จำเป็นต้องมี Human-in-the-Loop หรือการแทรกแซงของมนุษย์สำหรับโครงการ AI/ML หรือไม่

ปัญญาประดิษฐ์ กำลังกลายเป็นที่แพร่หลายอย่างรวดเร็ว โดยบริษัทต่างๆ ในอุตสาหกรรมต่างๆ ใช้ AI เพื่อมอบบริการลูกค้าที่ยอดเยี่ยม เพิ่มประสิทธิภาพการทำงาน เพิ่มความคล่องตัวในการดำเนินงาน และนำ ROI กลับบ้าน

อย่างไรก็ตาม บริษัทต่างๆ เชื่อว่าการนำโซลูชันที่ใช้ AI ไปใช้นั้นเป็นโซลูชันแบบครั้งเดียวและจะยังคงใช้เวทมนตร์ได้อย่างยอดเยี่ยมต่อไป แต่นั่นไม่ใช่วิธีการทำงานของ AI แม้ว่าคุณจะเป็นองค์กรที่มีความโน้มเอียงไปทาง AI มากที่สุด คุณก็ต้องมี มนุษย์ในวง (HITL) เพื่อลดความเสี่ยงและเกิดประโยชน์สูงสุด

แต่จำเป็นต้องมีการแทรกแซงของมนุษย์ในโครงการ AI หรือไม่ ลองหากัน

AI ช่วยให้ธุรกิจบรรลุระบบอัตโนมัติ รับข้อมูลเชิงลึก คาดการณ์ความต้องการและการขาย และให้บริการลูกค้าที่ไร้ที่ติ อย่างไรก็ตาม ระบบ AI นั้นไม่สามารถพึ่งพาตนเองได้ หากปราศจากการแทรกแซงของมนุษย์ AI สามารถมีผลลัพธ์ที่ไม่พึงประสงค์ได้ ตัวอย่างเช่น Zillow บริษัทอสังหาริมทรัพย์ดิจิทัลที่ขับเคลื่อนด้วย AI ต้องปิดร้านเพราะอัลกอริทึมที่เป็นกรรมสิทธิ์ไม่สามารถส่งมอบได้ ผลลัพธ์ที่แม่นยำ.

การแทรกแซงของมนุษย์เป็นความจำเป็นของกระบวนการและเป็นข้อกำหนดด้านชื่อเสียง การเงิน จริยธรรม และกฎระเบียบ ควรมี คนที่อยู่หลังเครื่อง เพื่อให้แน่ใจว่ามีการตรวจสอบและถ่วงดุล AI

ตามรายงานนี้โดย IBM, the อุปสรรคสำคัญต่อการนำ AI มาใช้ รวมถึงการขาดทักษะด้าน AI (34%) ความซับซ้อนของข้อมูลมากเกินไป (24%) และอื่นๆ โซลูชัน AI นั้นดีเท่ากับข้อมูลที่ป้อนเข้าไปเท่านั้น ข้อมูลที่เชื่อถือได้และเป็นกลางและอัลกอริทึมกำหนดประสิทธิภาพของโครงการ

Human-in-the-Loop คืออะไร?

แบบจำลอง AI ไม่สามารถทำนายได้แม่นยำ 100% เนื่องจากความเข้าใจในสภาพแวดล้อมขึ้นอยู่กับแบบจำลองทางสถิติ เพื่อหลีกเลี่ยงความไม่แน่นอน ความคิดเห็นจากมนุษย์จะช่วยให้ระบบ AI ปรับแต่งและปรับความเข้าใจของโลก

มนุษย์ใน-วนซ้ำ (HITL) เป็นแนวคิดที่ใช้ในการพัฒนาโซลูชัน AI โดยใช้ประโยชน์จากเครื่องจักรและ สติปัญญาของมนุษย์. ในแนวทาง HITL ทั่วไป การมีส่วนร่วมของมนุษย์เกิดขึ้นในการฝึกอบรม การปรับแต่ง การทดสอบ และการฝึกซ้ำอย่างต่อเนื่อง

ประโยชน์ของแบบจำลอง HITL

โมเดล HITL มีข้อดีหลายประการสำหรับการฝึกอบรมโมเดลที่ใช้ ML โดยเฉพาะอย่างยิ่งเมื่อ ข้อมูลการฝึกอบรม หายากหรืออยู่ในสถานการณ์ขอบกรณี นอกจากนี้ เมื่อเปรียบเทียบกับโซลูชันอัตโนมัติเต็มรูปแบบ วิธี HITL ให้ผลลัพธ์ที่รวดเร็วและมีประสิทธิภาพมากกว่า ซึ่งแตกต่างจากระบบอัตโนมัติ มนุษย์มีความสามารถโดยธรรมชาติในการดึงประสบการณ์และความรู้อย่างรวดเร็วเพื่อหาทางออกของปัญหา

