루프에 있는 인간들

플라톤에 의해 재발행

팔로워 : 0

루프에 있는 인간

자동화 솔루션을 찾고 계십니까? 더 이상 보지 마십시오!

.cta-first-blue{ 전환: 모두 0.1s 큐빅 베지어(0.4, 0, 0.2, 1) 0s; 테두리 반경: 0px; 글꼴 두께: 굵게; 글꼴 크기: 16px; 줄 높이: 24px; 패딩: 12px 24px; 배경: #546fff; 색상: 흰색; 높이: 56px; 텍스트 정렬: 왼쪽; 디스플레이: 인라인 플렉스; 플렉스 방향: 행; -moz-box-align: 가운데; 항목 정렬: 가운데; 문자 간격: 0px; 상자 크기: 테두리 상자; 테두리 너비: 2px !중요; 테두리: 단색 #546fff !중요; } .cta-first-blue:hover{ color:#546fff; 배경: 흰색; 전환: 모든 0.1s 큐빅 베지어(0.4, 0, 0.2, 1) 0s; 테두리 너비: 2px !중요; 테두리: 단색 #546fff !중요; } .cta-second-black{ transition: 모든 0.1s 큐빅 베지어(0.4, 0, 0.2, 1) 0s; 테두리 반경: 0px; 글꼴 두께: 굵게; 글꼴 크기: 16px; 줄 높이: 24px; 패딩: 12px 24px; 배경: 흰색; 색상: #333; 높이: 56px; 텍스트 정렬: 왼쪽; 디스플레이: 인라인 플렉스; 플렉스 방향: 행; -moz-box-align: 가운데; 항목 정렬: 가운데; 문자 간격: 0px; 상자 크기: 테두리 상자; 테두리 너비: 2px !중요; 테두리: 솔리드 #333 !중요; } .cta-second-black:hover{ 색상:흰색; 배경:#333; 전환: 모든 0.1s 큐빅 베지어(0.4, 0, 0.2, 1) 0s; 테두리 너비: 2px !중요; 테두리: 솔리드 #333 !중요; } .column1{ 최소 너비: 240픽셀; 최대 너비: 맞춤 콘텐츠; 패딩 오른쪽: 4%; } .column2{ 최소 너비: 200px; 최대 너비: 맞춤 콘텐츠; } .cta-main{ 디스플레이: 플렉스; }

“점점 더 많은 인공지능이 세상에 등장함에 따라 점점 더 많은 감성지능이 리더십에 들어가야 합니다.” -Amit Ray(유명 AI 과학자, Compassionate Artificial Intelligence의 저자)

우리가 살고 있는 4차 산업시대는 탄소 기반 두뇌와 실리콘 두뇌를 혼합한다는 점에서 파괴적이다. 인공 지능은 검색 엔진, 디지털 보조 장치, 지도, 내비게이션 등 우리가 깨닫지 못하더라도 이미 우리 삶의 일부입니다. 그 목록은 끝이 없습니다. 이제 기계는 작동하면서 "학습"할 수 있지만 대부분의 경우 인간이 그 과정에서 제외되는 것은 아닙니다.

Human in the Loop 또는 HITL 시스템을 사용하면 두 가지 형태의 지능이 상호 이익을 위해 우아하게 상호 작용할 수 있습니다.

루프 AI에 인간에 대해 자세히 알아 보겠습니다.

var contentTitle = "목차"; // 나중에 제목을 만들지 않도록 여기에 제목을 설정합니다. var ToC = “

“+콘텐츠제목+”

"; 목차 += “

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

Human In The Loop의 정의

우리의 기계는 Paul Ehrlich가 1978년에 "실수하는 것은 인간이고, 일을 망치는 것은 컴퓨터가 필요합니다"라고 쓴 이래로 많은 발전을 이루었습니다. 오늘날의 인공지능 도구는 많이 발전하여 오류의 한계가 상당히 감소했습니다. AI 도구는 이제 비행, 생명 유지, 무기 통제 등 실수가 치명적일 수 있는 중요한 애플리케이션에 사용되기 때문에 이는 중요합니다.

즉, AI는 자신을 만든 인간과 마찬가지로 완벽하지 않습니다. AI 도구의 예측은 기계가 기존 데이터와 패턴을 기반으로 이해하기 때문에 100% 정확하지 않습니다. 이는 인간 지능에도 해당되지만, 인간 지능에는 여러 입력을 사용하는 시행착오 기반 인지 요소와 감정적 추론 요소가 추가됩니다. 이로 인해 인간은 오류를 일으키기 쉽고 기계는 문제를 일으키기 쉽습니다.

그러나 농담은 제쳐두고, 정확성에 대한 본질적인 불확실성으로 인해 AI 시스템은 아직 완전히 인간이 없을 수는 없으며, 전부는 아니지만 대부분의 AI 도구는 경로를 수정하거나 단순히 모니터링하기 위해 어느 정도 인간 상호 작용을 사용합니다. 인간과 기계 사이의 상호 작용은 AI 시스템의 주기적인 경로 수정을 가능하게 하는 피드백 루프를 생성하여 성능을 향상시키고 자율성을 향상시킵니다. 따라서 Human in the Loop에 대한 공식적인 정의가 나옵니다.

루프에 있는 인간 — 출처: Humans in the Loop – 인간이 루프에 있는 모델을 지속적으로 개선함

실제로 인간 참여형(Human-In-The-Loop) AI를 사용하면 인간은 특정 신뢰 수준 이하의 예측에 대해 AI 모델(ML, DL, ANN 등)에 피드백을 제공할 수 있습니다.

MMCC에 대해 더 살갑게 듣고 싶으시다면, PDF에서 데이터 스크랩 문서, 변환 PDF를 XML로 or 테이블 추출 자동화? 나노넷'을 확인하세요. PDF 스크레이퍼 or PDF 파서 변환하다 PDF를 데이터베이스로 항목!

무료로 나노넷을 사용해 보세요

HITL을 적용할 수 있는 인기 있는 AI 도구인 ML

학습은 미래를 예측하기 위해 기존 데이터를 사용하는 과정입니다. "화상에 탄 아이는 불을 두려워합니다"는 학습 과정의 예입니다. AI 도구 중 하나인 머신러닝은 거의 동일한 방식으로 작동합니다. 즉, 기존 데이터에서 패턴을 학습하고 이러한 패턴을 기반으로 예측합니다. 예를 들어, ML 도구는 기존 감정 얼굴 데이터베이스의 행복한 얼굴과 슬픈 얼굴 이미지를 사용하여 새로운 얼굴을 행복하거나 슬픈 것으로 식별합니다. 그런 다음 예측이 검증되고, 정확하다고 판단되면 앞으로 나아가 이 새로운 "경험"을 또 다른 데이터 포인트로 저장합니다. 그렇지 않은 경우 기계 코스가 수정됩니다.

반복적인 수동 작업을 자동화하고 싶으십니까? Nanonets 워크플로 기반 문서 처리 소프트웨어를 확인하십시오. 자동 조종 장치의 송장, 신분증 또는 문서에서 데이터를 추출하십시오!

무료로 나노넷을 사용해 보세요

ML의 HITL 유형

Human in the Loop Machine Learning에서 인간은 여러 수준에서 참여합니다.

창조

인간 구성 요소는 알고리즘을 만드는 것으로 시작하고 알고리즘이 시작됩니다. Tony Stark와 그의 JARVIS처럼

트레이닝

앞에서 설명한 것처럼 학습은 데이터와 함께 발생합니다. 아이가 불꽃을 만지지 않는다면, 어른이 아이에게 그렇게 하지 말라고 가르쳤을 것입니다. 인간의 판단은 모델을 교육하는 데 사용되므로 모델이 패턴을 사용하여 예측할 때 모델이 인간과 유사하거나 능가하도록 합니다.

데이터에 레이블 지정

기계 학습 모델에 필요한 레이블이 지정된 데이터 무엇에서 배울 수 있습니다. 일부 데이터 세트에는 이미 레이블이 있을 수 있지만 사전 레이블이 지정된 데이터가 없으면 사람이 ML 알고리즘을 훈련하는 데이터에 레이블을 지정해야 합니다. 에 따르면 IDC, 사용 가능한 데이터의 90%는 다크 데이터, 즉 구조화/분류되지 않은 데이터입니다. 라벨링은 시간이 많이 걸리고 지루한 작업일 수 있습니다. 실제로 데이터 라벨링은 현장에서 단독 작업 인공 지능과 데이터 과학. 평범하게 들릴 수 있지만 데이터 세트의 레이블 지정이 항상 로우 엔드 활동은 아니며 특정 응용 프로그램에는 도메인 관련 지식이 필요할 수 있습니다. 예를 들어, 의료 데이터에 태그를 지정하려면 질병, 상태 등에 대한 지식이 필요합니다. 의료 영역에서 사용되는 대부분의 데이터 세트는 의사가 폐 엑스레이에 암이 있는지 여부에 태그를 지정하는 것과 같이 도메인 특정 지식이 필요합니다. 비행에 사용되는 AI를 훈련하는 데 사용되는 데이터에 태그를 지정하려면 공기 역학 및 기타 엔지니어링 주제에 대한 지식이 필요합니다.

검증

ML 모델이 실제 데이터를 사용하여 예측을 시작하면 HITL은 모델의 예측을 검증하고 학습을 위해 ML에 거짓양성과 거짓음성에 대한 피드백을 제공합니다. 루프에 있는 사람은 알고리즘을 조정하거나 교육 데이터 세트를 개선하기 위해 모델의 성능을 검토하고 성능을 분석할 수 있습니다.

