Mennesker i sløyfen

Publisert av Platon

Følgere: 0

Mennesker i løkken

Ser du etter en automatiseringsløsning? Se ikke lenger!

.cta-first-blue{ overgang: alle 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radius: 0px; font-weight: fet; skriftstørrelse: 16px; linjehøyde: 24px; polstring: 12px 24px; bakgrunn: #546fff; farge: hvit; høyde: 56px; tekstjustering: venstre; display: inline-flex; flex-retning: rad; -moz-box-align: senter; align-items: center; bokstavavstand: 0px; boksstørrelse: border-box; border-width:2px !viktig; kantlinje: solid #546fff !viktig; } .cta-first-blue:hover{ color:#546fff; bakgrunn:hvit; overgang: alle 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !viktig; kantlinje: solid #546fff !viktig; } .cta-second-black{ overgang: alle 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radius: 0px; font-weight: fet; skriftstørrelse: 16px; linjehøyde: 24px; polstring: 12px 24px; bakgrunn: hvit; farge: #333; høyde: 56px; tekstjustering: venstre; display: inline-flex; flex-retning: rad; -moz-box-align: senter; align-items: center; bokstavavstand: 0px; boksstørrelse: border-box; border-width:2px !viktig; kantlinje: solid #333 !viktig; } .cta-second-black:hover{ color:white; bakgrunn:#333; overgang: alle 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !viktig; kantlinje: solid #333 !viktig; } .column1{ min-width: 240px; max-width: fit-content; polstring-høyre: 4%; } .column2{ min-width: 200px; max-width: fit-content; } .cta-main{ display: flex; }

"Som mer og mer kunstig intelligens kommer inn i verden, må mer og mer emosjonell intelligens inngå i ledelsen." -Amit Ray, kjent AI-forsker, forfatter av Compassionate Artificial Intelligence

Den fjerde industrielle epoken vi lever i er forstyrrende ved at den blander den karbonbaserte hjernen med silisium. Kunstig intelligens er allerede en del av livene våre, selv om vi ikke en gang innser det – søkemotorer, digitale assistenter, kart og navigasjon, listen er uendelig. Maskiner kan nå "lære" mens de jobber, men dette utelukker i de fleste tilfeller ikke mennesker fra prosessen.

Mennesker i løkken eller HITL-systemene lar begge former for intelligens samhandle elegant til gjensidig nytte.

La oss lære mer om human in the loop AI.

var contentsTitle = "Innholdsfortegnelse"; // Sett tittelen din her, for å unngå å lage en overskrift til den senere var ToC = “

«+innholdstittel+»

"; ToC += “

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

Definisjon av Human In the Loop

Maskinene våre har kommet langt siden Paul Ehrlich skrev i 1978 "Å feile er menneskelig, å virkelig feile ting krever en datamaskin". Dagens verktøy for kunstig intelligens har utviklet seg så mye at feilmarginen har redusert betraktelig. Dette er viktig fordi AI-verktøy nå brukes i kritiske applikasjoner, inkludert flyreiser, livstøtte og våpenkontroll der feil er katastrofale.

Når det er sagt, AI-er, som mennesket som bygde dem, er ikke perfekte. Spådommene som gjøres av AI-verktøy er ikke 100 % nøyaktige fordi maskiner bygger sin forståelse fra eksisterende data og mønstre. Selv om dette også gjelder menneskelig intelligens, er det et ekstra element av prøving-og-feil-basert kognisjon som bruker flere innganger og en ekstra faktor for emosjonell resonnement i menneskelig intelligens. Dette gjør sannsynligvis mennesket tilbøyelig til å feile mens maskinen, tilbøyelig til å forurense ting.

Men til side for vitser, AI-systemer kan foreløpig ikke være helt menneskefrie på grunn av denne iboende usikkerheten om nøyaktighet, og de fleste, om ikke alle, AI-verktøyene bruker en viss mengde menneskelig interaksjon for å kurskorrigere eller ganske enkelt overvåke. Samspillet mellom menneske og maskin resulterer i en tilbakemeldingssløyfe som muliggjør periodiske kurskorrigeringer av AI-systemet for å forbedre ytelsen og forbedre autonomien. Slik kommer den formelle definisjonen for Human in the Loop.

