Искусственный интеллект — это все о данных, он может работать только в том случае, если качество и объем предоставленных данных!
По этой причине мобильный краудсорсинг считается средством разработки искусственного интеллекта из-за способности толпы собирать большие объемы данных экономичным способом и в короткие сроки. Помимо сбора данных, толпа также играет важную роль в зрелости систем ИИ, маркируя необработанные данные и проверяя конечный продукт на предмет обеспечения качества.
Мобильная краудсорсинговая платформа (платформа управления) использует преимущества повсеместного распространения смартфонов, оснащенных датчиками и коммуникационными технологиями, и использует своих пользователей (мобильных работников), пассивно или активно, для сбора данных для конкретной задачи, запрошенной издателем задачи. . Эти задачи имеют ограничения и требования, которые должны выполняться нанятой толпой, которая затем поощряется взамен. Поощрения могут быть как денежными, так и в виде бесплатных услуг.
Например, толпа была набрана для тестирования классификаторов эмоций, разработанных Microsoft, Amazon и SightHound, в педиатрическом сообществе. Целевой аудиторией здесь являются участвующие родители, которые протестировали классификаторы на своих детях в 90-секундной игре. Было обнаружено, что классификаторы не срабатывали примерно в 40% случаев с детьми с диагнозом расстройство аутистического спектра (РАС), особенно с такими эмоциями, как гнев и отвращение, что делает их непригодными для использования для аутичных детей.
С другой стороны, способность ИИ анализировать шаблоны и принимать решения или обнаруживать аномалии также может быть использована для продвижения мобильного краудсорсинга во многих аспектах, таких как выбор правильного набора пользователей или обнаружение спама и злонамеренных действий. Однако при разработке такой гибридной структуры, интегрирующей ИИ в MCS, все еще остается много проблем.
Потенциальные преимущества MCS и вызовов на основе ИИ
Несмотря на многочисленные преимущества включения ИИ на разных этапах МВС, его практическая реализация еще не до конца проработана. Основным препятствием является проблема доступности и качества данных для конкретных приложений, тем более что ИИ полностью зависит от размера и содержания наборов данных. Кроме того, в следующем видео обобщены потенциальные преимущества практического внедрения ИИ на разных этапах MCS:
Преимущества и проблемы MCS на основе ИИ кратко изложены ниже:
Выбор пользователей
Аналитические возможности ИИ можно использовать для изучения поведения краудворкеров в различных контекстах и принятия соответствующих решений, выбирая тех, кто, согласно прогнозам, успешно выполнит задачу. Однако отсутствие данных о вновь присоединившихся работниках влияет на точность прогноза. Кроме того, в динамичном мире, в котором мы живем, и где контекст постоянно меняется, рабочие могут адаптировать свое поведение, чтобы справляться с новыми ситуациями. Это может сделать недействительными поведенческие модели, созданные для рабочих. Примером этого является пандемия Covid-19, которая вынудила большинство работников в мире изменить свое поведение, работая из дома или оставаясь дома в часы самоизоляции.
Сбор и проверка данных
Возможности обнаружения аномалий ИИ можно использовать для обнаружения поддельных или нерелевантных данных, собранных из спама или злонамеренных краудворкеров. Однако злоумышленники могут изменить свое поведение или вступить в сговор друг с другом, что усложняет обнаружение решений ИИ. Кроме того, для такого приложения требуется большой и точный набор обучающих данных, охватывающий несколько видов атак.
Принятие решений
Задачи, размещенные в мобильных краудсорсинговых приложениях, используют толпу для сбора данных, чтобы инициатор задачи в конечном итоге достиг консенсуса или принял решение по этой задаче. Быстрые и широкие поисковые возможности ИИ могут помочь в принятии таких решений. Однако сохраняется проблема непостоянства качества данных, что затрудняет принятие правильных решений. Это не обязательно означает, что в выбранную толпу входят злонамеренные рабочие, но у рабочих могут быть искренние разногласия или разные мнения по поводу одной и той же задачи.
Механизм обратной связи
Последним шагом в мобильных системах краудсорсинга является механизм обратной связи, который состоит из поощрения краудворкеров и обновления их репутации или оценок доверия. Обучение с подкреплением можно использовать для выявления стратегии работника с точки зрения качества и достоверности данных в ответ на различные платежи. Тем не менее, требуется несколько заданий, чтобы полностью раскрыть стратегию и заставить работника быть правдивым и представлять высокое качество.
Как можно использовать искусственный интеллект для решения этих проблем?
В недавних исследованиях было использовано использование ИИ в MCS, однако вышеупомянутые проблемы еще предстоит решить. Цель состоит в том, чтобы создать структуру MCS, которая использует ИИ на разных уровнях для совместного преодоления этих проблем и разработки полностью надежной системы.
Если вы хотите узнать об этой структуре, ее компонентах и о том, как слои взаимодействуют друг с другом, вы можете посетить документ по следующим ссылкам:
