СТАТЬЯ
10 способов использования машинного обучения «человек в цикле» сегодня
Из книги Роберта Манро Human-in-the-Loop Machine Learning
В этой статье обсуждаются конкретные примеры машинного обучения с участием человека в цикле в практическом использовании и причины, по которым вам следует узнать об этом больше.
__________________________________________________________________
Вы можете получить книгу со скидкой 37 %, введя fccmunro в поле кода скидки при оформлении заказа на сайте manning.com.
_______________________________________________________________________
Один из самых важных вопросов в области технологий сегодня — как люди и машины могут работать вместе для решения проблем? Более 90% приложений, использующих искусственный интеллект, улучшаются благодаря обратной связи с людьми. Например, автономные транспортные средства становятся умнее, чем больше они наблюдают за водителями; умные устройства становятся умнее, поскольку слышат больше голосовых команд; а поисковые системы становятся умнее, отслеживая, на какие сайты люди на самом деле кликают по каждому поисковому запросу.
Машинное обучение «человек в цикле» Машинное обучение подробно описывает процесс оптимизации взаимодействия между алгоритмами машинного обучения и людьми, которые создают данные, лежащие в основе этих алгоритмов. В книге подробно рассматриваются технические детали каждой части этого процесса: от интерпретации того, где алгоритмы нуждаются в наибольшей помощи, до контроля качества обратной связи с человеком. Он охватывает основные методы в таких областях, как активное обучение, и более поздние достижения, такие как включение трансферного обучения в архитектуры «человек в цикле».
Эта статья дополняет технические компоненты моей книги, освещая 10 различных способов, которыми люди сегодня используют машинное обучение «человек в цикле», каждый из которых фокусируется на различных преимуществах, которые оно дает. Десять преимуществ использования систем «человек в цикле» по сравнению с полностью автоматизированными системами: устранение предвзятости, создание рабочих мест, дополнение редких данных, поддержание точности на уровне человека, привлечение экспертов в предметной области, обеспечение согласованности и точности, упрощение работы, повышение эффективности. , обеспечивая прозрачность и подотчетность, а также повышая безопасность.
В этой статье по очереди рассматривается каждый пример. Каждый пример взят из новостной статьи, опубликованной в первый месяц 2020 года, в которой подчеркивается, насколько широко сегодня используется машинное обучение «человек в цикле».
1. Избегайте предвзятости
Модели машинного обучения могут легко стать предвзятыми, потому что они обучаются на данных, которые сами по себе предвзяты. Присутствие человека в петле может выявить предвзятость на ранней стадии, как недавно сказала Дайанна Паредес, генеральный директор Suade, на Всемирном экономическом форуме:
2. Создать работу
Хотя искусственный интеллект часто фокусируется на том, как автоматизация может сократить рабочие места, она также создает новые рабочие места в области маркировки данных. Поскольку для обучения большинства алгоритмов необходимы люди, сейчас десятки тысяч людей специализируются на маркировке данных для машинного обучения. Людей, размечающих данные, больше, чем людей, создающих алгоритмы машинного обучения, и, как правило, они имеют гораздо более разнообразный опыт. Итак, как показывает этот пример в Индии, машинное обучение «человек в цикле» может позволить людям во всем мире извлечь выгоду из бума ИИ от новых рабочих мест:
3. Дополнять редкие данные
Большинство популярных алгоритмов машинного обучения требуют больших объемов размеченных данных для получения точных результатов. Однако во многих случаях нет даже большого количества неразмеченных данных для извлечения. Например, если вы ищете примеры фальшивых новостей на языке, на котором говорит всего несколько тысяч человек, на этом языке еще может не быть примеров фейковых новостей. Следовательно, алгоритму не на чем будет учиться. В этом случае постоянное наблюдение за людьми может обеспечить тот же уровень точности даже для более редких типов данных, как в этом примере с мониторингом в Facebook:
4. Сохраняйте точность на уровне человека
