kunstmatige intelligentie is hard op weg alomtegenwoordig te worden, met bedrijven in verschillende sectoren die AI gebruiken om uitzonderlijke klantenservice te leveren, de productiviteit te verhogen, activiteiten te stroomlijnen en de ROI naar huis te halen.
Bedrijven zijn echter van mening dat het implementeren van op AI gebaseerde oplossingen een eenmalige oplossing is en briljant zal blijven werken. Maar zo werkt AI niet. Zelfs als je de meest AI-neigende organisatie bent, moet je dat hebben mens-in-de-loop (HITL) om risico's te minimaliseren en voordelen te maximaliseren.
Maar is menselijke tussenkomst vereist bij AI-projecten? Laten wij het uitzoeken.
AI stelt bedrijven in staat automatisering te bereiken, inzichten te verwerven, vraag en verkoop te voorspellen en een onberispelijke klantenservice te bieden. AI-systemen zijn echter niet zelfvoorzienend. Zonder menselijke tussenkomst kan AI ongewenste gevolgen hebben. Zillow, een door AI aangedreven digitaal vastgoedbedrijf, moest bijvoorbeeld de winkel sluiten omdat zijn eigen algoritme niet werkte nauwkeurige resultaten.
Menselijke tussenkomst is een procesnoodzaak en een reputatievereiste, financiële, ethische en regelgevende vereiste. Er moet een mens achter de machine om ervoor te zorgen dat AI checks and balances aanwezig zijn.
Volgens dit rapport van IBM, de belangrijkste belemmeringen voor de acceptatie van AI omvatten een gebrek aan AI-vaardigheden (34%), te veel gegevenscomplexiteit (24%) en andere. Een AI-oplossing is zo goed als de gegevens die erin worden ingevoerd. Betrouwbare en onbevooroordeelde data en het algoritme bepalen de effectiviteit van het project.
Wat is een Human-in-the-Loop?
AI-modellen kunnen geen 100% nauwkeurige voorspellingen doen, omdat hun begrip van de omgeving is gebaseerd op statistische modellen. Om onzekerheid te voorkomen, helpt de feedback van mensen het AI-systeem om zijn begrip van de wereld aan te passen en aan te passen.
Mens-in-de-lus (HITL) is een concept dat wordt gebruikt bij het ontwikkelen van AI-oplossingen door gebruik te maken van machines en menselijke intelligentie. In een conventionele HITL-benadering vindt menselijke betrokkenheid plaats in een continue lus van trainen, bijstellen, testen en bijscholen.
Voordelen van een HITL-model
Een HITL-model heeft verschillende voordelen voor ML-gebaseerde modeltraining, vooral wanneer trainingsdata is schaars of in edge-case scenario's. Bovendien levert een HITL-methode, in vergelijking met een volledig geautomatiseerde oplossing, snellere en effectievere resultaten op. In tegenstelling tot geautomatiseerde systemen hebben mensen het aangeboren vermogen om snel te putten uit hun ervaringen en kennis om oplossingen voor problemen te vinden.
Tot slot, in vergelijking met een volledig handmatige of volledig geautomatiseerde oplossing, kan het hebben van een mens-in-de-loop of een hybride model bedrijven helpen het automatiseringsniveau te beheersen en tegelijkertijd intelligente automatisering uit te breiden. Het hebben van een HITL-benadering helpt de veiligheid en precisie van AI-besluitvorming te verbeteren.
Uitdagingen bij het implementeren van een Human-in-the-Loop
Het implementeren van HITL is geen gemakkelijke taak, vooral omdat het succes van een AI-oplossing afhangt van de kwaliteit van de trainingsgegevens die worden gebruikt om het systeem te trainen.
Naast de trainingsgegevens hebt u ook mensen nodig die zijn toegerust om met de gegevens, tools en technieken om te gaan in die specifieke omgeving. Ten slotte moet het AI-systeem met succes worden geïntegreerd in de bestaande workflows en technologieën om de productiviteit en efficiëntie te verhogen.
