Mensen in de lus

Heruitgegeven door Plato

volgers: 0

Mensen in de lus

Op zoek naar een automatiseringsoplossing? Zoek niet verder!

.cta-first-blue{ overgang: alle 0.1s kubieke-bezier(0.4, 0, 0.2, 1) 0s; grensradius: 0px; lettergewicht: vet; lettergrootte: 16px; regelhoogte: 24px; opvulling: 12px 24px; achtergrond: #546fff; kleur wit; hoogte: 56px; tekst uitlijnen: links; weergave: inline-flex; flex-richting: rij; -moz-box-align: midden; align-items: midden; letterafstand: 0px; box-sizing: border-box; grensbreedte:2px !belangrijk; rand: vast #546fff !belangrijk; } .cta-first-blue:hover{ color:#546fff; achtergrond:wit; overgang: alle 0.1s kubieke-bezier(0.4, 0, 0.2, 1) 0s; grensbreedte:2px !belangrijk; rand: vast #546fff !belangrijk; } .cta-second-black{ transitie: alle 0.1s kubieke-bezier(0.4, 0, 0.2, 1) 0s; grensradius: 0px; lettergewicht: vet; lettergrootte: 16px; regelhoogte: 24px; opvulling: 12px 24px; achtergrond: wit; kleur: #333; hoogte: 56px; tekst uitlijnen: links; weergave: inline-flex; flex-richting: rij; -moz-box-align: midden; align-items: midden; letterafstand: 0px; box-sizing: border-box; grensbreedte:2px !belangrijk; rand: effen #333 !belangrijk; } .cta-second-black:hover{ kleur:wit; achtergrond:#333; overgang: alle 0.1s kubieke-bezier(0.4, 0, 0.2, 1) 0s; grensbreedte:2px !belangrijk; rand: effen #333 !belangrijk; } .column1{ min-breedte: 240px; max-breedte: fit-inhoud; opvulling-rechts: 4%; } .column2{ min-breedte: 200px; max-breedte: fit-inhoud; } .cta-main{ display: flex; }

“Naarmate er steeds meer kunstmatige intelligentie de wereld binnenkomt, moet steeds meer emotionele intelligentie een rol spelen in leiderschap.” -Amit Ray, beroemde AI-wetenschapper, auteur van Compassionate Artificial Intelligence

Het vierde industriële tijdperk waarin we leven is ontwrichtend omdat het het op koolstof gebaseerde brein vermengt met het siliciumbrein. Kunstmatige intelligentie maakt al deel uit van ons leven, zelfs als we ons dat niet eens realiseren: zoekmachines, digitale assistenten, kaarten en navigatie, de lijst is eindeloos. Machines kunnen nu ‘leren’ terwijl ze werken, maar dit sluit in de meeste gevallen mensen niet uit van het proces.

Humans in the Loop- of HITL-systemen zorgen ervoor dat beide vormen van intelligentie op elegante wijze kunnen samenwerken voor hun wederzijds voordeel.

Laten we meer te weten komen over Human in the Loop AI.

var contentTitle = "Inhoudsopgave"; // Stel hier uw titel in, om te voorkomen dat u er later een kop voor maakt var ToC = “

“+inhoudTitel+”

“; ToC += “

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

Definitie van mens in de lus

Onze machines hebben een lange weg afgelegd sinds Paul Ehrlich in 1978 schreef: ‘Vergissen is menselijk, om dingen echt te verpesten is een computer nodig.’ De huidige hulpmiddelen voor kunstmatige intelligentie zijn zo ver gevorderd dat de foutmarge aanzienlijk is afgenomen. Dit is belangrijk omdat AI-tools nu worden gebruikt in cruciale toepassingen, waaronder vluchten, levensondersteuning en wapencontrole, waar fouten catastrofaal zijn.

Dat gezegd hebbende, zijn AI’s, net als de mens die ze heeft gebouwd, niet perfect. De voorspellingen van AI-tools zijn niet 100% nauwkeurig, omdat machines hun inzicht opbouwen op basis van bestaande gegevens en patronen. Hoewel dit ook geldt voor de menselijke intelligentie, is er een extra element van op vallen en opstaan gebaseerde cognitie dat gebruik maakt van meerdere inputs en een extra factor van emotioneel redeneren in de menselijke intelligentie. Dit maakt de mens waarschijnlijk vatbaar voor fouten, terwijl de machine vatbaar is voor fouten.

