, יותר ויותר אינטליגנציה רגשית חייבת להיכנס למנהיגות." -עמית ריי, מדען בינה מלאכותית מפורסם, מחבר של אינטליגנציה מלאכותית חמלה

העידן התעשייתי הרביעי בו אנו חיים משבש בכך שהוא ממזג את המוח המבוסס על פחמן עם זה של הסיליקון. בינה מלאכותית היא כבר חלק מחיינו, גם אם אנחנו אפילו לא מבינים זאת - מנועי חיפוש, עוזרים דיגיטליים, מפות וניווט, הרשימה אינסופית. מכונות יכולות כעת "ללמוד" בזמן שהן פועלות, אך הדבר אינו מוציא, ברוב המקרים, בני אדם מהתהליך.

בני אדם במערכות הלופ או HITL מאפשרים לשתי צורות האינטליגנציה לקיים אינטראקציה אלגנטית לטובתן ההדדית.

תן לנו ללמוד עוד על בינה מלאכותית של האדם בלולאה.

var contentsTitle = "תוכן עניינים"; // הגדר את הכותרת שלך כאן, כדי להימנע מיצירת כותרת עבורה מאוחר יותר var ToC = "

"+contentTitle+"

"; ToC += "

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

הגדרה של Human In the Loop

המכונות שלנו עברו כברת דרך מאז שפול ארליך כתב ב-1978 "לטעות זה אנושי, כדי לבלבל דברים באמת צריך מחשב". כלי הבינה המלאכותית של היום התקדמו כל כך עד שמרווח הטעות ירד במידה ניכרת. זה חשוב מכיוון שכלי בינה מלאכותית משמשים כעת ביישומים קריטיים, כולל טיסות, תמיכת חיים ובקרת כלי נשק שבהם טעויות הן קטסטרופליות.

עם זאת, AI, כמו האדם שבנה אותם, אינם מושלמים. התחזיות שנעשו על ידי כלי AI אינן מדויקות ב-100% מכיוון שמכונות בונות את ההבנה שלהן מנתונים ודפוסים קיימים. למרות שזה נכון גם לגבי האינטליגנציה האנושית, ישנו אלמנט נוסף של קוגניציה מבוססת ניסוי וטעייה המשתמשת במספר תשומות וגורם נוסף של חשיבה רגשית באינטליגנציה האנושית. זה כנראה גורם לאדם להיות נוטה לטעות בזמן שהמכונה, נוטה ללכלך דברים.

אבל בצד בדיחות, מערכות בינה מלאכותית עדיין אינן יכולות להיות נטולות אנושיות לחלוטין בגלל אי הוודאות המובנית של הדיוק, ורוב הכלים, אם לא כולם, משתמשים בכמות מסוימת של אינטראקציה אנושית כדי לתקן או פשוט לנטר. האינטראקציה בין אדם למכונה גורמת ללולאת משוב המאפשרת תיקוני קורס תקופתיים של מערכת הבינה המלאכותית כדי לשפר את הביצועים ולשפר את האוטונומיה. כך עולה ההגדרה הפורמלית לאדם בלולאה.

בני אדם בלולאה — מקור: Humans in the Loop - מודלים טובים יותר ללא הרף עם אדם בלולאה

למעשה, בינה מלאכותית אנושית מאפשרת לבני אדם לספק משוב למודל הבינה המלאכותית (ML, DL, ANN וכו') לתחזיות מתחת לרמה מסוימת של ביטחון.

רוצה לגרד נתונים מ- PDF מסמכים, להמיר PDF ל- XML or חילוץ טבלה אוטומטי? בדוק את Nanonets מגרד PDF or מנתח PDF להמיר קובצי PDF למסד נתונים ערכים!

נסה את Nanonets בחינם

ML, כלי בינה מלאכותית פופולרי המתאים ל-HITL

למידה היא התהליך שבו משתמשים בנתונים קיימים כדי ליצור תחזיות עתידיות - "ילד שרוף מפחד מהאש" היא דוגמה ניתנת לזיהוי, אם כי מטרידה, לתהליך הלמידה. למידת מכונה, אחד הכלים של בינה מלאכותית, עובדת כמעט באותו האופן - היא לומדת דפוסים מנתונים קיימים ומבצעת תחזיות על סמך דפוסים אלה. לדוגמה, באמצעות תמונות של פרצופים שמחים ועצובים ממאגר מידע קיים של פרצופים רגשיים, כלי ML מזהה פנים חדשות כשמחות או עצובות. לאחר מכן התחזית מאומתת, ואם היא נמצאת נכונה, היא נעה קדימה, ומחביאה את ה"חוויה" החדשה הזו כנקודת מידע נוספת. אם לא, קורס המכונה מתקן.

