循环中的人类

由柏拉图重新发布

关注： 0

循环中的人类

正在寻找自动化解决方案？别再犹豫了！

.cta-first-blue{ 过渡：所有 0.1s 三次贝塞尔(0.4, 0, 0.2, 1) 0s; 边框半径：0px；字体粗细：粗体；字体大小：16px；行高：24px；填充：12px 24px；背景：#546fff；白颜色; 高度：56px；文本对齐：左；显示：inline-flex；弹性方向：行； -moz-box-align：居中；对齐项目：居中；字母间距：0px； box-sizing：边框框；边框宽度：2px！重要；边框：实心#546fff !important; } .cta-first-blue:hover{ 颜色:#546fff; 背景：白色；过渡：所有 0.1s 三次贝塞尔曲线(0.4, 0, 0.2, 1) 0s；边框宽度：2px！重要；边框：实心#546fff !important; } .cta-second-black{ 过渡：所有 0.1s 三次贝塞尔曲线(0.4, 0, 0.2, 1) 0s; 边框半径：0px；字体粗细：粗体；字体大小：16px；行高：24px；填充：12px 24px；背景：白色；颜色：#333；高度：56px；文本对齐：左；显示：inline-flex；弹性方向：行； -moz-box-align：居中；对齐项目：居中；字母间距：0px； box-sizing：边框框；边框宽度：2px！重要；边框：实心 #333 ！重要； } .cta-second-black:hover{ 颜色:白色; 背景：#333; 过渡：所有 0.1s 三次贝塞尔曲线(0.4, 0, 0.2, 1) 0s；边框宽度：2px！重要；边框：实心 #333 ！重要； } .column1{ 最小宽度：240px; 最大宽度：适合内容；填充权：4％； } .column2{ 最小宽度：200px; 最大宽度：适合内容； } .cta-main{ 显示：弹性； }

“随着越来越多的人工智能进入世界，越来越多的情商必须进入领导地位。” ——著名人工智能科学家、《富有同情心的人工智能》作者阿米特·雷

我们生活的第四个工业时代具有颠覆性，它将碳基大脑与硅基大脑融合在一起。人工智能已经成为我们生活的一部分，即使我们甚至没有意识到——搜索引擎、数字助理、地图和导航，这个列表是无穷无尽的。机器现在可以在工作时“学习”，但这在大多数情况下并不将人类排除在这个过程之外。

Human in the Loop 或 HITL 系统允许两种形式的智能优雅地交互，以实现互惠互利。

让我们更多地了解人在循环人工智能。

var contentsTitle = “目录”； // 在这里设置你的标题，以避免以后为它做标题 var ToC = “

“+内容标题+”

“; 目录 += “

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

人在循环中的定义

自 Paul Ehrlich 在 1978 年写道“人都会犯错，真正搞砸事情需要计算机”以来，我们的机器已经取得了长足的进步。当今的人工智能工具已经取得了很大的进步，误差范围已大大减少。这一点很重要，因为人工智能工具现在用于关键应用，包括飞行、生命支持和武器控制，这些应用中的错误将造成灾难性的后果。

也就是说，人工智能，就像建造它们的人类一样，并不完美。人工智能工具做出的预测并不是 100% 准确，因为机器是根据现有数据和模式构建理解的。虽然人类智能也是如此，但人类智能中还增加了基于试错的认知元素，该元素使用多种输入和情感推理的附加因素。这可能使得人类容易出错，而机器则容易把事情搞砸。

但抛开笑话不谈，由于准确性固有的不确定性，人工智能系统还不能完全脱离人类，而且大多数（如果不是全部）人工智能工具都使用一定量的人类交互来纠正或简单地进行监控。人与机器之间的交互产生反馈循环，使人工智能系统能够定期修正路线，以提高性能并增强自主性。由此出现了“循环中的人”的正式定义。

实际上，人机交互人工智能允许人类向人工智能模型（ML、DL、ANN 等）提供反馈，以进行低于一定置信度的预测。

要从PDF抓取数据文件，转换 PDF到XML or 自动提取表格? 看看 Nanonets 的 PDF刮板 or PDF解析器转换 PDF 到数据库条目！

免费试用 Nanonets

ML，一种适合 HITL 的流行 AI 工具

学习是使用预先存在的数据来做出未来预测的过程——“被烧伤的孩子害怕火”是学习过程的一个相关但令人不安的例子。机器学习是人工智能的工具之一，其工作方式大致相同——它从现有数据中学习模式，并根据这些模式进行预测。例如，机器学习工具使用预先存在的情绪面孔数据库中的快乐和悲伤面孔图像，将新面孔识别为快乐或悲伤。然后验证预测，如果发现正确，则继续前进，将这种新的“体验”作为另一个数据点。如果不是，机器路线将进行纠正。

想要自动化重复的手动任务？查看我们基于 Nanonets 工作流程的文档处理软件。从发票、身份证或自动驾驶仪上的任何文件中提取数据！

免费试用 Nanonets

ML 中的 HITL 类型

在人机循环机器学习中，人类参与多个层面。

创建

人类部分从创建算法开始，算法由此开始发展。就像托尼·斯塔克和他的贾维斯一样。

产品培训

如前所述，学习是通过数据进行的。当孩子不接触火焰时，大人可能已经教过她不要这样做。人类的判断用于训练模型，以便在适当的时候模型在使用模式进行预测时表现得与人类相似或优于人类。

