Ludzie w pętli

Opublikowane ponownie przez Plato

Obserwuje: 0

Ludzie w pętli

Szukasz rozwiązania automatyzującego? Nie szukaj dalej!

.cta-first-blue{ przejście: wszystkie 0.1 s sześcienne-bezier(0.4, 0, 0.2, 1) 0 s; promień obramowania: 0px; grubość czcionki: pogrubiona; rozmiar czcionki: 16 pikseli; wysokość linii: 24px; dopełnienie: 12px 24px; tło: #546fff; kolor biały; wysokość: 56px; wyrównanie tekstu: do lewej; wyświetlacz: inline-flex; kierunek flex: rząd; -moz-box-align: środek; wyrównanie elementów: środek; odstępy między literami: 0px; rozmiar pudełka: border-box; szerokość obramowania:2px !ważne; obramowanie: stałe #546fff !ważne; } .cta-first-blue:hover{ color:#546fff; tło:białe; przejście: wszystkie 0.1 s sześcienne-bezier(0.4, 0, 0.2, 1) 0 s; szerokość obramowania:2px !ważne; obramowanie: stałe #546fff !ważne; } .cta-drugi-czarny{ przejście: wszystkie 0.1 s sześcienne-bezier(0.4, 0, 0.2, 1) 0 s; promień obramowania: 0px; grubość czcionki: pogrubiona; rozmiar czcionki: 16 pikseli; wysokość linii: 24px; dopełnienie: 12px 24px; tło: białe; kolor: #333; wysokość: 56px; wyrównanie tekstu: do lewej; wyświetlacz: inline-flex; kierunek flex: rząd; -moz-box-align: środek; wyrównanie elementów: środek; odstępy między literami: 0px; rozmiar pudełka: border-box; szerokość obramowania:2px !ważne; obramowanie: ciągłe #333 !ważne; } .cta-drugi-czarny:hover{ kolor:biały; tło:#333; przejście: wszystkie 0.1 s sześcienne-bezier(0.4, 0, 0.2, 1) 0 s; szerokość obramowania:2px !ważne; obramowanie: ciągłe #333 !ważne; } .column1{ minimalna szerokość: 240px; maksymalna szerokość: dopasowana zawartość; dopełnienie po prawej stronie: 4%; } .column2{ minimalna szerokość: 200px; maksymalna szerokość: dopasowana zawartość; } .cta-main{ wyświetlacz: flex; }

„W miarę jak na świat pojawia się coraz więcej sztucznej inteligencji, coraz więcej inteligencji emocjonalnej musi objąć stanowiska kierownicze”. -Amit Ray, słynny naukowiec zajmujący się sztuczną inteligencją, autor książki Współczująca sztuczna inteligencja

Czwarta era przemysłowa, w której żyjemy, jest przełomowa, ponieważ łączy mózg oparty na węglu z mózgiem krzemowym. Sztuczna inteligencja jest już częścią naszego życia, nawet jeśli nawet nie zdajemy sobie z tego sprawy – wyszukiwarki, asystenci cyfrowi, mapy i nawigacja, lista nie ma końca. Maszyny mogą teraz „uczyć się” podczas pracy, ale w większości przypadków nie wyklucza to ludzi z tego procesu.

Systemy Human in the Loop lub HITL umożliwiają obu formom inteligencji elegancką interakcję dla obopólnych korzyści.

Dowiedzmy się więcej o sztucznej inteligencji człowieka w pętli.

var contentTitle = „Spis treści”; // Ustaw tutaj swój tytuł, aby uniknąć późniejszego tworzenia nagłówka var ToC = “

„+zawartośćTytuł+”

„; Regulamin += “

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

Definicja człowieka w pętli

Nasze maszyny przeszły długą drogę od czasu, gdy w 1978 roku Paul Ehrlich napisał: „Błądzić jest rzeczą ludzką, a naprawdę coś zepsuć, potrzebny jest komputer”. Dzisiejsze narzędzia sztucznej inteligencji rozwinęły się tak bardzo, że margines błędu znacznie się zmniejszył. Jest to ważne, ponieważ narzędzia sztucznej inteligencji są obecnie wykorzystywane w krytycznych zastosowaniach, takich jak loty, podtrzymywanie życia i kontrola broni, gdzie błędy mają katastrofalne skutki.