Potentiële toepassingen
HITL wordt gebruikt om nauwkeurig gelabelde gegevens te leveren voor ML-modeltraining. Na het labelen is de volgende stap het afstemmen van de gegevens op basis van het model door randgevallen te classificeren, overfitting of nieuwe categorieën toe te wijzen. Bij elke stap menselijke interactie is van cruciaal belang, omdat continue feedback kan helpen om het ML-model slimmer, nauwkeuriger en sneller te maken.
Hoewel kunstmatige intelligentie geschikt is voor verschillende industrieën, wordt het op grote schaal gebruikt in de gezondheidszorg. Om de efficiëntie van de diagnostische mogelijkheden van de AI-tool te verbeteren, moet deze door mensen worden geleid en getraind.
Wat is Human-in-the-Loop machinaal leren?
Mens-in-de-lus Machine learning geeft de betrokkenheid van mensen aan tijdens de training en implementatie van op ML gebaseerde modellen. Met behulp van deze methode wordt het ML-model getraind om te begrijpen en te beantwoorden op basis van de gebruikersintentie in plaats van vooraf gebouwde inhoud. Op deze manier kunnen gebruikers gepersonaliseerde en op maat gemaakte oplossingen voor hun vragen ervaren. Naarmate meer en meer mensen de software gebruiken, kan de efficiëntie en nauwkeurigheid worden verbeterd op basis van de HITL-feedback.
Hoe verbetert een HITL Machine Learning?
Human-in-the-loop verbetert de efficiëntie van het machine learning-model op drie manieren. Zij zijn:
feedback: Een van de belangrijkste doelen van de HITL-benadering is het geven van feedback aan het systeem, waardoor de AI-oplossing kan leren, implementeren en nauwkeurige voorspellingen kan doen.
Authenticate: Menselijke tussenkomst kan helpen bij het verifiëren van de authenticiteit en nauwkeurigheid van de voorspellingen van algoritmen voor machine learning.
Verbeteringen voorstellen: Mensen zijn bedreven in het identificeren van verbeterpunten en het voorstellen van veranderingen die nodig zijn voor het systeem.
Cases
Enkele van de prominente use-cases van HITL zijn:
Netflix gebruikt human-in-the-loop om aanbevelingen voor films en tv-programma's te genereren op basis van de eerdere zoekgeschiedenis van de gebruiker.
De zoekmachine van Google werkt volgens 'Human-in-the-Loop'-principes om inhoud te kiezen op basis van de woorden die in de zoekopdracht worden gebruikt.
Mythen van het gebruik van de term "Human on the Loop"
Niet alles over human-in-the-loop is rooskleurig en betrouwbaar. Er is serieuze onenigheid onder experts tegen degenen die pleiten voor meer 'menselijke inmenging' in AI-systemen.
Of mensen zich nu in, op of ergens in de buurt van de lus bevinden om toezicht te houden op complexe systemen zoals AI, het kan tot ongewenste gevolgen leiden. Op AI gebaseerde geautomatiseerde oplossingen nemen beslissingen in milliseconden, wat het praktisch onmogelijk maakt om mensen een zinvolle interactie met het systeem te laten maken.
- Het is onmogelijk voor een mens om zinvol te communiceren met alle onderdelen van AI (de sensoren, gegevens, actuatoren en ML-algoritme) door deze onderling afhankelijke bewegende delen te begrijpen en te controleren.
- Niet iedereen kan codes die in het systeem zijn ingebed in realtime bekijken. De bijdrage van een menselijke expert is vereist in de initiële bouwfase en gedurende de gehele levenscyclus.
- Op AI gebaseerde systemen zijn nodig om in een fractie van een seconde tijdgevoelige beslissingen te nemen. En het is praktisch onmogelijk om mensen het momentum en de continuïteit van deze systemen te laten pauzeren.
- Er zijn grotere risico's verbonden aan HITL wanneer de interventie op afgelegen locaties plaatsvindt. Vertragingstijd, netwerkproblemen, bandbreedteproblemen en andere vertragingen kunnen van invloed zijn op het project. Bovendien raken mensen snel verveeld als ze met autonome machines te maken hebben.
