AI/ML ပရောဂျက်အတွက် လိုအပ်သော လူအချင်းချင်း လှည့်ပတ်မှု သို့မဟုတ် လူသားဝင်ရောက်စွက်ဖက်မှု ရှိပါသလား။

ဉာဏ်ရည်တု ထူးခြားသောဖောက်သည်ဝန်ဆောင်မှုကို ပေးဆောင်ရန်၊ ကုန်ထုတ်စွမ်းအားမြှင့်တင်ရန်၊ လည်ပတ်မှုကို ချောမွေ့စေပြီး ROI ကို အိမ်တိုင်ရာရောက်ပို့ဆောင်ရန် AI ကိုအသုံးပြုသည့် အမျိုးမျိုးသောစက်မှုလုပ်ငန်းခွင်များမှကုမ္ပဏီများနှင့်အတူ ပျံ့နှံ့ပျံ့နှံ့မှု မြန်ဆန်လာသည်။

သို့သော် ကုမ္ပဏီများသည် AI-based ဖြေရှင်းချက်များအား တစ်ကြိမ်တည်းဖြေရှင်းချက်တစ်ခုဖြစ်ပြီး ၎င်း၏မှော်ပညာကို ထက်မြက်စွာ ဆက်လက်လုပ်ဆောင်သွားမည်ဖြစ်ကြောင်း ကုမ္ပဏီများက ယုံကြည်ကြသည်။ ဒါတောင် AI က အလုပ်မဖြစ်ပါဘူး။ သင်ဟာ AI အတတ်နိုင်ဆုံးအဖွဲ့အစည်းဖြစ်ရင်တောင် သင့်မှာရှိရပါမယ်။ လူ့ -In-the-loop (HITL) အန္တရာယ်များကို လျှော့ချရန်နှင့် အကျိုးကျေးဇူးများ အမြင့်ဆုံးရရှိစေရန်။

သို့သော် AI ပရောဂျက်များတွင် လူသားဝင်ရောက်စွက်ဖက်မှု လိုအပ်ပါသလား။ ရှာကြစို့။

AI သည် လုပ်ငန်းများကို အလိုအလျောက်စနစ်အောင်မြင်ရန်၊ ထိုးထွင်းသိမြင်မှုများရရှိရန်၊ ဝယ်လိုအားနှင့် အရောင်းခန့်မှန်းချက်နှင့် ကင်းစင်သော ဖောက်သည်ဝန်ဆောင်မှုကို ပေးဆောင်ရန် အခွင့်အာဏာပေးသည်။ သို့သော်လည်း AI စနစ်များသည် မိမိကိုယ်ကို ထိန်းကျောင်းနိုင်ခြင်း မရှိပါ။ လူသားတို့၏ ဝင်ရောက်စွက်ဖက်မှုမရှိဘဲ AI သည် မလိုလားအပ်သော အကျိုးဆက်များ ရရှိနိုင်သည်။ ဥပမာအားဖြင့်၊ AI စနစ်သုံး ဒစ်ဂျစ်တယ်အိမ်ခြံမြေအကျိုးဆောင်ကုမ္ပဏီ Zillow သည် ၎င်း၏တစ်ဦးတည်းပိုင် algorithm ပေးပို့ရန်ပျက်ကွက်သောကြောင့် ဆိုင်ပိတ်ခဲ့ရသည်။ တိကျသောရလဒ်များ.

