Human-in-the-Loop-KI auf den Punkt gebracht

Human-in-the-Loop (HITL) ist eine Teilmenge der künstlichen Intelligenz, die menschliche und maschinelle Intelligenz nutzt, um Modelle für maschinelles Lernen zu entwickeln.

Human-in-the-Loop-KI verstehen

Trotz des unbegrenzten Potenzials künstlicher Intelligenz, rund 80 % aller KI-Projekte scheitern und niemals eine Kapitalrendite erzielen.

Um die Ausfallwahrscheinlichkeit zu verringern, nutzen Teams jetzt den Human-in-the-Loop-Ansatz, um Modelle mit weniger Daten und Vorhersagen von besserer Qualität schnell bereitzustellen.

Die Ausfallrate einer KI Modell ist auf ein statistikbasiertes Weltverständnis zurückzuführen, was bedeutet, dass die Modell kann nie etwas mit absoluter Sicherheit vorhersagen.

Um dieser Unsicherheit Rechnung zu tragen, ermöglichen einige Modelle Menschen, mit ihnen über direktes Feedback zu interagieren, das dann von der KI verwendet wird, um ihre „Weltanschauung“ anzupassen.

Nachdem diese Präambel aus dem Weg geräumt ist, können wir HITL jetzt klarer definieren. Im Wesentlichen bezieht es sich auf ein KI-System, das direktes menschliches Feedback zu einem ermöglicht Modell wo Vorhersagen unter ein bestimmtes Konfidenzniveau fallen.

Human-in-the-Loop ist mehr als die Summe seiner Teile. Mit anderen Worten, es strebt danach, das zu erreichen, was weder ein Mensch noch eine Maschine alleine erreichen könnten.

Wenn die Maschine ein Problem nicht lösen kann, hilft ein Mensch in Form von kontinuierlichem Feedback, das mit der Zeit zu besseren Ergebnissen führt. Umgekehrt wenden sich Menschen an Maschinen, wenn es darum geht, intelligente Entscheidungen aus riesigen Datensätzen zu treffen.

Wo ist Human-in-the-Loop integriert?

HITL kann in zwei maschinelle Lernalgorithmen integriert werden:

Überwachtes Lernen – wo Algorithmen mit beschrifteten Datensätzen trainiert werden, um Funktionen zu erzeugen, die dann verwendet werden, um neue Beispiele abzubilden. Auf diese Weise kann der Algorithmus nachträglich Funktionen für unbeschriftete Daten ermitteln.
Unbeaufsichtigtes Lernen – wo Algorithmen unbeschriftete Datensätze nehmen und daran arbeiten, Strukturen zu finden und die Daten auf ihre eigene Weise zu speichern. Dies kann als Deep-Learning-HITL-Ansatz kategorisiert werden.

In jedem Fall prüfen und bewerten Menschen die Ergebnisse, um den maschinellen Lernalgorithmus zu validieren. Wenn diese Ergebnisse ungenau sind, verfeinern Menschen den Algorithmus oder überprüfen die Daten noch einmal, bevor sie sie wieder in den Algorithmus einspeisen.

HITL ist ein iterativer Ansatz zum Erstellen von a Modell das ist agil nicht unähnlich Software. Entwicklung.

Das Modell wird ab dem ersten Datenbit trainiert und nicht mehr.

Weitere Daten werden dann hinzugefügt und die Modell wird ständig mit Fachexperten aktualisiert, die die erstellen, anpassen und verbessern Modell oder passen Sie Aufgaben oder Anforderungen nach Bedarf an.

Wann kann HITL verwendet werden?

HITL ist am effektivsten in maschinellen Lernprojekten, die durch einen Mangel an verfügbaren Daten gekennzeichnet sind. In dieser Situation ist der Mensch (zumindest anfangs) besser in der Lage, ein genaues Urteil zu fällen als eine Maschine.

Anders ausgedrückt, sie sind besser in der Lage, qualitativ hochwertige Trainingsdaten zu erkennen und in den Algorithmus einzuspeisen, um bessere Ergebnisse zu erzielen.

