Humans In The Loop

Ponovno objavil Platon

Spremljevalci: 0

Ljudje v zanki

Iščete rešitev za avtomatizacijo? Ne iščite več!

.cta-first-blue{ prehod: vse 0.1 s cubic-bezier(0.4, 0, 0.2, 1) 0 s; polmer obrobe: 0px; teža pisave: krepko; velikost pisave: 16px; višina vrstice: 24px; oblazinjenje: 12px 24px; ozadje: #546fff; barva: bela; višina: 56px; poravnava besedila: levo; zaslon: inline-flex; flex-direction: vrstica; -moz-box-align: center; align-items: center; razmik med črkami: 0px; velikost škatle: border-box; border-width:2px !pomembno; obroba: trdna #546fff !pomembno; } .cta-first-blue:hover{ barva:#546fff; ozadje: belo; prehod: vse 0.1 s cubic-bezier (0.4, 0, 0.2, 1) 0 s; border-width:2px !pomembno; obroba: trdna #546fff !pomembno; } .cta-second-black{ prehod: vse 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; polmer obrobe: 0px; teža pisave: krepko; velikost pisave: 16px; višina vrstice: 24px; oblazinjenje: 12px 24px; ozadje: belo; barva: #333; višina: 56px; poravnava besedila: levo; zaslon: inline-flex; flex-direction: vrstica; -moz-box-align: center; align-items: center; razmik med črkami: 0px; velikost škatle: border-box; border-width:2px !pomembno; meja: polna #333 !pomembno; } .cta-second-black:hover{ barva:bela; ozadje:#333; prehod: vse 0.1 s cubic-bezier (0.4, 0, 0.2, 1) 0 s; border-width:2px !pomembno; meja: polna #333 !pomembno; } .column1{ min-width: 240px; max-width: fit-content; oblazinjenje-desno: 4 %; } .column2{ min-width: 200px; max-width: fit-content; } .cta-main{ display: flex; }

"Ker vse več umetne inteligence vstopa v svet, mora vedno več čustvene inteligence vstopiti v vodstvo." -Amit Ray, znani znanstvenik AI, avtor knjige Sočutna umetna inteligenca

Četrta industrijska doba, v kateri živimo, je disruptivna, saj združuje ogljikove možgane s silicijevimi. Umetna inteligenca je že del našega življenja, čeprav se tega sploh ne zavedamo – iskalniki, digitalni pomočniki, zemljevidi in navigacija, seznam je neskončen. Stroji se zdaj med delom lahko »učijo«, vendar to v večini primerov ne izključuje ljudi iz procesa.

Sistemi Humans in the Loop ali HITL omogočajo obema oblikama inteligence elegantno interakcijo v skupno korist.

Naučimo se več o AI človek v zanki.

var contentsTitle = “Kazalo”; // Tukaj nastavite naslov, da se izognete kasnejšemu ustvarjanju naslova var ToC = “

“+contentsTitle+”

“; ToC += “

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

Opredelitev človeka v zanki

Naši stroji so prehodili dolgo pot, odkar je Paul Ehrlich leta 1978 zapisal: »Motiti se je človeško, za resne napake je potreben računalnik«. Današnja orodja umetne inteligence so tako napredovala, da se je meja napake znatno zmanjšala. To je pomembno, ker se orodja AI zdaj uporabljajo v kritičnih aplikacijah, vključno z leti, vzdrževanjem življenja in nadzorom orožja, kjer so napake katastrofalne.

Kljub temu AI, tako kot človek, ki jih je zgradil, niso popolni. Napovedi orodij AI niso 100-odstotno točne, ker stroji gradijo svoje razumevanje na podlagi obstoječih podatkov in vzorcev. Čeprav to velja tudi za človeško inteligenco, obstaja dodaten element kognicije, ki temelji na poskusih in napakah, ki uporablja več vnosov in dodaten dejavnik čustvenega razmišljanja v človeški inteligenci. Zaradi tega je človek verjetno nagnjen k napakam, medtem ko je stroj nagnjen k temu, da pokvari stvari.

A šalo na stran, sistemi umetne inteligence še ne morejo biti popolnoma brez človeka zaradi te inherentne negotovosti glede natančnosti in večina, če ne vsa, orodja umetne inteligence uporabljajo določeno količino človeške interakcije za popravljanje ali preprosto spremljanje. Interakcija med človekom in strojem ima za posledico povratno zanko, ki omogoča občasne popravke poteka sistema AI za izboljšanje zmogljivosti in večjo avtonomijo. Tako se pojavi uradna definicija za Human in the Loop.

vir: Ljudje v zanki – Nenehno boljši modeli s človekom v zanki

Dejansko umetna inteligenca človeka v zanki ljudem omogoča, da zagotovijo povratne informacije modelu umetne inteligence (ML, DL, ANN itd.) za napovedi pod določeno stopnjo zaupanja.

