kecerdasan buatan dengan cepat menjadi tersebar luas, dengan perusahaan di berbagai industri menggunakan AI untuk memberikan layanan pelanggan yang luar biasa, meningkatkan produktivitas, merampingkan operasi, dan membawa pulang ROI.
Namun, perusahaan percaya bahwa menerapkan solusi berbasis AI adalah solusi satu kali dan akan terus bekerja dengan sangat baik. Namun, bukan itu cara kerja AI. Bahkan jika Anda adalah organisasi yang paling condong ke AI, Anda harus memilikinya manusia dalam lingkaran (HITL) untuk meminimalkan risiko dan memaksimalkan manfaat.
Tetapi apakah intervensi manusia diperlukan dalam proyek AI? Ayo cari tahu.
AI memberdayakan bisnis untuk mencapai otomatisasi, mendapatkan wawasan, memperkirakan permintaan dan penjualan, serta memberikan layanan pelanggan yang sempurna. Namun, sistem AI tidak mandiri. Tanpa campur tangan manusia, AI dapat menimbulkan konsekuensi yang tidak diinginkan. Misalnya, Zillow, sebuah perusahaan real estat digital bertenaga AI, harus menutup toko karena algoritme miliknya gagal memberikan hasil hasil yang akurat.
Intervensi manusia adalah kebutuhan proses dan persyaratan reputasi, keuangan, etika, dan peraturan. Harus ada manusia di belakang mesin untuk memastikan adanya check and balances AI.
Menurut laporan ini oleh IBM, the hambatan teratas untuk adopsi AI termasuk kurangnya keterampilan AI (34%), terlalu banyak kompleksitas data (24%), dan lain-lain. Solusi AI hanya sebaik data yang dimasukkan ke dalamnya. Data yang andal dan tidak bias serta algoritme menentukan efektivitas proyek.
Apa itu Human-in-the-Loop?
Model AI tidak dapat membuat prediksi yang 100% akurat karena pemahaman mereka tentang lingkungan didasarkan pada model statistik. Untuk menghindari ketidakpastian, umpan balik dari manusia membantu sistem AI mengubah dan menyesuaikan pemahamannya tentang dunia.
Manusia-di-dalam-putaran (HITL) adalah konsep yang digunakan dalam mengembangkan solusi AI dengan memanfaatkan mesin dan kecerdasan manusia. Dalam pendekatan HITL konvensional, keterlibatan manusia terjadi dalam lingkaran pelatihan, penyempurnaan, pengujian, dan pelatihan ulang yang berkelanjutan.
Manfaat model HITL
Model HITL memiliki beberapa keunggulan untuk pelatihan model berbasis ML, terutama saat data pelatihan langka atau dalam skenario tepi-kasus. Selain itu, dibandingkan dengan solusi yang sepenuhnya otomatis, metode HITL memberikan hasil yang lebih cepat dan lebih efektif. Tidak seperti sistem otomatis, manusia memiliki kemampuan bawaan untuk dengan cepat mengambil dari pengalaman dan pengetahuan mereka untuk menemukan solusi atas masalah.
Terakhir, dibandingkan dengan solusi yang sepenuhnya manual atau otomatis sepenuhnya, memiliki model human-in-the-loop atau hybrid dapat membantu bisnis mengontrol tingkat otomasi sekaligus memperluas otomasi cerdas. Memiliki pendekatan HITL membantu meningkatkan keamanan dan ketepatan pengambilan keputusan AI.
Tantangan saat menerapkan Human-in-the-Loop
Menerapkan HITL bukanlah tugas yang mudah, terutama karena keberhasilan solusi AI bergantung pada kualitas data pelatihan yang digunakan untuk melatih sistem.
Bersamaan dengan data pelatihan, Anda juga memerlukan orang yang diperlengkapi untuk menangani data, alat, dan teknik untuk beroperasi di lingkungan tertentu tersebut. Terakhir, sistem AI harus berhasil diintegrasikan ke dalam alur kerja dan teknologi lama untuk meningkatkan produktivitas dan efisiensi.