로봇 프로세스 자동화를 사용하고 싶으십니까? Nanonets 워크플로 기반 문서 처리 소프트웨어를 확인하십시오. 코드가 없습니다. 번거로운 플랫폼이 없습니다.

무료로 나노넷을 사용해 보세요

Human-In-The-Loop ML 및 기타 AI 도구의 중요성

훈련 데이터가 부족할 때

기존의 기계 학습 및 기타 AI 도구는 잘 훈련하고 정확한 결과를 얻으려면 대규모 데이터 세트가 필요합니다. 새로운 필드나 이전 데이터가 없는 필드에서 ML 모델은 시작하기에 정확하지 않고 훈련을 위해 충분한 데이터가 생성되기까지 오랜 시간이 걸립니다. Human in the loop AI는 인간이 대규모 데이터 세트가 필요 없이 알고리즘, 패턴 및 규칙을 가르치는 이러한 경우에 도움이 될 수 있습니다. 이러한 맥락에서 HITL은 모델 검증을 돕고 구조화되지 않고 태그 지정이 어렵고 지속적으로 변경되는 데이터를 사용하여 교육할 수 있습니다.

비인간화가 선택사항이 아닐 때

AI 루프에 있는 인간이 유용하고 심지어 필요한 특정 분야도 있습니다. 한 분야는 건강 관리입니다. AI는 확실히 진단과 로봇 수술과 같은 치료를 용이하게 할 수 있지만 인간을 비인간화할 수 있는지 여부는 불분명합니다. AI가 임상의가 행정 및 진단 작업에 소요하는 시간을 줄이는 데 도움이 될 수 있는 것은 사실이지만 비인간화된 AI가 환자-의사 관계의 인간적 차원을 훼손할 것인지에 대한 논쟁이 계속 존재합니다. 일반적인 윤리적 합의는 AI가 인간의 목적에 봉사하고, 개인의 정체성을 존중하며, 인간의 상호 작용을 촉진하기 위해서는 Human-in-loop가 필요하다는 것입니다.

머신비전보다 두 눈이 안전한 곳

HITL은 안전을 위해 최고의 정밀도가 필요한 상황에서도 필요합니다. 예는 차량이나 비행기의 핵심 부품 제조입니다. ML과 같은 AI 도구는 검사에 매우 유용하지만 그룹의 사람이 모니터하면 부품의 신뢰성이 높아집니다. 또한 불완전하거나 편향된 데이터를 사용하면 기계 학습 모델 자체가 편향될 수 있습니다. 루프에 있는 사람은 시간이 지나면 편향을 감지하고 수정할 수 있습니다.

투명성을 높이기 위해

AI 애플리케이션은 데이터를 의사결정으로 변환하는 처리가 숨겨져 있는 블랙박스가 될 수 있습니다. 이는 금융 및 은행 업무와 같이 데이터에 민감한 활동에 불편합니다. 이것은 또한 특정 활동과 관련된 의사 결정, 규정 준수 및 공개 요구에 대한 문제입니다. 이러한 경우 HITL 모델을 통해 인간은 AI 도구가 주어진 데이터 세트로 특정 결과에 도달하는 방법을 볼 수 있습니다. 이를 통해 AI/ML 도구는 열역학 용어로 "격리된" 시스템이 아니라 "개방된" 시스템이 될 수 있습니다.

AI 도구에 힘을 실어주기 위해

아이가 알파벳을 배울 때는 선생님이 필요하지만, 아이가 자라면서 선생님의 역할이 결국 가르치는 것이 아니라 지도하는 것이 되어 이제는 어른도 선생님 없이 혼자서 배울 수 있습니다. 마찬가지로 사람이 먼저 시스템을 훈련해야 하며 AI 도구가 사람의 개입을 통해 더 많이 학습할수록 더 좋아지고 루프에서 사람의 시간이 줄어들거나 경우에 따라 심지어 제거됨. 따라서 AI 도구는 피드백 루프를 통해 인간 지능의 이점을 얻습니다.

딥 러닝에서

인간 루프 딥 러닝은 다음 시나리오에서 사용됩니다.

알고리즘이 입력 데이터를 인식하지 못합니다.
입력 데이터가 잘못 해석됨
데이터에 사용할 다음 작업에 대한 우유부단함
인간이 특정 작업을 객관적으로 수행할 수 있도록 하기 위해
휴먼 태스크의 오류 및 시간 지연을 줄이기 위해

인보이스, 영수증으로 작업하시거나 본인인증이 걱정된다면 나노넷을 확인해보세요 온라인 OCR or PDF 텍스트 추출기 PDF 문서에서 텍스트를 추출하려면 무료로. 자세히 알아 보려면 아래를 클릭하세요. 나노넷 엔터프라이즈 자동화 솔루션.

