ஹ்யூமன்-இன்-தி-லூப் (HITL)

AI/ML திட்டத்திற்கு மனித-இன்-தி-லூப் அல்லது மனித தலையீடு தேவையா?

செயற்கை நுண்ணறிவு மிக வேகமாக எங்கும் பரவி வருகிறது. பல்வேறு தொழில்துறைகளைச் சேர்ந்த நிறுவனங்கள், சிறந்த வாடிக்கையாளர் சேவையை வழங்கவும், உற்பத்தித்திறனை அதிகரிக்கவும், செயல்பாடுகளை நெறிப்படுத்தவும், முதலீட்டின் மீதான வருவாயைப் பெறவும் செயற்கை நுண்ணறிவைப் பயன்படுத்துகின்றன.

இருப்பினும், செயற்கை நுண்ணறிவு அடிப்படையிலான தீர்வுகளைச் செயல்படுத்துவது ஒரு முறை மட்டுமேயான தீர்வு என்றும், அது தொடர்ந்து தனது மாயாஜாலத்தை அற்புதமாக நிகழ்த்தும் என்றும் நிறுவனங்கள் நம்புகின்றன. ஆனால், செயற்கை நுண்ணறிவு அப்படிச் செயல்படுவதில்லை. நீங்கள் செயற்கை நுண்ணறிவை அதிகம் விரும்பும் ஒரு நிறுவனமாக இருந்தாலும், இடர்களைக் குறைக்கவும் நன்மைகளை அதிகரிக்கவும் மனிதக் கண்காணிப்பு (HITL) கட்டாயம் இருக்க வேண்டும்.

ஆனால் AI திட்டங்களில் மனித தலையீடு தேவையா? நாம் கண்டுபிடிக்கலாம்.

செயற்கை நுண்ணறிவு (AI) வணிகங்களுக்குத் தானியக்கத்தை அடையவும், நுண்ணறிவுகளைப் பெறவும், தேவை மற்றும் விற்பனையை முன்கணிக்கவும், குறைபாடற்ற வாடிக்கையாளர் சேவையை வழங்கவும் உதவுகிறது. இருப்பினும், AI அமைப்புகள் தற்சார்புடையவை அல்ல. மனிதத் தலையீடு இல்லாமல், AI விரும்பத்தகாத விளைவுகளை ஏற்படுத்தக்கூடும். உதாரணமாக, AI-ஆல் இயங்கும் டிஜிட்டல் ரியல் எஸ்டேட் நிறுவனமான ஜில்லோ, அதன் தனியுரிம அல்காரிதம் துல்லியமான முடிவுகளை வழங்கத் தவறியதால், தனது செயல்பாடுகளை நிறுத்த வேண்டியிருந்தது.

மனிதத் தலையீடு என்பது ஒரு செயல்முறைத் தேவையாகவும், நற்பெயர், நிதி, நெறிமுறை மற்றும் ஒழுங்குமுறை சார்ந்த அவசியமாகவும் உள்ளது. செயற்கை நுண்ணறிவின் கட்டுப்பாடுகளும் சமநிலைகளும் சரியான இடத்தில் இருப்பதை உறுதிசெய்ய, இயந்திரத்தின் பின்னால் ஒரு மனிதர் இருக்க வேண்டும் .

ஐபிஎம்-இன் இந்த அறிக்கையின்படி, செயற்கை நுண்ணறிவைப் பயன்படுத்துவதில் உள்ள முக்கியத் தடைகளில் , செயற்கை நுண்ணறிவுத் திறன்களின் பற்றாக்குறை (34%), அதிகப்படியான தரவுச் சிக்கல்தன்மை (24%) மற்றும் பிறவும் அடங்கும். ஒரு செயற்கை நுண்ணறிவுத் தீர்வின் தரம், அதற்கு அளிக்கப்படும் தரவைப் பொறுத்தே அமைகிறது. நம்பகமான மற்றும் பாரபட்சமற்ற தரவுகளும், அல்காரிதமும் ஒரு திட்டத்தின் செயல்திறனைத் தீர்மானிக்கின்றன.

ஹ்யூமன்-இன்-தி-லூப் என்றால் என்ன?

