Люди в петлі

Перевидано Платоном

читають: 0

Люди в петлі

Шукаєте рішення для автоматизації? Не дивіться далі!

.cta-first-blue{ перехід: усі 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radius: 0px; вага шрифту: жирний; розмір шрифту: 16 пікселів; висота рядка: 24 пікселів; відступ: 12px 24px; фон: #546fff; колір: білий; висота: 56 пікселів; вирівнювання тексту: ліворуч; дисплей: inline-flex; flex-direction: рядок; -moz-box-align: по центру; align-items: по центру; інтервал між літерами: 0px; коробка-розмір: бордюр-коробка; border-width:2px !important; межа: суцільна #546fff !важливо; } .cta-first-blue:hover{ color:#546fff; фон: білий; перехід: усі 0.1 с кубічний без'є (0.4, 0, 0.2, 1) 0 с; border-width:2px !important; межа: суцільна #546fff !важливо; } Перехід .cta-second-black{: всі 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; border-radius: 0px; вага шрифту: жирний; розмір шрифту: 16 пікселів; висота рядка: 24 пікселів; відступ: 12px 24px; фон: білий; колір: #333; висота: 56 пікселів; вирівнювання тексту: ліворуч; дисплей: inline-flex; flex-direction: рядок; -moz-box-align: по центру; align-items: по центру; інтервал між літерами: 0px; коробка-розмір: бордюр-коробка; border-width:2px !important; межа: суцільна #333 !важливо; } .cta-second-black:hover{ color:white; фон:#333; перехід: усі 0.1 с кубічний без'є (0.4, 0, 0.2, 1) 0 с; border-width:2px !important; межа: суцільна #333 !важливо; } .column1{ min-width: 240px; max-width: fit-content; відступ праворуч: 4%; } .column2{ min-width: 200px; max-width: fit-content; } .cta-main{ display: flex; }

«Оскільки все більше і більше штучного інтелекту входить у світ, все більше і більше емоційного інтелекту має входити до лідерства». -Аміт Рей, відомий вчений зі штучного інтелекту, автор книги «Співчуваючий штучний інтелект»

Четверта індустріальна ера, в якій ми живемо, є руйнівною тим, що вона поєднує вуглецевий мозок із кремнієвим. Штучний інтелект уже є частиною нашого життя, навіть якщо ми навіть не усвідомлюємо цього – пошукові системи, цифрові помічники, карти та навігація, список нескінченний. Тепер машини можуть «навчатися» під час роботи, але в більшості випадків це не виключає людей із цього процесу.

Системи Humans in the Loop або HITL дозволяють обом формам інтелекту елегантно взаємодіяти для обопільної вигоди.

Давайте дізнаємося більше про ШІ людини в циклі.

var contentsTitle = «Зміст»; // Встановіть тут свою назву, щоб уникнути створення заголовка для нього пізніше var ToC = “

“+contentsTitle+”

“; ToC += “

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

Визначення людини в петлі

Наші машини пройшли довгий шлях з тих пір, як Пауль Ерліх написав у 1978 році: «Помилятися властиво людині, щоб справді зіпсувати речі, потрібен комп’ютер». Сучасні інструменти штучного інтелекту настільки прогресували, що похибка значно зменшилася. Це важливо, оскільки інструменти штучного інтелекту зараз використовуються в критично важливих програмах, включаючи польоти, життєзабезпечення та керування зброєю, де помилки є катастрофічними.

Проте штучний інтелект, як і людина, яка їх створила, не ідеальний. Прогнози, зроблені інструментами штучного інтелекту, не є точними на 100%, оскільки машини будують своє розуміння на основі існуючих даних і шаблонів. Хоча це також стосується людського інтелекту, існує додатковий елемент пізнання на основі проб і помилок, який використовує численні вхідні дані та додатковий фактор емоційного міркування в людському інтелекті. Це, ймовірно, робить людину схильною до помилок, тоді як машина схильна до псування речей.

