Humanos no circuito

Republicado por Platão

seguidores: 0

Humanos no circuito

Procurando uma solução de automação? Não procure mais!

.cta-first-blue{ transição: todos 0.1s cúbico-bezier(0.4, 0, 0.2, 1) 0s; raio da borda: 0px; intensidade da fonte: Negrito; tamanho da fonte: 16px; altura da linha: 24px; preenchimento: 12px 24px; fundo: #546ff; cor branca; altura: 56px; alinhamento de texto: esquerda; exibição: inline-flex; direção flexível: linha; -moz-box-align: centro; alinhar-itens: centro; espaçamento entre letras: 0px; dimensionamento de caixa: caixa de borda; largura da borda:2px !importante; borda: sólido #546fff !importante; } .cta-first-blue:hover{ color:#546fff; fundo: branco; transição: todos 0.1s cúbico-bezier(0.4, 0, 0.2, 1) 0s; largura da borda:2px !importante; borda: sólido #546fff !importante; } .cta-segundo-preto{ transição: todos 0.1s cúbico-bezier(0.4, 0, 0.2, 1) 0s; raio da borda: 0px; intensidade da fonte: Negrito; tamanho da fonte: 16px; altura da linha: 24px; preenchimento: 12px 24px; fundo: branco; cor: #333; altura: 56px; alinhamento de texto: esquerda; exibição: inline-flex; direção flexível: linha; -moz-box-align: centro; alinhar-itens: centro; espaçamento entre letras: 0px; dimensionamento de caixa: caixa de borda; largura da borda:2px !importante; borda: sólido #333 !importante; } .cta-second-black:hover{ color:white; fundo:#333; transição: todos 0.1s cúbico-bezier(0.4, 0, 0.2, 1) 0s; largura da borda:2px !importante; borda: sólido #333 !importante; } .column1{ largura mínima: 240px; max-width: fit-conteúdo; preenchimento-direito: 4%; } .column2{ largura mínima: 200px; max-width: fit-conteúdo; } .cta-main{ display: flex; }

“À medida que mais e mais inteligência artificial entra no mundo, mais e mais inteligência emocional deve entrar na liderança.” -Amit Ray, famoso cientista de IA, autor de Inteligência Artificial Compassiva

A quarta era industrial em que vivemos é perturbadora porque mistura o cérebro baseado em carbono com o de silício. A inteligência artificial já faz parte das nossas vidas, mesmo que nem percebamos – motores de busca, assistentes digitais, mapas e navegação, a lista é interminável. As máquinas podem agora “aprender” enquanto trabalham, mas isso não exclui, na maioria dos casos, os humanos do processo.

Os sistemas Humans in the Loop ou HITL permitem que ambas as formas de inteligência interajam elegantemente para benefício mútuo.

Vamos aprender mais sobre a IA humana no circuito.

var contentTitle = “Índice”; // Defina seu título aqui, para evitar criar um título para ele mais tarde var ToC = “

“+conteúdoTítulo+”

“; ToC + = “

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

Definição de humano no circuito

Nossas máquinas percorreram um longo caminho desde que Paul Ehrlich escreveu em 1978: “Errar é humano, para realmente estragar as coisas é preciso um computador”. As ferramentas atuais de Inteligência Artificial progrediram tanto que a margem de erro diminuiu consideravelmente. Isto é importante porque as ferramentas de IA são agora utilizadas em aplicações críticas, incluindo voos, suporte de vida e controlo de armas, onde os erros são catastróficos.

Dito isto, as IAs, tal como o ser humano que as construiu, não são perfeitas. As previsões feitas pelas ferramentas de IA não são 100% precisas porque as máquinas constroem a sua compreensão a partir de dados e padrões existentes. Embora isto também seja verdade para a inteligência humana, há um elemento adicional de cognição baseada em tentativa e erro que utiliza múltiplas entradas e um fator adicional de raciocínio emocional na inteligência humana. Isso provavelmente torna o ser humano propenso a erros, enquanto a máquina, propensa a estragar as coisas.

Mas piadas à parte, os sistemas de IA ainda não podem ser completamente livres de humanos devido a esta incerteza inerente de precisão, e a maioria, se não todas, as ferramentas de IA utilizam alguma interação humana para corrigir o curso ou simplesmente monitorizar. A interação entre o homem e a máquina resulta num ciclo de feedback que permite correções periódicas do curso do sistema de IA para melhorar o desempenho e aumentar a autonomia. Assim surge a definição formal de Human in the Loop.