무료로 나노넷을 사용해 보세요

루프에 있는 인간의 응용

AI 및 ML 시스템은 오늘날 전 세계 어디에나 존재합니다. 루프에 있는 인간은 소비 쪽에만 있거나 작동 영역에도 있을 수 있습니다. 전자의 예로는 검색 엔진, 디지털 지도, 내비게이션 등의 사용이 있으며, 여기서 인간 소비자는 AI 시스템을 사용하여 다양한 서비스를 이용할 수 있습니다.

HITL이 AI/ML 작업 자체의 단계에 있는 몇 가지 일반적인 애플리케이션은 다음과 같습니다.

소셜 미디어 애플리케이션의 사용과 남용 사이의 경계는 적절하며 콘텐츠를 조정하려면 인간의 판단이 필수적입니다. AI 시스템이 시간이 지남에 따라 콘텐츠를 조정하는 방법을 배울 수 있다는 것은 사실입니다. 그러나 이를 위해서는 기계가 상호 작용의 바람직하지 않은 요소가 있을 수 있는 텍스트, 사용자 이름, 이미지 및 비디오를 식별하는 방법을 학습하는 데 도움이 되도록 사람의 개입이 필수적입니다.

건강 관리 기술

이미지의 정상 및 비정상 특징에 대한 의료 영상 및 AI 기반 인식이 광범위하게 개발되고 있습니다. 이러한 발전은 비정상을 가리키는 이미지의 특정 특징을 찾도록 모델을 훈련시키기 위해 주제 전문가의 개입이 필요합니다. 진단 및 치료 서비스는 생명을 다루고 실수는 용인되지 않기 때문에 가장 잘 훈련된 모델도 사람의 확인을 통해 뒷받침되어야 합니다. 의료 기술 애플리케이션은 훈련 데이터를 보강하기 위해 집중적인 데이터 라벨링 서비스가 필요합니다.

운송

자율주행차는 이미 실용화를 눈앞에 두고 있지만, 앞으로의 발전을 위해서는 방대한 양의 이미지, 영상, 소리 등의 데이터를 사람이 수집하고 주석을 달아야 한다. 이미지 데이터에 사람, 차량, 장애물, 초목, 동물, 도로 모양 등으로 레이블을 지정하는 것은 ML이 사고 없이 자동 운전을 가능하게 하는 데 가장 중요합니다. 세계에서 진정한 자율 주행 차량을 실현하려면 엄청난 사람의 라벨링 및 주석 작업이 필요합니다.

국방 애플리케이션

국방 조직의 미래 비전은 위험한 임무에서 자율 시스템을 사용하는 것입니다. 그러한 시스템은 찰나의 조건에서 인간과 같은 결정을 내릴 수 있어야 합니다. 그러나 이러한 고성능 AI 백엔드를 훈련하는 데 사용할 수 있는 데이터의 양은 현재 완전한 자율성을 구현하기에 충분하지 않습니다. 인간이 필요 없는 인공 지능 시스템은 입력의 상황 정보를 이해할 수 없으며 이로 인해 치명적인 예측과 결정이 내려질 수 있습니다. 따라서 현재로서는 방어 작전을 통제하고 인간적으로 유지하기 위해 루프에 인간이 반드시 필요합니다.

창의적인 응용

위의 "필수" 애플리케이션 외에도 HITL AI 시스템은 엔터테인먼트 가치도 가질 수 있습니다. 그만큼 스탠포드 인간 중심 AI 이니셔티브는 음악 및 기타 형태의 인간 창의성을 위한 새로운 도구를 개발하기 위해 인간 상호 작용에 기술을 주입하는 시스템을 설계합니다. 스타일 전송 심층 인공 신경망 새로운 AI 창작물을 위한 그림의 "스타일"을 기계에 가르치기 위해 인간의 개입을 사용합니다.

루프 AI 시스템에서 인간의 혜택을 받는 다른 분야에는 스포츠, 게임(비디오 및 실생활), 농업, 공장 자동화 및 금융 활동이 있습니다.

반복적인 수동 작업을 자동화하고 싶으십니까? 효율성을 높이면서 시간, 노력 및 돈을 절약하십시오!

무료로 나노넷을 사용해 보세요

가져가

0:00

가능하다면 로봇이 세계를 장악하기까지는 아직 갈 길이 멀다. 인간은 여전히 인공 지능의 루프에서 필요합니다. AI에 대한 광범위한 접근 방식은 불가능한 것은 아니지만 극도로 어려운 완벽한 기계의 설계가 아니라 인간 추론의 미묘함과 지능형 자동화의 힘을 결합한 협업 시스템의 설계입니다.

var contentTitle = "목차"; // 나중에 제목을 만들지 않도록 여기에 제목을 설정합니다. var ToC = “