لوپ میں انسان

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

لوپ میں انسان

آٹومیشن حل تلاش کر رہے ہیں؟ مزید مت دیکھیں!

.cta-first-blue{ transition: all 0.1s cubic-bezier(0.4, 0, 0.2, 1) 0s; سرحدی رداس: 0px؛ فونٹ وزن: بولڈ؛ فونٹ سائز: 16px؛ لائن کی اونچائی: 24px؛ پیڈنگ: 12px 24px؛ پس منظر: #546fff; رنگ: سفید؛ اونچائی: 56px؛ متن سیدھ کریں: بائیں؛ ڈسپلے: ان لائن فلیکس؛ flex-direction: قطار؛ -moz-box-align: center; align-items: مرکز؛ لیٹر سپیسنگ: 0px؛ box-sizing: بارڈر باکس؛ سرحد کی چوڑائی: 2px !اہم؛ سرحد: ٹھوس #546fff !اہم؛ } .cta-first-blue:hover{color:#546fff; پس منظر: سفید؛ منتقلی: تمام 0.1s کیوبک بیزیئر (0.4، 0، 0.2، 1) 0s؛ سرحد کی چوڑائی: 2px !اہم؛ سرحد: ٹھوس #546fff !اہم؛ } .cta-second-black{ منتقلی: تمام 0.1s کیوبک-bezier(0.4, 0, 0.2, 1) 0s; سرحدی رداس: 0px؛ فونٹ وزن: بولڈ؛ فونٹ سائز: 16px؛ لائن کی اونچائی: 24px؛ پیڈنگ: 12px 24px؛ پس منظر: سفید؛ رنگ: #333؛ اونچائی: 56px؛ متن سیدھ کریں: بائیں؛ ڈسپلے: ان لائن فلیکس؛ flex-direction: قطار؛ -moz-box-align: center; align-items: مرکز؛ لیٹر سپیسنگ: 0px؛ box-sizing: بارڈر باکس؛ سرحد کی چوڑائی: 2px !اہم؛ سرحد: ٹھوس #333 !اہم؛ } .cta-second-black:hover{color:white; پس منظر:#333؛ منتقلی: تمام 0.1s کیوبک بیزیئر (0.4، 0، 0.2، 1) 0s؛ سرحد کی چوڑائی: 2px !اہم؛ سرحد: ٹھوس #333 !اہم؛ } کالم 1{ کم سے کم چوڑائی: 240px؛ زیادہ سے زیادہ چوڑائی: فٹ مواد؛ پیڈنگ-دائیں: 4٪؛ } کالم 2{ کم سے کم چوڑائی: 200px؛ زیادہ سے زیادہ چوڑائی: فٹ مواد؛ } .cta-main{ ڈسپلے: فلیکس؛ }

"جیسے جیسے زیادہ سے زیادہ مصنوعی ذہانت دنیا میں داخل ہو رہی ہے، زیادہ سے زیادہ جذباتی ذہانت کو قیادت میں داخل ہونا چاہیے۔" امیت رے، مشہور AI سائنسدان، ہمدرد مصنوعی ذہانت کے مصنف

چوتھا صنعتی دور جس میں ہم رہ رہے ہیں اس میں خلل ڈالنے والا ہے کہ یہ کاربن پر مبنی دماغ کو سلکان کے ساتھ ملا دیتا ہے۔ مصنوعی ذہانت پہلے سے ہی ہماری زندگی کا حصہ ہے، یہاں تک کہ اگر ہمیں اس کا ادراک بھی نہیں ہے - سرچ انجن، ڈیجیٹل اسسٹنٹ، نقشے، اور نیویگیشن، فہرست لامتناہی ہے۔ مشینیں اب "سیکھ" سکتی ہیں جیسے وہ کام کرتی ہیں، لیکن یہ، زیادہ تر معاملات میں، انسانوں کو اس عمل سے خارج نہیں کرتا ہے۔

لوپ یا HITL سسٹمز میں انسان دونوں قسم کی ذہانت کو اپنے باہمی فائدے کے لیے خوبصورتی سے بات چیت کرنے کی اجازت دیتے ہیں۔