Maar afgezien van de grappen: AI-systemen kunnen nog niet volledig mensvrij zijn vanwege deze inherente onzekerheid over de nauwkeurigheid, en de meeste, zo niet alle, AI-tools maken gebruik van een bepaalde mate van menselijke interactie om koers te corrigeren of eenvoudigweg te monitoren. De interactie tussen mens en machine resulteert in een feedbackloop die periodieke koerscorrecties van het AI-systeem mogelijk maakt om de prestaties te verbeteren en de autonomie te vergroten. Zo ontstaat de formele definitie van Human in the Loop.

Mensen in de lus — Bron: Humans in the Loop – Steeds betere modellen met een mens in de loop

In feite stelt human-in-the-loop AI mensen in staat feedback te geven aan het AI-model (ML, DL, ANN, enz.) voor voorspellingen onder een bepaald niveau van vertrouwen.

Willen gegevens uit PDF schrapen documenten, converteren PDF naar XML or tafelextractie automatiseren? Bekijk Nanonetten' PDF-schraper or PDF-parser converteren PDF's naar database inzendingen!

Probeer Nanonets gratis

ML, een populaire AI-tool die geschikt is voor HITL

Leren is het proces waarbij reeds bestaande gegevens worden gebruikt om toekomstige voorspellingen te doen - "een verbrand kind vreest het vuur" is een herkenbaar, zij het verontrustend, voorbeeld van het leerproces. Machine learning, een van de tools van AI, werkt op vrijwel dezelfde manier: het leert patronen uit bestaande gegevens en doet voorspellingen op basis van deze patronen. Door bijvoorbeeld de afbeeldingen van blije en verdrietige gezichten uit een reeds bestaande database van emotionele gezichten te gebruiken, identificeert een ML-tool een nieuw gezicht als blij of verdrietig. De voorspelling wordt vervolgens gevalideerd en als deze correct wordt bevonden, gaat deze verder en bewaart deze nieuwe "ervaring" als een ander gegevenspunt. Zo niet, dan corrigeert de machinekoers.

Wilt u repetitieve handmatige taken automatiseren? Bekijk onze Nanonets workflow-gebaseerde documentverwerkingssoftware. Extraheer gegevens van facturen, identiteitskaarten of elk ander document op de automatische piloot!

Probeer Nanonets gratis

Soorten HITL in ML

Bij Human in the Loop Machine Learning doet de mens mee op vele niveaus.

Creatie

De menselijke component begint bij het maken van het algoritme en het algoritme gaat daarop van start. Net als Tony Stark en zijn JARVIS

Trainingen

Zoals eerder beschreven, gebeurt leren met data. Als een kind de vlam niet aanraakt, heeft een volwassene haar waarschijnlijk geleerd dat niet te doen. Het menselijk oordeel wordt gebruikt om het model te trainen zodat het model na verloop van tijd hetzelfde of beter presteert dan de mens bij het maken van voorspellingen met behulp van patronen.

Gegevens labelen

Machine Learning-modellen hebben nodig gelabelde gegevens waarvan te leren. Sommige datasets hebben mogelijk al labels, maar bij afwezigheid van vooraf gelabelde gegevens, moeten mensen de gegevens labelen die het ML-algoritme trainen. Volgens de IDC, 90% van de beschikbare gegevens zijn donkere gegevens, dat wil zeggen ongestructureerde/ongecategoriseerde gegevens. Etikettering kan tijdrovend en vervelend werk zijn. Inderdaad, data labeling is geworden een zelfstandige baan in het veld van kunstmatige intelligentie en datawetenschap. Hoe alledaags het ook mag klinken, het labelen van de datasets is niet altijd een low-end activiteit, en voor specifieke toepassingen kan domeinspecifieke kennis nodig zijn. Het taggen van medische gegevens vereist bijvoorbeeld kennis over ziekten, aandoeningen, enz. De meeste datasets die in de gezondheidszorg worden gebruikt, vereisen domeinspecifieke kennis, zoals een arts die een longröntgenfoto als kankerachtig labelt of niet. Het taggen van gegevens die worden gebruikt om AI te trainen die in vluchten wordt gebruikt, vereist kennis van aerodynamica en andere technische onderwerpen.

Validatie

Zodra een ML-model begint te voorspellen met behulp van gegevens uit de echte wereld, valideert de HITL de voorspellingen van het model en geeft feedback over fout-positieve en fout-negatieven aan de ML voor training. De mens in de lus kan de prestaties van het model beoordelen en de prestaties ervan analyseren, om het algoritme aan te passen of de trainingsdataset te verbeteren.

Wilt u gebruik maken van robotachtige procesautomatisering? Bekijk Nanonets op workflow gebaseerde documentverwerkingssoftware. Geen code. Geen gedoe platform.