标记数据

机器学习模型需要标记数据从中学习。有些数据集可能已经有标签，但在没有预先标记的数据的情况下，人类必须标记训练 ML 算法的数据。根据 IDC，90% 的可用数据是暗数据，即非结构化/未分类数据。贴标签可能是一项耗时且乏味的工作。事实上，数据标签已经成为在该领域的独立工作人工智能和数据科学。尽管听起来很平常，但数据集的标记并不总是低端活动，特定的应用程序可能需要特定领域的知识。例如，标记医疗数据需要有关疾病、状况等的知识。医疗保健领域使用的大多数数据集都需要特定领域的知识，例如医生将肺部 X 射线标记为癌或非癌。用于训练飞行中人工智能的数据标记需要空气动力学和其他工程主题的知识。

验证

一旦 ML 模型开始使用真实数据进行预测，HITL 就会验证模型的预测并向 ML 提供有关误报和漏报的反馈以进行训练。循环中的人员可以检查模型的性能并分析其性能，以调整算法或改进训练数据集。

想使用机器人过程自动化？查看基于 Nanonets 工作流的文档处理软件。没有代码。没有麻烦的平台。

免费试用 Nanonets

人机交互机器学习和其他人工智能工具的重要性

当缺乏训练数据时

传统的机器学习和其他人工智能工具需要大量数据集才能很好地训练并获得准确的结果。在新领域或缺乏先验数据的领域，机器学习模型一开始并不准确，并且需要很长时间才能生成足够的数据进行训练。在人类无需处理大型数据集的情况下，教授算法、模式和规则的情况下，“人在环”人工智能可以提供帮助。在这种情况下，HITL 有助于验证模型，并允许使用非结构化、难以标记且不断变化的数据进行训练。

当非人化不是一种选择时

在某些特定领域，人工智能循环中的人类是有用的，甚至是必要的。其中一个领域是医疗保健。虽然人工智能确实可以简化诊断甚至治疗，例如机器人手术，但尚不清楚它是否可以去人性化。人工智能确实可以帮助临床医生花更少的时间在管理和诊断任务上，但关于非人性化的人工智能是否会破坏医患关系的人道层面的争论仍然存在。普遍的伦理共识是，人机交互对于人工智能服务人类目的、尊重个人身份和促进人类互动是必要的。

两只眼睛比机器视觉更安全

在需要最高安全精度的情况下也需要 HITL。一个例子是车辆或飞机关键部件的制造；虽然机器学习等人工智能工具对于检查非常有用，但团队中的人工监控器将增加零件的可靠性。此外，如果数据不完整或有偏差，机器学习模型本身也会产生偏差。循环中的人可以及时发现并纠正偏见。

为了提高透明度

人工智能应用程序可能成为黑匣子，其中隐藏了将数据转换为决策的处理过程。这对于金融和银行等数据敏感活动来说很不方便。对于与某些活动相关的决策、监管合规性和披露需求来说，这也是一个问题。在这种情况下，HITL 模型允许人们了解人工智能工具如何利用给定的数据集得出特定的结果。用热力学的术语来说，这使得人工智能/机器学习工具成为一个“开放”而不是“孤立”的系统。

为AI工具赋能

当孩子学习字母时，需要老师，但随着她的成长，老师的角色变成了指导而不是教学，现在成年人可以自己学习，不需要老师。与此类似，人类需要首先训练系统，人工智能工具从人类干预中学习的越多，它就越好，并且可以减少人类在循环中的时间，或者在某些情况下，甚至可以减少人类在循环中的时间。被淘汰。因此，人工智能工具通过反馈循环受益于人类智能。

在深度学习中

人在环深度学习用于以下场景：

算法无法识别输入数据。
输入数据被误解
对于要对数据执行的下一个任务犹豫不决
使人类能够客观地执行某些任务
减少人工任务的错误和时间延迟

如果您使用发票和收据或担心身份验证，请查看 Nanonets 在线 OCR or PDF文本提取器 从 PDF 文档中提取文本 免费。点击下面了解更多信息 Nanonets 企业自动化解决方案.

免费试用 Nanonets

人类在循环中的应用

人工智能和机器学习系统在当今世界无处不在。循环中的人可能仅位于消费端，也可能位于操作领域。前者的例子包括使用搜索引擎、数字地图、导航等，其中人类消费者使用人工智能系统来利用各种服务。

HITL处于AI/ML操作本身阶段的一些典型应用是：

社交媒体应用程序的使用和滥用之间的界限很明确，人类的判断对于审核内容至关重要。确实，人工智能系统可以随着时间的推移学会调节内容。但为此，人类的参与对于帮助机器学习识别可能包含不良交互元素的文本、用户名、图像和视频至关重要。

医疗保健科技

医学成像和基于人工智能的图像正常和异常特征识别正在得到广泛发展。这种发展需要主题专家的干预，以便训练模型寻找图像中指向异常的特定特征。即使是训练有素的模型也必须得到人类确认的进一步支持，因为诊断和治疗服务涉及生命，错误是不可接受的。医疗保健技术应用需要密集的数据标记服务来增强其训练数据。

交通

自动驾驶汽车已经接近实际使用，但为了进一步发展，必须由人类收集和注释大量图像、视频和声音形式的数据。将图像数据标记为人、车辆、路障、植被、动物、道路形状等，对于机器学习实现无事故的自动驾驶至关重要。要在世界上实现真正的自动驾驶车辆，需要付出巨大的人工标记和注释工作。

国防应用

国防组织的未来愿景是在危险任务中使用自主系统。这样的系统必须能够在瞬间条件下做出类似人类的决策。然而，目前可用于训练这些高性能人工智能后端的数据量不足以实现完全自主。无人人工智能系统也无法理解输入中的上下文信息，这可能会导致灾难性的预测和决策。因此，到目前为止，肯定需要有人参与控制，以保持防御行动的可控性和人性化。