Aplikasi Potensial
HITL digunakan untuk memberikan data yang diberi label secara akurat untuk pelatihan model ML. Setelah pelabelan, langkah selanjutnya adalah menyetel data berdasarkan model dengan mengklasifikasikan kasus tepi, overfitting, atau menetapkan kategori baru. Di setiap langkah, interaksi Manusia sangat penting, karena umpan balik berkelanjutan dapat membantu membuat model ML menjadi lebih pintar, lebih akurat, dan lebih cepat.
Meskipun kecerdasan buatan melayani beberapa industri, itu digunakan secara luas dalam perawatan kesehatan. Untuk meningkatkan efisiensi kemampuan diagnostik alat AI, alat ini harus dipandu dan dilatih oleh manusia.
Apa itu Pembelajaran Mesin Human-in-the-Loop?
Manusia-di-dalam-pembelajaran Mesin lingkaran menunjukkan keterlibatan manusia selama pelatihan dan penerapan model berbasis ML. Dengan menggunakan metode ini, model ML dilatih untuk memahami dan membalas berdasarkan niat pengguna, bukan konten yang dibuat sebelumnya. Dengan cara ini, pengguna dapat merasakan solusi yang dipersonalisasi dan disesuaikan untuk kueri mereka. Karena semakin banyak orang menggunakan perangkat lunak, efisiensi dan akurasinya dapat ditingkatkan berdasarkan umpan balik HITL.
Bagaimana HITL meningkatkan Pembelajaran Mesin?
Human-in-the-loop meningkatkan efisiensi model pembelajaran mesin dalam tiga cara. Mereka:
umpan balik: Salah satu tujuan utama pendekatan HITL adalah memberikan umpan balik ke sistem, yang memungkinkan solusi AI untuk mempelajari, menerapkan, dan menghasilkan prediksi yang akurat.
Otentikasi: Intervensi manusia dapat membantu memverifikasi keaslian dan keakuratan prediksi yang dibuat oleh algoritma pembelajaran mesin.
Sarankan Perbaikan: Manusia mahir dalam mengidentifikasi area untuk perbaikan dan menyarankan perubahan yang diperlukan untuk sistem.
Gunakan Kasus
Beberapa kasus penggunaan HITL yang menonjol adalah:
Netflix menggunakan human-in-the-loop untuk menghasilkan rekomendasi film dan acara TV berdasarkan riwayat pencarian pengguna sebelumnya.
Mesin pencari Google bekerja berdasarkan prinsip 'Human-in-the-Loop' untuk memilih konten berdasarkan kata-kata yang digunakan dalam permintaan pencarian.
Mitos Penggunaan Istilah “Human on the Loop”
Tidak semua tentang human-in-the-loop cerah dan dapat diandalkan. Ada pertikaian serius di antara para ahli terhadap mereka yang menyerukan lebih banyak 'campur tangan manusia' dalam sistem AI.
Baik manusia berada di dalam, di dalam, atau di dekat loop untuk mengawasi sistem yang kompleks seperti AI, hal itu dapat menyebabkan konsekuensi yang tidak diinginkan. Solusi otomatis berbasis AI membuat keputusan dalam milidetik, yang membuat hampir mustahil bagi manusia untuk melakukan interaksi yang berarti dengan sistem.
- Tidak mungkin bagi manusia untuk berinteraksi secara bermakna dengan semua bagian AI (sensor, data, aktuator, dan algoritme ML) dengan memahami dan mengawasi bagian bergerak yang saling bergantung ini.
- Tidak semua orang dapat meninjau kode yang tertanam dalam sistem secara real time. Kontribusi ahli manusia diperlukan pada tahap awal pembangunan dan sepanjang siklus hidup.
- Sistem berbasis AI diperlukan untuk membuat keputusan sepersekian detik dan peka waktu. Dan membuat manusia menghentikan momentum dan kontinuitas sistem ini secara praktis tidak mungkin.
- Ada risiko yang lebih besar terkait dengan HITL saat intervensi dilakukan di lokasi terpencil. Jeda waktu, masalah jaringan, masalah bandwidth, dan penundaan lainnya dapat memengaruhi proyek. Apalagi, orang cenderung bosan saat berhadapan dengan mesin otonom.