To powiedziawszy, sztuczna inteligencja, podobnie jak człowiek, który je zbudował, nie jest doskonała. Przewidywania dokonywane przez narzędzia AI nie są w 100% dokładne, ponieważ maszyny budują swoją wiedzę na podstawie istniejących danych i wzorców. Chociaż dotyczy to również ludzkiej inteligencji, istnieje dodatkowy element poznania opartego na próbach i błędach, który wykorzystuje wiele danych wejściowych i dodatkowy czynnik emocjonalnego rozumowania w ludzkiej inteligencji. To prawdopodobnie sprawia, że człowiek jest podatny na błędy, podczas gdy maszyna jest podatna na zanieczyszczanie.

Ale żarty na bok, systemy sztucznej inteligencji nie mogą jeszcze być całkowicie wolne od ludzi ze względu na nieodłączną niepewność co do dokładności, a większość narzędzi sztucznej inteligencji, jeśli nie wszystkie, wykorzystuje pewną ilość interakcji międzyludzkich, aby korygować kurs lub po prostu monitorować. Interakcja między człowiekiem a maszyną skutkuje pętlą sprzężenia zwrotnego, która umożliwia okresowe korekty kursu systemu AI w celu poprawy wydajności i zwiększenia autonomii. W ten sposób wyłania się formalna definicja człowieka w pętli.

Ludzie w pętli — Źródło: Humans in the Loop – Stale ulepszane modele z człowiekiem w pętli

W efekcie sztuczna inteligencja typu „człowiek w pętli” umożliwia ludziom przekazywanie informacji zwrotnych do modelu sztucznej inteligencji (ML, DL, ANN itp.) w celu uzyskania prognoz poniżej pewnego poziomu ufności.

Chcesz zeskrobać dane z PDF dokumenty, konwertuj PDF do XML or zautomatyzuj ekstrakcję stołu? Sprawdź Nanonet Skrobak do plików PDF or Parser PDF przekonwertować na PDF do bazy danych wpisy!

Wypróbuj Nanonety za darmo

ML, popularne narzędzie AI, które można zastosować w HITL

Uczenie się to proces, w którym wcześniej istniejące dane są wykorzystywane do przewidywania przyszłości – „poparzone dziecko boi się ognia” jest powiązanym, choć niepokojącym przykładem procesu uczenia się. Uczenie maszynowe, jedno z narzędzi sztucznej inteligencji, działa w bardzo podobny sposób – uczy się wzorców na podstawie istniejących danych i tworzy prognozy na podstawie tych wzorców. Na przykład, używając obrazów szczęśliwych i smutnych twarzy z istniejącej wcześniej bazy danych emocjonalnych twarzy, narzędzie ML identyfikuje nową twarz jako szczęśliwą lub smutną. Przewidywanie jest następnie sprawdzane, a jeśli okaże się prawidłowe, przesuwa się do przodu, przechowując to nowe „doświadczenie” jako kolejny punkt danych. Jeśli nie, kurs maszynowy się poprawia.

Chcesz zautomatyzować powtarzające się zadania ręczne? Sprawdź nasze oprogramowanie do przetwarzania dokumentów oparte na przepływie pracy Nanonets. Wyciągaj dane z faktur, dowodów osobistych lub dowolnego dokumentu na autopilocie!

Wypróbuj Nanonety za darmo

Rodzaje HITL w ML

W Human in the Loop Machine Learning człowiek uczestniczy na wielu poziomach.

Tworzenie

Komponent ludzki zaczyna się od stworzenia algorytmu, a następnie algorytm startuje. Podobnie jak Tony Stark i jego JARVIS

Trening

Jak opisano wcześniej, uczenie się odbywa się z danymi. Kiedy dziecko nie dotyka płomienia, prawdopodobnie dorosły nauczył ją tego. Ludzki osąd służy do trenowania modelu, tak aby we właściwym czasie model działał podobnie lub przewyższał człowieka w przewidywaniu przy użyciu wzorców.