Želite strganje podatkov iz PDF dokumentov, pretvori PDF v XML or avtomatizirati ekstrakcijo tabele? Oglejte si Nanonets Strgalo za PDF or Razčlenjevalnik PDF spreobrniti PDF v bazo podatkov vpisi!

Poskusite Nanonets brezplačno

ML, priljubljeno orodje AI, primerno za HITL

Učenje je proces, v katerem se že obstoječi podatki uporabljajo za izdelavo prihodnjih napovedi – »ožgan otrok se boji ognja« je sorazmeren, čeprav moteč primer učnega procesa. Strojno učenje, eno od orodij umetne inteligence, deluje skoraj na enak način – uči se vzorcev iz obstoječih podatkov in na podlagi teh vzorcev daje napovedi. Na primer, z uporabo slik veselih in žalostnih obrazov iz že obstoječe baze čustvenih obrazov orodje ML identificira nov obraz kot vesel ali žalosten. Napoved je nato potrjena in če se ugotovi, da je pravilna, se premakne naprej in to novo »izkušnjo« shrani kot drugo podatkovno točko. Če ne, se potek stroja popravi.

Želite avtomatizirati ponavljajoča se ročna opravila? Preverite našo programsko opremo za obdelavo dokumentov, ki temelji na delovnem toku Nanonets. Izvlecite podatke iz računov, osebnih izkaznic ali katerega koli dokumenta na avtopilotu!

Poskusite Nanonets brezplačno

Vrste HITL v ML

Pri strojnem učenju človeka v zanki človek sodeluje na več ravneh.

Oblikovanje

Človeška komponenta se začne z ustvarjanjem algoritma in algoritem se nato začne. Podobno kot Tony Stark in njegov JARVIS

usposabljanje

Kot je bilo že opisano, se učenje dogaja s podatki. Ko se otrok ne dotika plamena, jo je odrasel verjetno naučil, da se tega ne sme dotakniti. Človeška presoja se uporablja za usposabljanje modela, tako da sčasoma model deluje podobno kot človek ali ga prekaša pri napovedovanju z uporabo vzorcev.

Podatki o označevanju

Modeli strojnega učenja potrebujejo označeni podatki iz katerega se učiti. Nekateri nabori podatkov morda že imajo oznake, toda če ni vnaprej označenih podatkov, morajo ljudje označiti podatke, ki usposabljajo algoritem ML. Glede na IDC90 % podatkov, ki so na voljo, so temni podatki, tj. nestrukturirani/nekategorizirani podatki. Označevanje je lahko dolgotrajno in dolgočasno delo. Označevanje podatkov je res postalo samostojno delo na terenu umetne inteligence in podatkovne znanosti. Naj se sliši še tako vsakdanje, označevanje naborov podatkov ni vedno nizkocenovna dejavnost in posebne aplikacije lahko zahtevajo znanje, specifično za domeno. Za označevanje medicinskih podatkov je na primer potrebno znanje o boleznih, stanjih itd. Večina naborov podatkov, ki se uporabljajo na področju zdravstvene oskrbe, zahteva znanje, specifično za domeno, na primer zdravnik, ki rentgensko slikanje pljuč označi kot rakavo ali ne. Označevanje podatkov, ki se uporabljajo za usposabljanje umetne inteligence, ki se uporablja pri letih, zahteva znanje o aerodinamiki in drugih inženirskih temah.

Potrditev

Ko model ML začne napovedovati z uporabo podatkov iz resničnega sveta, HITL potrdi napovedi modela in posreduje povratne informacije o lažno pozitivnih in lažno negativnih rezultatih v ML za usposabljanje. Človek v zanki lahko pregleda delovanje modela in analizira njegovo delovanje, da prilagodi algoritem ali izboljša nabor podatkov za usposabljanje.

Želite uporabiti robotsko avtomatizacijo procesov? Oglejte si programsko opremo za obdelavo dokumentov Nanonets, ki temelji na delovnem toku. Brez kode. Platforma brez težav.