Есть много приложений, в которых вы никогда не хотите, чтобы ИИ опускался ниже человеческого уровня для выполнения задачи. Например, если вы производите критическое оборудование для самолета, вы можете повысить безопасность, используя машинное обучение для проверок, но вы не хотите жертвовать безопасностью ради автоматизации. Таким образом, вам по-прежнему нужна система, за которой люди могут следить, чтобы вы всегда получали точность на уровне человека, как в этой статье:
5. Привлеките экспертов в предметной области
Если у вас есть эксперты в предметной области (SME), создающие данные для обучения, вы можете создать несколько очень сложных приложений. Есть много отраслей, в которых МСП тесно сотрудничают с технологиями, основанными на машинном обучении, например, это пример использования в финансах от Nasdaq, который является отличным примером:
6. Обеспечьте согласованность и точность
Модели машинного обучения часто более точны для одних типов данных, чем для других. Это может привести к тому, что приложения будут гораздо менее последовательными, чем люди, превосходно работающими в одних областях и плохо работающими в других. Для критически важных задач, таких как аудит, это может быть несправедливо по отношению к целям этого аудита. Итак, бухгалтерские фирмы «большой четверки» инвестируют в архитектуры машинного обучения «человек в цикле», чтобы обеспечить согласованность:
7. Упростите работу
Наиболее очевидным преимуществом машинного обучения является то, что вы можете упростить работу, автоматизировав многие задачи. Так обстоит дело в этом примере кибербезопасности, когда невозможно полностью автоматизировать обнаружение угроз безопасности для компьютерных систем. Тем не менее, вы все равно можете полуавтоматизировать как можно больше задач, чтобы облегчить работу специалистов по безопасности:
8. Повысить эффективность
Повышение эффективности обычно идет рука об руку с облегчением работы, и многие люди спорят о том, можно ли (или нужно ли) автоматизировать здравоохранение. Как отмечается в этой статье, недавнее исследование Стэнфорда показало, что системы «человек в цикле» превосходят людей или ИИ в одиночку:
9. Обеспечение подотчетности и прозрачности
Интерпретация решения модели машинного обучения может быть очень сложной. Если модель имеет тысячи или даже миллионы параметров, что является обычным явлением, то любая «интерпретация» этой модели должна быть приближенной, потому что человек никак не может по-настоящему понять сложность такой большой модели. Для задач, меняющих жизнь, таких как этот пример о том, давать ли визу тому, кто хочет въехать в страну, у вас может быть потенциально отрицательное решение, всегда возвращаемое человеку, чтобы обеспечить подотчетность и прозрачность:
10. Повышение безопасности
Есть много способов, которыми машинное обучение повышает нашу безопасность, и наиболее очевидным примером является то, что автономные транспортные средства будут попадать в меньше аварий. Даже неавтономные транспортные средства могут использовать машинное обучение человека в цикле для повышения безопасности, как в этом примере из Формулы-1, где профессиональные игроки помогают с моделированием реальных условий вождения:
Выводы:
Каждый из этих примеров машинного обучения «человек в цикле» взят из статей, опубликованных в первый месяц 2020 года и охватывающих самые разные варианты использования: международные стандарты и управление; маркировка данных; модерация контента в социальных сетях; производство полуавтономных транспортных средств; мониторинг манипулирования финансовым рынком; аудит; информационная безопасность; здравоохранение; и автоспорт.
Несмотря на большое количество различных отраслей, использующих машинное обучение «человек в цикле», это все еще относительно новая область. Главным доказательством этого является то, что моя книга — первая, посвященная этой теме! Если вы хотите узнать больше о том, как реализуются такие технологии, возьмите копию книги и обратите внимание на другие статьи, подобные тем, которые мы поделились здесь!
Если вы хотите узнать больше о книге, ознакомьтесь с ней в нашей браузерной читалке liveBook здесь.
Эта статья изначально была опубликована в Центре бесплатных материалов Manning: https://freecontent.manning.com/10-ways-that-human-in-the-loop-machine-learning-is-used-today/