רוצה לבצע אוטומציה של משימות ידניות שחוזרות על עצמן? בדוק את תוכנת עיבוד המסמכים שלנו מבוססת זרימת עבודה של Nanonets. חלץ נתונים מחשבוניות, תעודות זהות או כל מסמך בטייס אוטומטי!

נסה את Nanonets בחינם

סוגי HITL ב-ML

ב- Human in the Loop Machine Learning, האדם משתתף ברמות רבות.

בריאה

המרכיב האנושי מתחיל ביצירת האלגוריתם והאלגוריתם ממריא עליו. בדומה לטוני סטארק וה-JARVIS שלו

הדרכה

כפי שתואר קודם לכן, למידה מתרחשת עם נתונים. כשילד לא נוגע בלהבה, מבוגר כנראה לימד אותה לא לעשות זאת. שיקול דעת אנושי משמש כדי לאמן את המודל כך שבבוא העת המודל יתנהג כמו או יתעלה על האדם בביצוע תחזיות באמצעות דפוסים.

נתוני תיוג

צריך מודלים של Machine Learning נתונים המסומנים שממנו ניתן ללמוד. לכמה מערכי נתונים כבר יש תוויות, אך בהיעדר נתונים מתויגים מראש, בני אדם חייבים לתייג את הנתונים המאמנים את אלגוריתם ה-ML. על פי IDC, 90% מהנתונים הזמינים הם נתונים כהים, כלומר נתונים לא מובנים/לא מסווגים. תיוג עשוי להיות עבודה מייגעת וגוזלת זמן. אכן, תיוג נתונים הפך עבודה עצמאית בתחום של בינה מלאכותית ומדעי הנתונים. עד כמה שזה נשמע ארצי, תיוג של מערכי הנתונים הוא לא תמיד פעילות ברמה נמוכה, ויישומים ספציפיים עשויים לדרוש ידע ספציפי לתחום. לדוגמה, תיוג נתונים רפואיים מצריך ידע על מחלות, מצבים וכו'. רוב מערכי הנתונים המשמשים בתחום שירותי הבריאות דורשים ידע ספציפי לתחום, כמו רופא שמתייג צילום ריאות כסרטני או לא. תיוג הנתונים המשמשים לאימון בינה מלאכותית המשמשים בטיסות דורש ידע באווירודינמיקה ובנושאים הנדסיים אחרים.

בדיקת מערכות

ברגע שמודל ML מתחיל לחזות באמצעות נתונים מהעולם האמיתי, ה-HITL מאמת את התחזיות של המודל ומספק משוב לגבי תוצאות חיוביות שגויות ושליליות שגויות ל-ML לצורך אימון. האדם בלולאה יכול לסקור את ביצועי המודל ולנתח את הביצועים שלו, לצורך כוונון האלגוריתם או שיפור מערך האימון.

רוצה להשתמש באוטומציה רובוטית של תהליכים? בדוק את תוכנת עיבוד מסמכים מבוססת זרימת עבודה של Nanonets. אין קוד. אין פלטפורמה טרחה.

נסה את Nanonets בחינם

החשיבות של ML אנושי בלולאה וכלי AI אחרים

כשיש מחסור בנתוני אימונים

למידת מכונה קונבנציונלית וכלי AI אחרים דורשים מערך נתונים גדול כדי להתאמן היטב ולהשיג תוצאות מדויקות. בתחום חדש או תחום חסר נתונים קודמים, מודלים של ML אינם מדויקים להתחלה ולוקח הרבה זמן עד שנוצרים מספיק נתונים לאימון. ה- Human in the loop AI יכול לעזור במקרים אלה שבהם האדם מלמד את האלגוריתם, התבניות והכללים ללא צורך במערך נתונים גדול לעבוד עליו. בהקשר זה, HITL מסייע לאימות מודלים ומאפשר אימון באמצעות נתונים שאינם מובנים, קשים לתיוג ומשתנים כל הזמן.