Mennesker i løkken — kilde: Humans in the Loop – Stadig bedre modeller med et menneske i loopen

Faktisk lar menneske-i-løkken AI mennesker gi tilbakemelding til AI-modellen (ML, DL, ANN, etc.) for spådommer under et visst nivå av tillit.

Lyst til å skrap data fra PDF dokumenter, konvertere PDF til XML or automatisere bordutvinning? Sjekk ut Nanonets' PDF-skrape or PDF-parser å konvertere PDF-filer til databasen innganger!

Prøv Nanonets gratis

ML, et populært AI-verktøy tilgjengelig for HITL

Læring er prosessen der forhåndseksisterende data brukes til å lage fremtidige spådommer – "et brent barn gruer seg til brannen" er et relaterbart, om enn forstyrrende, eksempel på læringsprosessen. Maskinlæring, et av verktøyene til AI, fungerer omtrent på samme måte – den lærer mønstre fra eksisterende data og lager spådommer basert på disse mønstrene. For eksempel, ved å bruke bildene av glade og triste ansikter fra en eksisterende database med emosjonelle ansikter, identifiserer et ML-verktøy et nytt ansikt som glad eller trist. Forutsigelsen blir deretter validert, og hvis den blir funnet riktig, går den fremover, og lagrer denne nye "opplevelsen" som et annet datapunkt. Hvis ikke, retter maskinkursen seg.

Ønsker du å automatisere repeterende manuelle oppgaver? Sjekk vår Nanonets arbeidsflyt-baserte dokumentbehandlingsprogramvare. Trekk ut data fra fakturaer, identitetskort eller et hvilket som helst dokument på autopilot!

Prøv Nanonets gratis

Typer HITL i ML

I Human in the Loop Machine Learning deltar mennesket på mange nivåer.

Creation

Den menneskelige komponenten starter med å lage algoritmen og algoritmen tar av på den. Omtrent som Tony Stark og hans JARVIS

Kurs

Som beskrevet tidligere skjer læring med data. Når et barn ikke rører flammen, har nok en voksen lært henne å la være. Menneskelig dømmekraft brukes til å trene modellen slik at modellen etter hvert yter som eller utkonkurrerer mennesket i å lage spådommer ved hjelp av mønstre.

Merkedata

Maskinlæringsmodeller trenger merkede data å lære av. Noen datasett kan allerede ha etiketter, men i fravær av forhåndsmerkede data, må mennesker merke dataene som trener ML-algoritmen. Ifølge IDC, 90 % av data som er tilgjengelig er mørke data, dvs. ustrukturerte/ukategoriserte data. Merking kan være tidkrevende, kjedelig arbeid. Faktisk har datamerking blitt en frittstående jobb i feltet av kunstig intelligens og datavitenskap. Så banalt som det kan høres ut, er merking av datasettene ikke alltid en low-end aktivitet, og spesifikke applikasjoner kan kreve domenespesifikk kunnskap. For eksempel trenger merking av medisinske data kunnskap om sykdommer, tilstander osv. De fleste datasett som brukes i helsevesenet krever domenespesifikk kunnskap, som en lege som merker en lungerøntgen som kreft eller ikke. Merking av data som brukes til å trene opp AI brukt i flyreiser krever kunnskap om aerodynamikk og andre tekniske emner.

Validering

Når en ML-modell begynner å forutsi ved hjelp av data fra den virkelige verden, validerer HITL modellens spådommer og gir tilbakemelding om falske positive og falske negative til ML for trening. Mennesket i loopen kan gjennomgå modellens ytelse og analysere ytelsen, for å justere algoritmen eller forbedre treningsdatasettet.

Vil du bruke robotisert prosessautomatisering? Sjekk ut Nanonets arbeidsflytbasert dokumentbehandlingsprogramvare. Ingen kode. Ingen problemfri plattform.

