Människor I Slingan

Återutgiven av Platon

anhängare: 0

Människor i slingan

Letar du efter en automationslösning? Kolla inte vidare!

.cta-first-blue{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radie: 0px; font-weight: fet; teckenstorlek: 16px; linjehöjd: 24px; stoppning: 12px 24px; bakgrund: #546fff; färg vit; höjd: 56px; text-align: vänster; display: inline-flex; flex-riktning: rad; -moz-box-align: center; align-items: center; bokstavsmellanrum: 0px; box-storlek: border-box; border-width:2px !viktigt; kant: fast #546fff !viktigt; } .cta-first-blue:hover{ color:#546fff; bakgrund:vit; övergång: alla 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !viktigt; kant: fast #546fff !viktigt; } .cta-second-black{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radie: 0px; font-weight: fet; teckenstorlek: 16px; linjehöjd: 24px; stoppning: 12px 24px; bakgrund: vit; färg: #333; höjd: 56px; text-align: vänster; display: inline-flex; flex-riktning: rad; -moz-box-align: center; align-items: center; bokstavsmellanrum: 0px; box-storlek: border-box; border-width:2px !viktigt; kantlinje: fast #333 !viktigt; } .cta-second-black:hover{ color:white; bakgrund:#333; övergång: alla 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-width:2px !viktigt; kantlinje: fast #333 !viktigt; } .column1{ min-width: 240px; max-width: passform-innehåll; stoppning-höger: 4%; } .column2{ min-width: 200px; max-width: passform-innehåll; } .cta-main{ display: flex; }

"I takt med att mer och mer artificiell intelligens kommer in i världen, måste mer och mer emotionell intelligens komma in i ledarskapet." -Amit Ray, känd AI-forskare, författare till Compassionate Artificial Intelligence

Den fjärde industriella eran som vi lever i är störande genom att den blandar den kolbaserade hjärnan med kisel. Artificiell intelligens är redan en del av våra liv, även om vi inte ens inser det – sökmotorer, digitala assistenter, kartor och navigering, listan är oändlig. Maskiner kan nu "lära sig" när de arbetar, men detta utesluter i de flesta fall inte människor från processen.

Människor i loopen eller HITL-systemen låter båda formerna av intelligens interagera elegant för deras ömsesidiga fördel.

Låt oss lära oss mer om human in the loop AI.

var contentsTitle = "Innehållsförteckning"; // Ställ in din titel här, för att undvika att göra en rubrik till den senare var ToC = “

“+contentTitle+”

"; ToC += “

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

Definition av Human In the Loop

Våra maskiner har kommit långt sedan Paul Ehrlich skrev 1978 "Att fela är mänskligt, att verkligen smutskasta saker kräver en dator". Dagens Artificiell Intelligens-verktyg har utvecklats så mycket att felmarginalen har minskat avsevärt. Detta är viktigt eftersom AI-verktyg nu används i kritiska applikationer inklusive flygningar, livräddning och vapenkontroll där misstag är katastrofala.

Som sagt, AI:er, liksom människan som byggde dem, är inte perfekta. Förutsägelserna som görs av AI-verktyg är inte 100% korrekta eftersom maskiner bygger sin förståelse från existerande data och mönster. Även om detta även gäller mänsklig intelligens, finns det ett extra element av försök-och-fel-baserad kognition som använder flera input och en extra faktor av känslomässigt resonemang i mänsklig intelligens. Detta gör antagligen människan benägen att göra fel medan maskinen, benägen att smutsa ner saker och ting.

Men åsido, AI-system kan ännu inte vara helt mänskliga fria på grund av denna inneboende osäkerhet om noggrannhet, och de flesta, om inte alla, AI-verktyg använder en viss mängd mänsklig interaktion för att kurskorrigera eller helt enkelt övervaka. Interaktionen mellan människa och maskin resulterar i en återkopplingsslinga som möjliggör periodiska kurskorrigeringar av AI-systemet för att förbättra prestandan och öka autonomin. Så framträder den formella definitionen av Human in the Loop.

