Döngüdeki İnsanlar

Plato tarafından yeniden yayınlandı

İzleyiciler: 0

Döngüdeki insanlar

Bir otomasyon çözümü mü arıyorsunuz? Başka yerde arama!

.cta-first-mavi{ geçişi: tümü 0.1s kübik-bezier(0.4, 0, 0.2, 1) 0s; sınır yarıçapı: 0px; yazı tipi ağırlığı: kalın; yazı tipi boyutu: 16 piksel; satır yüksekliği: 24 piksel; dolgu: 12 piksel 24 piksel; arka plan: #546fff; Beyaz renk; yükseklik: 56 piksel; metin hizalama: sola; ekran: satır içi esnek; esnek yön: satır; -moz-box-align: merkez; hizalama öğeleri: merkez; harf aralığı: 0px; kutu boyutlandırma: kenarlık kutusu; kenarlık genişliği:2 piksel !önemli; kenarlık: düz #546fff !important; } .cta-first-blue:hover{ color:#546fff; arka plan:beyaz; geçiş: tüm 0.1s kübik-bezier(0.4, 0, 0.2, 1) 0s; kenarlık genişliği:2 piksel !önemli; kenarlık: düz #546fff !important; } .cta-saniye-siyah{ geçiş: tümü 0.1s kübik-bezier(0.4, 0, 0.2, 1) 0s; sınır yarıçapı: 0px; yazı tipi ağırlığı: kalın; yazı tipi boyutu: 16 piksel; satır yüksekliği: 24 piksel; dolgu: 12 piksel 24 piksel; arka plan: beyaz; renk: #333; yükseklik: 56 piksel; metin hizalama: sola; ekran: satır içi esnek; esnek yön: satır; -moz-box-align: merkez; hizalama öğeleri: merkez; harf aralığı: 0px; kutu boyutlandırma: kenarlık kutusu; kenarlık genişliği:2 piksel !önemli; kenarlık: düz #333 !önemli; } .cta-saniye-siyah:hover{ renk:beyaz; arka plan:#333; geçiş: tüm 0.1s kübik-bezier(0.4, 0, 0.2, 1) 0s; kenarlık genişliği:2 piksel !önemli; kenarlık: düz #333 !önemli; } .column1{ min-width: 240px; maksimum genişlik: uygun içerik; dolgu-sağ: %4; } .column2{ min-width: 200px; maksimum genişlik: uygun içerik; } .cta-main{ ekran: esnek; }

“Gittikçe daha fazla yapay zeka dünyaya girerken, giderek daha fazla duygusal zeka liderliğe girmeli.” -Amit Ray, Ünlü Yapay Zeka Bilimcisi, Şefkatli Yapay Zeka'nın Yazarı

İçinde yaşadığımız dördüncü endüstriyel çağ, karbon bazlı beyni silikon olanla harmanladığı için yıkıcıdır. Arama motorları, dijital asistanlar, haritalar ve navigasyon gibi bizler farkına bile varmasak da yapay zeka zaten hayatımızın bir parçası. Makineler artık çalıştıkça “öğrenebilir”, ancak bu çoğu durumda insanları sürecin dışında bırakmaz.

Döngü veya HITL sistemlerindeki insanlar, karşılıklı yararları için her iki zeka biçiminin de zarif bir şekilde etkileşime girmesine izin verir.

Döngü AI'sındaki insan hakkında daha fazla bilgi edelim.

var contentTitle = “İçindekiler”; // Daha sonra başlık açmamak için başlığınızı buraya ayarlayın var ToC = “

“+içerikBaşlık+”

“; İçindekiler += “

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

Döngüdeki İnsan Tanımı

Paul Ehrlich'in 1978'de “Hata yapmak insandır, işleri gerçekten bozmak bir bilgisayar gerektirir” diye yazmasından bu yana makinelerimiz çok yol kat etti. Günümüzün Yapay Zeka araçları o kadar ilerledi ki hata payı oldukça azaldı. Bu önemlidir, çünkü AI araçları artık hataların felaket olduğu uçuşlar, yaşam desteği ve silah kontrolü gibi kritik uygulamalarda kullanılmaktadır.