Fonte: Humanos no circuito – Modelos continuamente melhores com um humano no circuito

Com efeito, a IA humana permite que os humanos forneçam feedback ao modelo de IA (ML, DL, ANN, etc.) para previsões abaixo de um certo nível de confiança.

Quer raspar dados de PDF documentos, converter PDF para XML or extração automática de tabelas? Confira Nanonets Raspador de PDF or analisador de PDF converter PDFs para banco de dados entradas!

Experimente Nanonets gratuitamente

ML, uma ferramenta de IA popular compatível com HITL

A aprendizagem é o processo no qual dados pré-existentes são usados para fazer previsões futuras – “uma criança queimada teme o fogo” é um exemplo identificável, embora perturbador, do processo de aprendizagem. O aprendizado de máquina, uma das ferramentas da IA, funciona da mesma maneira: aprende padrões a partir de dados existentes e faz previsões com base nesses padrões. Por exemplo, usando imagens de rostos felizes e tristes de um banco de dados pré-existente de rostos emocionais, uma ferramenta de ML identifica um novo rosto como feliz ou triste. A previsão é então validada e, se for considerada correta, avança, guardando esta nova “experiência” como outro ponto de dados. Caso contrário, o curso da máquina é corrigido.

Quer automatizar tarefas manuais repetitivas? Verifique nosso software de processamento de documentos baseado em fluxo de trabalho Nanonets. Extraia dados de faturas, carteiras de identidade ou qualquer documento no piloto automático!

Experimente Nanonets gratuitamente

Tipos de HITL em ML

No Human in the Loop Machine Learning, o humano participa em vários níveis.

Criação

O componente humano começa com a criação do algoritmo e o algoritmo começa a partir daí. Muito parecido com Tony Stark e seu JARVIS

Training

Conforme descrito anteriormente, o aprendizado acontece com dados. Quando uma criança não toca na chama, provavelmente um adulto a ensinou a não fazê-lo. O julgamento humano é usado para treinar o modelo para que, no devido tempo, o modelo tenha um desempenho igual ou superior ao humano ao fazer previsões usando padrões.

Dados de rotulagem

Os modelos de aprendizado de máquina precisam dados rotulados com o qual aprender. Alguns conjuntos de dados podem já ter rótulos, mas na ausência de dados pré-rotulados, os humanos devem rotular os dados que treinam o algoritmo de ML. De acordo com IDC, 90% dos dados disponíveis são dados obscuros, ou seja, dados não estruturados/não categorizados. A rotulagem pode ser um trabalho demorado e tedioso. Na verdade, a rotulagem de dados tornou-se um trabalho independente no campo de inteligência artificial e ciência de dados. Por mais mundano que possa parecer, a rotulagem dos conjuntos de dados nem sempre é uma atividade simples e aplicações específicas podem exigir conhecimento específico do domínio. Por exemplo, a marcação de dados médicos requer conhecimento sobre doenças, condições, etc. A maioria dos conjuntos de dados usados no domínio dos cuidados de saúde requer conhecimento específico do domínio, como um médico que marca uma radiografia do pulmão como cancerígena ou não. A marcação de dados usados para treinar IA usada em voos requer conhecimento de aerodinâmica e outros tópicos de engenharia.

Validação

Depois que um modelo de ML começa a prever usando dados do mundo real, o HITL valida as previsões do modelo e fornece feedback sobre falsos positivos e falsos negativos ao ML para treinamento. A pessoa envolvida no circuito pode revisar o desempenho do modelo e analisá-lo, para ajustar o algoritmo ou melhorar o conjunto de dados de treinamento.

Quer usar a automação de processos robóticos? Confira o software de processamento de documentos baseado em fluxo de trabalho Nanonets. Nenhum código. Sem plataforma de aborrecimentos.

Experimente Nanonets gratuitamente

A importância do ML human-in-the-loop e de outras ferramentas de IA

Quando há escassez de dados de treinamento

O aprendizado de máquina convencional e outras ferramentas de IA exigem um grande conjunto de dados para treinar bem e obter resultados precisos. Em um novo campo ou em um campo sem dados anteriores, os modelos de ML não são precisos para começar e levam muito tempo até que dados suficientes sejam gerados para treinamento. A IA Human in the loop pode ajudar nesses casos em que o humano ensina o algoritmo, os padrões e as regras sem a necessidade de um grande conjunto de dados para trabalhar. Nesse contexto, o HITL auxilia na validação de modelos e permite o treinamento usando dados não estruturados, difíceis de etiquetar e em constante mudança.

