Cudd-wybodaeth artiffisial yn prysur ddod yn holl-dreiddiol, gyda chwmnïau ar draws amrywiol ddiwydiannau yn defnyddio AI i ddarparu gwasanaeth cwsmeriaid eithriadol, hybu cynhyrchiant, symleiddio gweithrediadau, a dod â'r ROI adref.
Fodd bynnag, mae cwmnïau'n credu bod gweithredu datrysiadau seiliedig ar AI yn ddatrysiad un-amser a byddant yn parhau i weithio ei hud yn wych. Ac eto, nid dyna sut mae AI yn gweithio. Hyd yn oed os mai chi yw'r sefydliad sydd â'r duedd fwyaf o AI, mae'n rhaid bod gennych chi dynol-yn-y-ddolen (HITL) i leihau risgiau a chynyddu buddion.
Ond a oes angen ymyrraeth ddynol mewn prosiectau AI? Gadewch i ni gael gwybod.
Mae AI yn grymuso busnesau i gyflawni awtomeiddio, cael mewnwelediad, rhagweld galw a gwerthiant, a darparu gwasanaeth cwsmeriaid rhagorol. Fodd bynnag, nid yw systemau AI yn hunangynhaliol. Heb ymyrraeth ddynol, gall AI gael canlyniadau digroeso. Er enghraifft, bu’n rhaid i Zillow, cwmni eiddo digidol a bwerir gan AI, gau siop oherwydd bod ei algorithm perchnogol wedi methu â chyflawni canlyniadau cywir.
Mae ymyrraeth ddynol yn anghenraid proses ac yn ofyniad enw da, ariannol, moesegol a rheoliadol. Dylai fod a dynol y tu ôl i'r peiriant i sicrhau bod gwiriadau a balansau AI ar waith.
Yn ôl yr adroddiad hwn gan IBM, mae'r prif rwystrau i fabwysiadu AI cynnwys diffyg sgiliau AI (34%), gormod o gymhlethdod data (24%), ac eraill. Nid yw datrysiad AI ond cystal â'r data sy'n cael ei fwydo iddo. Mae data dibynadwy a diduedd a'r algorithm yn pennu effeithiolrwydd y prosiect.
Beth yw Dyn-yn-y-Dolen?
Ni all modelau AI wneud rhagfynegiadau 100% cywir gan fod eu dealltwriaeth o'r amgylchedd yn seiliedig ar fodelau ystadegol. Er mwyn osgoi ansicrwydd, mae adborth gan bobl yn helpu'r system AI i addasu ac addasu ei dealltwriaeth o'r byd.
Dynol-yn-y-dolen (HITL) yn gysyniad a ddefnyddir wrth ddatblygu atebion AI trwy leveraging peiriant a deallusrwydd dynol. Mewn dull confensiynol HITL, mae cyfranogiad dynol yn digwydd mewn dolen barhaus o hyfforddiant, mireinio, profi ac ailhyfforddi.
Manteision model HITL
Mae gan fodel HITL nifer o fanteision ar gyfer hyfforddiant model seiliedig ar ML, yn enwedig pan data hyfforddi yn brin neu mewn sefyllfaoedd ymylol. Yn ogystal, o'i gymharu â datrysiad cwbl awtomataidd, mae dull HITL yn sicrhau canlyniadau cyflymach a mwy effeithiol. Yn wahanol i systemau awtomataidd, mae gan fodau dynol y gallu cynhenid i dynnu'n gyflym o'u profiadau a'u gwybodaeth i ddarganfod atebion i faterion.
Yn olaf, o'i gymharu â datrysiad cwbl â llaw neu gwbl awtomataidd, gall cael model dynol-yn-y-dolen neu fodel hybrid helpu busnesau i reoli'r lefel awtomeiddio wrth ehangu awtomeiddio deallus. Mae cael dull HITL yn helpu i wella diogelwch a manwl gywirdeb gwneud penderfyniadau AI.
Heriau wrth weithredu Dyn-yn-y-Dolen
Nid yw gweithredu HITL yn dasg hawdd, yn enwedig gan fod llwyddiant datrysiad AI yn dibynnu ar ansawdd y data hyfforddi a ddefnyddir i hyfforddi'r system.
Ynghyd â'r data hyfforddi, mae angen pobl arnoch hefyd sydd â'r offer i drin y data, yr offer a'r technegau i weithredu yn yr amgylchedd penodol hwnnw. Yn olaf, dylid integreiddio'r system AI yn llwyddiannus i'r llifoedd gwaith a'r technolegau etifeddiaeth i gynyddu cynhyrchiant ac effeithlonrwydd.