Але жарти вбік, системи штучного інтелекту ще не можуть бути повністю вільними від людей через цю притаманну невизначеність точності, і більшість, якщо не всі, інструменти штучного інтелекту використовують певну кількість людської взаємодії для корекції курсу або просто моніторингу. Взаємодія між людиною та машиною призводить до циклу зворотного зв’язку, який дозволяє періодично коригувати курс системи штучного інтелекту для покращення продуктивності та підвищення автономності. Таким чином з’являється формальне визначення людини в циклі.

Люди в петлі — джерело: Люди в курсі – Постійно кращі моделі з людиною в циклі

По суті, штучний інтелект людини в циклі дозволяє людям надавати зворотній зв’язок моделі штучного інтелекту (ML, DL, ANN тощо) для прогнозів нижче певного рівня достовірності.

Хочете, щоб видалити дані з PDF документи, конвертувати PDF в XML or автоматизувати вилучення таблиці? Перегляньте Nanonets Скребок для PDF or Парсер PDF конвертувати PDF-файли в базу даних записи!

Спробуйте Nanonets безкоштовно

ML, популярний інструмент ШІ, який піддається HITL

Навчання — це процес, у якому наявні дані використовуються для прогнозування майбутнього. «Обгоріла дитина боїться вогню» є схожим, хоча й тривожним, прикладом процесу навчання. Машинне навчання, один із інструментів штучного інтелекту, працює приблизно так само – воно вивчає шаблони з існуючих даних і робить прогнози на основі цих шаблонів. Наприклад, використовуючи зображення щасливих і сумних облич із попередньо існуючої бази даних емоційних облич, інструмент ML ідентифікує нове обличчя як щасливе чи сумне. Потім прогноз перевіряється, і якщо він виявляється правильним, він рухається вперед, зберігаючи цей новий «досвід» як іншу точку даних. Якщо ні, курс машини виправляється.

Хочете автоматизувати повторювані ручні завдання? Перевірте наше програмне забезпечення для обробки документів на основі робочого процесу Nanonets. Витягуйте дані з рахунків-фактур, посвідчень особи або будь-якого документа на автопілоті!

Спробуйте Nanonets безкоштовно

Типи HITL в ML

У машинному навчанні «Людина в циклі» людина бере участь на багатьох рівнях.

Створення

Людський компонент починається зі створення алгоритму, а потім алгоритм починає діяти. Так само, як Тоні Старк і його ДЖАРВІС

Навчання

Як описано раніше, навчання відбувається з даними. Коли дитина не торкається полум'я, напевно, дорослий навчив її цього не робити. Людське судження використовується для навчання моделі таким чином, щоб згодом модель діяла так само або перевершувала людину у створенні прогнозів за допомогою шаблонів.

Дані маркування

Потрібні моделі машинного навчання позначені дані з якого можна вчитися. Деякі набори даних можуть уже мати мітки, але за відсутності попередньо позначених даних люди повинні позначити дані, які навчають алгоритм ML. Відповідно до IDC90% доступних даних є темними даними, тобто неструктурованими/некатегоризованими даними. Маркування може бути трудомісткою та виснажливою роботою. Дійсно, маркування даних стало самостійна робота в полі штучного інтелекту та науки про дані. Як би приземлено це не звучало, маркування наборів даних не завжди є простим заняттям, і конкретні програми можуть вимагати знань у певній області. Наприклад, для позначення медичних даних потрібні знання про хвороби, стани тощо. Більшість наборів даних, які використовуються в галузі охорони здоров’я, вимагають специфічних знань, наприклад, щоб лікар позначав рентгенівський знімок легенів як раковий чи ні. Позначення тегами даних, які використовуються для навчання штучного інтелекту, який використовується в польотах, вимагає знань з аеродинаміки та інших інженерних питань.

Перевірка

Коли модель ML починає прогнозувати з використанням даних реального світу, HITL перевіряє прогнози моделі та надає зворотний зв’язок щодо хибно-позитивних і хибно-негативних результатів ML для навчання. Людина в циклі може переглянути продуктивність моделі та проаналізувати її продуктивність, щоб налаштувати алгоритм або покращити навчальний набір даних.

Хочете використовувати роботизовану автоматизацію процесів? Ознайомтеся з програмним забезпеченням для обробки документів на основі робочого процесу Nanonets. Без коду. Платформа без проблем.

Спробуйте Nanonets безкоштовно

Важливість ML та інших інструментів штучного інтелекту

Коли не вистачає навчальних даних

Звичайне машинне навчання та інші інструменти штучного інтелекту вимагають великого набору даних для якісного навчання та отримання точних результатів. У новому полі або полі, в якому відсутні попередні дані, моделі ML не є точними для початку, тому потрібно багато часу, перш ніж буде згенеровано достатньо даних для навчання. Штучний інтелект «Людина в циклі» може допомогти в таких випадках, коли людина навчає алгоритму, шаблонам і правилам без необхідності працювати над великим набором даних. У цьому контексті HITL допомагає перевіряти моделі та дозволяє навчатися з використанням даних, які є неструктурованими, важко позначати тегами та постійно змінюються.

Коли дегуманізація не є варіантом

Існують також певні сфери, в яких людина в циклі ШІ корисна, навіть необхідна. Одна сфера – охорона здоров’я. Хоча штучний інтелект, безумовно, може полегшити діагностику та навіть лікування, наприклад роботизовану хірургію, незрозуміло, чи можна його дегуманізувати. Дійсно, штучний інтелект може допомогти клініцистам витрачати менше часу на адміністративні та діагностичні завдання, але дебати продовжуються щодо того, чи підриває дегуманізований штучний інтелект гуманний вимір стосунків між пацієнтом і лікарем. Загальний етичний консенсус полягає в тому, що людина в циклі необхідна для ШІ, щоб служити людським цілям, поважати особисту ідентичність і сприяти взаємодії людей.

Де два ока безпечніше, ніж машинний зір

HITL також необхідний у ситуаціях, які вимагають максимальної точності для безпеки. Прикладом є виробництво критичних частин для транспортних засобів або літаків; хоча інструменти штучного інтелекту, такі як ML, надзвичайно корисні для перевірок, людський монітор у групі додав би надійності частини. Крім того, з неповними або упередженими даними моделі машинного навчання самі можуть стати упередженими. Людина в циклі може вчасно виявити та виправити зміщення.

Для підвищення прозорості

Програми штучного інтелекту можуть стати чорними ящиками, в яких прихована обробка, яка перетворює дані на рішення. Це незручно для конфіденційних даних, таких як фінанси та банківська справа. Це також є проблемою для прийняття рішень, дотримання нормативних вимог і потреб у розкритті інформації, які пов’язані з певною діяльністю. У таких випадках модель HITL дозволяє людям побачити, як інструмент штучного інтелекту досягає певного результату за допомогою заданого набору даних. Це дозволяє інструменту AI/ML бути, кажучи мовою термодинаміки, «відкритою», а не «ізольованою» системою.

Щоб розширити можливості інструменту AI

Коли дитина вивчає алфавіт, їй потрібен учитель, але в міру того, як вона росте, роль вчителя стає керівництвом, а не навчанням, тепер доросла людина може вчитися сама, не потребуючи вчителя. Подібно до цього, людині потрібно спочатку навчити систему, і чим більше інструмент штучного інтелекту вчиться завдяки людському втручанню, тим краще він стає, і кількість людського часу в циклі може бути зменшена, а в деяких випадках навіть ліквідовано. Таким чином, інструмент штучного інтелекту використовує людський інтелект через цикл зворотного зв’язку.

У глибокому навчанні

Глибоке навчання людини в циклі використовується в такому сценарії:

Алгоритми не розпізнають вхідні дані.
Вхідні дані неправильно інтерпретовані
Є нерішучість щодо наступного завдання, яке слід використовувати на основі даних
Дати можливість людям об’єктивно виконувати певні завдання
Щоб зменшити помилки та затримки часу для людських завдань

Якщо ви працюєте з рахунками-фактурами та квитанціями або турбуєтеся про перевірку посвідчення особи, перегляньте Nanonets онлайн OCR or Екстрактор тексту PDF для вилучення тексту з документів PDF безкоштовно. Натисніть нижче, щоб дізнатися більше про Рішення для автоматизації підприємства Nanonets.

Спробуйте Nanonets безкоштовно

Програми Humans in the Loop

Системи штучного інтелекту та машинного навчання сьогодні повсюдні. Людина в циклі може бути або лише на кінці споживання, або також у операційній сфері. Приклади першого включають використання пошукових систем, цифрових карт, навігації тощо, у яких людина-споживач використовує систему ШІ, щоб скористатися різними послугами.

Деякі типові додатки, в яких HITL знаходиться на етапі самої операції AI/ML:

Межа між використанням і зловживанням додатками соціальних медіа чітка, і людське судження має важливе значення для модерування вмісту. Це правда, що системи штучного інтелекту з часом можуть навчитися модерувати вміст. Але для цього необхідна участь людини, щоб допомогти машині навчитися розпізнавати текст, імена користувачів, зображення та відео, які можуть містити небажані елементи взаємодії.

Охорона здоров'я Тех

Медична візуалізація та розпізнавання нормальних і ненормальних характеристик зображення на основі штучного інтелекту активно розвиваються. Подібні події вимагають втручання експертів із предмета, щоб навчити модель шукати специфічні особливості зображення, які вказують на аномалії. Навіть найкраще підготовлені моделі повинні додатково підтверджуватися людьми, оскільки діагностичні та терапевтичні послуги мають справу з життями, а помилки неприйнятні. Технічні додатки в галузі охорони здоров’я вимагають інтенсивних служб маркування даних, щоб збільшити дані для навчання.

транспорт

Безпілотні автомобілі вже наближаються до практичного використання, але для подальшого розвитку люди повинні зібрати та анотувати величезні обсяги даних у вигляді зображень, відео та звуків. Позначення даних зображень як людей, транспортних засобів, блокпостів, рослинності, тварин, форм доріг тощо має першочергове значення для ML для забезпечення автоматизованого водіння без аварій. Щоб реалізувати справді безпілотні транспортні засоби у світі, потрібні величезні зусилля з маркування та анотації.

Додатки для захисту

Футуристичне бачення оборонних організацій полягає у використанні автономних систем у небезпечних місіях. Такі системи повинні мати можливість приймати рішення, подібні до людських, за частки секунди. Однак обсягів даних, доступних для навчання цих високопродуктивних серверних модулів штучного інтелекту, наразі недостатньо для повної автономності. Системи штучного інтелекту без людини також нездатні розуміти контекстну інформацію у вхідних даних, і це може призвести до катастрофічних прогнозів і рішень. Таким чином, на даний момент людина, безумовно, потрібна в циклі, щоб тримати оборонні операції під контролем і людиною.

Творчі додатки

Крім перелічених вище «важливих» програм, системи HITL AI також можуть мати цінність для розваг. The Стенфордський людиноорієнтований ШІ ініціатива розробляє системи, які поєднують технологію з людською взаємодією для розробки нових інструментів для музичної та інших форм людської творчості. Глибокі штучні нейронні мережі з передачею стилю використовуйте втручання людини, щоб навчити машини «стилям» малюнків для нових творінь ШІ.

Інші сфери, які виграють від систем штучного інтелекту Human in the loop, включають спорт, ігри (відео та в реальному житті), сільське господарство, автоматизацію виробництва та фінансову діяльність.

Хочете автоматизувати повторювані ручні завдання? Заощаджуйте час, зусилля та гроші, підвищуючи ефективність!

Спробуйте Nanonets безкоштовно

Візьміть

0:00

Нам ще далеко, якщо це взагалі можливо, до того, щоб роботи піднялися й захопили світ. Люди все ще потрібні в циклі штучного інтелекту. Більш широкий підхід до штучного інтелекту полягає не в розробці ідеальної машини – що надзвичайно складно, якщо не неможливо, а в розробці систем для спільної роботи, які поєднують тонкість людського мислення та потужність інтелектуальної автоматизації.

var contentsTitle = «Зміст»; // Встановіть тут свою назву, щоб уникнути створення заголовка для нього пізніше var ToC = “

“+contentsTitle+”

“; ToC += “

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

Нанонети онлайн OCR та OCR API є багато цікавого випадки використання tкапелюх може оптимізувати ефективність вашого бізнесу, заощадити витрати та стимулювати зростання. Дізнайся як варіанти використання Nanonets можуть застосовуватися до вашого продукту.