လူသား၏ဝင်ရောက်စွက်ဖက်မှုသည် လုပ်ငန်းစဉ်လိုအပ်ချက်တစ်ခုဖြစ်ပြီး ဂုဏ်သိက္ခာပိုင်း၊ ငွေကြေး၊ ကျင့်ဝတ်နှင့် စည်းမျဉ်းစည်းကမ်းလိုအပ်ချက်တစ်ခုဖြစ်သည်။ တစ်ခုရှိသင့်တယ်။ စက်နောက်မှာ လူ AI စစ်ဆေးမှုနှင့် ချိန်ခွင်လျှာများ ရှိစေရန်အတွက်။

IBM ၏ ဤအစီရင်ခံစာအရ၊ AI မွေးစားခြင်းအတွက် ထိပ်တန်းအတားအဆီးများ AI ကျွမ်းကျင်မှုမရှိခြင်း (၃၄%)၊ ဒေတာရှုပ်ထွေးလွန်းခြင်း (၂၄%) နှင့် အခြားအရာများ ပါဝင်သည်။ AI ဖြေရှင်းချက်တစ်ခုသည် ၎င်းတွင်ထည့်သွင်းထားသောဒေတာများကဲ့သို့သာ ကောင်းမွန်ပါသည်။ ယုံကြည်စိတ်ချရပြီး ဘက်မလိုက်ဘဲ ဒေတာနှင့် အယ်လဂိုရီသမ်တို့သည် ပရောဂျက်၏ ထိရောက်မှုကို ဆုံးဖြတ်သည်။

Human-in-the-Loop ဆိုတာ ဘာလဲ။

AI မော်ဒယ်များသည် ပတ်ဝန်းကျင်ကို နားလည်မှု ကိန်းဂဏန်းဆိုင်ရာ မော်ဒယ်များအပေါ် အခြေခံသောကြောင့် 100% တိကျသော ခန့်မှန်းချက်များကို မပြုလုပ်နိုင်ပါ။ မသေချာမရေရာမှုများကို ရှောင်ရှားရန်၊ လူသားများထံမှ တုံ့ပြန်ချက်သည် AI စနစ်အား ပြောင်းလဲရန်နှင့် ကမ္ဘာကြီးနှင့် ၎င်း၏ နားလည်မှုကို ချိန်ညှိရန် ကူညီပေးသည်။

လူသားအတွင်း-ကွင်းဆက် (HITL) စက်ကို အသုံးချ၍ AI ဖြေရှင်းချက်များအား တီထွင်ရာတွင် အသုံးပြုသည့် အယူအဆတစ်ခုဖြစ်သည်။ လူ့ဉာဏ်ရည်. သမားရိုးကျ HITL ချဉ်းကပ်မှုတွင်၊ လူသားများ၏ ပါဝင်ပတ်သက်မှုသည် လေ့ကျင့်မှု၊ ချိန်ညှိမှု၊ စမ်းသပ်မှုနှင့် ပြန်လည်လေ့ကျင့်မှု အဆက်မပြတ်ပတ်၀န်းကျင်တွင် ဖြစ်ပေါ်သည်။

HITL မော်ဒယ်၏ အကျိုးကျေးဇူးများ

HITL မော်ဒယ်သည် အထူးသဖြင့် ML-based မော်ဒယ်သင်တန်းအတွက် အားသာချက်များစွာရှိသည်။ လေ့ကျင့်ရေးဒေတာ ရှားပါးသော သို့မဟုတ် အစွန်းကွက်ဖြစ်ရပ်များ။ ထို့အပြင်၊ အပြည့်အဝအလိုအလျောက်ဖြေရှင်းချက်နှင့် နှိုင်းယှဉ်ပါက HITL နည်းလမ်းသည် ပိုမိုမြန်ဆန်ပြီး ထိရောက်သောရလဒ်များကို ထုတ်ပေးပါသည်။ အလိုအလျောက်စနစ်များနှင့်မတူဘဲ၊ လူသားများသည် ပြဿနာများအတွက် အဖြေများကို ရှာဖွေဖော်ထုတ်ရန် ၎င်းတို့၏ အတွေ့အကြုံများနှင့် အသိပညာများမှ လျင်မြန်စွာ ဆွဲထုတ်နိုင်သော မွေးရာပါစွမ်းရည်ရှိသည်။

နောက်ဆုံးအနေဖြင့်၊ အပြည့်အဝ manual သို့မဟုတ် အပြည့်အ၀ အလိုအလျောက်လုပ်ထားသော ဖြေရှင်းချက်နှင့် နှိုင်းယှဉ်ပါက၊ human-in-the-loop သို့မဟုတ် hybrid model တစ်ခုရှိခြင်းသည် လုပ်ငန်းများကို အသိဉာဏ်ရှိသော အလိုအလျောက်စနစ်ချဲ့ထွင်နေစဉ်တွင် အလိုအလျောက်စနစ်အဆင့်ကို ထိန်းချုပ်ရန် ကူညီပေးနိုင်ပါသည်။ HITL ချဉ်းကပ်မှုရှိခြင်းသည် AI ဆုံးဖြတ်ချက်ချခြင်း၏ ဘေးကင်းမှုနှင့် တိကျမှုကို တိုးတက်စေသည်။

Human-in-the-Loop ကို အကောင်အထည်ဖော်သည့်အခါ စိန်ခေါ်မှုများ

အထူးသဖြင့် AI ဖြေရှင်းချက်အောင်မြင်မှုသည် စနစ်လေ့ကျင့်ရန်အသုံးပြုသည့် လေ့ကျင့်ရေးဒေတာအရည်အသွေးပေါ်တွင်မူတည်သောကြောင့် HITL ကို အကောင်အထည်ဖော်ခြင်းသည် လွယ်ကူသောအလုပ်မဟုတ်ပေ။

လေ့ကျင့်ရေးဒေတာနှင့်အတူ၊ ထိုပတ်ဝန်းကျင်တွင် လုပ်ဆောင်ရန် ဒေတာ၊ ကိရိယာများနှင့် နည်းပညာများကို ကိုင်တွယ်ရန် တပ်ဆင်ထားသူများလည်း လိုအပ်ပါသည်။ နောက်ဆုံးအနေဖြင့်၊ AI စနစ်အား ကုန်ထုတ်စွမ်းအားနှင့် ထိရောက်မှုတိုးမြှင့်ရန်အတွက် အမွေအနှစ်လုပ်ငန်းအသွားအလာများနှင့် နည်းပညာများတွင် အောင်မြင်စွာ ပေါင်းစည်းသင့်သည်။

အလားအလာရှိသော applications များ

HITL ကို ML မော်ဒယ်လေ့ကျင့်ရေး အတွက် တိကျစွာ တံဆိပ်တပ်ထားသော အချက်အလက်များကို ပေးဆောင်ရန် အသုံးပြုပါသည်။ အညွှန်းတပ်ပြီးနောက်၊ နောက်တစ်ဆင့်မှာ အနားသတ်အိတ်များကို အမျိုးအစားခွဲခြင်း၊ အံဝင်ခွင်ကျဖြစ်စေခြင်း သို့မဟုတ် အမျိုးအစားအသစ်များ သတ်မှတ်ခြင်းဖြင့် မော်ဒယ်အပေါ်အခြေခံ၍ ဒေတာကို ချိန်ညှိခြင်းဖြစ်ပါသည်။ ခြေလှမ်းတိုင်းတွင်၊ လူ့အပြန်အလှန် ML မော်ဒယ်ကို ပိုမိုစမတ်ကျ၊ ပိုမိုတိကျပြီး ပိုမိုမြန်ဆန်စေရန်အတွက် စဉ်ဆက်မပြတ် တုံ့ပြန်ချက်သည် အရေးကြီးပါသည်။

Artificial Intelligence သည် လုပ်ငန်းအများအပြားတွင် လုပ်ဆောင်နိုင်သော်လည်း ၎င်းကို ကျန်းမာရေးစောင့်ရှောက်မှုတွင် တွင်ကျယ်စွာအသုံးပြုသည်။ AI ကိရိယာ၏ ရောဂါရှာဖွေနိုင်မှုစွမ်းရည်များ၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန်၊ ၎င်းကို လူသားများက လမ်းညွှန်ပြီး လေ့ကျင့်ပေးရမည်ဖြစ်သည်။

Human-in-the-Loop Machine Learning ဆိုတာဘာလဲ။

လူသားအတွင်း-စက်ကွင်းလေ့လာခြင်း။ ML-based မော်ဒယ်များကို လေ့ကျင့်သင်ကြားနေစဉ်အတွင်း လူသားများ ပါဝင်ပတ်သက်မှုကို ရည်ညွှန်းသည်။ ဤနည်းလမ်းကိုအသုံးပြု၍ ကြိုတင်တည်ဆောက်ထားသောအကြောင်းအရာထက် အသုံးပြုသူ၏ရည်ရွယ်ချက်အပေါ်အခြေခံ၍ နားလည်သဘောပေါက်ပြီး အပြန်အလှန်အပြန်အလှန်ပြောဆိုရန် ML မော်ဒယ်ကို လေ့ကျင့်ထားသည်။ ဤနည်းဖြင့် အသုံးပြုသူများသည် ၎င်းတို့၏မေးမြန်းချက်များအတွက် စိတ်ကြိုက်ပြင်ဆင်ပြီး စိတ်ကြိုက်ဖြေရှင်းချက်များကို တွေ့ကြုံခံစားနိုင်မည်ဖြစ်သည်။ ဆော့ဖ်ဝဲကို အသုံးပြုသူ ပိုများလာသည်နှင့်အမျှ HITL အကြံပြုချက်အပေါ် အခြေခံ၍ ၎င်း၏ ထိရောက်မှုနှင့် တိကျမှုကို မြှင့်တင်နိုင်ပါသည်။

HITL သည် Machine Learning ကို မည်သို့တိုးတက်စေသနည်း။

စက်ဖြင့်သင်ယူခြင်း မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို နည်းလမ်းသုံးမျိုးဖြင့် လူသားမှ မြှင့်တင်ပေးပါသည်။ သူတို့က:

တုံ့ပြန်ချက်: HITL ချဉ်းကပ်မှု၏ အဓိကရည်ရွယ်ချက်များထဲမှတစ်ခုမှာ AI ဖြေရှင်းချက်ကို လေ့လာရန်၊ အကောင်အထည်ဖော်ရန်နှင့် တိကျသောကြိုတင်ခန့်မှန်းချက်များကို ရရှိစေမည့် စနစ်အား တုံ့ပြန်ချက်ပေးရန်ဖြစ်သည်။

စစ်မှန်ကြောင်းအထောက်အထားပြပါ- လူသားတို့၏ စွက်ဖက်မှုဖြင့် ပြုလုပ်ထားသော ခန့်မှန်းချက်များ၏ စစ်မှန်မှုနှင့် တိကျမှုကို အတည်ပြုရန် ကူညီပေးနိုင်ပါသည်။ စက်သင်ယူမှု algorithms.

တိုးတက်မှုများကို အကြံပြုရန်- လူသားများသည် တိုးတက်မှုအတွက် နယ်ပယ်များကို ဖော်ထုတ်ရာတွင် ကျွမ်းကျင်ကြပြီး စနစ်အတွက် လိုအပ်သော အပြောင်းအလဲများကို အကြံပြုကြသည်။

မှုများကိုသုံးပါ

HITL ၏ထင်ရှားသောအသုံးပြုမှုအချို့မှာ-

အသုံးပြုသူ၏ယခင်ရှာဖွေမှုမှတ်တမ်းအပေါ်အခြေခံ၍ ရုပ်ရှင်နှင့်တီဗီရှိုးအကြံပြုချက်များကိုထုတ်လုပ်ရန် Netflix ကိုအသုံးပြုသည်။

Google ၏ ရှာဖွေရေးအင်ဂျင်သည် ရှာဖွေမှုမေးမြန်းမှုတွင် အသုံးပြုသည့် စကားလုံးများအပေါ် အခြေခံ၍ အကြောင်းအရာကို ရွေးချယ်ရန် 'Human-in-the-Loop' စည်းမျဉ်းများကို လုပ်ဆောင်သည်။