Люди в цикле

Переиздано Платоном

Читают: 0

Люди в петле

Ищете решение для автоматизации? Не смотрите дальше!

.cta-first-blue{ переход: все 0.1 с кубического безье (0.4, 0, 0.2, 1) 0 с; радиус границы: 0px; вес шрифта: полужирный; размер шрифта: 16px; высота строки: 24px; отступ: 12px 24px; фон: #546fff; белый цвет; высота: 56 пикселей; выравнивание текста: по левому краю; дисплей: встроенный гибкий; flex-направление: строка; -moz-box-align: по центру; выравнивание элементов: по центру; межбуквенный интервал: 0px; box-sizing: граница-коробка; ширина границы: 2px! важно; граница: сплошная #546fff !важно; } .cta-first-blue:hover{ color:#546fff; фон:белый; переход: все 0.1 с куб. Безье (0.4, 0, 0.2, 1) 0 с; ширина границы: 2px! важно; граница: сплошная #546fff !важно; } .cta-second-black{ переход: все 0.1 с кубический-безье (0.4, 0, 0.2, 1) 0 с; радиус границы: 0px; вес шрифта: полужирный; размер шрифта: 16px; высота строки: 24px; отступ: 12px 24px; фон: белый; цвет: #333; высота: 56 пикселей; выравнивание текста: по левому краю; дисплей: встроенный гибкий; flex-направление: строка; -moz-box-align: по центру; выравнивание элементов: по центру; межбуквенный интервал: 0px; box-sizing: граница-коробка; ширина границы: 2px! важно; граница: сплошная #333 !важно; } .cta-second-black:hover{ color:white; фон:#333; переход: все 0.1 с куб. Безье (0.4, 0, 0.2, 1) 0 с; ширина границы: 2px! важно; граница: сплошная #333 !важно; } .column1{ минимальная ширина: 240 пикселей; максимальная ширина: подходящее содержание; заполнение справа: 4%; } .column2{ минимальная ширина: 200 пикселей; максимальная ширина: подходящее содержание; } .cta-main{ display: flex; }

«По мере того, как все больше и больше искусственного интеллекта входит в мир, все больше и больше эмоционального интеллекта должно входить в лидерство». — Амит Рэй, известный ученый в области искусственного интеллекта, автор книги «Сострадательный искусственный интеллект».

Четвертая индустриальная эра, в которой мы живем, разрушительна тем, что смешивает углеродный мозг с кремниевым. Искусственный интеллект уже является частью нашей жизни, даже если мы даже не осознаем этого — поисковые системы, цифровые помощники, карты и навигация — список бесконечен. Машины теперь могут «обучаться» во время работы, но в большинстве случаев это не исключает людей из процесса.

Системы Human in the Loop или HITL позволяют обеим формам интеллекта изящно взаимодействовать для их взаимной выгоды.

Давайте узнаем больше о человеке в контуре ИИ.

var contentTitle = «Оглавление»; // Укажите здесь заголовок, чтобы потом не создавать для него заголовок var ToC = “

«+Заголовок содержимого+»

«; КП += "

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

Определение человека в петле

Наши машины прошли долгий путь с тех пор, как Пауль Эрлих написал в 1978 году: «Человеку свойственно ошибаться, чтобы действительно все испортить, нужен компьютер». Сегодняшние инструменты искусственного интеллекта настолько продвинулись вперед, что предел погрешности значительно уменьшился. Это важно, потому что инструменты ИИ теперь используются в критически важных приложениях, включая полеты, жизнеобеспечение и управление оружием, где ошибки могут иметь катастрофические последствия.

Тем не менее, ИИ, как и человек, который их создал, не совершенен. Прогнозы, сделанные инструментами ИИ, не точны на 100%, потому что машины строят свое понимание на основе существующих данных и закономерностей. Хотя это верно и для человеческого интеллекта, в человеческом интеллекте есть дополнительный элемент познания, основанного на пробах и ошибках, который использует несколько входных данных, и дополнительный фактор эмоционального мышления. Это, вероятно, делает человека склонным к ошибкам, в то время как машина склонна все испортить.

Но шутки в сторону, системы ИИ пока не могут быть полностью свободными от человека из-за присущей им неуверенности в точности, и большинство, если не все, инструменты ИИ используют некоторое количество человеческого взаимодействия для корректировки курса или просто мониторинга. Взаимодействие между человеком и машиной приводит к возникновению петли обратной связи, которая позволяет периодически корректировать курс системы ИИ для повышения производительности и повышения автономности. Таким образом, возникает формальное определение Человека в Петле.

Люди в петле — Источник: Люди в цикле — постоянно улучшающиеся модели с участием человека.

По сути, ИИ с участием человека в цикле позволяет людям предоставлять обратную связь модели ИИ (ML, DL, ANN и т. д.) для прогнозов ниже определенного уровня достоверности.

Хотите, чтобы очистить данные из PDF документы, конвертировать PDF в XML or автоматизировать извлечение таблицы? Посмотреть Нанонец PDF-скребок or парсер PDF преобразовать PDF-файлы в базу данных записи!

Попробуйте нанонет бесплатно

ML, популярный инструмент искусственного интеллекта, поддающийся HITL

Обучение — это процесс, в котором уже существующие данные используются для прогнозирования будущего — «обожженный ребенок боится огня» — это соответствующий, хотя и тревожный пример процесса обучения. Машинное обучение, один из инструментов искусственного интеллекта, работает примерно так же — оно изучает шаблоны из существующих данных и делает прогнозы на основе этих шаблонов. Например, используя изображения счастливых и грустных лиц из уже существующей базы данных эмоциональных лиц, инструмент машинного обучения идентифицирует новое лицо как счастливое или грустное. Затем прогноз проверяется и, если он оказывается верным, продвигается вперед, сохраняя этот новый «опыт» как еще одну точку данных. Если нет, то машина корректирует ход.

Хотите автоматизировать повторяющиеся ручные задачи? Ознакомьтесь с нашим программным обеспечением для обработки документов Nanonets, основанным на рабочих процессах. Извлекайте данные из счетов-фактур, удостоверений личности или любого документа на автопилоте!

Попробуйте нанонет бесплатно

Типы HITL в ML

В машинном обучении «человек в цикле» человек участвует на многих уровнях.

Создание

Человеческая составляющая начинается с создания алгоритма, и алгоритм начинает действовать. Очень похоже на Тони Старка и его Джарвиса.

Обучение

Как описано ранее, обучение происходит с данными. Если ребенок не прикасается к огню, возможно, взрослый научил его этого не делать. Человеческое суждение используется для обучения модели, чтобы со временем модель работала так же или превосходила человека в предсказаниях с использованием шаблонов.

Маркировка данных

Модели машинного обучения нуждаются помеченные данные из чего учиться. Некоторые наборы данных могут уже иметь метки, но в отсутствие предварительно помеченных данных люди должны маркировать данные, которые обучают алгоритм машинного обучения. Согласно IDC, 90% доступных данных — это темные данные, т. е. неструктурированные/неклассифицированные данные. Маркировка может быть трудоемкой и утомительной работой. Действительно, маркировка данных стала самостоятельная работа в сфере искусственного интеллекта и науки о данных. Как бы обыденно это ни звучало, маркировка наборов данных не всегда является второстепенной задачей, и для конкретных приложений могут потребоваться знания в конкретной предметной области. Например, для пометки медицинских данных нужны знания о заболеваниях, состояниях и т. д. Для большинства наборов данных, используемых в области здравоохранения, требуются знания, специфичные для предметной области, например, чтобы врач пометил рентгенограмму легких как раковую или нет. Пометка данных, используемых для обучения ИИ, используемого в полетах, требует знания аэродинамики и других инженерных тем.

Проверка

Как только модель машинного обучения начинает прогнозировать с использованием реальных данных, HITL проверяет прогнозы модели и предоставляет обратную связь о ложноположительных и ложноотрицательных результатах в машинное обучение для обучения. Человек в цикле может просматривать производительность модели и анализировать ее производительность для настройки алгоритма или улучшения набора обучающих данных.

Хотите использовать роботизированную автоматизацию процессов? Ознакомьтесь с программным обеспечением для обработки документов на основе рабочего процесса Nanonets. Нет кода. Платформа без проблем.

Попробуйте нанонет бесплатно

Важность машинного обучения с участием человека и других инструментов искусственного интеллекта

Когда не хватает обучающих данных

Обычное машинное обучение и другие инструменты искусственного интеллекта требуют большого набора данных для качественного обучения и получения точных результатов. В новом поле или поле, в котором отсутствуют предварительные данные, модели машинного обучения не точны для начала, и требуется много времени, прежде чем будет сгенерировано достаточно данных для обучения. Человек в цикле ИИ может помочь в тех случаях, когда человек обучает алгоритму, шаблонам и правилам без необходимости работы с большим набором данных. В этом контексте HITL помогает проверять модели и позволяет проводить обучение с использованием неструктурированных данных, которые трудно пометить и которые постоянно меняются.

Когда дегуманизация не вариант

Есть также определенные области, в которых человек в цикле ИИ полезен, даже необходим. Одно поле — здравоохранение. Хотя ИИ, безусловно, может облегчить диагностику и даже терапию, такую как роботизированная хирургия, неясно, можно ли его дегуманизировать. Это действительно правда, что ИИ может помочь клиницистам тратить меньше времени на административные и диагностические задачи, но продолжаются споры о том, не подорвет ли бесчеловечный ИИ гуманное измерение отношений между пациентом и врачом. Общий этический консенсус заключается в том, что участие человека в цикле необходимо для того, чтобы ИИ служил человеческим целям, уважал личную идентичность и способствовал человеческому взаимодействию.

Где два глаза безопаснее, чем машинное зрение

HITL также необходим в ситуациях, требующих предельной точности для обеспечения безопасности. Примером может служить производство важных деталей для транспортных средств или самолетов; в то время как инструменты искусственного интеллекта, такие как ML, чрезвычайно полезны для проверок, человек-наблюдатель в группе повысит надежность детали. Кроме того, с неполными или предвзятыми данными модели машинного обучения сами могут стать предвзятыми. Человек в петле может вовремя обнаружить и исправить смещение.

Для повышения прозрачности

Приложения ИИ могут стать черными ящиками, в которых скрыта обработка, преобразующая данные в решение. Это неудобно для операций, связанных с данными, таких как финансы и банковское дело. Это также проблема для принятия решений, соблюдения нормативных требований и требований к раскрытию информации, которые связаны с определенными видами деятельности. В таких случаях модель HITL позволяет людям увидеть, как инструмент ИИ достигает определенного результата с заданным набором данных. Это позволяет инструменту AI/ML быть, говоря языком термодинамики, «открытой», а не «изолированной» системой.

Чтобы расширить возможности инструмента ИИ

Когда ребенок изучает алфавит, ему нужен учитель, но по мере того, как он растет, роль учителя становится руководством, а не учением, в конечном итоге взрослый человек может учиться сам без учителя. Точно так же человек должен сначала обучить систему, и чем больше инструмент ИИ узнает от человеческого вмешательства, тем лучше он становится, и количество человеческого времени в цикле может быть сокращено, а в некоторых случаях даже устранено. Таким образом, инструмент ИИ извлекает выгоду из человеческого интеллекта через петлю обратной связи.

В глубоком обучении

Глубокое обучение человека в цикле используется в следующем сценарии:

Алгоритмы не распознают входные данные.
Входные данные неверно истолкованы
Существует нерешительность в отношении следующей задачи, которую следует применить к данным.
Чтобы люди могли объективно выполнять определенные задачи
Чтобы уменьшить количество ошибок и временных задержек для задач, выполняемых человеком

Если вы работаете со счетами и квитанциями или беспокоитесь о проверке личности, проверьте Nanonets. онлайн-распознавание текста or Экстрактор текста PDF для извлечения текста из PDF-документов бесплатно. Нажмите ниже, чтобы узнать больше о Нанонет Решение для автоматизации предприятий.

Попробуйте нанонет бесплатно

Применение людей в цикле

Системы искусственного интеллекта и машинного обучения сегодня вездесущи в мире. Человек в петле может находиться либо только на стороне потребления, либо также и в сфере эксплуатации. Примеры первого включают использование поисковых систем, цифровых карт, навигации и т. д., когда потребитель-человек использует систему искусственного интеллекта для получения различных услуг.

Некоторые типичные приложения, в которых HITL находится на этапе самой операции AI/ML:

Грань между использованием и злоупотреблением приложениями социальных сетей тонкая, и человеческое суждение необходимо для модерации контента. Это правда, что системы ИИ со временем могут научиться модерировать контент. Но для этого необходимо участие человека, чтобы помочь машине научиться идентифицировать текст, имена пользователей, изображения и видео, которые могут иметь нежелательные элементы взаимодействия.

Технология здравоохранения

Медицинская визуализация и распознавание нормальных и аномальных особенностей изображения на основе искусственного интеллекта активно развиваются. Такие разработки требуют вмешательства экспертов в предметной области, чтобы научить модель искать определенные особенности изображения, указывающие на аномалии. Даже самые подготовленные модели должны быть дополнительно подтверждены человеческим подтверждением, потому что диагностические и терапевтические службы имеют дело с жизнями, а ошибки недопустимы. Медицинские технические приложения требуют интенсивных услуг по маркировке данных для расширения своих обучающих данных.

грузоперевозки

Самоуправляемые автомобили уже приближаются к практическому использованию, но для дальнейшего развития люди должны собрать и аннотировать огромные объемы данных в виде изображений, видео и звуков. Маркировка данных изображения как людей, транспортных средств, дорожных заграждений, растительности, животных, дорожных форм и т. д. имеет первостепенное значение для машинного обучения, позволяющего автоматизировать вождение без аварий. Огромные человеческие усилия по маркировке и аннотации необходимы, чтобы во всем мире появились действительно беспилотные автомобили.

Защитные приложения

Футуристическим видением оборонных организаций является использование автономных систем в опасных миссиях. Такие системы должны быть способны принимать решения, подобные человеческим, в условиях доли секунды. Однако объемов данных, доступных для обучения этих высокопроизводительных серверных частей ИИ, в настоящее время недостаточно для обеспечения полной автономии. Системы искусственного интеллекта, свободные от человека, также неспособны понимать контекстуальную информацию на входе, и это может привести к катастрофическим прогнозам и решениям. Таким образом, на данный момент, безусловно, требуется человек, чтобы держать оборонные операции под контролем и человеком.

Креативные приложения

Помимо вышеперечисленных «основных» приложений, системы искусственного интеллекта HITL также могут иметь развлекательную ценность. Стэнфордский ИИ, ориентированный на человека Инициатива разрабатывает системы, которые объединяют технологии с человеческим взаимодействием для разработки новых инструментов для музыкального и других форм человеческого творчества. Глубокие искусственные нейронные сети с переносом стиля использовать человеческое вмешательство, чтобы научить машины «стилям» живописи для новых творений ИИ.

Другими областями, которые выигрывают от систем искусственного интеллекта Human in the loop, являются спорт, игры (видео и реальная жизнь), сельское хозяйство, автоматизация производства и финансовая деятельность.

Хотите автоматизировать повторяющиеся ручные задачи? Экономьте время, усилия и деньги, повышая эффективность!

Попробуйте нанонет бесплатно

отнимать

0:00

Нам еще далеко, если это вообще возможно, до того, как роботы поднимутся и захватят мир. Люди по-прежнему необходимы в цикле искусственного интеллекта. Более широкий подход к ИИ — это не разработка идеальной машины, что чрезвычайно сложно, если не невозможно, а разработка систем для совместной работы, сочетающих в себе тонкость человеческого мышления и мощь интеллектуальной автоматизации.

var contentTitle = «Оглавление»; // Укажите здесь заголовок, чтобы потом не создавать для него заголовок var ToC = “

«+Заголовок содержимого+»

«; КП += "

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

Нанонеты онлайн OCR и OCR API есть много интересного случаи использования tЭто может оптимизировать производительность вашего бизнеса, сократить расходы и ускорить рост. Узнать как варианты использования Nanonets могут применяться к вашему продукту.