Prøv Nanonets gratis

Viktigheten av human-in-the-loop ML og andre AI-verktøy

Når det er mangel på treningsdata

Konvensjonell maskinlæring og andre AI-verktøy krever et stort datasett for å trene godt og oppnå nøyaktige resultater. I et nytt felt eller et felt som mangler tidligere data, er ML-modeller ikke nøyaktige å starte og tar lang tid før tilstrekkelig data genereres for trening. Human in the loop AI kan hjelpe i disse tilfellene der mennesket lærer algoritmen, mønstrene og reglene uten at det er behov for et stort datasett å jobbe med. I den sammenheng hjelper HITL med å validere modeller og gir mulighet for trening ved å bruke data som er ustrukturerte, vanskelige å merke og i stadig endring.

Når dehumanisering ikke er et alternativ

Det er også spesifikke felt der mennesket i løkken av AI er nyttig, til og med nødvendig. Ett felt er helsevesenet. Selv om kunstig intelligens absolutt kan lette diagnose og til og med terapi, som robotkirurgi, er det uklart om det kan avhumaniseres. Det er faktisk sant at AI kan hjelpe klinikere til å bruke mindre tid på administrative og diagnostiske oppgaver, men det eksisterer fortsatt debatt om hvorvidt dehumanisert AI vil undergrave den humane dimensjonen av pasient-lege-forholdet. Den generelle etiske konsensus er at mennesket-i-løkken er nødvendig for at AI skal tjene menneskelige formål, respektere personlig identitet og fremme menneskelig interaksjon.

Hvor to øyne er tryggere enn maskinsynet

HITL er også nødvendig i situasjoner som krever ytterste presisjon for sikkerhet. Et eksempel er produksjon av kritiske deler til kjøretøy eller fly; mens AI-verktøy som ML er utrolig nyttige for inspeksjoner, vil en menneskelig monitor i gruppen øke påliteligheten til delen. Videre, med ufullstendige eller partiske data, kan maskinlæringsmodeller i seg selv bli partiske. Et menneske i sløyfen kan oppdage og korrigere skjevheter i tide.

For økt åpenhet

AI-applikasjoner kan bli svarte bokser der behandlingen som konverterer data til en beslutning er skjult. Dette er upraktisk for datasensitive aktiviteter som finans og bank. Dette er også et problem for beslutningstaking, etterlevelse av regelverk og opplysningsbehov som er knyttet til visse aktiviteter. I slike tilfeller lar HITL-modellen mennesker se hvordan AI-verktøyet kommer til et bestemt utfall med et gitt sett med data. Dette gjør at AI/ML-verktøyet, i termodynamikkens språkbruk, er et "åpent" snarere enn et "isolert" system.

For å styrke AI-verktøyet

Når et barn lærer alfabetet, kreves det en lærer, men etter hvert som hun vokser, blir lærerrollen veiledning i stedet for å undervise til slutt, den nå voksne kan lære selv uten behov for en lærer. På samme måte kreves det at mennesket trener systemet først, og jo mer AI-verktøyet lærer av menneskelig intervensjon, jo bedre blir det, og mengden av menneskelig tid i løkken kan reduseres, eller i noen tilfeller, til og med eliminert. Dermed drar AI-verktøyet nytte av menneskelig intelligens gjennom tilbakemeldingssløyfen.

I dyp læring

Human in the loop dyp læring brukes i følgende scenario:

Algoritmer gjenkjenner ikke inndataene.
Inndata er feiltolket
Det er ubesluttsomhet om neste oppgave å bruke på dataene
Å sette mennesker i stand til å utføre visse oppgaver objektivt
For å redusere feil og tidsforsinkelser for menneskelige oppgaver

Hvis du jobber med fakturaer og kvitteringer eller bekymrer deg for ID-verifisering, sjekk ut Nanonets online OCR or PDF-tekstuttrekk for å trekke ut tekst fra PDF-dokumenter gratis. Klikk nedenfor for å lære mer om Nanonets Enterprise Automation Solution.

Prøv Nanonets gratis

Anvendelser av mennesker i sløyfen

AI- og ML-systemer er allestedsnærværende i verden i dag. Mennesket i løkken kan enten bare være ved forbruksenden, eller også i det operasjonelle området. Eksempler på førstnevnte inkluderer bruk av søkemotorer, digitale kart, navigasjon osv., der den menneskelige forbrukeren bruker et AI-system for å benytte ulike tjenester.