AI மாதிரிகள் 100% துல்லியமான கணிப்புகளைச் செய்ய முடியாது, ஏனெனில் சுற்றுச்சூழலைப் பற்றிய அவர்களின் புரிதல் புள்ளிவிவர மாதிரிகளை அடிப்படையாகக் கொண்டது. நிச்சயமற்ற தன்மையைத் தவிர்க்க, மனிதர்களிடமிருந்து வரும் கருத்து, AI அமைப்பை மாற்றவும், உலகத்தைப் பற்றிய அதன் புரிதலை சரிசெய்யவும் உதவுகிறது.

மனித ஈடுபாடு (HITL) என்பது இயந்திர மற்றும் மனித நுண்ணறிவைப் பயன்படுத்தி செயற்கை நுண்ணறிவுத் தீர்வுகளை உருவாக்குவதில் பயன்படுத்தப்படும் ஒரு கருத்தாக்கம் ஆகும் . ஒரு வழக்கமான HITL அணுகுமுறையில், பயிற்சி அளித்தல், செம்மைப்படுத்துதல், சோதித்தல் மற்றும் மறுபயிற்சி அளித்தல் ஆகிய தொடர்ச்சியான சுழற்சியில் மனித ஈடுபாடு நிகழ்கிறது.

HITL மாதிரியின் நன்மைகள்

ML-அடிப்படையிலான மாதிரிப் பயிற்சிக்கு, குறிப்பாகப் பயிற்சித் தரவுகள் குறைவாக இருக்கும்போது அல்லது சிக்கலான சூழ்நிலைகளில், ஒரு HITL மாதிரி பல நன்மைகளைக் கொண்டுள்ளது. மேலும், முழுமையாகத் தானியங்குபடுத்தப்பட்ட தீர்வுடன் ஒப்பிடும்போது, ​​ஒரு HITL முறையானது வேகமான மற்றும் மிகவும் பயனுள்ள முடிவுகளை வழங்குகிறது. தானியங்கு அமைப்புகளைப் போலல்லாமல், மனிதர்கள் தங்கள் அனுபவங்கள் மற்றும் அறிவைப் பயன்படுத்திப் பிரச்சினைகளுக்கான தீர்வுகளை விரைவாகக் கண்டறியும் உள்ளார்ந்த திறனைக் கொண்டுள்ளனர்.

இறுதியாக, ஒரு முழு கையேடு அல்லது முழு தானியங்கு தீர்வுடன் ஒப்பிடும்போது, ​​மனித-இன்-தி-லூப் அல்லது ஒரு கலப்பின மாதிரியைக் கொண்டிருப்பது, அறிவார்ந்த ஆட்டோமேஷனை விரிவுபடுத்தும் போது வணிகங்கள் தன்னியக்க நிலையைக் கட்டுப்படுத்த உதவும். HITL அணுகுமுறையைக் கொண்டிருப்பது AI முடிவெடுப்பதில் பாதுகாப்பு மற்றும் துல்லியத்தை மேம்படுத்த உதவுகிறது.

ஹ்யூமன்-இன்-தி-லூப்பைச் செயல்படுத்தும்போது ஏற்படும் சவால்கள்

ஐ சவால்கள்

HITL ஐ செயல்படுத்துவது எளிதான காரியம் அல்ல, குறிப்பாக AI தீர்வின் வெற்றியானது கணினியைப் பயிற்றுவிக்கப் பயன்படுத்தப்படும் பயிற்சி தரவின் தரத்தைப் பொறுத்தது.

பயிற்சித் தரவுகளுடன், குறிப்பிட்ட சூழலில் செயல்படுவதற்கான தரவு, கருவிகள் மற்றும் நுட்பங்களைக் கையாளத் தேவையான நபர்களும் உங்களுக்குத் தேவை. இறுதியாக, உற்பத்தித்திறன் மற்றும் செயல்திறனை அதிகரிக்க AI அமைப்பு பாரம்பரிய பணிப்பாய்வுகள் மற்றும் தொழில்நுட்பங்களில் வெற்றிகரமாக ஒருங்கிணைக்கப்பட வேண்டும்.