Poskusite Nanonets brezplačno

Pomen ML-ja s človekom v zanki in drugih orodij AI

Ko primanjkuje podatkov o usposabljanju

Običajno strojno učenje in druga orodja AI zahtevajo velik nabor podatkov za dobro usposabljanje in pridobivanje natančnih rezultatov. Na novem področju ali področju, ki nima predhodnih podatkov, modeli ML niso natančni za začetek in traja veliko časa, preden se ustvari dovolj podatkov za usposabljanje. Umetna inteligenca Človek v zanki lahko pomaga v teh primerih, ko človek uči algoritem, vzorce in pravila, ne da bi za delo potreboval velik nabor podatkov. V tem kontekstu HITL pomaga pri validaciji modelov in omogoča usposabljanje z uporabo podatkov, ki so nestrukturirani, jih je težko označiti in se nenehno spreminjajo.

Ko dehumaniziranje ni možnost

Obstajajo tudi posebna področja, na katerih je človek v zanki umetne inteligence uporaben, celo potreben. Eno področje je zdravstvo. Čeprav lahko AI zagotovo olajša diagnozo in celo terapevtiko, kot je robotska kirurgija, ni jasno, ali jo je mogoče dehumanizirati. Res je res, da lahko umetna inteligenca pomaga zdravnikom, da porabijo manj časa za administrativne in diagnostične naloge, vendar še vedno potekajo razprave o tem, ali bi dehumanizirana umetna inteligenca spodkopala humano razsežnost odnosa med bolnikom in zdravnikom. Splošno etično soglasje je, da je človek v zanki nujen, da umetna inteligenca služi človeškim ciljem, spoštuje osebno identiteto in spodbuja interakcijo med ljudmi.

Kjer sta dve očesi varnejši od strojnega vida

HITL je potreben tudi v situacijah, ki zaradi varnosti zahtevajo izjemno natančnost. Primer je proizvodnja kritičnih delov za vozila ali letala; medtem ko so orodja AI, kot je ML, izjemno uporabna za preglede, bi človeški monitor v skupini prispeval k zanesljivosti dela. Poleg tega lahko z nepopolnimi ali pristranskimi podatki modeli strojnega učenja sami postanejo pristranski. Človek v zanki lahko pravočasno zazna in popravi pristranskost.

Za večjo preglednost

Aplikacije AI lahko postanejo črne skrinjice, v katerih je skrita obdelava, ki pretvori podatke v odločitev. To je neprijetno za podatkovno občutljive dejavnosti, kot so finance in bančništvo. To je tudi problem pri sprejemanju odločitev, skladnosti s predpisi in potrebam po razkritju, ki so povezane z določenimi dejavnostmi. V takih primerih model HITL ljudem omogoča, da vidijo, kako orodje AI doseže določen rezultat z danim nizom podatkov. To omogoča, da je orodje AI/ML, v termodinamičnem jeziku, »odprt« in ne »izoliran« sistem.

Za okrepitev orodja AI

Ko se otrok uči abecede, je potreben učitelj, a ko odrašča, vloga učitelja sčasoma postane usmerjanje in ne poučevanje, zdaj odrasla oseba se lahko uči sama, ne da bi potrebovala učitelja. Podobno kot je to, da mora človek najprej usposobiti sistem in več ko se orodje AI uči iz človeškega posredovanja, boljše je, količina človeškega časa v zanki pa se lahko zmanjša ali v nekaterih primerih celo odpraviti. Tako orodje AI koristi človeško inteligenco prek povratne zanke.

Pri globokem učenju

Globoko učenje človek v zanki se uporablja v naslednjem scenariju:

Algoritmi ne prepoznajo vhodnih podatkov.
Vhodni podatki so napačno interpretirani
Obstaja neodločenost glede naslednje naloge, ki jo je treba uporabiti na podlagi podatkov
Človeku omogočiti objektivno opravljanje določenih nalog
Za zmanjšanje napak in časovnih zakasnitev za človeške naloge

Če delate z računi in potrdili ali vas skrbi preverjanje osebnih dokumentov, si oglejte Nanonets spletni OCR or Ekstraktor besedila PDF za ekstrahiranje besedila iz dokumentov PDF zastonj. Kliknite spodaj, če želite izvedeti več o Rešitev za avtomatizacijo podjetij Nanonets.

Poskusite Nanonets brezplačno

Aplikacije Humans in the Loop

Sistemi AI in ML so danes v svetu vseprisotni. Človek v zanki je lahko samo na koncu potrošnje ali pa tudi na operativnem področju. Primeri prvega vključujejo uporabo iskalnikov, digitalnih zemljevidov, navigacije itd., pri katerih človeški potrošnik uporablja sistem AI za uporabo različnih storitev.