Dane do etykietowania

Potrzebne są modele uczenia maszynowego oznaczone dane z którego się uczyć. Niektóre zestawy danych mogą już mieć etykiety, ale w przypadku braku wstępnie oznaczonych danych ludzie muszą oznaczać dane, które trenują algorytm ML. Według IDC, 90% dostępnych danych to ciemne dane, tj. dane nieustrukturyzowane/bez kategorii. Etykietowanie może być czasochłonną i żmudną pracą. Rzeczywiście, etykietowanie danych stało się samodzielna praca w terenie sztucznej inteligencji i nauki o danych. Choć może to zabrzmieć przyziemnie, etykietowanie zbiorów danych nie zawsze jest czynnością na niskim poziomie, a konkretne aplikacje mogą wymagać wiedzy specyficznej dla domeny. Na przykład oznaczanie danych medycznych wymaga wiedzy o chorobach, stanach itp. Większość zbiorów danych wykorzystywanych w dziedzinie opieki zdrowotnej wymaga wiedzy specyficznej dla danej dziedziny, na przykład lekarz oznaczający prześwietlenie płuc jako rakowe lub nie. Znakowanie danych wykorzystywanych do trenowania sztucznej inteligencji wykorzystywanej w lotach wymaga znajomości aerodynamiki i innych zagadnień inżynierskich.

Walidacja

Gdy model ML zacznie przewidywać przy użyciu danych ze świata rzeczywistego, HITL weryfikuje przewidywania modelu i przekazuje ML informację zwrotną na temat wyników fałszywie dodatnich i fałszywie ujemnych w celu szkolenia. Człowiek w pętli może przeglądać wydajność modelu i analizować jego działanie, aby ulepszyć algorytm lub ulepszyć zbiór danych uczących.

Chcesz skorzystać z robotycznej automatyzacji procesów? Wypróbuj oprogramowanie do przetwarzania dokumentów oparte na przepływach pracy Nanonets. Brak kodu. Bez platformy kłopotów.

Wypróbuj Nanonety za darmo

Znaczenie uczenia maszynowego typu human-in-the-loop i innych narzędzi sztucznej inteligencji

Kiedy brakuje danych treningowych

Konwencjonalne uczenie maszynowe i inne narzędzia sztucznej inteligencji wymagają dużego zestawu danych, aby dobrze trenować i uzyskiwać dokładne wyniki. W nowym polu lub polu, w którym brakuje wcześniejszych danych, modele ML nie są dokładne, aby rozpocząć i zajmuje dużo czasu, zanim zostaną wygenerowane wystarczające dane do szkolenia. Human in the loop AI może pomóc w tych przypadkach, w których człowiek uczy algorytmu, wzorców i reguł bez potrzeby pracy nad dużym zbiorem danych. W tym kontekście HITL pomaga w walidacji modeli i umożliwia trenowanie przy użyciu danych, które są nieustrukturyzowane, trudne do otagowania i stale się zmieniają.

Kiedy odczłowieczanie nie wchodzi w grę

Są też specyficzne dziedziny, w których człowiek w pętli AI jest przydatny, a nawet niezbędny. Jedną z dziedzin jest opieka zdrowotna. Chociaż sztuczna inteligencja z pewnością może ułatwić diagnozę, a nawet terapię, taką jak chirurgia robotyczna, nie jest jasne, czy można ją odczłowieczyć. To prawda, że sztuczna inteligencja może pomóc klinicystom spędzać mniej czasu na zadaniach administracyjnych i diagnostycznych, ale wciąż trwa debata na temat tego, czy odhumanizowana sztuczna inteligencja podważy humanitarny wymiar relacji pacjent-lekarz. Ogólny konsensus etyczny jest taki, że „człowiek w pętli” jest niezbędny, aby sztuczna inteligencja służyła ludzkim celom, szanowała tożsamość osobistą i promowała interakcje międzyludzkie.