சாத்தியமான பயன்பாடுகள்

ML மாதிரிப் பயிற்சிக்குத் துல்லியமாகக் குறியிடப்பட்ட தரவை வழங்க HITL பயன்படுத்தப்படுகிறது. குறியிட்ட பிறகு, விளிம்புநிலை நிகழ்வுகளை வகைப்படுத்துதல், மிகைப்பொருத்தம் அல்லது புதிய வகைகளை ஒதுக்குதல் ஆகியவற்றின் மூலம் மாதிரியின் அடிப்படையில் தரவைச் சரிசெய்வதே அடுத்த படியாகும். ஒவ்வொரு படியிலும் மனிதத் தலையீடு இன்றியமையாதது, ஏனெனில் தொடர்ச்சியான பின்னூட்டம் ML மாதிரியை மேலும் புத்திசாலித்தனமாகவும், துல்லியமாகவும், வேகமாகவும் மாற்ற உதவும். இதே கொள்கைதான் இப்போது மனிதத் தலையீட்டுடன் கூடிய LLM மதிப்பீட்டிற்கும் அடிப்படையாக உள்ளது , இதில் மாதிரி வெளியீடுகள் உற்பத்தி நிலையை அடைவதற்கு முன்பே நிபுணத்துவ மதிப்பாய்வாளர்கள் அவற்றை மதிப்பிடுகின்றனர்.

செயற்கை நுண்ணறிவு பல தொழில்களுக்கு உதவுகிறது என்றாலும், இது சுகாதாரப் பாதுகாப்பில் பரவலாகப் பயன்படுத்தப்படுகிறது. AI கருவியின் கண்டறியும் திறன்களின் செயல்திறனை மேம்படுத்த, அது மனிதர்களால் வழிநடத்தப்பட்டு பயிற்சியளிக்கப்பட வேண்டும்.

மனித-இன்-தி-லூப் இயந்திர கற்றல் என்றால் என்ன?

மனிதத் தலையீட்டு இயந்திரக் கற்றல் (Human-in-the-loop Machine learning ) என்பது, இயந்திரக் கற்றல் அடிப்படையிலான மாதிரிகளின் பயிற்சி மற்றும் செயல்பாட்டின் போது மனிதர்களின் ஈடுபாட்டைக் குறிக்கிறது. இந்த முறையைப் பயன்படுத்தி, முன்பே உருவாக்கப்பட்ட உள்ளடக்கத்திற்குப் பதிலாக, பயனரின் நோக்கத்தின் அடிப்படையில் புரிந்துகொண்டு செயல்படுமாறு இயந்திரக் கற்றல் மாதிரிக்கு பயிற்சி அளிக்கப்படுகிறது. இதன் மூலம், பயனர்கள் தங்கள் கேள்விகளுக்கான தனிப்பயனாக்கப்பட்ட மற்றும் பிரத்யேகமான தீர்வுகளைப் பெற முடியும். அதிகமான மக்கள் இந்த மென்பொருளைப் பயன்படுத்தும்போது, ​​மனிதத் தலையீட்டு இயந்திரக் கற்றல் பின்னூட்டத்தின் அடிப்படையில் அதன் செயல்திறனையும் துல்லியத்தையும் மேம்படுத்த முடியும்.

ஒரு HITL இயந்திர கற்றலை எவ்வாறு மேம்படுத்துகிறது?

மனித-இன்-தி-லூப் இயந்திர கற்றல் மாதிரியின் செயல்திறனை மூன்று வழிகளில் மேம்படுத்துகிறது. அவை:

மிலியை மேம்படுத்த ஹிட்டில் செயல்முறை

பின்னூட்டம்: HITL அணுகுமுறையின் முதன்மை நோக்கங்களில் ஒன்று, அமைப்புக்கு பின்னூட்டம் வழங்குவதாகும். இது, செயற்கை நுண்ணறிவுத் தீர்வு கற்றுக்கொள்ளவும், செயல்படுத்தவும், துல்லியமான கணிப்புகளை வழங்கவும் உதவுகிறது.

உறுதிப்படுத்துதல்: இயந்திர கற்றல் வழிமுறைகளால் செய்யப்படும் கணிப்புகளின் உண்மைத்தன்மை மற்றும் துல்லியத்தன்மையைச் சரிபார்க்க மனிதத் தலையீடு உதவக்கூடும்.