Bununla birlikte, AI'lar, onları inşa eden insan gibi mükemmel değildir. Yapay zeka araçları tarafından yapılan tahminler %100 doğru değil çünkü makineler anlayışlarını mevcut veri ve kalıplardan oluşturuyor. Bu insan zekası için de geçerli olsa da, insan zekasında çoklu girdiler ve ek bir duygusal akıl yürütme faktörü kullanan deneme-yanılma temelli bilişin ek bir unsuru vardır. Bu muhtemelen insanı hataya eğilimli hale getirirken, makine bir şeyleri kirletmeye eğilimlidir.

Ancak şaka bir yana, yapay zeka sistemleri, bu doğal doğruluk belirsizliği nedeniyle henüz tamamen insandan arınmış olamaz ve hepsi olmasa da çoğu yapay zeka araçları, rotayı düzeltmek veya basitçe izlemek için bir miktar insan etkileşimi kullanır. İnsan ve makine arasındaki etkileşim, performansı iyileştirmek ve özerkliği geliştirmek için AI sisteminin periyodik rota düzeltmelerini sağlayan bir geri bildirim döngüsüyle sonuçlanır. Böylece Döngüdeki İnsan'ın resmi tanımı ortaya çıkar.

Döngüdeki insanlar — Kaynak: Döngüdeki İnsanlar – Döngüdeki bir insanla sürekli olarak daha iyi modeller

Gerçekte, döngüdeki insan AI, insanların belirli bir güven seviyesinin altındaki tahminler için AI modeline (ML, DL, ANN, vb.) geri bildirim sağlamasına olanak tanır.

Ister verileri PDF'den kazıyın belgeler, dönüştürmek PDF'den XML'e or tablo çıkarmayı otomatikleştir? Nanonets'e göz atın PDF kazıyıcı or PDF ayrıştırıcı dönüştürmek Veritabanına PDF'ler girdileri!

Nanonets'i Ücretsiz Deneyin

HITL'ye uygun popüler bir AI Aracı olan ML

Öğrenme, önceden var olan verilerin geleceğe yönelik tahminler yapmak için kullanıldığı süreçtir - “yanmış bir çocuk ateşten korkar”, rahatsız edici olsa da, öğrenme sürecinin ilişkilendirilebilir bir örneğidir. Yapay zekanın araçlarından biri olan makine öğrenimi de aynı şekilde çalışır – mevcut verilerden kalıpları öğrenir ve bu kalıplara dayalı tahminler yapar. Örneğin, önceden var olan bir duygusal yüz veri tabanından mutlu ve üzgün yüzlerin görüntülerini kullanan bir ML aracı, yeni bir yüzü mutlu veya üzgün olarak tanımlar. Tahmin daha sonra doğrulanır ve doğru bulunursa, bu yeni "deneyimi" başka bir veri noktası olarak saklayarak ilerler. Değilse, makine seyri düzeltir.

Tekrarlayan manuel görevleri otomatikleştirmek mi istiyorsunuz? Nanonets iş akışı tabanlı belge işleme yazılımımızı kontrol edin. Otomatik pilotta faturalardan, kimlik kartlarından veya herhangi bir belgeden veri çıkarın!

Nanonets'i Ücretsiz Deneyin

ML'de HITL Türleri

Döngüdeki İnsan Makine Öğreniminde, insan birçok düzeyde katılır.

Yaratılış

İnsan bileşeni, algoritmayı oluşturmakla başlar ve algoritma bunun üzerine çıkar. Tony Stark ve JARVIS'i gibi

Eğitim

Daha önce açıklandığı gibi, öğrenme verilerle gerçekleşir. Bir çocuk aleve dokunmadığında, muhtemelen bir yetişkin ona dokunmamayı öğretmiştir. Modeli eğitmek için insan yargısı kullanılır, böylece zaman içinde model, kalıpları kullanarak tahminlerde bulunma konusunda insan gibi veya ondan daha iyi performans gösterir.