Nekatere tipične aplikacije, v katerih je HITL v fazi samega delovanja AI/ML, so:

Meja med uporabo in zlorabo aplikacij družbenih medijev je dobra, človeška presoja pa je bistvena za moderiranje vsebine. Res je, da se lahko sistemi AI sčasoma naučijo moderirati vsebino. Toda za to je ključnega pomena človeška vpletenost, ki pomaga stroju prepoznati besedilo, uporabniška imena, slike in videoposnetke, ki imajo lahko neželene elemente interakcije.

Health Care Tech

Medicinsko slikanje in prepoznavanje normalnih in nenormalnih značilnosti slike na osnovi umetne inteligence se obsežno razvijata. Takšen razvoj dogodkov zahteva posredovanje strokovnjakov za določeno področje, da bi usposobili model za iskanje posebnih značilnosti slike, ki kažejo na nenormalnosti. Celo najbolje usposobljeni modeli morajo biti dodatno podprti s človeško potrditvijo, saj se diagnostične in terapevtske storitve ukvarjajo z življenji in napake niso sprejemljive. Tehnološke aplikacije za zdravstveno varstvo zahtevajo intenzivne storitve označevanja podatkov za povečanje podatkov o usposabljanju.

Prevoz

Samovozeči avtomobili se že približujejo praktični uporabi, a za nadaljnji razvoj morajo ljudje zbrati in označiti ogromne količine podatkov v obliki slik, videoposnetkov in zvokov. Označevanje slikovnih podatkov kot ljudi, vozil, cestnih zapor, vegetacije, živali, oblik cest itd. je bistvenega pomena za ML, da omogoči avtomatizirano vožnjo brez nesreč. Za uresničitev resnično samovozečih vozil na svetu so potrebna ogromna prizadevanja za človeško označevanje in označevanje.

Obrambne aplikacije

Futuristična vizija obrambnih organizacij je uporaba avtonomnih sistemov v nevarnih misijah. Takšni sistemi morajo biti sposobni sprejemati odločitve, podobne človeškim, v pogojih delčka sekunde. Vendar pa količine podatkov, ki so na voljo za usposabljanje teh visoko zmogljivih ozadij AI, trenutno ne zadoščajo za popolno avtonomijo. Sistemi umetne inteligence brez človeka prav tako niso sposobni razumeti kontekstualnih informacij v vhodu, kar lahko povzroči katastrofalne napovedi in odločitve. Tako je od zdaj zagotovo potreben človek v zanki, da ohranja obrambne operacije pod nadzorom in človekom.

Ustvarjalne aplikacije

Poleg zgornjih "bistvenih" aplikacij imajo lahko sistemi HITL AI tudi zabavno vrednost. The Stanford Umetna inteligenca, osredotočena na človeka pobuda oblikuje sisteme, ki združujejo tehnologijo s človeško interakcijo za razvoj novih orodij za glasbeno in druge oblike človeške ustvarjalnosti. Globoke umetne nevronske mreže za prenos sloga uporabite človeško posredovanje, da naučite stroje "slogov" slik za nove stvaritve AI.

Druga področja, ki imajo koristi od sistemov umetne inteligence Human in the loop, vključujejo šport, igre (video in resnične), kmetijstvo, tovarniško avtomatizacijo in finančne dejavnosti.

Želite avtomatizirati ponavljajoča se ročna opravila? Prihranite čas, trud in denar ter hkrati povečajte učinkovitost!

Poskusite Nanonets brezplačno

Odnesite

0:00

Še vedno smo daleč, če je sploh mogoče, da se roboti dvignejo in zavzamejo svet. Ljudje so še vedno potrebni v zanki umetne inteligence. Širši pristop k umetni inteligenci ni zasnova popolnega stroja – kar je izjemno težko, če ne nemogoče, temveč zasnova sodelovalnih sistemov, ki združujejo subtilnost človeškega razmišljanja in moč inteligentne avtomatizacije.

var contentsTitle = “Kazalo”; // Tukaj nastavite naslov, da se izognete kasnejšemu ustvarjanju naslova var ToC = “

“+contentsTitle+”

“; ToC += “

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

Nanoneti spletni OCR in OCR API imajo veliko zanimivih primeri uporabe tkapa bi lahko optimizirala vašo poslovno uspešnost, prihranila stroške in spodbudila rast. Ugotovite kako se lahko primeri uporabe Nanonetov nanašajo na vaš izdelek.