Quando desumanizar não é uma opção

Existem também campos específicos em que o ser humano no circuito da IA é útil, e até mesmo necessário. Um campo é o da saúde. Embora a IA possa certamente facilitar o diagnóstico e até a terapêutica, como a cirurgia robótica, não está claro se pode ser desumanizada. É verdade que a IA pode ajudar os médicos a gastar menos tempo em tarefas administrativas e de diagnóstico, mas continua a existir debate sobre se a IA desumanizada prejudicaria a dimensão humana da relação médico-paciente. O consenso ético geral é que o ser humano é necessário para que a IA sirva os fins humanos, respeite a identidade pessoal e promova a interação humana.

Onde dois olhos são mais seguros que a visão mecânica

O HITL também é necessário em situações que exigem máxima precisão para segurança. Um exemplo é a fabricação de peças críticas para veículos ou aviões; embora ferramentas de IA como ML sejam imensamente úteis para inspeções, um monitor humano no grupo aumentaria a confiabilidade da peça. Além disso, com dados incompletos ou tendenciosos, os próprios modelos de aprendizado de máquina podem tornar-se tendenciosos. Um ser humano informado pode detectar e corrigir distorções a tempo.

Para maior transparência

As aplicações de IA podem tornar-se caixas pretas nas quais fica oculto o processamento que converte os dados em uma decisão. Isto é inconveniente para atividades sensíveis a dados, como finanças e bancos. Isto também é um problema para a tomada de decisões, conformidade regulamentar e necessidades de divulgação associadas a determinadas atividades. Nesses casos, o modelo HITL permite que os humanos vejam como a ferramenta de IA chega a um resultado específico com um determinado conjunto de dados. Isso permite que a ferramenta AI/ML seja, no jargão da termodinâmica, um sistema “aberto” em vez de um sistema “isolado”.

Para capacitar a ferramenta de IA

Quando uma criança aprende o alfabeto, é necessário um professor, mas à medida que ela cresce, o papel do professor torna-se orientação em vez de ensino, eventualmente, o agora adulto pode aprender sozinho, sem a necessidade de um professor. Da mesma forma, o ser humano é obrigado a treinar o sistema primeiro, e quanto mais a ferramenta de IA aprende com a intervenção humana, melhor fica, e a quantidade de tempo humano no ciclo pode ser reduzida ou, em alguns casos, até eliminado. Assim, a ferramenta de IA beneficia da inteligência humana através do ciclo de feedback.

Em aprendizado profundo

O aprendizado profundo humano in the loop é usado no seguinte cenário:

Os algoritmos não reconhecem os dados de entrada.
Os dados de entrada são mal interpretados
Há indecisão sobre a próxima tarefa a ser empregada nos dados
Para permitir que os seres humanos executem certas tarefas objetivamente
Para reduzir erros e atrasos em tarefas humanas

Se você trabalha com faturas e recibos ou se preocupa com a verificação de identidade, confira Nanonets OCR on-line or Extrator de texto PDF para extrair texto de documentos PDF de graça. Clique abaixo para saber mais sobre Solução de automação empresarial Nanonets.

Experimente Nanonets gratuitamente

Aplicações de Humanos no Loop

Os sistemas de IA e ML são onipresentes no mundo hoje. O ser humano no circuito pode estar apenas no lado do consumo ou também na esfera operacional. Exemplos do primeiro incluem a utilização de motores de busca, mapas digitais, navegação, etc., em que o consumidor humano utiliza um sistema de IA para usufruir de diversos serviços.

Algumas aplicações típicas nas quais o HITL está no estágio da própria operação de AI/ML são:

A linha entre o uso e o abuso de aplicações de redes sociais é tênue e o julgamento humano é essencial para moderar o conteúdo. É verdade que os sistemas de IA podem aprender a moderar o conteúdo ao longo do tempo. Mas, para isso, o envolvimento humano é essencial para ajudar a máquina a aprender a identificar textos, nomes de usuário, imagens e vídeos que possam conter elementos de interação indesejáveis.

Tecnologia de cuidados de saúde

As imagens médicas e o reconhecimento baseado em IA das características normais e anormais da imagem estão sendo extensivamente desenvolvidos. Tais desenvolvimentos requerem a intervenção de especialistas no assunto, a fim de treinar o modelo para procurar características específicas da imagem que apontem para anormalidades. Mesmo os modelos mais bem treinados devem ser ainda mais apoiados pela confirmação humana, porque os serviços de diagnóstico e terapêuticos lidam com vidas e os erros não são aceitáveis. As aplicações tecnológicas de saúde exigem serviços intensivos de rotulagem de dados para aumentar seus dados de treinamento.

