Kunstig intelligens er hurtigt ved at blive altomfattende, med virksomheder på tværs af forskellige brancher, der bruger AI til at levere enestående kundeservice, øge produktiviteten, strømline driften og bringe ROI hjem.
Virksomheder mener dog, at implementering af AI-baserede løsninger er en engangsløsning og vil fortsætte med at arbejde sin magi strålende. Alligevel er det ikke sådan AI fungerer. Selvom du er den mest AI-tilbøjelige organisation, skal du have menneske-i-løkken (HITL) at minimere risici og maksimere fordelene.
Men er menneskelig indgriben påkrævet i AI-projekter? Lad os finde ud af det.
AI giver virksomheder mulighed for at opnå automatisering, få indsigt, forudsige efterspørgsel og salg og levere upåklagelig kundeservice. AI-systemer er dog ikke selvbærende. Uden menneskelig indgriben kan AI have uønskede konsekvenser. For eksempel måtte Zillow, et AI-drevet digitalt ejendomsfirma, lukke butikken, fordi dets proprietære algoritme ikke leverede nøjagtige resultater.
Menneskelig indgriben er en procesnødvendighed og et omdømmemæssigt, økonomisk, etisk og regulatorisk krav. Der skal være en mennesket bag maskinen for at sikre AI checks and balances er på plads.
Ifølge denne rapport fra IBM øverste barrierer for AI-adoption omfatte mangel på AI-færdigheder (34 %), for meget datakompleksitet (24 %) og andre. En AI-løsning er kun så god som de data, der føres ind i den. Pålidelige og objektive data og algoritmen bestemmer effektiviteten af projektet.
Hvad er et menneske-i-løkken?
AI-modeller kan ikke lave 100 % nøjagtige forudsigelser, da deres forståelse af miljøet er baseret på statistiske modeller. For at undgå usikkerhed hjælper feedbacken fra mennesker AI-systemet med at justere og justere dets forståelse af verden.
Menneske-i-den-loop (HITL) er et koncept, der bruges til at udvikle AI-løsninger ved at udnytte maskine og menneskelig intelligens. I en konventionel HITL-tilgang sker menneskelig involvering i en kontinuerlig løkke af træning, finjustering, test og genoptræning.
Fordele ved en HITL-model
En HITL-model har flere fordele til ML-baseret modeltræning, især når træningsdata er knappe eller i randscenarier. Sammenlignet med en fuldautomatisk løsning giver en HITL-metode desuden hurtigere og mere effektive resultater. I modsætning til automatiserede systemer har mennesker den medfødte evne til hurtigt at trække fra deres erfaringer og viden for at finde ud af løsninger på problemer.
Endelig, sammenlignet med en fuld manuel eller fuldautomatisk løsning, kan det at have en human-in-the-loop eller en hybrid model hjælpe virksomheder med at kontrollere automatiseringsniveauet og samtidig udvide intelligent automatisering. At have en HITL-tilgang hjælper med at forbedre sikkerheden og præcisionen ved AI-beslutningstagning.
Udfordringer ved implementering af en Human-in-the-Loop
Implementering af HITL er ikke en let opgave, især da succesen med en AI-løsning afhænger af kvaliteten af de træningsdata, der bruges til at træne systemet.
Sammen med træningsdataene har du også brug for folk, der er udstyret til at håndtere data, værktøjer og teknikker til at fungere i det pågældende miljø. Endelig bør AI-systemet med succes integreres i de gamle arbejdsgange og teknologier for at øge produktiviteten og effektiviteten.
Potentielle applikationer
HITL bruges til at levere nøjagtigt mærkede data til ML-modeltræning. Efter mærkning er næste trin at justere dataene baseret på modellen ved at klassificere kantkasser, overfitting eller tildele nye kategorier. I hvert trin, menneskelig interaktion er kritisk, da kontinuerlig feedback kan hjælpe med at gøre ML-modellen smartere, mere præcis og hurtigere.
Selvom kunstig intelligens henvender sig til flere industrier, bruges den flittigt i sundhedsvæsenet. For at forbedre effektiviteten af AI-værktøjets diagnostiske evner skal det vejledes og trænes af mennesker.
Hvad er Human-in-the-Loop Machine Learning?
Menneske-i-den-loop Machine learning betegner involvering af mennesker under træning og implementering af ML-baserede modeller. Ved at bruge denne metode trænes ML-modellen til at forstå og gengælde baseret på brugerens hensigt snarere end forudbygget indhold. På denne måde kan brugerne opleve personlige og tilpassede løsninger til deres forespørgsler. Efterhånden som flere og flere bruger softwaren, kan dens effektivitet og nøjagtighed forbedres baseret på HITL-feedback.
Hvordan forbedrer en HITL Machine Learning?
Human-in-the-loop forbedrer effektiviteten af maskinlæringsmodellen på tre måder. De er:
Feedback: Et af de primære formål med HITL-tilgangen er at give feedback til systemet, som gør det muligt for AI-løsningen at lære, implementere og komme med præcise forudsigelser.
Godkend: Menneskelig indgriben kan hjælpe med at verificere ægtheden og nøjagtigheden af forudsigelserne maskinlæringsalgoritmer.
Foreslå forbedringer: Mennesker er dygtige til at identificere områder for forbedring og foreslå ændringer, der er nødvendige for systemet.
Brug cases
Nogle af de fremtrædende anvendelsestilfælde af HITL er:
Netflix bruger human-in-the-loop til at generere anbefalinger til film og tv-serier baseret på brugerens tidligere søgehistorik.