Etiketleme verileri

Makine Öğrenimi modelleri gerekir etiketli veri hangisinden öğrenilir. Bazı veri kümelerinde zaten etiketler olabilir, ancak önceden etiketlenmiş verilerin yokluğunda, insanların makine öğrenimi algoritmasını eğiten verileri etiketlemesi gerekir. Göre IDC, mevcut verilerin %90'ı karanlık verilerdir, yani yapılandırılmamış/kategorize edilmemiş veriler. Etiketleme zaman alıcı, sıkıcı bir iş olabilir. Gerçekten de, veri etiketleme sahada tek başına bir iş yapay zeka ve veri bilimi. Kulağa ne kadar sıradan gelse de, veri kümelerinin etiketlenmesi her zaman alt düzey bir faaliyet değildir ve belirli uygulamalar, alana özel bilgi gerektirebilir. Örneğin, tıbbi verileri etiketlemek, hastalıklar, durumlar vb. hakkında bilgi gerektirir. Sağlık alanında kullanılan çoğu veri kümesi, bir doktorun akciğer röntgenini kanserli veya değil olarak etiketlemesi gibi alana özgü bilgi gerektirir. Uçuşlarda kullanılan yapay zekayı eğitmek için kullanılan verilerin etiketlenmesi, aerodinamik ve diğer mühendislik konuları hakkında bilgi gerektirir.

Onaylama

Bir ML modeli gerçek dünya verilerini kullanarak tahminde bulunmaya başladığında, HITL modelin tahminlerini doğrular ve eğitim için ML'ye yanlış pozitifler ve yanlış negatifler hakkında geri bildirim sağlar. Döngüdeki insan, algoritmayı değiştirmek veya eğitim veri setini iyileştirmek için modelin performansını gözden geçirebilir ve performansını analiz edebilir.

Robotik süreç otomasyonunu kullanmak ister misiniz? Nanonets iş akışı tabanlı belge işleme yazılımına göz atın. Kod yok. Zorluk platformu yok.

Nanonets'i Ücretsiz Deneyin

İnsan-in-the-loop ML ve diğer AI araçlarının önemi

Eğitim verisi eksikliği olduğunda

Geleneksel makine öğrenimi ve diğer yapay zeka araçları, iyi eğitim almak ve doğru sonuçlar elde etmek için büyük bir veri kümesi gerektirir. Yeni bir alanda veya önceki verilerden yoksun bir alanda, ML modelleri başlamak için doğru değildir ve eğitim için yeterli verinin üretilmesi uzun zaman alır. İnsan döngü AI, üzerinde çalışmak için büyük bir veri kümesine ihtiyaç duymadan insanın algoritmayı, kalıpları ve kuralları öğrettiği bu durumlarda yardımcı olabilir. Bu bağlamda HITL, modellerin doğrulanmasına yardımcı olur ve yapılandırılmamış, etiketlenmesi zor ve sürekli değişen verileri kullanarak eğitime olanak tanır.

İnsanlıktan çıkarmak bir seçenek olmadığında

AI döngüsündeki insanın yararlı, hatta gerekli olduğu belirli alanlar da vardır. Bir alan sağlık hizmetleridir. Yapay zeka, robotik cerrahi gibi tanıyı ve hatta tedaviyi kesinlikle kolaylaştırabilirken, insanlıktan çıkarılıp çıkarılamayacağı belirsizdir. Yapay zekanın klinisyenlerin idari ve tanısal görevlere daha az zaman harcamasına yardımcı olabileceği gerçekten doğrudur, ancak insanlıktan çıkarılmış yapay zekanın hasta-hekim ilişkisinin insani boyutunu baltalayıp baltalayamayacağı konusunda tartışmalar devam etmektedir. Genel etik fikir birliği, yapay zekanın insan amaçlarına hizmet etmesi, kişisel kimliğe saygı duyması ve insan etkileşimini teşvik etmesi için döngüdeki insanın gerekli olduğudur.