Gdzie dwoje oczu jest bezpieczniejsze niż widzenie maszynowe

HITL jest również potrzebny w sytuacjach wymagających najwyższej precyzji dla bezpieczeństwa. Przykładem jest produkcja krytycznych części do pojazdów lub samolotów; podczas gdy narzędzia sztucznej inteligencji, takie jak ML, są niezwykle przydatne do inspekcji, ludzki monitor w grupie zwiększyłby niezawodność części. Ponadto w przypadku niekompletnych lub stronniczych danych modele uczenia maszynowego same mogą stać się stronnicze. Człowiek w pętli może wykryć i skorygować nastawienie w czasie.

Dla większej przejrzystości

Aplikacje AI mogą stać się czarnymi skrzynkami, w których ukryte jest przetwarzanie, które przekształca dane w decyzję. Jest to niewygodne w przypadku działań wrażliwych na dane, takich jak finanse i bankowość. Jest to również problem związany z podejmowaniem decyzji, zgodnością z przepisami i potrzebami informacyjnymi, które są związane z określonymi działaniami. W takich przypadkach model HITL pozwala ludziom zobaczyć, w jaki sposób narzędzie AI osiąga określony wynik przy danym zestawie danych. Dzięki temu narzędzie AI/ML jest, w żargonie termodynamiki, systemem „otwartym”, a nie „izolowanym”.

Aby wzmocnić narzędzie AI

Kiedy dziecko uczy się alfabetu, potrzebny jest nauczyciel, ale gdy dorasta, rola nauczyciela staje się ostatecznie przewodnikiem, a nie nauczaniem, teraz dorosły może uczyć się sam, bez potrzeby nauczyciela. Podobnie, człowiek musi najpierw wyszkolić system, a im więcej narzędzie AI uczy się z ludzkiej interwencji, tym lepiej się robi, a ilość ludzkiego czasu w pętli może zostać skrócona, a w niektórych przypadkach nawet wyłączony. W ten sposób narzędzie AI korzysta z ludzkiej inteligencji poprzez pętlę sprzężenia zwrotnego.

W uczeniu głębokim

Głębokie uczenie człowieka w pętli jest używane w następującym scenariuszu:

Algorytmy nie rozpoznają danych wejściowych.
Dane wejściowe są błędnie interpretowane
Istnieje niezdecydowanie co do następnego zadania do wykonania na danych
Aby umożliwić ludziom obiektywne wykonywanie określonych zadań
Aby zredukować błędy i opóźnienia czasowe dla zadań ludzkich

Jeśli pracujesz z fakturami i paragonami lub martwisz się weryfikacją tożsamości, sprawdź Nanonets OCR online or Ekstraktor tekstu PDF wyodrębnić tekst z dokumentów PDF za darmo. Kliknij poniżej, aby dowiedzieć się więcej Rozwiązanie Nanonet do automatyzacji przedsiębiorstw.

Wypróbuj Nanonety za darmo

Zastosowania ludzi w pętli

Systemy AI i ML są dziś wszechobecne w świecie. Człowiek w pętli może być albo tylko na końcu konsumpcji, albo też w sferze operacyjnej. Przykładem tych pierwszych jest korzystanie z wyszukiwarek, map cyfrowych, nawigacji itp., w których konsument korzysta z systemu sztucznej inteligencji, aby korzystać z różnych usług.

Niektóre typowe aplikacje, w których HITL znajduje się na etapie samej operacji AI/ML to:

Granica między używaniem a nadużywaniem aplikacji mediów społecznościowych jest w porządku, a ludzki osąd jest niezbędny do moderowania treści. To prawda, że systemy AI mogą z czasem nauczyć się moderować treści. Ale do tego niezbędne jest zaangażowanie człowieka, aby pomóc maszynie nauczyć się identyfikować tekst, nazwy użytkowników, obrazy i filmy, które mogą zawierać niepożądane elementy interakcji.