สุดท้าย เมื่อเทียบกับโซลูชันแบบแมนนวลหรือแบบอัตโนมัติเต็มรูปแบบ การมีโมเดลแบบมนุษย์ในลูปหรือแบบไฮบริดสามารถช่วยให้ธุรกิจควบคุมระดับระบบอัตโนมัติในขณะที่ขยายระบบอัตโนมัติอัจฉริยะ การมีแนวทาง HITL ช่วยปรับปรุงความปลอดภัยและความแม่นยำในการตัดสินใจของ AI

ความท้าทายเมื่อใช้งาน Human-in-the-Loop

การนำ HITL ไปใช้ไม่ใช่เรื่องง่าย โดยเฉพาะอย่างยิ่งเมื่อความสำเร็จของโซลูชัน AI ขึ้นอยู่กับคุณภาพของข้อมูลการฝึกอบรมที่ใช้ในการฝึกอบรมระบบ

นอกจากข้อมูลการฝึกอบรมแล้ว คุณยังต้องการบุคลากรที่พร้อมสำหรับจัดการข้อมูล เครื่องมือ และเทคนิคเพื่อดำเนินการในสภาพแวดล้อมนั้นๆ ประการสุดท้าย ระบบ AI ควรรวมเข้ากับเวิร์กโฟลว์และเทคโนโลยีเดิมได้สำเร็จ เพื่อเพิ่มผลผลิตและประสิทธิภาพ

การใช้งานที่เป็นไปได้

HITL ใช้เพื่อจัดเตรียมข้อมูลที่มีป้ายกำกับอย่างถูกต้องสำหรับการฝึกอบรมโมเดล ML หลังจากการติดฉลาก ขั้นตอนต่อไปคือการปรับแต่งข้อมูลตามโมเดลโดยการจัดประเภทขอบเคส การใส่มากเกินไป หรือการกำหนดหมวดหมู่ใหม่ ในแต่ละขั้นตอน ปฏิสัมพันธ์ของมนุษย์ เป็นสิ่งสำคัญ เนื่องจากการป้อนกลับอย่างต่อเนื่องสามารถช่วยทำให้โมเดล ML ฉลาดขึ้น แม่นยำขึ้น และรวดเร็วขึ้น

แม้ว่าปัญญาประดิษฐ์จะใช้ได้กับหลายอุตสาหกรรม แต่ก็มีการใช้อย่างแพร่หลายในด้านการดูแลสุขภาพ เพื่อปรับปรุงประสิทธิภาพความสามารถในการวินิจฉัยของเครื่องมือ AI จะต้องได้รับคำแนะนำและการฝึกอบรมจากมนุษย์

Human-in-the-Loop Machine Learning คืออะไร?

มนุษย์ใน-การเรียนรู้ของเครื่องวนซ้ำ แสดงถึงการมีส่วนร่วมของมนุษย์ในระหว่างการฝึกอบรมและการปรับใช้โมเดลที่ใช้ ML การใช้วิธีนี้ โมเดล ML ได้รับการฝึกฝนให้เข้าใจและตอบสนองตามความตั้งใจของผู้ใช้มากกว่าเนื้อหาที่สร้างไว้ล่วงหน้า ด้วยวิธีนี้ ผู้ใช้สามารถสัมผัสประสบการณ์การแก้ปัญหาที่เป็นส่วนตัวและปรับแต่งได้สำหรับคำถามของพวกเขา เนื่องจากมีคนใช้ซอฟต์แวร์มากขึ้นเรื่อยๆ ประสิทธิภาพและความแม่นยำของซอฟต์แวร์จึงสามารถปรับปรุงตามความคิดเห็นของ HITL

HITL ปรับปรุงการเรียนรู้ของเครื่องอย่างไร

Human-in-the-loop ปรับปรุงประสิทธิภาพของโมเดลแมชชีนเลิร์นนิงในสามวิธี พวกเขาเป็น:

ข้อเสนอแนะ: จุดประสงค์หลักข้อหนึ่งของแนวทาง HITL คือการให้ข้อมูลย้อนกลับแก่ระบบ ซึ่งช่วยให้โซลูชัน AI เรียนรู้ นำไปใช้ และคาดการณ์ได้อย่างแม่นยำ

ตรวจสอบสิทธิ์: การแทรกแซงของมนุษย์สามารถช่วยตรวจสอบความถูกต้องและแม่นยำของคำทำนายที่ทำขึ้นได้ อัลกอริทึมการเรียนรู้ของเครื่อง.

แนะนำการปรับปรุง: มนุษย์เชี่ยวชาญในการระบุพื้นที่สำหรับการปรับปรุงและเสนอแนะการเปลี่ยนแปลงที่จำเป็นสำหรับระบบ

ใช้กรณี

กรณีการใช้งานที่โดดเด่นบางประการของ HITL ได้แก่ :

Netflix ใช้การทำงานโดยมนุษย์เพื่อสร้างคำแนะนำภาพยนตร์และรายการทีวีตามประวัติการค้นหาก่อนหน้าของผู้ใช้

เครื่องมือค้นหาของ Google ทำงานบนหลักการ 'Human-in-the-Loop' เพื่อเลือกเนื้อหาตามคำที่ใช้ในข้อความค้นหา