İki gözün makine görüşünden daha güvenli olduğu yer

HITL, güvenlik için en yüksek hassasiyet gerektiren durumlarda da gereklidir. Bir örnek, araçlar veya uçaklar için kritik parçaların imalatıdır; Makine öğrenimi gibi yapay zeka araçları denetimler için son derece yararlı olsa da, gruptaki bir insan monitörü parçanın güvenilirliğini artıracaktır. Ayrıca, eksik veya taraflı verilerle, Makine Öğrenimi modellerinin kendileri önyargılı hale gelebilir. Döngüdeki bir insan, zaman içinde önyargıyı algılayabilir ve düzeltebilir.

Artan şeffaflık için

AI uygulamaları, verileri bir karara dönüştüren işlemin gizlendiği kara kutular haline gelebilir. Bu, finans ve bankacılık gibi verilere duyarlı faaliyetler için elverişsizdir. Bu aynı zamanda belirli faaliyetlerle ilişkili karar verme, mevzuata uygunluk ve ifşa ihtiyaçları için de bir sorundur. Bu gibi durumlarda, HITL modeli, insanların AI aracının belirli bir veri seti ile belirli bir sonuca nasıl ulaştığını görmelerini sağlar. Bu, AI/ML aracının termodinamik dilinde, "izole" bir sistemden ziyade "açık" olmasına izin verir.

AI aracını güçlendirmek için

Bir çocuk alfabeyi öğrendiğinde bir öğretmene ihtiyaç duyulur, ancak büyüdükçe öğretmenin rolü nihayetinde öğretmek yerine rehberlik eder, artık yetişkin bir öğretmene ihtiyaç duymadan kendi kendine öğrenebilir. Bunun gibi, önce insanın sistemi eğitmesi gerekir ve yapay zeka aracı insan müdahalesinden ne kadar çok şey öğrenirse o kadar iyi olur ve döngüdeki insan süresi azaltılabilir veya hatta bazı durumlarda hatta ortadan kaldırıldı. Böylece AI aracı, geri bildirim döngüsü aracılığıyla insan zekasından yararlanır.

Derin öğrenmede

İnsan döngüsünde derin öğrenme aşağıdaki senaryoda kullanılır:

Algoritmalar giriş verilerini tanımıyor.
Giriş verileri yanlış yorumlandı
Veriler üzerinde kullanılacak bir sonraki görevde kararsızlık var
İnsanların belirli görevleri objektif olarak yerine getirmelerini sağlamak
İnsan görevleri için hataları ve zaman gecikmelerini azaltmak

Faturalar ve makbuzlarla çalışıyorsanız veya kimlik doğrulama konusunda endişeleniyorsanız, Nanonets'e göz atın çevrimiçi OCR or PDF metin çıkarıcı PDF belgelerinden metin çıkarmak için bedava. Hakkında daha fazla bilgi edinmek için aşağıya tıklayın Nanonets Kurumsal Otomasyon Çözümü.

Nanonets'i Ücretsiz Deneyin

Döngüdeki İnsanların Uygulamaları

AI ve ML sistemleri bugün dünyada her yerde mevcuttur. Döngüdeki insan, ya yalnızca tüketim tarafında olabilir ya da operasyonel alanda da olabilir. İlkinin örnekleri, insan tüketicinin çeşitli hizmetlerden yararlanmak için bir AI sistemi kullandığı arama motorlarının, dijital haritaların, navigasyonun vb. kullanımını içerir.

HITL'nin AI/ML işleminin kendi aşamasında olduğu bazı tipik uygulamalar şunlardır:

Sosyal medya uygulamalarının kullanımı ve kötüye kullanılması arasındaki çizgi gayet iyi ve içeriği denetlemek için insan kararı esastır. Yapay zeka sistemlerinin zaman içinde içeriği denetlemeyi öğrenebileceği doğrudur. Ancak bunun için, makinenin istenmeyen etkileşim unsurlarına sahip olabilecek metin, kullanıcı adları, resimler ve videoları tanımlamayı öğrenmesine yardımcı olmak için insan katılımı çok önemlidir.