Techniki opieki zdrowotnej

Obrazowanie medyczne i rozpoznawanie w oparciu o sztuczną inteligencję normalnych i nieprawidłowych cech obrazu są intensywnie rozwijane. Takie zmiany wymagają interwencji ekspertów merytorycznych, aby wytrenować model w poszukiwaniu określonych cech obrazu, które wskazują na nieprawidłowości. Nawet najlepiej wyszkolone modele muszą być dodatkowo poparte ludzkim potwierdzeniem, ponieważ usługi diagnostyczne i terapeutyczne dotyczą życia, a błędy są niedopuszczalne. Zastosowania techniczne w opiece zdrowotnej wymagają intensywnych usług znakowania danych, aby zwiększyć ich dane treningowe.

Transport

Samojezdne samochody już zbliżają się do praktycznego zastosowania, ale w celu dalszego rozwoju ludzie muszą gromadzić i opisywać ogromne ilości danych w postaci obrazów, filmów i dźwięków. Oznaczanie danych obrazu jako ludzi, pojazdów, blokad dróg, roślinności, zwierząt, kształtów dróg itp. ma ogromne znaczenie dla ML, aby umożliwić zautomatyzowaną jazdę bez wypadków. Potrzebne są ogromne wysiłki w zakresie oznaczania i adnotacji przez ludzi, aby stworzyć prawdziwie autonomiczne pojazdy na świecie.

Aplikacje obronne

Futurystyczną wizją organizacji obronnych jest wykorzystanie systemów autonomicznych w niebezpiecznych misjach. Takie systemy muszą być w stanie podejmować decyzje podobne do ludzkich w warunkach ułamka sekundy. Jednak ilości danych dostępnych do trenowania tych wydajnych backendów AI są obecnie niewystarczające, aby zapewnić pełną autonomię. Systemy sztucznej inteligencji wolne od ludzi nie są również w stanie zrozumieć informacji kontekstowych we wprowadzanych danych, co może skutkować katastrofalnymi przewidywaniami i decyzjami. Tak więc, od teraz, człowiek jest z pewnością potrzebny w pętli, aby utrzymać kontrolę nad operacjami obronnymi i ludzki.

Kreatywne aplikacje

Oprócz powyższych „niezbędnych” aplikacji, systemy AI HITL mogą mieć również wartość rozrywkową. The Stanford AI skoncentrowana na człowieku Inicjatywa projektuje systemy, które łączą technologię z interakcjami międzyludzkimi w celu opracowania nowych narzędzi muzycznych i innych form ludzkiej kreatywności. Głębokie sztuczne sieci neuronowe z transferem stylów wykorzystaj ludzką interwencję, aby nauczyć maszyny „stylów” obrazów dla nowych kreacji AI.

Inne dziedziny, które czerpią korzyści z systemów AI Human in the loop, obejmują sport, gry (wideo i rzeczywistość), rolnictwo, automatyzację fabryk i działalność finansową.

Chcesz zautomatyzować powtarzające się zadania ręczne? Oszczędzaj czas, wysiłek i pieniądze, jednocześnie zwiększając wydajność!

Wypróbuj Nanonety za darmo

Na wynos

0:00

Przed nami jeszcze długa droga, jeśli to w ogóle możliwe, aby roboty powstały i zawładnęły światem. Ludzie wciąż są potrzebni w pętli sztucznej inteligencji. Szersze podejście do sztucznej inteligencji nie polega na projektowaniu doskonałej maszyny – co jest niezwykle trudne, jeśli nie niemożliwe, ale na projektowaniu systemów współpracy, które łączą subtelność ludzkiego rozumowania i moc inteligentnej automatyzacji.

var contentTitle = „Spis treści”; // Ustaw tutaj swój tytuł, aby uniknąć późniejszego tworzenia nagłówka var ToC = “

„+zawartośćTytuł+”

„; Regulamin += “

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

Nanonet online OCR & OCR API mają wiele interesujących przypadków użycia that może zoptymalizować wyniki Twojej firmy, obniżyć koszty i przyspieszyć rozwój. Dowiedzieć się jak przypadki użycia Nanonets mogą mieć zastosowanie do Twojego produktu.