【前沿技术杂谈:人机交互 】将人机交互 (HITL) 集成到机器学习应用程序中是必要的,而不是选择。

本文主要是介绍【前沿技术杂谈:人机交互 】将人机交互 (HITL) 集成到机器学习应用程序中是必要的,而不是选择。,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述

来源 — 照片由 安迪·凯利 on Unsplash

@[TOC](【前沿技术杂谈:人机交互 】将人机交互 (HITL) 集成到机器学习应用程序中是必要的,而不是选择。)

Machine Learning 机器学习

将人在环 (HITL) 集成到机器学习中是必要的,而不是选择。这是为什么?

要在机器学习中集成人机交互 (HITL),首先要了解 HITL、其需求、优势和方法。

什么是人机交互 (HITL)?

人机交互 (HITL) 正在机器学习自动化架构中将人类输入及其反馈编织在一起。

它首先将人工标记/注释的数据集成到机器学习模型中,然后通过反馈周期来训练模型,以通过人类的持续支持产生所需的输出。

在这里插入图片描述

图片由作者提供

如果性能低于一定置信度,反馈会触发模型的改进,以便进行预测。

在实践中,总是希望事先设置模型可接受的置信度水平。

这意味着,如果“进来”的错误预测很少是可以的,那么阈值可以设置得稍微低一些,这反过来又需要更少的人为(手动)干预。

另一方面,如果需要高水平的准确预测,人为(手动)干预的程度就会增加。

简单地说,“人在回路中”(HITL) 方法结合了人类智能和机器智能的精华。

机器善于从庞大的数据集中做出明智的决策,而人则更善于在可用信息较少的情况下做出合理的决策,有时还能根据自己的经验和直觉做出决策,因此,设计必须同时包含机器的智能计算决策和人的正确/道德决策。

机器学习中的 “人机回路”(HITL)的设计方式允许双方(机器和人类)持续互动,并包括一个持续的反馈回路,使来自训练、参数调整和测试任务的反馈能够反馈到算法中,从而使算法变得更智能、更自信、更准确。

在这里插入图片描述

图片由作者提供

这对于自行选择接下来需要学习的内容并将这些数据发送给人类进行标记和训练的系统尤其有效。机器学习和改进的过程称为主动学习

主动学习是一种确保模型从人类创建的每个新的标记/注释数据点中学习有用的东西的方法,这些数据点是模型在前进过程中不断遇到的。

主动学习是机器学习模型最重要的方面之一,与人机交互 (HITL) 相结合可提供最佳结果。

几个好的例子是 –

  • 随着智能设备听到越来越多的语音信号和命令,它们会变得更加智能。
  • 通过观察人们针对哪个特定搜索词点击哪些网站,搜索引擎会变得更好。
  • 随着观察越来越多的人类驾驶员和乘客,自动驾驶汽车变得更加智能。

HITL 为机器学习应用程序提供什么好处?

  1. 很多时候数据是不完整且明确的。人类对原始数据进行注释/标记以提供有意义的上下文,以便机器学习模型可以学习产生所需的结果、识别模式并做出正确的决策。

  2. 人类检查模型是否过度拟合。他们向模型教授极端情况或意外情况。

  3. 人类评估算法是否过于自信或信心不足,以确定正确的决策。如果准确性较低,机器会经历一个主动学习周期,其中人类为机器提供反馈,以达到正确的结果并提高其可预测性。

  4. 它显着提高了透明度,因为应用程序不再显示为黑匣子,人类参与过程中的每一步。

  5. 它以最有效的方式结合了人类的判断,并将压力从构建“100%机器完美”算法转移到提供最大商业利益的最佳模型。这反过来又提供了更强大和有用的应用程序。

机器学习中应采用哪些 HITL 策略才能获得最大收益?

  1. 包括所有处理应用程序中涉及的数据的人员,包括收集、标记、培训数据和对数据进行质量控制的人员。

  2. 在流程的每个阶段战略性地部署人员,以改进和优化模型及其结果。

  3. 部署经过培训和管理的人力资源,以加快上市时间并减轻数据返工的负担。

  4. 考虑在生命周期的早期阶段(如果可能的话,在模型开发开始之前)导入资源,因为机器学习模型在很大程度上依赖于不断变化的数据,其性能可能比标准软件系统更快过时。

  5. 避免在整个生命周期内人员利用率低下,因为这会导致数据质量低下、成本上升和模型失效。

  6. 全自动化不应该是最终目标,因为有时只有通过人类(拥有适当知识和专业技能的人)和机器的合作与协调才能取得最佳效果。

  7. 自动化应在我们认为有用的自动化方面与人类参与仍有意义的任务之间取得适当平衡。走极端,即急于实现一切自动化或坚持什么都不自动化,永远不会实现双赢。相反,理想的解决方案往往存在于两者之间。

  8. 每当出现伦理决策问题时,例如,在没有明确对错答案的情况下,或由于决策的复杂性而存在机器失灵的危险时,应优先考虑增强人的权能。

  9. 为解决复杂的环境管理问题,应采用以人为主导的决策框架,并进行适当的风险评估。在任何情况下,都不应推翻人为检查点。

  10. 应该有人对 ML 和人工智能应用的决策结果负责,而这肯定不是机器所能做到的。必须由人来负责,因为哪怕是一个错误的转向,都会带来极大的风险。

科学家和研究人员认为的人机参与比例

在这里插入图片描述

图片由作者提供

尽管有大量不同的领域和组织在使用机器学习,但人机交互 (HITL) 方法尚未得到充分利用。它仍然是一个新领域,需要仔细考虑,以与所有机器学习应用程序集成。

但好消息是,大多数行业专家现在已经意识到它的价值,并准备将 HITL 纳入每个 ML 和 AI 应用中。

谢谢阅读 !!!

这篇关于【前沿技术杂谈:人机交互 】将人机交互 (HITL) 集成到机器学习应用程序中是必要的,而不是选择。的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/751118

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

如何选择适合孤独症兄妹的学校?

在探索适合孤独症儿童教育的道路上,每一位家长都面临着前所未有的挑战与抉择。当这份责任落在拥有孤独症兄妹的家庭肩上时,选择一所能够同时满足两个孩子特殊需求的学校,更显得尤为关键。本文将探讨如何为这样的家庭做出明智的选择,并介绍星贝育园自闭症儿童寄宿制学校作为一个值得考虑的选项。 理解孤独症儿童的独特性 孤独症,这一复杂的神经发育障碍,影响着儿童的社交互动、沟通能力以及行为模式。对于拥有孤独症兄

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

C#实战|大乐透选号器[6]:实现实时显示已选择的红蓝球数量

哈喽,你好啊,我是雷工。 关于大乐透选号器在前面已经记录了5篇笔记,这是第6篇; 接下来实现实时显示当前选中红球数量,蓝球数量; 以下为练习笔记。 01 效果演示 当选择和取消选择红球或蓝球时,在对应的位置显示实时已选择的红球、蓝球的数量; 02 标签名称 分别设置Label标签名称为:lblRedCount、lblBlueCount

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学