- Dengan otomatisasi yang berkembang pesat, keterampilan yang dibutuhkan untuk memahami sistem kompleks ini berkurang. Selain keterampilan interdisipliner dan kompas etis, penting untuk memahami konteks sistem dan menentukan sejauh mana manusia dalam lingkaran tersebut.
Memahami mitos yang terkait dengan pendekatan human-in-the-loop akan membantu mengembangkan solusi AI yang etis, sesuai hukum, dan efektif.
Sebagai bisnis yang mencoba mengembangkan solusi AI, Anda perlu bertanya pada diri sendiri apa arti "human-in-the-loop" dan apakah ada manusia yang dapat menjeda, merefleksikan, menganalisis, dan mengambil tindakan yang tepat saat mengerjakan mesin.
Apakah sistem Human-in-the-Loop dapat diskalakan?
Meskipun metode HITL biasanya digunakan selama fase awal pengembangan aplikasi AI, metode ini harus dapat diskalakan seiring pertumbuhan aplikasi. Memiliki human-in-the-loop dapat membuat skalabilitas menjadi tantangan karena menjadi mahal, tidak dapat diandalkan, dan memakan waktu. Dua solusi dapat memungkinkan skalabilitas: satu, menggunakan model ML yang dapat ditafsirkan, dan yang lainnya, algoritme pembelajaran online.
Yang pertama dapat dilihat lebih sebagai ringkasan terperinci dari data yang dapat membantu model HITL menangani data dalam jumlah besar. Pada model terakhir, algoritme terus belajar dan beradaptasi dengan sistem dan kondisi baru.
Human-in-the-Loop: Pertimbangan Etis
Sebagai manusia, kami bangga menjadi pembawa bendera etika dan kesopanan. Kami membuat keputusan berdasarkan alasan etis dan praktis kami.
Namun apa jadinya jika robot tidak mematuhi perintah manusia karena situasi yang mendesak?
Bagaimana ia akan bereaksi dan bertindak tanpa campur tangan manusia?
Etika tergantung pada tujuan dari apa yang diprogramkan oleh robot. Jika sistem otomatis terbatas pada pembersihan atau binatu, dampaknya terhadap kehidupan atau kesehatan manusia minimal. Di sisi lain, jika robot diprogram untuk melakukan tugas hidup dan mati yang kritis dan kompleks, ia harus dapat memutuskan apakah akan mematuhi perintah atau tidak.
Solusi untuk dilema ini adalah memperoleh kumpulan data dari informasi crowdsourced tentang cara terbaik melatih mesin otonom untuk menangani dilema etika.
Dengan menggunakan informasi ini, kami dapat memberikan kepekaan seperti manusia yang luas terhadap robot. Di sebuah pembelajaran yang diawasi sistem, manusia mengumpulkan data dan melatih model menggunakan sistem umpan balik. Dengan umpan balik manusia-in-the-loop, sistem AI dapat dibangun untuk memahami konteks sosio-ekonomi, hubungan interpersonal, kecenderungan emosional, dan pertimbangan etis.
Yang terbaik adalah memiliki manusia di belakang mesin!
Model pembelajaran mesin berkembang dengan kekuatan data yang andal, akurat, dan berkualitas yang diberi tag, diberi label, dan dianotasi. Dan proses ini dilakukan oleh manusia, dan dengan data pelatihan ini dibuat model ML yang mampu menganalisis, memahami, dan bertindak sendiri. Intervensi manusia sangat penting di setiap tahap — memberikan saran, umpan balik, dan koreksi.
Jadi, jika solusi berbasis AI Anda terhuyung-huyung di bawah kelemahan data yang tidak diberi tag dan label secara memadai, memaksa Anda untuk mencapai hasil yang kurang sempurna, Anda perlu bermitra dengan Shaip, pakar pengumpulan data terkemuka di pasar.
Kami mempertimbangkan umpan balik "manusia dalam lingkaran" untuk memastikan solusi AI Anda mencapai peningkatan kinerja setiap saat. Hubungi kami untuk mengeksplorasi kemampuan kami.