மேம்பாடுகளைப் பரிந்துரைத்தல்: மேம்படுத்தப்பட வேண்டிய பகுதிகளைக் கண்டறிவதிலும், அமைப்புக்குத் தேவையான மாற்றங்களைப் பரிந்துரைப்பதிலும் மனிதர்கள் திறமை வாய்ந்தவர்கள்.

பயன்பாடு வழக்குகள்

HITL இன் சில முக்கிய பயன்பாட்டு நிகழ்வுகள்:

பயனரின் முந்தைய தேடல் வரலாற்றின் அடிப்படையில் திரைப்படம் மற்றும் டிவி ஷோ பரிந்துரைகளை உருவாக்க நெட்ஃபிக்ஸ் மனித-இன்-தி-லூப்பைப் பயன்படுத்துகிறது.

தேடல் வினவலில் பயன்படுத்தப்படும் வார்த்தைகளின் அடிப்படையில் உள்ளடக்கத்தைத் தேர்ந்தெடுப்பதற்கு Google இன் தேடுபொறி 'Human-in-the-Loop' கொள்கைகளில் செயல்படுகிறது.

இன்று உங்களின் AI பயிற்சி தரவுத் தேவையைப் பற்றி விவாதிப்போம்.

"Human on the Loop" என்ற சொல்லைப் பயன்படுத்துவதற்கான கட்டுக்கதைகள்

ஹ்யூமன்-இன்-தி-லூப் பற்றிய அனைத்தும் ரோஸி மற்றும் நம்பகமானவை அல்ல. AI அமைப்புகளில் அதிக 'மனித குறுக்கீடு' தேவைப்படுபவர்களுக்கு எதிராக நிபுணர்கள் மத்தியில் கடுமையான கருத்து வேறுபாடுகள் உள்ளன.

AI போன்ற சிக்கலான அமைப்புகளை மேற்பார்வையிட மனிதர்கள் லூப்பில் இருந்தாலும், ஆன் அல்லது அருகில் எங்கும் இருந்தாலும், அது தேவையற்ற விளைவுகளுக்கு வழிவகுக்கும். AI-அடிப்படையிலான தானியங்கு தீர்வுகள் மில்லி விநாடிகளில் முடிவுகளை எடுக்கின்றன, இதனால் மனிதர்கள் கணினியுடன் அர்த்தமுள்ள தொடர்புகளை ஏற்படுத்துவது நடைமுறையில் சாத்தியமற்றது.

  • இந்த ஒன்றுக்கொன்று சார்ந்திருக்கும் நகரும் பகுதிகளைப் புரிந்துகொண்டு மேற்பார்வை செய்வதன் மூலம் AI இன் அனைத்து பகுதிகளுடனும் (சென்சார்கள், தரவு, ஆக்சுவேட்டர்கள் மற்றும் ML அல்காரிதம்) ஒரு மனிதனால் அர்த்தமுள்ள வகையில் தொடர்புகொள்வது சாத்தியமில்லை.
  • கணினியில் உட்பொதிக்கப்பட்ட குறியீடுகளை அனைவரும் உண்மையான நேரத்தில் மதிப்பாய்வு செய்ய முடியாது. மனித நிபுணரின் பங்களிப்பு ஆரம்ப கட்ட கட்டத்திலும் முழு வாழ்க்கைச் சுழற்சியிலும் தேவைப்படுகிறது.
  • AI- அடிப்படையிலான அமைப்புகள் பிளவு-இரண்டாவது, நேர-உணர்திறன் முடிவுகளை எடுக்க வேண்டும். இந்த அமைப்புகளின் வேகத்தையும் தொடர்ச்சியையும் மனிதர்கள் இடைநிறுத்துவது நடைமுறையில் சாத்தியமற்றது.
  • தொலைதூர இடங்களில் தலையீடு இருக்கும்போது HITL உடன் தொடர்புடைய பெரிய அபாயங்கள் உள்ளன. தாமத நேரம், நெட்வொர்க் சிக்கல்கள், அலைவரிசை சிக்கல்கள் மற்றும் பிற தாமதங்கள் திட்டத்தில் தாக்கத்தை ஏற்படுத்தும். மேலும், தன்னாட்சி இயந்திரங்களைக் கையாளும் போது மக்கள் சலிப்படைகிறார்கள்.
  • தன்னியக்கமயமாக்கல் வேகமாக வளர்ந்து வருவதால், இந்த சிக்கலான அமைப்புகளைப் புரிந்துகொள்வதற்குத் தேவையான திறன்கள் குறைந்து வருகின்றன. இடைநிலைத் திறன்கள் மற்றும் நெறிமுறை திசைகாட்டி ஆகியவற்றுடன் கூடுதலாக, அமைப்பின் சூழலைப் புரிந்துகொள்வதும், சுழற்சியில் மனிதர்களின் அளவை தீர்மானிப்பதும் அவசியம்.

