Увеличилось количество машин, которые могут учиться и работать самостоятельно, и все благодаря огромным достижениям в области искусственного интеллекта (ИИ). Но когда дело доходит до обеспечения приемлемых показателей точности, эти системы с машинным управлением, похоже, отстают. Машинная классификация в сочетании с обратной связью от человека — лучший подход для разработки точных и точных моделей машинного обучения. Это точная основная философия концепции Human-in-the-Loop Машинное обучение.
Что такое машинное обучение «человек в цикле»?
Это смешанный подход, который использует эффективное сочетание машинного и человеческого интеллекта при разработке моделей машинного обучения. Подход «человек в цикле» (HITL) включает в себя интеграцию обратной связи от людей в кривую обучения машин, что делает их более эффективными и точными.
Этот подход в основном представляет собой вариант правила Парето 80/20, согласно которому алгоритм может обучаться самостоятельно в 80% случаев, при этом участие человека ограничено 19%, а оставшийся 1% остается случайным.
Участие людей ограничивается обучением, тестированием и настройкой модели. Разметка данных — это первый шаг, который предоставляет обучающие наборы данных самого высокого качества для машин, помогая им научиться делать точные прогнозы. После обучения люди будут настраивать модель различными способами, чтобы избежать переобучения и заставить модель узнавать о классификаторах для редких или пограничных случаев в ее компетенции. Позже они дополнительно тестируют и подтверждают модель. Вышеуказанные шаги являются частью непрерывного цикла обратной связи.
Когда машинное обучение с участием человека имеет значение?
Цена ошибки высока
Даже небольшая ошибка может привести к ужасным последствиям в определенных сценариях. HITL может сыграть решающую роль в разработке алгоритмов машинного обучения без права на ошибку.
Дисбаланс классов
Машины могут быть не в состоянии точно предсказать в случае редких случаев. В таких случаях участие человека помогает решить любые проблемы и переобучить модель действовать с высокой степенью уверенности.
Доступность данных
Могут быть случаи, когда алгоритмы машинного обучения не могут обеспечить оптимальную производительность из-за нехватки данных. Для классификации сообщений в социальных сетях на начальных этапах нового бизнеса или стартапа люди могут судить лучше, чем модели машинного обучения, поскольку им может потребоваться время, чтобы изучить и освоить задачу.
Приложения для машинного обучения с участием человека в цикле
Дорожные камеры
Различия в цвете, тексте и размере дорожных знаков в зависимости от страны и региона затрудняют понимание дорожных знаков алгоритмами машинного обучения. Предоставляя помеченные наборы данных, люди могут обучать модели ML обнаруживать дорожные знаки без права на ошибку, тем самым помогая избежать несчастных случаев со смертельным исходом.
Чат-боты
Чат-боты обучены анализировать и понимать запросы клиентов и предлагать подходящее решение. Часто клиенты задают сложные вопросы, которые сбивают ботов с толку, что, в свою очередь, заставляет их давать неуместные ответы. Вмешательство человека в этот момент помогает выявить основную проблему и эффективно решить ее.
О RightClick.AI
RightClick.AI помогает компаниям, занимающимся искусственным интеллектом, разрабатывать интеллектуальные модели машинного обучения, предоставляя им наборы данных самого высокого качества, которые можно использовать для обучения, тестирования и проверки их алгоритмов машинного обучения. Если вы ищете сервисы разметки данных с точностью до пикселя, отправьте письмо по адресу [email protected] или оставьте комментарий ниже.
Первоначально опубликовано на https://rightclick.ai 29 апреля 2020 г.