Probeer Nanonets gratis

Het belang van human-in-the-loop ML en andere AI-tools

Wanneer er een gebrek aan trainingsgegevens is

Conventionele machine learning en andere AI-tools vereisen een grote dataset om goed te kunnen trainen en nauwkeurige resultaten te verkrijgen. In een nieuw veld of een veld dat geen eerdere gegevens heeft, zijn ML-modellen niet nauwkeurig om te beginnen en duurt het lang voordat er voldoende gegevens zijn gegenereerd voor training. De Human in the loop AI kan helpen in deze gevallen waarin de mens het algoritme, de patronen en de regels leert zonder dat er een grote dataset nodig is om aan te werken. In die context helpt HITL bij het valideren van modellen en maakt het training mogelijk met behulp van gegevens die ongestructureerd, moeilijk te taggen en voortdurend veranderend zijn.

Wanneer ontmenselijken geen optie is

Er zijn ook specifieke gebieden waarin de mens in de lus van AI nuttig, zelfs noodzakelijk is. Een gebied is de gezondheidszorg. Hoewel AI de diagnose en zelfs therapieën, zoals robotchirurgie, zeker kan vergemakkelijken, is het onduidelijk of het kan worden ontmenselijkt. Het is inderdaad waar dat AI clinici kan helpen minder tijd te besteden aan administratieve en diagnostische taken, maar er blijft discussie bestaan over de vraag of ontmenselijkte AI de humane dimensie van de patiënt-artsrelatie zou ondermijnen. De algemene ethische consensus is dat de mens-in-the-loop noodzakelijk is voor AI om menselijke doelen te dienen, de persoonlijke identiteit te respecteren en menselijke interactie te bevorderen.

Waar twee ogen veiliger zijn dan de machinevisie

HITL is ook nodig in situaties die uiterste precisie voor veiligheid vereisen. Een voorbeeld is de fabricage van kritische onderdelen voor voertuigen of vliegtuigen; Hoewel AI-tools zoals ML enorm nuttig zijn voor inspecties, zou een menselijke monitor in de groep bijdragen aan de betrouwbaarheid van het onderdeel. Bovendien kunnen Machine Learning-modellen met onvolledige of bevooroordeelde gegevens zelf bevooroordeeld worden. Een mens in de lus kan bias tijdig detecteren en corrigeren.

Voor meer transparantie

AI-toepassingen kunnen black boxes worden waarin de verwerking die data omzet naar een beslissing verborgen zit. Dit is onhandig voor gegevensgevoelige activiteiten zoals financiën en bankieren. Dit is ook een probleem voor besluitvorming, naleving van regelgeving en openbaarmakingsbehoeften die verband houden met bepaalde activiteiten. In dergelijke gevallen stelt het HITL-model mensen in staat om te zien hoe de AI-tool met een bepaalde set gegevens tot een bepaald resultaat komt. Hierdoor kan de AI/ML-tool, in het spraakgebruik van de thermodynamica, een "open" in plaats van een "geïsoleerd" systeem zijn.

Om de AI-tool te versterken

Wanneer een kind het alfabet leert, is een leraar nodig, maar naarmate ze groeit, wordt de rol van de leraar uiteindelijk meer begeleiding dan lesgeven, de nu-volwassene kan zelf leren zonder dat er een leraar nodig is. Net zoals dat, moet de mens eerst het systeem trainen, en hoe meer de AI-tool leert van de menselijke interventie, hoe beter het wordt, en de hoeveelheid menselijke tijd in de lus kan worden verminderd, of in sommige gevallen zelfs geëlimineerd. Zo profiteert de AI-tool van menselijke intelligentie via de feedbacklus.

Bij diep leren

Human in the loop deep learning wordt gebruikt in het volgende scenario:

Algoritmen herkennen de invoergegevens niet.
Invoergegevens worden verkeerd geïnterpreteerd
Er is besluiteloosheid over de volgende taak die op de gegevens moet worden toegepast
Om mensen in staat te stellen bepaalde taken objectief uit te voeren
Om fouten en vertragingen voor menselijke taken te verminderen

Als je met facturen en bonnen werkt of je zorgen maakt over ID-verificatie, bekijk dan Nanonets online-OCR or PDF-tekstextractor om tekst uit PDF-documenten te extraheren gratis. Klik hieronder voor meer informatie over Nanonets Enterprise Automation-oplossing.

Probeer Nanonets gratis

Toepassingen van mensen in de lus

AI- en ML-systemen zijn tegenwoordig alomtegenwoordig in de wereld. De mens in de lus kan zich ofwel alleen aan het verbruikseinde bevinden, ofwel ook in het operationele domein. Voorbeelden van het eerste zijn het gebruik van zoekmachines, digitale kaarten, navigatie, enz., waarbij de menselijke consument een AI-systeem gebruikt om van verschillende diensten gebruik te maken.