Ceisiadau Posibl
Defnyddir HITL i ddarparu data wedi'i labelu'n gywir ar gyfer hyfforddiant model ML. Ar ôl labelu, y cam nesaf yw tiwnio'r data yn seiliedig ar y model trwy ddosbarthu achosion ymyl, gorffitio, neu neilltuo categorïau newydd. Ym mhob cam, rhyngweithio dynol yn hollbwysig, gan y gall adborth parhaus helpu i wneud y model ML yn ddoethach, yn fwy cywir ac yn gyflymach.
Er bod deallusrwydd artiffisial yn darparu ar gyfer sawl diwydiant, fe'i defnyddir yn helaeth mewn gofal iechyd. Er mwyn gwella effeithlonrwydd galluoedd diagnostig yr offeryn AI, mae'n rhaid iddo gael ei arwain a'i hyfforddi gan fodau dynol.
Beth yw Dysgu Peiriant Dyn-yn-y-Dolen?
Dynol-yn-y-dolen Dysgu peiriant yn dynodi cyfranogiad bodau dynol yn ystod hyfforddi a defnyddio modelau seiliedig ar ML. Gan ddefnyddio'r dull hwn, mae'r model ML wedi'i hyfforddi i ddeall ac ailadrodd yn seiliedig ar fwriad y defnyddiwr yn hytrach na chynnwys a adeiladwyd ymlaen llaw. Fel hyn, gall defnyddwyr brofi atebion personol ac wedi'u teilwra ar gyfer eu hymholiadau. Wrth i fwy a mwy o bobl ddefnyddio'r feddalwedd, gellir gwella ei effeithlonrwydd a'i gywirdeb yn seiliedig ar adborth HITL.
Sut mae HITL yn gwella Dysgu Peiriannau?
Mae dynol-yn-y-dolen yn gwella effeithlonrwydd y model dysgu peiriant mewn tair ffordd. Mae nhw:
Adborth: Un o brif ddibenion y dull HITL yw darparu adborth i'r system, sy'n caniatáu i'r datrysiad AI ddysgu, gweithredu a llunio rhagfynegiadau cywir.
Dilysu: Gall ymyrraeth ddynol helpu i wirio dilysrwydd a chywirdeb y rhagfynegiadau a wneir gan algorithmau dysgu peiriannau.
Awgrymu Gwelliannau: Mae bodau dynol yn fedrus wrth nodi meysydd i'w gwella ac awgrymu newidiadau angenrheidiol ar gyfer y system.
Defnyddiwch Achosion
Rhai o achosion defnydd amlwg HITL yw:
Mae Netflix yn defnyddio human-in-the-loop i gynhyrchu argymhellion ar gyfer sioeau ffilm a theledu yn seiliedig ar hanes chwilio blaenorol y defnyddiwr.
Mae peiriant chwilio Google yn gweithio ar egwyddorion 'Human-in-the-Loop' i ddewis cynnwys yn seiliedig ar y geiriau a ddefnyddir yn yr ymholiad chwilio.
Mythau o Ddefnyddio'r Term “Dyn ar y Dolen”
Nid yw popeth am ddynol-yn-y-dolen yn rosy a dibynadwy. Mae dadlau difrifol ymhlith arbenigwyr yn erbyn y rhai sy'n galw am fwy o 'ymyrraeth ddynol' mewn systemau AI.
P'un a yw bodau dynol yn y ddolen, ymlaen, neu'n agos at y ddolen i oruchwylio systemau cymhleth fel AI, gallai arwain at ganlyniadau digroeso. Mae datrysiadau awtomataidd seiliedig ar AI yn gwneud penderfyniadau mewn milieiliadau, sy'n ei gwneud hi bron yn amhosibl cael bodau dynol i ryngweithio'n ystyrlon â'r system.
- Mae'n amhosibl i berson ryngweithio'n ystyrlon â'r holl ddarnau o AI (y synwyryddion, data, actiwadyddion, ac algorithm ML) trwy ddeall a goruchwylio'r rhannau symudol rhyngddibynnol hyn.
- Ni all pawb adolygu codau sydd wedi'u hymgorffori yn y system mewn amser real. Mae angen cyfraniad arbenigwr dynol ar y cam adeiladu cychwynnol a thrwy gydol y cylch bywyd.
- Mae angen systemau seiliedig ar AI i wneud penderfyniadau hollt-eiliad, sy'n sensitif i amser. Ac mae cael bodau dynol yn oedi momentwm a pharhad y systemau hyn bron yn amhosibl.
- Mae mwy o risgiau'n gysylltiedig â HITL pan fo'r ymyriad mewn lleoliadau anghysbell. Gall amser oedi, problemau rhwydwaith, problemau lled band, ac oedi eraill effeithio ar y prosiect. Ar ben hynny, mae pobl yn tueddu i ddiflasu wrth ddelio â pheiriannau ymreolaethol.