כאשר דה-הומניזציה אינה אופציה

ישנם גם תחומים ספציפיים שבהם האדם בלולאה של AI שימושי, אפילו הכרחי. תחום אחד הוא שירותי בריאות. בעוד שבינה מלאכותית בהחלט יכולה להקל על האבחון ואפילו על טיפולים, כגון ניתוחים רובוטיים, לא ברור אם ניתן לבצע דה-הומניזציה. זה אכן נכון שבינה מלאכותית יכולה לעזור לקלינאים להשקיע פחות זמן במשימות אדמיניסטרטיביות ואבחון, אבל ממשיך להתקיים ויכוח האם AI דה-הומני יערער את הממד ההומני של היחסים בין מטופל לרופא. ההסכמה האתית הכללית היא שהאדם שבלולאה נחוץ ל-AI כדי לשרת מטרות אנושיות, לכבד את הזהות האישית ולקדם אינטראקציה אנושית.

כאשר שתי עיניים בטוחות יותר מהראייה המכונה

HITL נחוץ גם במצבים הדורשים דיוק מירבי לבטיחות. דוגמה לכך היא ייצור חלקים קריטיים לכלי רכב או מטוסים; בעוד שכלי AI כגון ML שימושיים מאוד לבדיקות, מוניטור אנושי בקבוצה יוסיף לאמינות החלק. יתר על כן, עם נתונים חלקיים או מוטים, מודלים של Machine Learning יכולים בעצמם להיות מוטים. אדם בלולאה יכול לזהות ולתקן הטיה בזמן.

לשקיפות מוגברת

יישומי AI יכולים להפוך לקופסאות שחורות שבהן מוסתר העיבוד שממיר נתונים להחלטה. זה לא נוח לפעילויות רגישות לנתונים כמו פיננסים ובנקאות. זו גם בעיה של קבלת החלטות, ציות לרגולציה וצורכי גילוי הקשורים לפעילויות מסוימות. במקרים כאלה, מודל HITL מאפשר לבני אדם לראות כיצד כלי הבינה המלאכותית מגיע לתוצאה מסוימת עם סט נתונים נתון. זה מאפשר לכלי AI/ML להיות, בעגה של תרמודינמיקה, מערכת "פתוחה" ולא "מבודדת".

כדי להעצים את כלי הבינה המלאכותית

כאשר ילד לומד את האלפבית, נדרשת מורה, אך ככל שהיא גדלה, תפקיד המורה הופך להדרכה ולא ללמד בסופו של דבר, המבוגרת כעת יכולה ללמוד בעצמה ללא צורך במורה. בדומה לכך, האדם נדרש להכשיר את המערכת תחילה, וככל שכלי ה-AI לומד יותר מההתערבות האנושית, כך הוא משתפר, וניתן להפחית את כמות הזמן האנושי בלולאה, או במקרים מסוימים, אפילו חוסלו. לפיכך, כלי הבינה המלאכותית מרוויח מהאינטליגנציה האנושית דרך לולאת המשוב.

בלימוד עמוק

למידה עמוקה של האדם בלולאה משמשת בתרחיש הבא:

אלגוריתמים אינם מזהים את נתוני הקלט.
נתוני קלט מתפרשים בצורה לא נכונה
יש חוסר החלטיות לגבי המשימה הבאה שיש להפעיל על הנתונים
לאפשר לבני אדם לבצע משימות מסוימות באופן אובייקטיבי
כדי לצמצם שגיאות ועיכובים בזמן עבור משימות אנושיות

אם אתה עובד עם חשבוניות וקבלות או דואג לאימות מזהה, בדוק את Nanonets OCR מקוון or מחלץ טקסט PDF כדי לחלץ טקסט ממסמכי PDF בחינם. לחץ למטה למידע נוסף על Nanonets Enterprise Automation Solution.

נסה את Nanonets בחינם

יישומים של בני אדם בלולאה

מערכות AI ו-ML נוכחות בכל העולם כיום. האדם שבלולאה יכול להיות רק בקצה הצריכה, או גם בתחום התפעולי. דוגמאות לראשונים כוללות שימוש במנועי חיפוש, מפות דיגיטליות, ניווט וכו', שבהם הצרכן האנושי משתמש במערכת בינה מלאכותית כדי להסתייע בשירותים שונים.

כמה יישומים טיפוסיים שבהם ה-HITL נמצא בשלב של פעולת AI/ML עצמה הם:

הגבול בין שימוש וניצול לרעה של יישומי מדיה חברתית הוא בסדר, ושיקול דעת אנושי חיוני למתן תוכן. נכון שמערכות AI יכולות ללמוד למתן תוכן לאורך זמן. אבל בשביל זה, מעורבות אנושית חיונית כדי לעזור למכונה ללמוד לזהות טקסט, שמות משתמש, תמונות וסרטונים שעלולים להכיל אלמנטים לא רצויים של אינטראקציה.

