Con người trong vòng lặp

Được xuất bản lại bởi Plato

Người theo dõi: 0

Con người trong vòng lặp

Bạn đang tìm giải pháp tự động hóa? Đừng tìm đâu xa!

.cta-first-blue {chuyển tiếp: tất cả 0.1s khối-bezier (0.4, 0, 0.2, 1) 0s; bán kính đường viền: 0px; font-weight: bold; font-size: 16px; chiều cao dòng: 24px; đệm: 12px 24px; nền: # 546fff; màu trắng; chiều cao: 56px; text-align: left; hiển thị: inline-flex; flex-hướng: hàng; -moz-box-align: trung tâm; align-các mục: trung tâm; khoảng cách giữa các chữ cái: 0px; box-sizing: border-box; border-width: 2px! important; border: solid # 546fff! important; } .cta-first-blue: hover {color: # 546fff; nền: trắng; quá trình chuyển đổi: tất cả 0.1s khối-bezier (0.4, 0, 0.2, 1) 0s; border-width: 2px! important; border: solid # 546fff! important; } .cta-second-black {chuyển tiếp: all 0.1s khối-bezier (0.4, 0, 0.2, 1) 0s; bán kính đường viền: 0px; font-weight: bold; font-size: 16px; chiều cao dòng: 24px; đệm: 12px 24px; nền: trắng; màu: # 333; chiều cao: 56px; text-align: left; hiển thị: inline-flex; flex-hướng: hàng; -moz-box-align: trung tâm; align-các mục: trung tâm; khoảng cách giữa các chữ cái: 0px; box-sizing: border-box; border-width: 2px! important; border: solid # 333! important; } .cta-second-black: hover {color: white; nền: # 333; quá trình chuyển đổi: tất cả 0.1s khối-bezier (0.4, 0, 0.2, 1) 0s; border-width: 2px! important; border: solid # 333! important; } .column1 {min-width: 240px; max-width: vừa với nội dung; padding-right: 4%; } .column2 {min-width: 200px; max-width: vừa với nội dung; } .cta-main {display: flex; }

“Khi ngày càng có nhiều trí tuệ nhân tạo xuất hiện trên thế giới, thì ngày càng có nhiều trí tuệ cảm xúc phải tham gia vào vai trò lãnh đạo”. -Amit Ray, Nhà khoa học AI nổi tiếng, Tác giả cuốn Trí tuệ nhân tạo nhân ái

Kỷ nguyên công nghiệp thứ tư mà chúng ta đang sống mang tính đột phá ở chỗ nó kết hợp bộ não dựa trên carbon với bộ não silicon. Trí tuệ nhân tạo đã là một phần trong cuộc sống của chúng ta, ngay cả khi chúng ta thậm chí không nhận ra điều đó – công cụ tìm kiếm, trợ lý kỹ thuật số, bản đồ và điều hướng, danh sách này là vô tận. Máy móc giờ đây có thể “học” khi chúng hoạt động, nhưng trong hầu hết các trường hợp, điều này không loại trừ con người khỏi quy trình.

Con người trong hệ thống Loop hoặc HITL cho phép cả hai dạng trí thông minh tương tác một cách tinh tế vì lợi ích chung của họ.

Hãy cùng chúng tôi tìm hiểu thêm về con người trong vòng lặp AI.

var contentTitle = “Mục lục”; // Đặt tiêu đề của bạn ở đây, để tránh tạo tiêu đề cho nó sau này var ToC = “

“+ ContentTitle +”

“; ToC + = “

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

Định nghĩa về con người trong vòng lặp

Máy móc của chúng ta đã đi được một chặng đường dài kể từ khi Paul Ehrlich viết vào năm 1978 “Con người mắc lỗi, để thực hiện những điều tồi tệ thì cần có máy tính”. Các công cụ Trí tuệ nhân tạo ngày nay đã tiến bộ đến mức tỷ lệ sai sót đã giảm đáng kể. Điều này rất quan trọng vì các công cụ AI hiện được sử dụng trong các ứng dụng quan trọng bao gồm chuyến bay, hỗ trợ sự sống và kiểm soát vũ khí khi có sai sót nghiêm trọng.