Människor i slingan — Källa: Humans in the Loop – Ständigt bättre modeller med en människa i slingan

I själva verket tillåter mänsklig-i-slingan AI människor att ge feedback till AI-modellen (ML, DL, ANN, etc.) för förutsägelser under en viss nivå av förtroende.

Vill skrapa data från PDF dokument, konvertera PDF till XML or automatisera bordsextraktion? Kolla in Nanonets' PDF-skrapa or PDF-tolkare att konvertera PDF-filer till databasen inlägg!

Prova Nanonets gratis

ML, ett populärt AI-verktyg som är mottagligt för HITL

Lärande är den process där redan existerande data används för att göra framtida förutsägelser – "ett bränt barn fruktar elden" är ett relaterbart, om än störande, exempel på inlärningsprocessen. Maskininlärning, ett av verktygen för AI, fungerar på ungefär samma sätt – den lär sig mönster från befintlig data och gör förutsägelser baserat på dessa mönster. Till exempel, genom att använda bilder av glada och ledsna ansikten från en redan existerande databas med känslomässiga ansikten, identifierar ett ML-verktyg ett nytt ansikte som glad eller ledsen. Förutsägelsen valideras sedan, och om den hittas korrekt, går den framåt och lagrar denna nya "upplevelse" som en annan datapunkt. Om inte, korrigeras maskinkursen.

Vill du automatisera repetitiva manuella uppgifter? Kontrollera vår Nanonets arbetsflödesbaserade dokumentbehandlingsprogramvara. Extrahera data från fakturor, identitetskort eller vilket dokument som helst på autopilot!

Prova Nanonets gratis

Typer av HITL i ML

I Human in the Loop Machine Learning deltar människan på många nivåer.

Skapande

Den mänskliga komponenten börjar med att skapa algoritmen och algoritmen tar fart på den. Ungefär som Tony Stark och hans JARVIS

Utbildning

Som beskrivits tidigare sker inlärning med data. När ett barn inte rör vid lågan har en vuxen förmodligen lärt henne att inte göra det. Mänskligt omdöme används för att träna modellen så att modellen i sinom tid presterar som eller överträffar människan när det gäller att göra förutsägelser med hjälp av mönster.

Märkning av data

Machine Learning-modeller behöver märkta data som man kan lära sig av. Vissa datauppsättningar kan redan ha etiketter, men i avsaknad av förmärkta data måste människor märka data som tränar ML-algoritmen. Enligt IDC, 90 % av data som är tillgänglig är mörk data, dvs ostrukturerad/okategoriserad data. Märkning kan vara tidskrävande, tråkigt arbete. Faktum är att datamärkning har blivit ett fristående jobb på fältet artificiell intelligens och datavetenskap. Hur banalt det än kan låta är märkning av datamängder inte alltid en low-end aktivitet, och specifika applikationer kan kräva domänspecifik kunskap. Till exempel behöver taggning av medicinsk data kunskap om sjukdomar, tillstånd etc. De flesta datauppsättningar som används inom sjukvårdsdomänen kräver domänspecifik kunskap, som att en läkare taggar en lungröntgen som cancerös eller inte. Märkning av data som används för att träna AI som används i flygningar kräver kunskap om aerodynamik och andra tekniska ämnen.

Validering

När en ML-modell börjar förutsäga med hjälp av verkliga data, validerar HITL modellens förutsägelser och ger feedback om falska positiva och falska negativa till ML för träning. Människan i slingan kan granska modellens prestanda och analysera dess prestanda, för att justera algoritmen eller förbättra träningsdatauppsättningen.

Vill du använda robotprocessautomation? Kolla in Nanonets arbetsflödesbaserade dokumentbehandlingsprogram. Ingen kod. Ingen krångel plattform.