آئیے لوپ AI میں انسان کے بارے میں مزید جانیں۔

var contentsTitle = "مشمولات کا جدول"؛ // اپنا عنوان یہاں سیٹ کریں، تاکہ بعد میں اس کی سرخی نہ لگائی جاسکے var ToC = “

"+مواد کا عنوان+"

"; ToC += “

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

لوپ میں انسان کی تعریف

ہماری مشینوں نے بہت طویل سفر طے کیا ہے جب سے پال ایرلچ نے 1978 میں لکھا تھا "غلطی انسان ہے، واقعی غلط چیزوں کو اٹھانا کمپیوٹر کی ضرورت ہے"۔ آج کے آرٹیفیشل انٹیلی جنس ٹولز نے اتنی ترقی کر لی ہے کہ غلطی کا مارجن کافی کم ہو گیا ہے۔ یہ اہم ہے کیونکہ AI ٹولز اب اہم ایپلی کیشنز میں استعمال ہوتے ہیں جن میں پروازیں، لائف سپورٹ، اور ہتھیاروں کا کنٹرول شامل ہیں جہاں غلطیاں تباہ کن ہوتی ہیں۔

اس نے کہا، AIs، انسان کی طرح جس نے انہیں بنایا، کامل نہیں ہیں۔ AI ٹولز کے ذریعے کی گئی پیشین گوئیاں 100% درست نہیں ہیں کیونکہ مشینیں موجودہ ڈیٹا اور نمونوں سے اپنی سمجھ پیدا کرتی ہیں۔ اگرچہ یہ انسانی ذہانت کے بارے میں بھی سچ ہے، آزمائش اور غلطی پر مبنی ادراک کا ایک اضافی عنصر موجود ہے جو انسانی ذہانت میں متعدد آدانوں اور جذباتی استدلال کا ایک اضافی عنصر استعمال کرتا ہے۔ یہ شاید انسان کو غلطی کا شکار بناتا ہے جبکہ مشین، چیزوں کو خراب کرنے کا شکار ہوتی ہے۔

لیکن لطیفے ایک طرف، درستگی کی اس موروثی غیر یقینی صورتحال کی وجہ سے AI سسٹم ابھی تک مکمل طور پر انسانوں سے پاک نہیں ہو سکتے، اور زیادہ تر، اگر سب نہیں، تو AI ٹولز انسانی تعامل کی کچھ مقدار کو درست یا محض نگرانی کے لیے استعمال کرتے ہیں۔ انسان اور مشین کے درمیان تعامل کا نتیجہ ایک فیڈ بیک لوپ کی صورت میں نکلتا ہے جو کارکردگی کو بہتر بنانے اور خودمختاری کو بڑھانے کے لیے AI نظام کی متواتر اصلاح کے قابل بناتا ہے۔ اس طرح ہیومن ان دی لوپ کی رسمی تعریف سامنے آتی ہے۔

ماخذ: لوپ میں انسان - لوپ میں انسان کے ساتھ مسلسل بہتر ماڈل

درحقیقت، ہیومن-ان-دی-لوپ AI انسانوں کو AI ماڈل (ML, DL, ANN، وغیرہ) کو اعتماد کی ایک خاص سطح سے نیچے کی پیشین گوئیوں کے لیے فیڈ بیک فراہم کرنے کی اجازت دیتا ہے۔

کرنا چاہتے ہیں پی ڈی ایف سے ڈیٹا سکریپ کریں۔ دستاویزات، تبدیل پی ڈی ایف سے ایکس ایم ایل or خودکار ٹیبل نکالنا? Nanonets' چیک کریں پی ڈی ایف سکریپر or پی ڈی ایف پارسر تبدیل کرنا ڈیٹا بیس میں پی ڈی ایف اندراجات!

Nanonets مفت میں آزمائیں۔

ML، HITL کے لیے قابل قبول AI ٹول

سیکھنا ایک ایسا عمل ہے جس میں پہلے سے موجود ڈیٹا کو مستقبل کی پیشین گوئیاں کرنے کے لیے استعمال کیا جاتا ہے - "ایک جلے ہوئے بچے کو آگ سے ڈر لگتا ہے" سیکھنے کے عمل کی مثال اگر پریشان کن ہو تو قابل تعلق ہے۔ مشین لرننگ، جو AI کے ٹولز میں سے ایک ہے، بالکل اسی طرح کام کرتی ہے – یہ موجودہ ڈیٹا سے پیٹرن سیکھتی ہے اور ان پیٹرنز کی بنیاد پر پیشین گوئیاں کرتی ہے۔ مثال کے طور پر، جذباتی چہروں کے پہلے سے موجود ڈیٹا بیس سے خوش اور غمگین چہروں کی تصاویر کا استعمال کرتے ہوئے، ایک ML ٹول نئے چہرے کو خوش یا غمگین کے طور پر شناخت کرتا ہے۔ اس کے بعد پیشین گوئی کی توثیق کی جاتی ہے، اور اگر درست پایا جاتا ہے، تو آگے بڑھتا ہے، اس نئے "تجربے" کو ایک اور ڈیٹا پوائنٹ کے طور پر چھپاتا ہے۔ اگر نہیں، تو مشین کورس درست کرتا ہے۔

بار بار دستی کاموں کو خودکار کرنا چاہتے ہیں؟ ہمارا Nanonets ورک فلو پر مبنی دستاویز پروسیسنگ سافٹ ویئر چیک کریں۔ انوائس، شناختی کارڈ یا آٹو پائلٹ پر کسی بھی دستاویز سے ڈیٹا نکالیں!

Nanonets مفت میں آزمائیں۔

ML میں HITL کی اقسام

ہیومن ان دی لوپ مشین لرننگ میں، انسان کئی سطحوں پر حصہ لیتا ہے۔

تخلیق

انسانی جزو الگورتھم بنانے کے ساتھ شروع ہوتا ہے اور الگورتھم اس پر شروع ہوتا ہے۔ ٹونی سٹارک اور اس کے جاروس کی طرح

ٹریننگ

جیسا کہ پہلے بیان کیا گیا ہے، سیکھنا ڈیٹا کے ساتھ ہوتا ہے۔ جب کوئی بچہ شعلے کو نہیں چھوتا ہے، تو شاید کسی بالغ نے اسے نہ کرنا سکھایا ہو۔ ماڈل کو تربیت دینے کے لیے انسانی فیصلے کا استعمال کیا جاتا ہے تاکہ مناسب وقت میں ماڈل نمونوں کا استعمال کرتے ہوئے پیشین گوئیاں کرنے میں انسان کی طرح یا اس سے بہتر کارکردگی کا مظاہرہ کرے۔

لیبلنگ ڈیٹا

مشین لرننگ ماڈلز کی ضرورت ہے۔ لیبل شدہ ڈیٹا جس سے سیکھنا ہے۔ کچھ ڈیٹاسیٹس میں پہلے سے ہی لیبل ہو سکتے ہیں، لیکن پہلے سے لیبل لگائے گئے ڈیٹا کی عدم موجودگی میں، انسانوں کو اس ڈیٹا کو لیبل کرنا چاہیے جو ML الگورتھم کو تربیت دیتا ہے۔ کے مطابق آئی ڈی سیدستیاب ڈیٹا کا 90% تاریک ڈیٹا ہے، یعنی غیر ساختہ/غیر درجہ بند ڈیٹا۔ لیبل لگانا وقت طلب، تھکا دینے والا کام ہو سکتا ہے۔ بے شک، ڈیٹا لیبلنگ بن گیا ہے میدان میں اکیلے کام مصنوعی ذہانت اور ڈیٹا سائنس کا۔ جیسا کہ یہ دنیا بھر میں لگ سکتا ہے، ڈیٹا سیٹس کا لیبل لگانا ہمیشہ کم درجے کی سرگرمی نہیں ہوتی ہے، اور مخصوص ایپلی کیشنز کو ڈومین کے لیے مخصوص علم کی ضرورت ہو سکتی ہے۔ مثال کے طور پر، طبی ڈیٹا کو ٹیگ کرنے کے لیے بیماریوں، حالات وغیرہ کے بارے میں علم کی ضرورت ہوتی ہے۔ صحت کی دیکھ بھال کے ڈومین میں استعمال ہونے والے زیادہ تر ڈیٹاسیٹس کو ڈومین کے لیے مخصوص علم کی ضرورت ہوتی ہے، جیسے کہ ڈاکٹر پھیپھڑوں کے ایکسرے کو کینسر کے طور پر ٹیگ کرتا ہے یا نہیں۔ پروازوں میں استعمال ہونے والی AI کو تربیت دینے کے لیے استعمال ہونے والے ڈیٹا کی ٹیگنگ کے لیے ایروڈائینامکس اور دیگر انجینئرنگ کے موضوعات کا علم درکار ہوتا ہے۔