Điều đó nói lên rằng, AI, giống như con người đã tạo ra chúng, đều không hoàn hảo. Các dự đoán do các công cụ AI đưa ra không chính xác 100% vì máy móc xây dựng hiểu biết của chúng từ dữ liệu và mẫu hiện có. Mặc dù điều này cũng đúng với trí thông minh của con người, nhưng có một yếu tố bổ sung về nhận thức dựa trên thử và sai sử dụng nhiều đầu vào và một yếu tố bổ sung về lý luận cảm xúc trong trí thông minh của con người. Điều này có thể khiến con người dễ mắc lỗi trong khi máy móc dễ làm hỏng mọi thứ.

Nhưng nói đùa sang một bên, các hệ thống AI vẫn chưa thể hoàn toàn không có con người vì tính không chắc chắn vốn có về độ chính xác này và hầu hết, nếu không phải tất cả, các công cụ AI sử dụng một số lượng tương tác của con người để sửa lỗi hoặc đơn giản là giám sát. Sự tương tác giữa con người và máy móc tạo ra một vòng phản hồi cho phép hệ thống AI điều chỉnh hướng đi định kỳ nhằm cải thiện hiệu suất và nâng cao khả năng tự chủ. Do đó xuất hiện định nghĩa chính thức cho Con người trong vòng lặp.

nguồn: Con người trong vòng lặp – Các mô hình liên tục tốt hơn khi có con người trong vòng lặp

Trên thực tế, AI trong vòng lặp của con người cho phép con người cung cấp phản hồi cho mô hình AI (ML, DL, ANN, v.v.) để đưa ra những dự đoán dưới một mức độ tin cậy nhất định.

Muốn trích xuất dữ liệu từ PDF tài liệu, chuyển đổi PDF sang XML or tự động hóa trích xuất bảng? Kiểm tra Nanonets ' Trình quét PDF or Trình phân tích cú pháp PDF để chuyển đổi PDF sang cơ sở dữ liệu mục!

Dùng thử Nanonets miễn phí

ML, một Công cụ AI phổ biến phù hợp với HITL

Học tập là quá trình sử dụng dữ liệu có sẵn để đưa ra dự đoán trong tương lai - “một đứa trẻ bị bỏng sợ lửa” là một ví dụ có liên quan, nếu đáng lo ngại, về quá trình học tập. Học máy, một trong những công cụ của AI, hoạt động theo cách tương tự – nó học các mẫu từ dữ liệu hiện có và đưa ra dự đoán dựa trên các mẫu này. Ví dụ: bằng cách sử dụng hình ảnh các khuôn mặt vui và buồn từ cơ sở dữ liệu có sẵn về các khuôn mặt cảm xúc, công cụ ML sẽ xác định một khuôn mặt mới là vui hay buồn. Sau đó, dự đoán sẽ được xác thực và nếu thấy đúng, nó sẽ tiếp tục, lưu trữ “trải nghiệm” mới này dưới dạng một điểm dữ liệu khác. Nếu không, tiến trình của máy sẽ sửa.

Bạn muốn tự động hóa các công việc thủ công lặp đi lặp lại? Kiểm tra phần mềm xử lý tài liệu dựa trên quy trình làm việc Nanonets của chúng tôi. Trích xuất dữ liệu từ hóa đơn, chứng minh thư hoặc bất kỳ tài liệu nào trên chế độ lái tự động!

Dùng thử Nanonets miễn phí

Các loại HITL trong ML

Trong Human in the Loop Machine Learning, con người tham gia ở nhiều cấp độ.

Sáng tạo

Thành phần con người bắt đầu bằng việc tạo ra thuật toán và thuật toán sẽ bắt đầu từ đó. Giống như Tony Stark và JARVIS của anh ấy

Hội thảo

Như đã mô tả trước đó, việc học diễn ra với dữ liệu. Khi một đứa trẻ không chạm vào ngọn lửa, có lẽ người lớn đã dạy bé không được làm vậy. Phán đoán của con người được sử dụng để huấn luyện mô hình sao cho đến lúc thích hợp, mô hình thực hiện giống hoặc vượt trội hơn con người trong việc đưa ra dự đoán bằng cách sử dụng các mẫu.

Dữ liệu ghi nhãn

Các mô hình Machine Learning cần dữ liệu được gắn nhãn từ đó để học. Một số tập dữ liệu có thể đã có nhãn, nhưng trong trường hợp không có dữ liệu được gắn nhãn trước, con người phải gắn nhãn cho dữ liệu để huấn luyện thuật toán ML. Theo IDC, 90% dữ liệu có sẵn là dữ liệu tối, tức là dữ liệu phi cấu trúc/không được phân loại. Ghi nhãn có thể là công việc tốn thời gian và tẻ nhạt. Thật vậy, việc ghi nhãn dữ liệu đã trở thành một công việc độc lập trong lĩnh vực này về trí tuệ nhân tạo và khoa học dữ liệu. Nghe có vẻ trần tục nhưng việc ghi nhãn các tập dữ liệu không phải lúc nào cũng là một hoạt động cấp thấp và các ứng dụng cụ thể có thể yêu cầu kiến thức về miền cụ thể. Ví dụ: gắn thẻ dữ liệu y tế cần có kiến thức về bệnh tật, tình trạng, v.v. Hầu hết các bộ dữ liệu được sử dụng trong lĩnh vực chăm sóc sức khỏe đều yêu cầu kiến thức về miền cụ thể, chẳng hạn như bác sĩ gắn thẻ X-quang phổi là ung thư hay không. Việc gắn thẻ dữ liệu dùng để huấn luyện AI sử dụng trong các chuyến bay đòi hỏi kiến thức về khí động học và các chủ đề kỹ thuật khác.

THẨM ĐỊNH

Khi mô hình ML bắt đầu dự đoán bằng cách sử dụng dữ liệu trong thế giới thực, HITL sẽ xác thực các dự đoán của mô hình và cung cấp phản hồi về kết quả dương tính giả và âm tính giả cho ML để đào tạo. Con người trong vòng lặp có thể xem xét hiệu suất của mô hình và phân tích hiệu suất của nó để điều chỉnh thuật toán hoặc cải thiện tập dữ liệu huấn luyện.

Bạn muốn sử dụng tự động hóa quy trình bằng robot? Kiểm tra phần mềm xử lý tài liệu dựa trên quy trình làm việc Nanonets. Không có mã. Không có nền tảng phức tạp.

Dùng thử Nanonets miễn phí

Tầm quan trọng của ML con người trong vòng lặp và các công cụ AI khác

Khi thiếu dữ liệu huấn luyện

Học máy thông thường và các công cụ AI khác yêu cầu một tập dữ liệu lớn để đào tạo tốt và thu được kết quả chính xác. Trong trường mới hoặc trường thiếu dữ liệu trước đó, các mô hình ML bắt đầu không chính xác và mất nhiều thời gian trước khi tạo đủ dữ liệu để đào tạo. AI trong vòng lặp có thể trợ giúp trong những trường hợp con người dạy thuật toán, các mẫu và quy tắc mà không cần một tập dữ liệu lớn để xử lý. Trong bối cảnh đó, HITL giúp xác thực các mô hình và cho phép đào tạo bằng cách sử dụng dữ liệu phi cấu trúc, khó gắn thẻ và liên tục thay đổi.

Khi việc khử nhân tính không phải là một lựa chọn

Ngoài ra còn có những lĩnh vực cụ thể mà con người trong vòng lặp AI rất hữu ích, thậm chí là cần thiết. Một lĩnh vực là chăm sóc sức khỏe. Mặc dù AI chắc chắn có thể dễ dàng chẩn đoán và thậm chí cả phương pháp điều trị, chẳng hạn như phẫu thuật bằng robot, nhưng vẫn chưa rõ liệu nó có thể được phi nhân hóa hay không. Thực sự đúng là AI có thể giúp các bác sĩ lâm sàng dành ít thời gian hơn cho các nhiệm vụ hành chính và chẩn đoán, nhưng cuộc tranh luận vẫn tiếp tục tồn tại về việc liệu AI mất nhân tính có làm suy yếu khía cạnh nhân đạo của mối quan hệ bệnh nhân-bác sĩ hay không. Sự đồng thuận chung về mặt đạo đức là con người trong vòng lặp là cần thiết để AI phục vụ mục đích của con người, tôn trọng danh tính cá nhân và thúc đẩy sự tương tác giữa con người với nhau.

Nơi hai mắt an toàn hơn thị giác máy

HITL cũng cần thiết trong các tình huống đòi hỏi độ chính xác tối đa để đảm bảo an toàn. Một ví dụ là việc sản xuất các bộ phận quan trọng cho xe cộ hoặc máy bay; trong khi các công cụ AI như ML cực kỳ hữu ích cho việc kiểm tra, thì người giám sát trong nhóm sẽ tăng thêm độ tin cậy của bộ phận. Hơn nữa, với dữ liệu không đầy đủ hoặc sai lệch, bản thân các mô hình Machine Learning có thể trở nên sai lệch. Con người trong vòng lặp có thể phát hiện và điều chỉnh sai lệch kịp thời.

Để tăng tính minh bạch

Các ứng dụng AI có thể trở thành hộp đen trong đó quá trình xử lý chuyển đổi dữ liệu thành quyết định bị ẩn đi. Điều này gây bất tiện cho các hoạt động nhạy cảm với dữ liệu như tài chính, ngân hàng. Đây cũng là vấn đề đối với việc ra quyết định, tuân thủ quy định và nhu cầu công bố thông tin liên quan đến một số hoạt động nhất định. Trong những trường hợp như vậy, mô hình HITL cho phép con người xem công cụ AI đạt được kết quả cụ thể như thế nào với một bộ dữ liệu nhất định. Điều này cho phép công cụ AI/ML, theo cách nói của nhiệt động lực học, trở thành một hệ thống “mở” chứ không phải là một hệ thống “cô lập”.

Để trao quyền cho công cụ AI

Khi một đứa trẻ học bảng chữ cái thì cần có giáo viên, nhưng khi trẻ lớn lên, vai trò của giáo viên sẽ trở thành hướng dẫn chứ không phải dạy dỗ, người lớn bây giờ có thể tự học mà không cần giáo viên. Tương tự như vậy, con người được yêu cầu đào tạo hệ thống trước và công cụ AI càng học được nhiều từ sự can thiệp của con người thì nó càng hoạt động tốt hơn và lượng thời gian của con người trong vòng lặp có thể giảm xuống, hoặc trong một số trường hợp, thậm chí bị loại bỏ. Do đó, công cụ AI được hưởng lợi từ trí thông minh của con người thông qua vòng phản hồi.

Trong học tập sâu

Học sâu trong vòng lặp được sử dụng trong trường hợp sau:

Thuật toán không nhận dạng được dữ liệu đầu vào.
Dữ liệu đầu vào bị hiểu sai
Có sự do dự về nhiệm vụ tiếp theo cần sử dụng trên dữ liệu
Để cho phép con người thực hiện một số nhiệm vụ nhất định một cách khách quan
Để giảm sai sót và độ trễ thời gian cho các nhiệm vụ của con người

Nếu bạn làm việc với hóa đơn và biên lai hoặc lo lắng về xác minh ID, hãy xem Nanonets OCR trực tuyến or Công cụ giải nén văn bản PDF để trích xuất văn bản từ tài liệu PDF miễn phí. Nhấp vào bên dưới để tìm hiểu thêm về Giải pháp tự động hóa doanh nghiệp Nanonets.

Dùng thử Nanonets miễn phí

Ứng dụng của con người trong vòng lặp

Hệ thống AI và ML có mặt khắp nơi trên thế giới ngày nay. Con người trong vòng lặp có thể chỉ ở đầu tiêu dùng hoặc trong lĩnh vực vận hành. Các ví dụ trước đây bao gồm việc sử dụng công cụ tìm kiếm, bản đồ kỹ thuật số, điều hướng, v.v., trong đó người tiêu dùng là con người sử dụng hệ thống AI để tận dụng các dịch vụ khác nhau.

Một số ứng dụng điển hình trong đó HITL đang ở giai đoạn vận hành AI/ML là:

Ranh giới giữa việc sử dụng và lạm dụng các ứng dụng mạng xã hội là ổn và sự phán xét của con người là điều cần thiết để kiểm duyệt nội dung. Đúng là hệ thống AI có thể học cách kiểm duyệt nội dung theo thời gian. Nhưng để làm được điều đó, sự tham gia của con người là điều cần thiết để giúp máy học cách xác định văn bản, tên người dùng, hình ảnh và video có thể có các yếu tố tương tác không mong muốn.