Sağlık Teknolojisi

Tıbbi görüntüleme ve görüntünün normal ve anormal özelliklerinin yapay zeka tabanlı tanınması kapsamlı bir şekilde geliştirilmektedir. Bu tür gelişmeler, modeli, görüntünün anormalliklere işaret eden belirli özelliklerini aramak üzere eğitmek için konu uzmanlarının müdahalesini gerektirir. Teşhis ve tedavi hizmetleri hayatlarla ilgilendiğinden ve hatalar kabul edilemez olduğundan, en iyi eğitimli modeller bile insan onayı ile daha fazla desteklenmelidir. Sağlık teknolojisi uygulamaları, eğitim verilerini artırmak için yoğun veri etiketleme hizmetleri gerektirir.

Transfer

Kendi kendini süren arabalar şimdiden pratik kullanıma yaklaşıyor, ancak daha fazla gelişme için, insanlar tarafından görüntü, video ve ses biçiminde büyük miktarda veri toplanmalı ve bunlara açıklama eklenmelidir. Görüntü verilerini insanlar, araçlar, barikatlar, bitki örtüsü, hayvanlar, yol şekilleri vb. olarak etiketlemek, makine öğreniminin kazalar dışında otomatik sürüşü mümkün kılması için büyük önem taşımaktadır. Dünyada gerçekten kendi kendini süren araçları gerçekleştirmek için muazzam insan etiketleme ve açıklama çabalarına ihtiyaç vardır.

Savunma uygulamaları

Savunma örgütleri için fütüristik vizyon, tehlikeli görevlerde otonom sistemlerin kullanılmasıdır. Bu tür sistemler, anlık koşullar altında insan benzeri kararlar verebilmelidir. Ancak, bu yüksek performanslı yapay zeka arka uçlarını eğitmek için mevcut olan veri miktarları, tam özerkliği sağlamak için şu anda yetersiz. İnsandan bağımsız yapay zeka sistemleri de girdideki bağlamsal bilgiyi anlamada yetersizdir ve bu, felaket öngörüleri ve kararlarla sonuçlanabilir. Bu nedenle, şu andan itibaren, savunma operasyonlarını kontrol altında tutmak ve insan olmak için döngüde kesinlikle bir insana ihtiyaç var.

Yaratıcı uygulamalar

Yukarıdaki “temel” uygulamaların ötesinde, HITL AI sistemleri eğlence değerine de sahip olabilir. bu Stanford İnsan Merkezli Yapay Zeka inisiyatif, müzikal ve diğer insan yaratıcılığı biçimleri için yeni araçlar geliştirmek üzere teknolojiyi insan etkileşimi ile birleştiren sistemler tasarlar. Stil aktarımı derin yapay sinir ağları yeni yapay zeka kreasyonları için makinelere resimlerin "stillerini" öğretmek için insan müdahalesini kullanın.

Human in the loop AI sistemlerinden yararlanan diğer alanlar arasında spor, oyunlar (video ve gerçek hayat), tarım, fabrika otomasyonu ve finansal faaliyetler yer alır.

Tekrarlayan manuel görevleri otomatikleştirmek mi istiyorsunuz? Verimliliği artırırken Zamandan, Efordan ve Paradan Tasarruf Edin!

Nanonets'i Ücretsiz Deneyin

Paket servisi

0:00

Robotların yükselip dünyayı ele geçirmesi için mümkünse daha çok yolumuz var. Yapay zeka döngüsünde hala insanlara ihtiyaç var. Yapay zekaya daha geniş yaklaşım, mükemmel bir makinenin tasarımı değil - ki bu imkansız değilse de son derece zordur, ancak insan akıl yürütmesinin inceliklerini ve akıllı otomasyonun gücünü birleştiren işbirlikçi sistemlerin tasarımıdır.

var contentTitle = “İçindekiler”; // Daha sonra başlık açmamak için başlığınızı buraya ayarlayın var ToC = “

“+içerikBaşlık+”

“; İçindekiler += “

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

Nanonetler çevrimiçi OCR ve OCR API çok ilginç kullanım durumları tBu, iş performansınızı optimize edebilir, maliyetleri azaltabilir ve büyümeyi artırabilir. Bulmak Nanonets'in kullanım örnekleri ürününüz için nasıl geçerli olabilir.