மனித-இன்-தி-லூப் அணுகுமுறையுடன் தொடர்புடைய கட்டுக்கதைகளைப் புரிந்துகொள்வது, நெறிமுறை, சட்டப்பூர்வமாக இணக்கமான மற்றும் பயனுள்ள AI தீர்வுகளை உருவாக்க உதவும்.

AI தீர்வுகளை உருவாக்க முயற்சிக்கும் வணிகமாக, "மனிதன்-இன்-தி-லூப்" என்றால் என்ன என்றும், இயந்திரத்தில் பணிபுரியும் போது எந்த மனிதனும் இடைநிறுத்த, பிரதிபலிக்க, பகுப்பாய்வு மற்றும் பொருத்தமான நடவடிக்கை எடுக்க முடியுமா என்பதை நீங்களே கேட்டுக்கொள்ள வேண்டும்.

மனித-இன்-தி-லூப் அமைப்பு அளவிடக்கூடியதா?

AI பயன்பாட்டு மேம்பாட்டின் ஆரம்ப கட்டங்களில் HITL முறை பொதுவாகப் பயன்படுத்தப்பட்டாலும், பயன்பாடு வளரும்போது அது அளவிடக்கூடியதாக இருக்க வேண்டும். மனித-இன்-தி-லூப்பை வைத்திருப்பது அளவிடுதல் ஒரு சவாலாக மாறும், ஏனெனில் அது விலையுயர்ந்த, நம்பகத்தன்மையற்ற மற்றும் நேரத்தை எடுத்துக்கொள்ளும். இரண்டு தீர்வுகள் அளவிடக்கூடிய சாத்தியத்தை உருவாக்கலாம்: ஒன்று, விளக்கக்கூடிய ML மாதிரியைப் பயன்படுத்துதல், மற்றொன்று, ஆன்லைன் கற்றல் வழிமுறை.

HITL மாடல் பாரிய அளவிலான தரவைக் கையாள உதவும் தரவுகளின் விரிவான சுருக்கமாக முந்தையதைக் காணலாம். பிந்தைய மாதிரியில், அல்காரிதம் தொடர்ந்து புதிய அமைப்பு மற்றும் நிபந்தனைகளுக்கு ஏற்றவாறு கற்றுக்கொள்கிறது.

ஹ்யூமன்-இன்-தி-லூப்: த நெறிமுறைக் கருத்தாய்வுகள்

மனிதர்களாகிய நாம் நெறிமுறைகள் மற்றும் கண்ணியத்தின் கொடி ஏந்தியவர்கள் என்பதில் பெருமிதம் கொள்கிறோம். எங்கள் நெறிமுறை மற்றும் நடைமுறை பகுத்தறிவின் அடிப்படையில் நாங்கள் முடிவுகளை எடுக்கிறோம்.

ஆனால் சூழ்நிலையின் அவசரத்தால் ஒரு ரோபோ மனித கட்டளையை மீறினால் என்ன நடக்கும்?

மனித தலையீடு இல்லாமல் அது எப்படி நடந்து கொள்ளும்?

நெறிமுறைகள், ரோபோ எந்தப் பணியைச் செய்ய நிரல்படுத்தப்பட்டுள்ளது என்பதன் நோக்கத்தைப் பொறுத்து அமைகின்றன. தானியங்கி அமைப்புகள் சுத்தம் செய்தல் அல்லது துணி துவைத்தல் போன்ற பணிகளுக்கு மட்டுமே வரையறுக்கப்பட்டிருந்தால், மனித உயிர் அல்லது ஆரோக்கியத்தின் மீதான அவற்றின் தாக்கம் மிகக் குறைவாகவே இருக்கும். மறுபுறம், உயிர்-மரணத்தை நிர்ணயிக்கும் மிக முக்கியமான மற்றும் சிக்கலான பணிகளைச் செய்ய ரோபோ நிரல்படுத்தப்பட்டிருந்தால், அது கட்டளைகளுக்குக் கீழ்ப்படிவதா இல்லையா என்பதைத் தீர்மானிக்கும் திறனைக் கொண்டிருக்க வேண்டும்.