- Gydag awtomatiaeth yn cynyddu'n aruthrol, mae'r sgiliau sydd eu hangen i ddeall y systemau cymhleth hyn yn lleihau. Yn ogystal â sgiliau rhyngddisgyblaethol a chwmpawd moesegol, mae'n hanfodol deall cyd-destun y system a phennu maint bodau dynol yn y ddolen.
Bydd deall y mythau sy'n gysylltiedig â'r dull dynol-yn-y-dolen yn helpu i ddatblygu atebion AI moesegol, sy'n cydymffurfio â'r gyfraith ac effeithiol.
Fel busnes sy'n ceisio datblygu datrysiadau AI, mae angen i chi ofyn i chi'ch hun beth mae "dynol-yn-y-dolen" yn ei olygu ac a all unrhyw ddyn oedi, myfyrio, dadansoddi, a chymryd camau priodol wrth weithio ar y peiriant.
A yw system Ddynol-yn-y-Dolen yn raddadwy?
Er bod y dull HITL yn cael ei ddefnyddio'n nodweddiadol yn ystod camau cychwynnol datblygu cymwysiadau AI, dylai fod yn raddadwy wrth i'r cais dyfu. Gall bod â dynol-yn-y-dolen wneud scalability yn her gan ei fod yn dod yn ddrud, yn annibynadwy, ac yn cymryd llawer o amser. Gall dau ddatrysiad wneud graddadwyedd yn bosibilrwydd: un, gan ddefnyddio model ML y gellir ei ddehongli, a'r llall, algorithm dysgu ar-lein.
Gellir gweld y cyntaf yn fwy fel crynodeb manwl o'r data a all helpu'r model HITL i drin symiau enfawr o ddata. Yn y model olaf, mae'r algorithm yn dysgu ac yn addasu'n barhaus i'r system a'r amodau newydd.
Dynol-yn-y-Ddolen: Yr Ystyriaethau Moesegol
Fel bodau dynol, rydym yn ymfalchïo mewn bod yn gludwyr baner moeseg a gwedduster. Rydym yn gwneud penderfyniadau ar sail ein rhesymu moesegol ac ymarferol.
Ond beth fydd yn digwydd os bydd robot yn anufuddhau i orchymyn dynol oherwydd brys y sefyllfa?
Sut byddai'n ymateb ac yn gweithredu heb ymyrraeth ddynol?
Mae moeseg yn dibynnu ar ddiben yr hyn y mae'r robot wedi'i raglennu i'w wneud. Os bydd y systemau awtomataidd wedi'u cyfyngu i lanhau neu olchi dillad, mae eu heffaith ar fywyd neu iechyd dynol yn fach iawn. Ar y llaw arall, os yw'r robot wedi'i raglennu i gyflawni tasgau bywyd a marwolaeth beirniadol a chymhleth, dylai allu penderfynu a ddylid ufuddhau i orchmynion ai peidio.
Yr ateb i'r cyfyng-gyngor hwn yw caffael set ddata o wybodaeth torfol ar y ffordd orau i hyfforddi peiriannau ymreolaethol i drin cyfyng-gyngor moesegol.
Gan ddefnyddio'r wybodaeth hon, gallwn ddarparu sensitifrwydd dynol helaeth i robotiaid. Mewn dysgu dan oruchwyliaeth system, mae bodau dynol yn casglu data ac yn hyfforddi'r modelau gan ddefnyddio systemau adborth. Gydag adborth dynol-yn-y-dolen, gellir adeiladu'r system AI i ddeall cyd-destun economaidd-gymdeithasol, cysylltiadau rhyngbersonol, tueddiadau emosiynol, ac ystyriaethau moesegol.
Mae'n well cael bod dynol y tu ôl i'r peiriant!
Modelau dysgu peiriannau ffynnu ar bŵer data dibynadwy, cywir ac o ansawdd sy'n cael ei dagio, ei labelu a'i anodi. Ac mae'r broses hon yn cael ei chyflawni gan fodau dynol, a chyda'r data hyfforddi hwn, gwneir model ML sy'n gallu dadansoddi, deall a gweithredu ar ei ben ei hun. Mae ymyrraeth ddynol yn hanfodol ar bob cam - gan ddarparu awgrymiadau, adborth a chywiriadau.
Felly os yw'ch datrysiad sy'n seiliedig ar AI yn chwilota dan anfantais data heb ei dagio a'i labelu'n ddigonol, gan eich gorfodi i gyflawni canlyniadau llai na pherffaith, mae angen i chi bartneru â Shaip, y arbenigwr casglu data sy'n arwain y farchnad.
Rydym yn ystyried adborth “dynol-yn-y-dolen” i sicrhau bod eich datrysiad AI yn cyflawni perfformiad gwell bob amser. Cysylltwch â ni i archwilio ein galluoedd.