Prova Nanonets gratis

Vikten av human-in-the-loop ML och andra AI-verktyg

När det är ont om träningsdata

Konventionell maskininlärning och andra AI-verktyg kräver en stor datamängd för att träna väl och få korrekta resultat. I ett nytt fält eller ett fält som saknar tidigare data, är ML-modeller inte exakta att starta och det tar lång tid innan tillräckligt med data genereras för träning. Human in the loop AI kan hjälpa till i de här fallen där människan lär ut algoritmen, mönstren och reglerna utan att behöva en stor datamängd att arbeta på. I det sammanhanget hjälper HITL till att validera modeller och möjliggör träning med hjälp av data som är ostrukturerad, svår att tagga och ständigt förändras.

När avhumanisering inte är ett alternativ

Det finns också specifika områden där människan i AI-loopen är användbar, till och med nödvändig. Ett område är hälso- och sjukvård. Även om AI säkerligen kan underlätta diagnos och till och med terapi, såsom robotkirurgi, är det oklart om det kan avhumaniseras. Det är verkligen sant att AI kan hjälpa kliniker att lägga mindre tid på administrativa och diagnostiska uppgifter, men debatten fortsätter att existera om huruvida avhumaniserad AI skulle undergräva den humana dimensionen av relationen mellan patient och läkare. Den allmänna etiska konsensus är att människan-i-slingan är nödvändig för att AI ska tjäna mänskliga syften, respektera personlig identitet och främja mänsklig interaktion.

Där två ögon är säkrare än maskinseendet

HITL behövs också i situationer som kräver yttersta precision för säkerheten. Ett exempel är tillverkning av kritiska delar till fordon eller flygplan; medan AI-verktyg som ML är oerhört användbara för inspektioner, skulle en mänsklig övervakare i gruppen öka tillförlitligheten hos delen. Dessutom, med ofullständiga eller partiska data, kan maskininlärningsmodeller själva bli partiska. En människa i slingan kan upptäcka och korrigera bias i tid.

För ökad transparens

AI-applikationer kan bli svarta lådor där behandlingen som omvandlar data till ett beslut döljs. Detta är obekvämt för datakänsliga aktiviteter som finans och bank. Detta är också ett problem för beslutsfattande, regelefterlevnad och upplysningsbehov som är förknippade med vissa aktiviteter. I sådana fall tillåter HITL-modellen människor att se hur AI-verktyget kommer fram till ett visst resultat med en given uppsättning data. Detta gör att AI/ML-verktyget, i termodynamikens språkbruk, är ett "öppet" snarare än ett "isolerat" system.

För att stärka AI-verktyget

När ett barn lär sig alfabetet krävs en lärare, men när hon växer blir lärarens roll vägledning snarare än att lära ut så småningom, den nu vuxne kan lära sig själv utan att behöva en lärare. Ungefär som det krävs att människan tränar systemet först, och ju mer AI-verktyget lär sig av det mänskliga ingreppet, desto bättre blir det, och mängden mänsklig tid i slingan kan minskas, eller i vissa fall till och med utslagen. Alltså drar AI-verktyget nytta av mänsklig intelligens genom återkopplingsslingan.

I djupt lärande

Human in the loop djupinlärning används i följande scenario:

Algoritmer känner inte igen indata.
Indata tolkas fel
Det råder obeslutsamhet om nästa uppgift att använda på data
Att göra det möjligt för människor att utföra vissa uppgifter objektivt
För att minska fel och tidsfördröjningar för mänskliga uppgifter

Om du arbetar med fakturor och kvitton eller oroar dig för ID-verifiering, kolla in Nanonets online OCR or PDF-textextraktion för att extrahera text från PDF-dokument gratis. Klicka nedan för att lära dig mer om Nanonets Enterprise Automation Solution.

Prova Nanonets gratis

Tillämpningar av människor i slingan

AI- och ML-system är alla närvarande i världen idag. Människan i slingan kan antingen bara vara i konsumtionsändan, eller också i det operativa området. Exempel på det förstnämnda inkluderar användningen av sökmotorer, digitala kartor, navigering etc., där den mänskliga konsumenten använder ett AI-system för att utnyttja olika tjänster.

Några typiska applikationer där HITL befinner sig i stadiet av själva AI/ML-operationen är:

Gränsen mellan användning och missbruk av sociala medieapplikationer är bra, och mänskligt omdöme är avgörande för att moderera innehåll. Det är sant att AI-system kan lära sig att moderera innehåll med tiden. Men för det är mänskligt engagemang viktigt för att hjälpa maskinen att lära sig att identifiera text, användarnamn, bilder och videor som kan ha oönskade inslag av interaktion.

Health Care Tech

Medicinsk avbildning och AI-baserad igenkänning av bildens normala och onormala egenskaper utvecklas i stor utsträckning. Sådana utvecklingar kräver ingripande av ämnesexperter för att träna modellen att leta efter specifika egenskaper i bilden som pekar på abnormiteter. Även de bäst utbildade modellerna måste backas ytterligare av mänsklig bekräftelse eftersom diagnostiska och terapeutiska tjänster handlar om liv, och misstag är inte acceptabla. De tekniska applikationerna inom sjukvården kräver intensiva datamärkningstjänster för att utöka sina träningsdata.

Transport

Självkörande bilar närmar sig redan praktisk användning, men för vidare utveckling måste enorma mängder data i form av bilder, videor och ljud samlas in och kommenteras av människor. Att märka bilddata som människor, fordon, vägspärrar, växtlighet, djur, vägformer etc. är av största vikt för att ML ska möjliggöra automatiserad körning utan olyckor. Enorma mänskliga märknings- och anteckningsinsatser krävs för att förverkliga verkligt självkörande fordon i världen.

Försvarsansökningar

Den futuristiska visionen för försvarsorganisationer är användningen av autonoma system i farliga uppdrag. Sådana system måste kunna fatta människoliknande beslut under en del av en sekund. Men mängden data som är tillgänglig för att träna dessa högpresterande AI-backends är för närvarande otillräckliga för att möjliggöra fullständig autonomi. Människofria artificiell intelligenssystem är också oförmögna att förstå kontextuell information i input och detta kan resultera i katastrofala förutsägelser och beslut. Det krävs alltså från och med nu en människa i kretsen för att hålla försvarsverksamheten under kontroll och mänsklig.

Kreativa applikationer

Utöver ovanstående "väsentliga" applikationer kan HITL AI-system också ha underhållningsvärde. De Stanford Människocentrerad AI initiativet designar system som ingjuter teknologi med mänsklig interaktion för att utveckla nya verktyg för musikalisk och andra former av mänsklig kreativitet. Stilöverföring djupa artificiella neurala nätverk använda mänsklig intervention för att lära maskiner "stilar" av målningar för nya AI-skapelser.

Andra områden som drar nytta av Human in the loop AI-system inkluderar sport, spel (video och verkliga), jordbruk, fabriksautomation och finansiella aktiviteter.

Vill du automatisera repetitiva manuella uppgifter? Spara tid, ansträngning och pengar samtidigt som du ökar effektiviteten!

Prova Nanonets gratis

Hämtmat

0:00

Vi är fortfarande långt, om det alls är möjligt, för robotar att resa sig och ta över världen. Människor krävs fortfarande i slingan av artificiell intelligens. Det bredare tillvägagångssättet för AI är inte designen av en perfekt maskin – vilket är oerhört svårt, för att inte säga omöjligt, utan designen av samarbetande system som kombinerar subtiliteten i mänskligt resonemang och kraften i intelligent automation.

var contentsTitle = "Innehållsförteckning"; // Ställ in din titel här, för att undvika att göra en rubrik till den senare var ToC = “

“+contentTitle+”

"; ToC += “

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

Nanonetter online OCR & OCR API har många intressanta använd fall that skulle kunna optimera ditt företags resultat, spara kostnader och öka tillväxten. Ta reda på hur Nanonets användningsfall kan gälla din produkt.