Transporte

Os carros autônomos já estão se aproximando do uso prático, mas para desenvolvimentos futuros, grandes quantidades de dados na forma de imagens, vídeos e sons devem ser coletados e anotados por humanos. Rotular dados de imagem como humanos, veículos, bloqueios de estradas, vegetação, animais, formatos de estradas, etc., é de suma importância para o ML permitir a condução automatizada sem acidentes. Enormes esforços humanos de rotulagem e anotação são necessários para criar veículos verdadeiramente autônomos no mundo.

Aplicações de defesa

A visão futurista para as organizações de defesa é a utilização de sistemas autónomos em missões perigosas. Esses sistemas devem ser capazes de tomar decisões semelhantes às humanas em frações de segundo. No entanto, as quantidades de dados disponíveis para treinar estes backends de IA de alto desempenho são atualmente insuficientes para permitir a autonomia completa. Os sistemas de inteligência artificial livres de humanos também são incapazes de compreender as informações contextuais na entrada e isso pode resultar em previsões e decisões catastróficas. Assim, a partir de agora, certamente é necessário um humano no circuito para manter as operações de defesa sob controle e humano.

Aplicações criativas

Além das aplicações “essenciais” acima, os sistemas HITL AI também podem ter valor de entretenimento. O IA centrada no ser humano de Stanford A iniciativa projeta sistemas que infundem tecnologia com interação humana para desenvolver novas ferramentas para a criatividade musical e outras formas de criatividade humana. Redes neurais artificiais profundas com transferência de estilo usar a intervenção humana para ensinar “estilos” de pinturas às máquinas para novas criações de IA.

Outros campos que se beneficiam dos sistemas de IA Human in the loop incluem esportes, jogos (vídeo e da vida real), agricultura, automação fabril e atividades financeiras.

Quer automatizar tarefas manuais repetitivas? Economize tempo, esforço e dinheiro enquanto aumenta a eficiência!

Experimente Nanonets gratuitamente

Tirar

0:00

Ainda estamos um longo caminho, se for possível, para que os robôs surjam e dominem o mundo. Os humanos ainda são necessários no ciclo da inteligência artificial. A abordagem mais ampla à IA não é a conceção de uma máquina perfeita – o que é extremamente difícil, se não impossível, mas a conceção de sistemas colaborativos que combinam a subtileza do raciocínio humano e o poder da automação inteligente.

var contentTitle = “Índice”; // Defina seu título aqui, para evitar criar um título para ele mais tarde var ToC = “

“+conteúdoTítulo+”

“; ToC + = “

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

Nanoredes API OCR e OCR online tem muitos interessantes casos de uso tIsso pode otimizar o desempenho do seu negócio, economizar custos e impulsionar o crescimento. Descobrir como os casos de uso da Nanonets podem se aplicar ao seu produto.

Carimbo de hora: 6 de Junho de 2022

Carimbo de hora: 1 de setembro de 2023

Republicado por Platão

Guia para pagamentos B2B: uma visão geral abrangente

Qual é o custo de processamento de uma fatura?

Como gerenciar controles internos de contas a pagar

8 Melhor Software de OCR para Logística em 2024

Como construir uma estratégia de compras eficaz

O que é o Processamento de Faturas? – Processamento de Faturas Explicado

21 melhores softwares de automação contábil para pequenas empresas

O guia definitivo de automação de contact center

Sobre Nós

Pesquisa vertical e IA

Plataforma

Fique Ligado

Conta

“+conteúdoTítulo+”

Definição de humano no circuito

ML, uma ferramenta de IA popular compatível com HITL

Tipos de HITL em ML

Criação

Training

Dados de rotulagem

Validação

A importância do ML human-in-the-loop e de outras ferramentas de IA

Quando há escassez de dados de treinamento

Quando desumanizar não é uma opção

Onde dois olhos são mais seguros que a visão mecânica

Para maior transparência

Para capacitar a ferramenta de IA

Em aprendizado profundo

Aplicações de Humanos no Loop

Redes sociais

Tecnologia de cuidados de saúde

Transporte

Aplicações de defesa

Aplicações criativas

Tirar

“+conteúdoTítulo+”

Mais de IA e aprendizado de máquina

Sobre Nós

Pesquisa vertical e IA

Plataforma

Fique Ligado

Conta