توثیق

ایک بار جب ایک ML ماڈل حقیقی دنیا کے ڈیٹا کا استعمال کرتے ہوئے پیشین گوئی کرنا شروع کر دیتا ہے، HITL ماڈل کی پیشین گوئیوں کی توثیق کرتا ہے اور تربیت کے لیے ML کو غلط مثبت اور غلط منفی کے بارے میں رائے فراہم کرتا ہے۔ لوپ میں موجود انسان ماڈل کی کارکردگی کا جائزہ لے سکتا ہے اور اس کی کارکردگی کا تجزیہ کرسکتا ہے، الگورتھم کو درست کرنے یا تربیتی ڈیٹاسیٹ کو بہتر بنانے کے لیے۔

روبوٹک عمل آٹومیشن استعمال کرنا چاہتے ہیں؟ Nanonets ورک فلو پر مبنی دستاویز پروسیسنگ سافٹ ویئر کو چیک کریں۔ کوئی کوڈ نہیں۔ کوئی پریشانی کا پلیٹ فارم۔

Nanonets مفت میں آزمائیں۔

ہیومن ان دی لوپ ML اور دیگر AI ٹولز کی اہمیت

جب تربیتی ڈیٹا کی کمی ہو۔

روایتی مشین لرننگ اور دیگر AI ٹولز کو اچھی تربیت دینے اور درست نتائج حاصل کرنے کے لیے ایک بڑے ڈیٹا سیٹ کی ضرورت ہوتی ہے۔ کسی نئے فیلڈ یا فیلڈ میں جس میں پہلے سے ڈیٹا کی کمی ہوتی ہے، ML ماڈلز شروع کرنے میں درست نہیں ہوتے ہیں اور تربیت کے لیے کافی ڈیٹا تیار ہونے میں کافی وقت لگتے ہیں۔ ہیومن ان دی لوپ اے آئی ان صورتوں میں مدد کر سکتا ہے جہاں انسان الگورتھم، پیٹرن اور اصولوں کو سکھاتا ہے بغیر کام کرنے کے لیے بڑے ڈیٹا سیٹ کی ضرورت کے۔ اس تناظر میں، HITL ماڈلز کی توثیق میں مدد کرتا ہے اور ایسے ڈیٹا کا استعمال کرتے ہوئے تربیت کی اجازت دیتا ہے جو غیر ساختہ، ٹیگ کرنا مشکل، اور مسلسل تبدیل ہوتے ہیں۔

جب غیر انسانی کرنا کوئی آپشن نہیں ہے۔

ایسے مخصوص شعبے بھی ہیں جن میں AI کے لوپ میں انسان مفید ہے، یہاں تک کہ ضروری بھی۔ ایک شعبہ صحت کی دیکھ بھال ہے۔ اگرچہ AI یقینی طور پر تشخیص اور یہاں تک کہ علاج میں بھی آسانی پیدا کر سکتا ہے، جیسے کہ روبوٹک سرجری، لیکن یہ واضح نہیں ہے کہ آیا اسے غیر انسانی بنایا جا سکتا ہے۔ یہ واقعی سچ ہے کہ AI طبی ماہرین کو انتظامی اور تشخیصی کاموں میں کم وقت گزارنے میں مدد کر سکتا ہے، لیکن اس بات پر بحث جاری ہے کہ آیا غیر انسانی AI مریض اور معالج کے تعلقات کی انسانی جہت کو نقصان پہنچا سکتا ہے۔ عمومی اخلاقی اتفاق رائے یہ ہے کہ انسانی مقاصد کو پورا کرنے، ذاتی شناخت کا احترام کرنے اور انسانی تعامل کو فروغ دینے کے لیے AI کے لیے انسانی اندر کا ہونا ضروری ہے۔