மேற்பார்வை கற்றல்

நெறிமுறை இக்கட்டான சூழ்நிலைகளைக் கையாள தன்னாட்சி இயந்திரங்களை எவ்வாறு சிறப்பாகப் பயிற்றுவிப்பது என்பது குறித்த க்ரூவ்சோர்ஸ் தகவல்களின் தரவுத்தொகுப்பைப் பெறுவதே இந்த இக்கட்டான நிலைக்குத் தீர்வாகும்.

இந்தத் தகவலைப் பயன்படுத்தி, ரோபோக்களுக்கு விரிவான மனிதனைப் போன்ற உணர்திறன்களை நம்மால் வழங்க முடியும். ஒரு மேற்பார்வையிடப்பட்ட கற்றல் அமைப்பில், மனிதர்கள் தரவுகளைச் சேகரித்து, பின்னூட்ட அமைப்புகளைப் பயன்படுத்தி மாதிரிகளுக்குப் பயிற்சி அளிக்கின்றனர். மனிதப் பங்களிப்புடன் கூடிய பின்னூட்டத்தின் மூலம், சமூக-பொருளாதாரச் சூழல், தனிநபர்களுக்கிடையேயான உறவுகள், உணர்ச்சிசார் நாட்டங்கள் மற்றும் நெறிமுறைக் கருத்தாய்வுகளைப் புரிந்துகொள்ளும் வகையில் செயற்கை நுண்ணறிவு அமைப்பைக் கட்டமைக்க முடியும்.

இயந்திரத்தின் பின்னால் ஒரு மனிதன் இருப்பது சிறந்தது!

குறியிடப்பட்ட, பெயரிடப்பட்ட மற்றும் விளக்கக் குறிப்புகள் இடப்பட்ட நம்பகமான, துல்லியமான மற்றும் தரமான தரவுகளின் ஆற்றலைக் கொண்டே இயந்திரக் கற்றல் மாதிரிகள் செழித்து வளர்கின்றன. மேலும், இந்தச் செயல்முறை மனிதர்களால் மேற்கொள்ளப்படுகிறது, மற்றும் இந்தப் பயிற்சித் தரவுகளைக் கொண்டு, ஒரு இயந்திரக் கற்றல் மாதிரியானது தானாகவே பகுப்பாய்வு செய்யவும், புரிந்துகொள்ளவும் மற்றும் செயல்படவும் திறன்பெற்றதாக ஆக்கப்படுகிறது. பரிந்துரைகள், பின்னூட்டங்கள் மற்றும் திருத்தங்களை வழங்குவது என ஒவ்வொரு கட்டத்திலும் மனிதத் தலையீடு இன்றியமையாதது.

எனவே, உங்கள் AI அடிப்படையிலான தீர்வு, போதுமான அளவு குறியிடப்படாத மற்றும் பெயரிடப்படாத தரவுகளின் குறைபாட்டால் தத்தளித்து, முழுமையற்ற முடிவுகளை அடைய உங்களை நிர்பந்தித்தால், சந்தையில் முன்னணியில் உள்ள தரவு சேகரிப்பு நிபுணரான ஷைப் உடன் நீங்கள் கூட்டாளராக வேண்டும்.

உங்கள் AI தீர்வு எல்லா நேரங்களிலும் மேம்பட்ட செயல்திறனைப் பெறுவதை உறுதிசெய்ய, "மனித-இன்-தி-லூப்" கருத்தை நாங்கள் காரணியாகக் கொண்டுள்ளோம். எங்கள் திறன்களை ஆராய எங்களை தொடர்பு கொள்ளவும்.

இந்தக் கட்டுரை உங்களுக்குப் பிடித்திருந்ததா? மேலும் தகவல்களுக்கு லிங்க்ட்இனில் ஷைப்பைப் பின்தொடரவும்.

சமூக பகிர்