Enkele typische toepassingen waarin de HITL zich in het stadium van de AI/ML-operatie bevindt, zijn:

De grens tussen het gebruik en misbruik van sociale media-applicaties is prima, en menselijk oordeel is essentieel om inhoud te modereren. Het is waar dat AI-systemen in de loop van de tijd kunnen leren om content te modereren. Maar daarvoor is menselijke betrokkenheid essentieel om de machine te helpen bij het leren identificeren van tekst, gebruikersnamen, afbeeldingen en video's die mogelijk ongewenste interactie-elementen bevatten.

Gezondheidszorgtechnologie

Medische beeldvorming en op AI gebaseerde herkenning van de normale en abnormale kenmerken van het beeld worden uitgebreid ontwikkeld. Dergelijke ontwikkelingen vereisen interventie van materiedeskundigen, om het model te trainen om te zoeken naar specifieke kenmerken van het beeld die op afwijkingen wijzen. Zelfs de best opgeleide modellen moeten verder worden ondersteund door menselijke bevestiging, omdat diagnostische en therapeutische diensten betrekking hebben op levens en fouten niet acceptabel zijn. De technologische toepassingen in de gezondheidszorg vereisen intensieve datalabelingservices om hun trainingsgegevens aan te vullen.

Vervoer

Zelfrijdende auto's naderen al praktisch gebruik, maar voor verdere ontwikkelingen moeten enorme hoeveelheden gegevens in de vorm van afbeeldingen, video's en geluiden door mensen worden verzameld en geannoteerd. Het labelen van beeldgegevens als mensen, voertuigen, wegversperringen, vegetatie, dieren, wegvormen, enz., is van het grootste belang voor de ML om geautomatiseerd rijden zonder ongevallen mogelijk te maken. Er zijn enorme menselijke etiketterings- en annotatie-inspanningen nodig om echt zelfrijdende voertuigen in de wereld te realiseren.

Defensie toepassingen

De futuristische visie voor defensieorganisaties is het gebruik van autonome systemen bij gevaarlijke missies. Dergelijke systemen moeten menselijke beslissingen kunnen nemen onder omstandigheden van een fractie van een seconde. De hoeveelheden gegevens die beschikbaar zijn om deze krachtige AI-backends te trainen, zijn momenteel echter onvoldoende om volledige autonomie mogelijk te maken. Mensenvrije kunstmatige-intelligentiesystemen zijn ook niet in staat om contextuele informatie in de invoer te begrijpen en dit kan leiden tot catastrofale voorspellingen en beslissingen. Dus vanaf nu is zeker een mens nodig om de verdedigingsoperaties onder controle en mens te houden.

Creatieve toepassingen

Naast de bovengenoemde "essentiële" toepassingen, kunnen HITL AI-systemen ook entertainmentwaarde hebben. De Stanford Mensgerichte AI initiatief ontwerpt systemen die technologie doordrenken met menselijke interactie om nieuwe instrumenten te ontwikkelen voor muzikale en andere vormen van menselijke creativiteit. Stijloverdracht diepe kunstmatige neurale netwerken menselijke tussenkomst gebruiken om machines "stijlen" van schilderijen te leren voor nieuwe AI-creaties.

Andere gebieden die profiteren van Human in the loop AI-systemen zijn onder meer sport, games (video en real-life), landbouw, fabrieksautomatisering en financiële activiteiten.

Wilt u repetitieve handmatige taken automatiseren? Bespaar tijd, moeite en geld en verbeter de efficiëntie!

Probeer Nanonets gratis

Afhaal

0:00

We zijn nog een lange weg, als het al mogelijk is, voordat robots opstaan en de wereld overnemen. Mensen zijn nog steeds nodig in de lus van kunstmatige intelligentie. De bredere benadering van AI is niet het ontwerp van een perfecte machine - wat buitengewoon moeilijk, zo niet onmogelijk is, maar het ontwerp van collaboratieve systemen die de subtiliteit van menselijk redeneren en de kracht van intelligente automatisering combineren.

var contentTitle = "Inhoudsopgave"; // Stel hier uw titel in, om te voorkomen dat u er later een kop voor maakt var ToC = “

“+inhoudTitel+”

“; ToC += “

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

Nanonetten online OCR & OCR API hebben veel interessante use cases that kan uw bedrijfsprestaties optimaliseren, kosten besparen en de groei stimuleren. Ontdek hoe de use cases van Nanonets van toepassing kunnen zijn op uw product.