جہاں دو آنکھیں مشینی بصارت سے زیادہ محفوظ ہیں۔

HITL کی ان حالات میں بھی ضرورت ہوتی ہے جن میں حفاظت کے لیے انتہائی درستگی کی ضرورت ہوتی ہے۔ ایک مثال گاڑیوں یا ہوائی جہازوں کے اہم حصوں کی تیاری ہے۔ جبکہ AI ٹولز جیسے ML معائنہ کے لیے بے حد مفید ہیں، گروپ میں انسانی مانیٹر اس حصے کی وشوسنییتا میں اضافہ کرے گا۔ مزید برآں، نامکمل یا متعصب ڈیٹا کے ساتھ، مشین لرننگ ماڈل خود بھی متعصب ہو سکتے ہیں۔ لوپ میں موجود انسان وقت پر تعصب کا پتہ لگا سکتا ہے اور اسے درست کر سکتا ہے۔

شفافیت میں اضافہ کے لیے

AI ایپلی کیشنز بلیک باکس بن سکتی ہیں جس میں ڈیٹا کو فیصلے میں تبدیل کرنے والی پروسیسنگ چھپی ہوئی ہے۔ یہ ڈیٹا حساس سرگرمیوں جیسے فنانس اور بینکنگ کے لیے تکلیف دہ ہے۔ یہ فیصلہ سازی، ریگولیٹری تعمیل، اور انکشاف کی ضروریات کے لیے بھی ایک مسئلہ ہے جو بعض سرگرمیوں سے وابستہ ہیں۔ ایسے معاملات میں، HITL ماڈل انسانوں کو یہ دیکھنے کی اجازت دیتا ہے کہ AI ٹول ڈیٹا کے دیئے گئے سیٹ کے ساتھ کسی خاص نتیجے پر کیسے پہنچتا ہے۔ یہ AI/ML ٹول کو، تھرموڈینامکس کی زبان میں، ایک "الگ تھلگ" نظام کے بجائے "کھلا" ہونے کی اجازت دیتا ہے۔

AI ٹول کو بااختیار بنانے کے لیے

جب بچہ حروف تہجی سیکھتا ہے تو ایک استاد کی ضرورت ہوتی ہے، لیکن جیسے جیسے وہ بڑا ہوتا ہے، استاد کا کردار آخرکار سکھانے کی بجائے رہنمائی بن جاتا ہے، اب بالغ شخص استاد کی ضرورت کے بغیر خود سیکھ سکتا ہے۔ اسی طرح، انسان کو پہلے نظام کی تربیت کرنے کی ضرورت ہے، اور AI ٹول جتنا زیادہ انسانی مداخلت سے سیکھتا ہے، اتنا ہی بہتر ہوتا ہے، اور لوپ میں انسانی وقت کی مقدار کو کم کیا جا سکتا ہے، یا بعض صورتوں میں، یہاں تک کہ ختم کر دیا اس طرح AI ٹول فیڈ بیک لوپ کے ذریعے انسانی ذہانت سے فائدہ اٹھاتا ہے۔

گہری تعلیم میں

ہیومن ان دی لوپ ڈیپ لرننگ کو درج ذیل منظر نامے میں استعمال کیا جاتا ہے۔

الگورتھم ان پٹ ڈیٹا کو نہیں پہچانتے ہیں۔
ان پٹ ڈیٹا کی غلط تشریح کی گئی ہے۔
اعداد و شمار پر کام کرنے کے لئے اگلے کام کے بارے میں غیر فیصلہ کن ہے۔
انسانوں کو کچھ کاموں کو معروضی طور پر انجام دینے کے قابل بنانا
انسانی کاموں میں غلطیوں اور وقت کی تاخیر کو کم کرنے کے لیے

اگر آپ رسیدوں، اور رسیدوں کے ساتھ کام کرتے ہیں یا شناختی تصدیق کے بارے میں فکر مند ہیں، تو Nanonets چیک کریں۔ آن لائن OCR or پی ڈی ایف ٹیکسٹ ایکسٹریکٹر پی ڈی ایف دستاویزات سے متن نکالنے کے لیے مفت میں. کے بارے میں مزید جاننے کے لیے نیچے کلک کریں۔ Nanonets انٹرپرائز آٹومیشن حل.

Nanonets مفت میں آزمائیں۔

لوپ میں انسانوں کی ایپلی کیشنز

AI اور ML نظام آج پوری دنیا میں موجود ہیں۔ لوپ میں انسان یا تو صرف استعمال کے اختتام پر ہو سکتا ہے، یا آپریشنل دائرے میں بھی۔ سابقہ مثالوں میں سرچ انجن، ڈیجیٹل نقشے، نیویگیشن وغیرہ کا استعمال شامل ہے، جس میں انسانی صارف مختلف خدمات حاصل کرنے کے لیے AI سسٹم کا استعمال کرتا ہے۔

کچھ عام ایپلی کیشنز جن میں HITL خود AI/ML آپریشن کے مرحلے پر ہے:

سوشل میڈیا ایپلی کیشنز کے استعمال اور غلط استعمال کے درمیان لائن ٹھیک ہے، اور مواد کو معتدل کرنے کے لیے انسانی فیصلہ ضروری ہے۔ یہ سچ ہے کہ AI نظام وقت کے ساتھ مواد کو معتدل کرنا سیکھ سکتے ہیں۔ لیکن اس کے لیے مشین کو متن، صارف نام، تصاویر اور ویڈیوز کی شناخت کرنے میں مدد کرنے کے لیے انسانی شمولیت ضروری ہے جن میں تعامل کے ناپسندیدہ عناصر ہو سکتے ہیں۔

ہیلتھ کیئر ٹیک

میڈیکل امیجنگ اور تصویر کی عام اور غیر معمولی خصوصیات کی AI پر مبنی شناخت کو بڑے پیمانے پر تیار کیا جا رہا ہے۔ اس طرح کی پیشرفت کو موضوع کے ماہرین کی مداخلت کی ضرورت ہوتی ہے، تاکہ ماڈل کو تصویر کی مخصوص خصوصیات کو تلاش کرنے کی تربیت دی جائے جو اسامانیتاوں کی طرف اشارہ کرتی ہیں۔ یہاں تک کہ بہترین تربیت یافتہ ماڈلز کو بھی انسانی تصدیق کے ذریعے مزید حمایت حاصل ہونی چاہیے کیونکہ تشخیصی اور علاج کی خدمات زندگیوں سے نمٹتی ہیں، اور غلطیاں قابل قبول نہیں ہیں۔ ہیلتھ کیئر ٹیک ایپلی کیشنز کو ان کے تربیتی ڈیٹا کو بڑھانے کے لیے انتہائی ڈیٹا لیبلنگ سروسز کی ضرورت ہوتی ہے۔

نقل و حمل

خود سے چلنے والی کاریں پہلے ہی عملی استعمال کے قریب ہیں، لیکن مزید پیشرفت کے لیے، تصاویر، ویڈیوز اور آوازوں کی شکل میں بڑے پیمانے پر ڈیٹا کو انسانوں کے ذریعے اکٹھا اور تشریح کرنا ضروری ہے۔ تصویری ڈیٹا کو انسانوں، گاڑیوں، روڈ بلاکس، پودوں، جانوروں، سڑک کی شکلیں وغیرہ کے طور پر لیبل لگانا ML کے لیے انتہائی اہمیت کا حامل ہے تاکہ حادثات کے بغیر خودکار ڈرائیونگ کو فعال کیا جا سکے۔ دنیا میں صحیح معنوں میں خود سے چلنے والی گاڑیوں کو محسوس کرنے کے لیے بہت زیادہ انسانی لیبلنگ اور تشریحی کوششوں کی ضرورت ہے۔

دفاعی ایپلی کیشنز

دفاعی تنظیموں کے لیے مستقبل کا وژن خطرناک مشنوں میں خود مختار نظاموں کا استعمال ہے۔ اس طرح کے نظاموں کو اس قابل ہونا چاہیے کہ وہ اسپلٹ سیکنڈ حالات میں انسانوں کی طرح فیصلے کر سکیں۔ تاہم، ان اعلیٰ کارکردگی والے AI بیک اینڈز کو تربیت دینے کے لیے دستیاب ڈیٹا کی مقدار فی الحال مکمل خود مختاری کو فعال کرنے کے لیے ناکافی ہے۔ انسانوں سے پاک مصنوعی ذہانت کے نظام بھی ان پٹ میں سیاق و سباق کی معلومات کو سمجھنے سے قاصر ہیں اور اس کے نتیجے میں تباہ کن پیشین گوئیاں اور فیصلے ہو سکتے ہیں۔ اس طرح، فی الحال، ایک انسان کو یقینی طور پر دفاعی کارروائیوں کو کنٹرول میں رکھنے اور انسانوں کی مدد کرنے کی ضرورت ہے۔

تخلیقی ایپلی کیشنز

مندرجہ بالا "ضروری" ایپلی کیشنز کے علاوہ، HITL AI سسٹمز میں تفریحی قدر بھی ہو سکتی ہے۔ دی اسٹینفورڈ ہیومن سینٹرڈ AI پہل نظاموں کو ڈیزائن کرتا ہے جو انسانی تعامل کے ساتھ ٹیکنالوجی کو متاثر کرتا ہے تاکہ موسیقی اور انسانی تخلیقی صلاحیتوں کی دیگر اقسام کے لیے نئے اوزار تیار کیے جا سکیں۔ اسٹائل ٹرانسفر گہرے مصنوعی عصبی نیٹ ورکس نئی AI تخلیقات کے لیے مشینوں کو پینٹنگز کے "اسٹائل" سکھانے کے لیے انسانی مداخلت کا استعمال کریں۔

ہیومن ان دی لوپ اے آئی سسٹمز سے فائدہ اٹھانے والے دیگر شعبوں میں کھیل، کھیل (ویڈیو اور حقیقی زندگی)، زراعت، فیکٹری آٹومیشن، اور مالی سرگرمیاں شامل ہیں۔

بار بار دستی کاموں کو خودکار کرنا چاہتے ہیں؟ کارکردگی میں اضافہ کرتے ہوئے وقت، کوشش اور پیسہ بچائیں!

Nanonets مفت میں آزمائیں۔

لے لو

0:00

ہم اب بھی بہت طویل سفر طے کر رہے ہیں، اگر ممکن ہو تو، روبوٹس کے اٹھنے اور دنیا پر قبضہ کرنے کے لیے۔ انسانوں کو اب بھی مصنوعی ذہانت کی ضرورت ہے۔ AI کے لیے وسیع تر نقطہ نظر ایک کامل مشین کا ڈیزائن نہیں ہے – جو کہ انتہائی مشکل ہے، اگر ناممکن نہیں، بلکہ باہمی تعاون کے نظام کا ڈیزائن جو انسانی استدلال کی باریک بینی اور ذہین آٹومیشن کی طاقت کو یکجا کرتا ہے۔

var contentsTitle = "مشمولات کا جدول"؛ // اپنا عنوان یہاں سیٹ کریں، تاکہ بعد میں اس کی سرخی نہ لگائی جاسکے var ToC = “

"+مواد کا عنوان+"

"; ToC += “

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

نانونٹس آن لائن OCR اور OCR API بہت سے دلچسپ ہیں مقدمات کا استعمال کریں tٹوپی آپ کی کاروباری کارکردگی کو بہتر بنا سکتی ہے، اخراجات کو بچا سکتی ہے اور ترقی کو بڑھا سکتی ہے۔ پتہ چلانا Nanonets کے استعمال کے معاملات آپ کی مصنوعات پر کیسے لاگو ہوسکتے ہیں۔