Noen typiske applikasjoner der HITL er på stadiet av selve AI/ML-operasjonen er:

Grensen mellom bruk og misbruk av sosiale medier-applikasjoner er fin, og menneskelig dømmekraft er avgjørende for å moderere innhold. Det er sant at AI-systemer kan lære å moderere innhold over tid. Men for det er menneskelig involvering avgjørende for å hjelpe maskinen å lære å identifisere tekst, brukernavn, bilder og videoer som kan ha uønskede elementer av interaksjon.

Health Care Tech

Medisinsk bildebehandling og AI-basert gjenkjennelse av de normale og unormale egenskapene til bildet er under omfattende utvikling. Slike utviklinger krever intervensjon fra fageksperter, for å trene modellen til å lete etter spesifikke trekk ved bildet som peker på abnormiteter. Selv de best trente modellene må støttes ytterligere av menneskelig bekreftelse fordi diagnostiske og terapeutiske tjenester omhandler liv, og feil er ikke akseptable. Helseteknologiapplikasjonene krever intensive datamerkingstjenester for å utvide treningsdataene deres.

Transport

Selvkjørende biler nærmer seg allerede praktisk bruk, men for videre utvikling må enorme mengder data i form av bilder, videoer og lyder samles inn og kommenteres av mennesker. Merking av bildedata som mennesker, kjøretøy, veisperringer, vegetasjon, dyr, veiformer, etc., er av største betydning for ML for å muliggjøre automatisert kjøring uten ulykker. Enorme menneskelig merking og merking er nødvendig for å realisere virkelig selvkjørende kjøretøy i verden.

Forsvarsapplikasjoner

Den futuristiske visjonen for forsvarsorganisasjoner er bruk av autonome systemer i farlige oppdrag. Slike systemer må være i stand til å ta menneskelignende avgjørelser under betingelser på et splitsekund. Imidlertid er datamengdene som er tilgjengelige for å trene disse høyytelses AI-backendene for øyeblikket utilstrekkelige til å muliggjøre fullstendig autonomi. Menneskefrie kunstig intelligens-systemer er heller ikke i stand til å forstå kontekstuell informasjon i input, og dette kan resultere i katastrofale spådommer og beslutninger. Derfor, per nå, er det absolutt nødvendig med et menneske i løkken for å holde forsvarsoperasjonene under kontroll og menneskelig.

Kreative applikasjoner

Utover de ovennevnte "essensielle" applikasjonene, kan HITL AI-systemer også ha underholdningsverdi. De Stanford Menneskesentrert AI initiativet designer systemer som tilfører teknologi med menneskelig interaksjon for å utvikle nye verktøy for musikalsk og andre former for menneskelig kreativitet. Stiloverføring av dype kunstige nevrale nettverk bruke menneskelig intervensjon for å lære maskiner "stiler" av malerier for nye AI-kreasjoner.

Andre felt som drar nytte av Human in the loop AI-systemer inkluderer sport, spill (video og virkelighet), landbruk, fabrikkautomatisering og økonomiske aktiviteter.

Ønsker du å automatisere repeterende manuelle oppgaver? Spar tid, innsats og penger samtidig som du øker effektiviteten!

Prøv Nanonets gratis

Ta bort

0:00

Vi er fortsatt et stykke, hvis det er mulig, for roboter å reise seg og ta over verden. Mennesker er fortsatt påkrevd i løkken av kunstig intelligens. Den bredere tilnærmingen til AI er ikke utformingen av en perfekt maskin – noe som er ekstremt vanskelig, om ikke umulig, men utformingen av samarbeidssystemer som kombinerer subtiliteten til menneskelig resonnement og kraften til intelligent automatisering.

var contentsTitle = "Innholdsfortegnelse"; // Sett tittelen din her, for å unngå å lage en overskrift til den senere var ToC = “

«+innholdstittel+»

"; ToC += “

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

Nanonetter online OCR & OCR API har mange interessante bruk saker that kan optimalisere forretningsytelsen, spare kostnader og øke veksten. Finne ut hvordan Nanonets' brukstilfeller kan gjelde for produktet ditt.