Googles søgemaskine arbejder efter 'Human-in-the-Loop'-principperne for at vælge indhold baseret på de ord, der bruges i søgeforespørgslen.
Myter om at bruge udtrykket "Menneske på løkken"
Ikke alt ved menneske-i-løkken er rosenrødt og pålideligt. Der er alvorlige stridigheder blandt eksperter mod dem, der opfordrer til mere 'menneskelig indblanding' i AI-systemer.
Uanset om mennesker er i, på eller hvor som helst i nærheden af løkken for at overvåge komplekse systemer som AI, kan det føre til uønskede konsekvenser. AI-baserede automatiserede løsninger træffer beslutninger på millisekunder, hvilket gør det praktisk talt umuligt at få mennesker til at foretage en meningsfuld interaktion med systemet.
- Det er umuligt for et menneske at interagere meningsfuldt med alle dele af AI (sensorerne, dataene, aktuatorerne og ML-algoritmen) ved at forstå og overvåge disse indbyrdes afhængige bevægelige dele.
- Ikke alle kan gennemgå koder indlejret i systemet i realtid. Bidraget fra en menneskelig ekspert er påkrævet i den indledende byggefase og gennem hele livscyklussen.
- AI-baserede systemer er nødvendige for at træffe tidsfølsomme beslutninger på et splitsekund. Og at få mennesker til at sætte farten og kontinuiteten i disse systemer på pause er praktisk talt umuligt.
- Der er større risici forbundet med HITL, når indgrebet er fjerntliggende steder. Lagtid, netværksproblemer, båndbreddeproblemer og andre forsinkelser kan påvirke projektet. Desuden har folk en tendens til at kede sig, når de har at gøre med autonome maskiner.
- Med automatisering, der vokser med stormskridt, bliver de nødvendige færdigheder til at forstå disse komplekse systemer. Ud over tværfaglige færdigheder og et etisk kompas er det vigtigt at forstå sammenhængen i systemet og bestemme omfanget af mennesker i løkken.
Forståelse af myterne forbundet med mennesket-i-løkken-tilgangen vil hjælpe med at udvikle etiske, juridisk kompatible og effektive AI-løsninger.
Som en virksomhed, der forsøger at udvikle AI-løsninger, er du nødt til at spørge dig selv, hvad "menneske-i-løkken" betyder, og om ethvert menneske kan pause, reflektere, analysere og tage passende handlinger, mens de arbejder på maskinen.
Er et Human-in-the-Loop-system skalerbart?
Mens HITL-metoden typisk bruges i de indledende faser af AI-applikationsudvikling, bør den være skalerbar, efterhånden som applikationen vokser. At have et menneske-i-løkken kan gøre skalerbarhed til en udfordring, da det bliver dyrt, upålideligt og tidskrævende. To løsninger kan gøre skalerbarhed til en mulighed: den ene, ved hjælp af en fortolkelig ML-model, og den anden, en online læringsalgoritme.
Førstnævnte kan mere ses som en detaljeret opsummering af de data, der kan hjælpe HITL-modellen med at håndtere enorme mængder data. I sidstnævnte model lærer algoritmen løbende og tilpasser sig det nye system og forhold.
Human-in-the-Loop: De etiske overvejelser
Som mennesker er vi stolte af at være flagbærere af etik og anstændighed. Vi træffer beslutninger baseret på vores etiske og praktiske ræsonnement.
Men hvad vil der ske, hvis en robot ikke adlyder en menneskelig ordre på grund af situationens hastende karakter?
Hvordan ville den reagere og handle uden menneskelig indgriben?
Etik afhænger af formålet med, hvad robotten er programmeret til at gøre. Hvis automatiserede systemer er begrænset til rengøring eller tøjvask, er deres indvirkning på menneskers liv eller helbred minimal. På den anden side, hvis robotten er programmeret til at udføre kritiske og komplekse liv-og-død-opgaver, bør den være i stand til at beslutte, om den skal adlyde ordrer eller ej.
Løsningen på dette dilemma er at anskaffe et datasæt med crowdsourced information om, hvordan man bedst træner autonome maskiner til at håndtere etiske dilemmaer.
Ved at bruge disse oplysninger kan vi give omfattende menneskelignende følsomheder til robotter. I en overvåget læring system, indsamler mennesker data og træner modellerne ved hjælp af feedbacksystemer. Med human-in-the-loop feedback kan AI-systemet bygges til at forstå socioøkonomisk kontekst, interpersonelle relationer, følelsesmæssige tilbøjeligheder og etiske overvejelser.
Det er bedst at have et menneske bag maskinen!
Maskinlæringsmodeller trives med kraften i pålidelige, nøjagtige og kvalitetsdata, der er tagget, mærket og kommenteret. Og denne proces udføres af mennesker, og med disse træningsdata gøres en ML-model i stand til at analysere, forstå og handle på egen hånd. Menneskelig indgriben er kritisk på alle trin - at give forslag, feedback og rettelser.
Så hvis din kunstig intelligens-baserede løsning falder under ulempen med utilstrækkeligt mærkede og mærkede data, hvilket tvinger dig til at opnå mindre end perfekte resultater, skal du samarbejde med Shaip, markedsledende dataindsamlingsekspert.
Vi tager "human-in-the-loop"-feedback i betragtning for at sikre, at din AI-løsning til enhver tid opnår forbedret ydeevne. Kontakt os for at udforske vores muligheder.