Công nghệ chăm sóc sức khỏe

Hình ảnh y tế và nhận dạng dựa trên AI về các đặc điểm bình thường và bất thường của hình ảnh đang được phát triển rộng rãi. Những phát triển như vậy cần có sự can thiệp của các chuyên gia về chủ đề đó để huấn luyện mô hình tìm kiếm các đặc điểm cụ thể của hình ảnh chỉ ra những điểm bất thường. Ngay cả những mô hình được đào tạo tốt nhất cũng phải được hỗ trợ thêm bởi sự xác nhận của con người vì các dịch vụ chẩn đoán và điều trị liên quan đến tính mạng và sai sót là không thể chấp nhận được. Các ứng dụng công nghệ chăm sóc sức khỏe yêu cầu dịch vụ ghi nhãn dữ liệu chuyên sâu để tăng cường dữ liệu đào tạo của họ.

Di chuyển

Xe tự lái đã gần được sử dụng thực tế, nhưng để phát triển hơn nữa, lượng dữ liệu khổng lồ dưới dạng hình ảnh, video và âm thanh phải được con người thu thập và chú thích. Việc gắn nhãn dữ liệu hình ảnh là con người, phương tiện, rào chắn, thảm thực vật, động vật, hình dạng đường, v.v., là điều hết sức quan trọng đối với ML để cho phép lái xe tự động không gây tai nạn. Cần có những nỗ lực ghi nhãn và chú thích to lớn của con người để hiện thực hóa các phương tiện tự lái thực sự trên thế giới.

Ứng dụng quốc phòng

Tầm nhìn tương lai của các tổ chức quốc phòng là sử dụng các hệ thống tự động trong các nhiệm vụ nguy hiểm. Những hệ thống như vậy phải có khả năng đưa ra quyết định giống con người trong điều kiện chỉ trong tích tắc. Tuy nhiên, lượng dữ liệu có sẵn để đào tạo các chương trình phụ trợ AI hiệu suất cao này hiện không đủ để có thể tự chủ hoàn toàn. Các hệ thống trí tuệ nhân tạo không có con người cũng không có khả năng hiểu thông tin theo ngữ cảnh trong đầu vào và điều này có thể dẫn đến những dự đoán và quyết định thảm khốc. Vì vậy, tính đến thời điểm hiện tại, chắc chắn cần phải có con người tham gia vào vòng lặp để duy trì các hoạt động phòng thủ trong tầm kiểm soát và con người.

Ứng dụng sáng tạo

Ngoài những ứng dụng “thiết yếu” ở trên, hệ thống HITL AI còn có thể có giá trị giải trí. Các Stanford AI lấy con người làm trung tâm sáng kiến thiết kế các hệ thống kết hợp công nghệ với sự tương tác của con người để phát triển các công cụ mới cho âm nhạc và các hình thức sáng tạo khác của con người. Mạng lưới thần kinh nhân tạo sâu chuyển giao phong cách sử dụng sự can thiệp của con người để dạy cho máy móc “phong cách” vẽ tranh cho những sáng tạo AI mới.

Các lĩnh vực khác được hưởng lợi từ hệ thống AI trong vòng lặp bao gồm thể thao, trò chơi (video và đời thực), nông nghiệp, tự động hóa nhà máy và hoạt động tài chính.

Bạn muốn tự động hóa các công việc thủ công lặp đi lặp lại? Tiết kiệm thời gian, công sức và tiền bạc đồng thời nâng cao hiệu quả!

Dùng thử Nanonets miễn phí

Lấy đi

0:00

Nếu có thể, chúng ta vẫn còn một chặng đường dài để robot trỗi dậy và thống trị thế giới. Con người vẫn cần thiết trong vòng lặp của trí tuệ nhân tạo. Cách tiếp cận rộng hơn đối với AI không phải là thiết kế một cỗ máy hoàn hảo – điều cực kỳ khó, nếu không muốn nói là không thể, mà là thiết kế các hệ thống hợp tác kết hợp sự tinh tế trong suy luận của con người và sức mạnh của tự động hóa thông minh.

var contentTitle = “Mục lục”; // Đặt tiêu đề của bạn ở đây, để tránh tạo tiêu đề cho nó sau này var ToC = “

“+ ContentTitle +”

“; ToC + = “

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

Ống nano API OCR & OCR trực tuyến có nhiều điều thú vị trường hợp sử dụng that có thể tối ưu hóa hiệu suất kinh doanh của bạn, tiết kiệm chi phí và thúc đẩy tăng trưởng. Tìm ra cách các trường hợp sử dụng của Nanonets có thể áp dụng cho sản phẩm của bạn.