Health Care Tech

הדמיה רפואית וזיהוי מבוסס AI של התכונות הנורמליות והחריגות של התמונה נמצאות בפיתוח נרחב. פיתוחים כאלה דורשים התערבות של מומחים לנושא, על מנת לאמן את המודל לחפש מאפיינים ספציפיים של התמונה המצביעים על חריגות. אפילו המודלים המאומנים ביותר חייבים להיות מגובים יותר באישור אנושי מכיוון ששירותי אבחון וטיפול עוסקים בחיים, וטעויות אינן מקובלות. היישומים הטכנולוגיים של שירותי הבריאות דורשים שירותי תיוג נתונים אינטנסיביים כדי להגדיל את נתוני ההדרכה שלהם.

תחבורה

מכוניות לנהיגה עצמית כבר מתקרבות לשימוש מעשי, אבל לפיתוחים נוספים, כמויות אדירות של נתונים בצורת תמונות, סרטונים וצלילים חייבים להיאסף ולהערות על ידי בני אדם. תיוג נתוני תמונה כבני אדם, כלי רכב, מחסומים, צמחייה, בעלי חיים, צורות דרכים וכו', הוא בעל חשיבות עליונה עבור ה-ML כדי לאפשר נהיגה אוטומטית ללא תאונות. דרושים מאמצי תיוג והערות אנושיים אדירים כדי לממש כלי רכב בעלי נהיגה עצמית באמת בעולם.

יישומי הגנה

החזון העתידני של ארגוני הביטחון הוא שימוש במערכות אוטונומיות במשימות מסוכנות. מערכות כאלה חייבות להיות מסוגלות לקבל החלטות כמו אנושיות בתנאים של שבריר שנייה. עם זאת, כמויות הנתונים הזמינים להכשרת רכיבי AI בעלי ביצועים גבוהים אלה אינם מספיקים כרגע כדי לאפשר אוטונומיה מלאה. מערכות בינה מלאכותית נטולת אדם גם אינן מסוגלות להבין מידע הקשרי בקלט וזה עלול לגרום לתחזיות והחלטות קטסטרופליות. לפיכך, נכון לעכשיו, אדם בהחלט נדרש במעגל כדי לשמור על פעולות ההגנה בשליטה ואנושיות.

יישומים יצירתיים

מעבר ליישומים ה"חיוניים" לעיל, למערכות HITL AI יכולות להיות גם ערך בידורי. ה בינה מלאכותית המתמקדת בבני אדם בסטנפורד יוזמה מתכננת מערכות המעניקות לטכנולוגיה אינטראקציה אנושית לפיתוח כלים חדשים ליצירתיות מוזיקלית וצורות אחרות של יצירתיות אנושית. העברת סגנון רשתות עצביות מלאכותיות עמוקות השתמש בהתערבות אנושית כדי ללמד מכונות "סגנונות" של ציורים עבור יצירות בינה מלאכותית חדשות.

תחומים אחרים הנהנים ממערכות הבינה המלאכותית של Human in the loop כוללים ספורט, משחקים (וידאו וחיים אמיתיים), חקלאות, אוטומציה של מפעלים ופעילויות פיננסיות.

רוצה לבצע אוטומציה של משימות ידניות שחוזרות על עצמן? חסוך זמן, מאמץ וכסף תוך שיפור היעילות!

נסה את Nanonets בחינם

להסיר

0:00

אנחנו עדיין דרך ארוכה, אם אפשר בכלל, כדי שהרובוטים יקומו וישתלטו על העולם. בני אדם עדיין נדרשים בלולאה של בינה מלאכותית. הגישה הרחבה יותר לבינה מלאכותית אינה תכנון של מכונה מושלמת - וזה קשה מאוד, אם לא בלתי אפשרי, אלא תכנון של מערכות שיתופיות המשלבות את העדינות של החשיבה האנושית וכוחה של אוטומציה חכמה.

var contentsTitle = "תוכן עניינים"; // הגדר את הכותרת שלך כאן, כדי להימנע מיצירת כותרת עבורה מאוחר יותר var ToC = "

"+contentTitle+"

"; ToC += "

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

ננונטים מקוון OCR ו- OCR API מקוון יש הרבה מעניינים להשתמש במקרים that יכול לייעל את ביצועי העסק שלך, לחסוך בעלויות ולהגדיל את הצמיחה. תגלה כיצד מקרי השימוש של Nanonets יכולים לחול על המוצר שלך.