- Nu automatisering met grote sprongen groeit, nemen de vaardigheden die nodig zijn om deze complexe systemen te begrijpen af. Naast interdisciplinaire vaardigheden en een ethisch kompas, is het essentieel om de context van het systeem te begrijpen en de mate van mensen in de lus te bepalen.
Het begrijpen van de mythen die verband houden met de human-in-the-loop-benadering zal helpen bij het ontwikkelen van ethische, wettelijk conforme en effectieve AI-oplossingen.
Als bedrijf dat AI-oplossingen probeert te ontwikkelen, moet u zich afvragen wat "human-in-the-loop" betekent en of een mens kan pauzeren, nadenken, analyseren en passende actie kan ondernemen terwijl hij aan de machine werkt.
Is een Human-in-the-Loop-systeem schaalbaar?
Hoewel de HITL-methode meestal wordt gebruikt tijdens de beginfase van de ontwikkeling van AI-applicaties, moet deze schaalbaar zijn naarmate de applicatie groeit. Het hebben van een mens-in-the-loop kan schaalbaarheid een uitdaging maken omdat het duur, onbetrouwbaar en tijdrovend wordt. Twee oplossingen kunnen schaalbaarheid tot een mogelijkheid maken: de ene, met behulp van een interpreteerbaar ML-model, en de andere, een online leeralgoritme.
De eerste kan meer worden gezien als een gedetailleerde samenvatting van de gegevens die het HITL-model kunnen helpen bij het verwerken van enorme hoeveelheden gegevens. In het laatste model leert het algoritme voortdurend en past het zich aan het nieuwe systeem en de nieuwe omstandigheden aan.
Human-in-the-Loop: de ethische overwegingen
Als mensen zijn we er trots op de vaandeldragers van ethiek en fatsoen te zijn. We nemen beslissingen op basis van onze ethische en praktische redeneringen.
Maar wat gebeurt er als een robot een menselijk bevel negeert vanwege de urgentie van de situatie?
Hoe zou het reageren en handelen zonder menselijke tussenkomst?
Ethiek hangt af van het doel waarvoor de robot is geprogrammeerd. Als de geautomatiseerde systemen beperkt zijn tot schoonmaken of wassen, is hun impact op het leven of de gezondheid van mensen minimaal. Aan de andere kant, als de robot is geprogrammeerd om kritieke en complexe taken op leven en dood uit te voeren, moet hij kunnen beslissen of hij bevelen opvolgt of niet.
De oplossing voor dit dilemma is het verwerven van een dataset met crowdsourced informatie over hoe autonome machines het beste kunnen worden getraind om met ethische dilemma's om te gaan.
Met behulp van deze informatie kunnen we robots voorzien van uitgebreide mensachtige gevoeligheden. In een leren onder toezicht systeem verzamelen mensen gegevens en trainen ze de modellen met behulp van feedbacksystemen. Met human-in-the-loop feedback kan het AI-systeem worden gebouwd om de sociaal-economische context, interpersoonlijke relaties, emotionele neigingen en ethische overwegingen te begrijpen.
Het is het beste om een mens achter de machine te hebben!
Machine learning-modellen gedijen op de kracht van betrouwbare, nauwkeurige en hoogwaardige gegevens die zijn getagd, gelabeld en geannoteerd. En dit proces wordt uitgevoerd door mensen, en met deze trainingsgegevens wordt een ML-model in staat gesteld om zelfstandig te analyseren, te begrijpen en te handelen. Menselijke tussenkomst is van cruciaal belang in elke fase: het geven van suggesties, feedback en correcties.
Dus als uw op AI gebaseerde oplossing te kampen heeft met het nadeel van onvoldoende getagde en gelabelde gegevens, waardoor u gedwongen wordt om niet-perfecte resultaten te behalen, moet u samenwerken met Shaip, de marktleidende expert op het gebied van gegevensverzameling.
We houden rekening met 'human-in-the-loop'-feedback om ervoor te zorgen dat uw AI-oplossing te allen tijde betere prestaties levert. Neem contact met ons op om onze mogelijkheden te verkennen.