Vor diesem Hintergrund ist HITL in den folgenden Situationen nützlich:

Wenn Algorithmen die Eingabe nicht verstehen oder wenn Daten falsch interpretiert werden.
Wenn Algorithmen nicht wissen, wie sie eine Aufgabe ausführen sollen.
Wenn kostspielige Fehler bei der Entwicklung von maschinellem Lernen vermieden werden müssen und
Wenn die Daten selten oder nicht verfügbar sind. Wenn ein Algorithmus beispielsweise lernt, Englisch in eine Sprache zu übersetzen, die nur wenige tausend Menschen sprechen, kann er Schwierigkeiten haben, genaue Beispiele zu finden, von denen er lernen kann.

Welche Schlüsselrolle spielt Human-in-the-Loop im aktuellen KI-Paradigma?

„Das ist kein Rennen gegen die Maschinen. Wenn wir gegen sie antreten, verlieren wir. Das ist ein Rennen mit den Maschinen. Sie werden in Zukunft danach bezahlt, wie gut Sie mit Robotern arbeiten. Neunzig Prozent Ihrer Mitarbeiter werden unsichtbare Maschinen sein.“

Das hat Kevin Kelly in The Inevitable gesagt, das 2016 veröffentlicht wurde. Diese Worte scheinen im Moment genau richtig zu sein!

Das technologische Paradigma, das uns hierher geführt hat, bewegt sich entlang einiger Schlüsselkonzepte, die es zu verstehen gilt, und die es der KI ermöglicht haben, sich von sehr eng zu viel allgemeiner zu bewegen.

Und alles beginnt mit unüberwachtem Lernen.

In der Tat ist GPT-3 (Generative Pretrained Transformer 3) der zugrunde liegende Modell, das verwendet wurde, um ChatGPT zu erstellen, mit einer wichtigen Schicht (wie ich in den kommenden Tagen behandeln werde) darüber (InstructGPT), die einen Human-in-the-Loop-Ansatz verwendete, um einige der wichtigsten Nachteile auszugleichen einer großen Sprache Modell (Halluzination, Faktizität und Voreingenommenheit).

Im Moment ist die Prämisse GPT-3, das als große Sprache gestartet wird Modell – entwickelt von OpenAI, das die Transformer-Architektur verwendet – der Vorläufer von ChatGTP.

Wie wir sehen werden, war der Wendepunkt für die GPT-Modelle die Transformer-Architektur (eine Art neural Netzwerk die speziell für die Verarbeitung sequentieller Daten wie Text entwickelt wurden).

Der interessante Teil davon?

Ein guter Teil dessen, was ChatGPT unglaublich effektiv gemacht hat, ist eine Art Architektur namens „Transformer“, die von einer Gruppe von entwickelt wurde Google Gelehrte bei Google Gehirn und Google Forschung.

Das Wichtigste, was Sie verstehen müssen, ist, dass sich die Informationen im Web von einem Crawl, einem Index und einem Rang entfernen können Modell zu einem Vortraining, einer Feinabstimmung, einem sofortigen und kontextbezogenen Lernen Modell!

In diesem Zusammenhang spielt Human-in-the-Loop eine Schlüsselrolle in verschiedenen Teilen dieses gesamten Prozesses.

Einige Beispiele umfassen:

Feintuning: Der Feinabstimmungsprozess ist entscheidend dafür, dass die KI ganz bestimmte Aufgaben ausführen kann. Dies ist ein überwachter Lernansatz im Kontext großer Sprachmodelle und Human-in-the-Loop. Hier beschriftet der Mensch die Daten und zeigt der KI spezifische und gewünschte Ausgaben Modell, um es bei einer bestimmten Aufgabe viel besser zu machen. Die Hauptannahme hier ist, dass der Feinabstimmungsprozess auf einem viel viel kleineren Datensatz und einer viel kleineren Stichprobe beruht, um die KI zu erstellen Modell viel viel besser bei bestimmten Aufgaben.
Verstärkung lernen: Dies ist einfach der Oberbegriff, der alle Aspekte eines überwachten Lernansatzes umfasst, der Menschen nutzt, um die KI zu erstellen Modell viel besser.
Schnelles Engineering: Dies ist einer der aufregendsten Aspekte des aktuellen KI-Paradigmas, bei dem KI-Modelle so gestaltet werden können, dass sie jede Aufgabe erfüllen, indem sie den Kontext so verstehen, dass sie sowohl universell als auch spezialisiert sind.
Kontextbezogenes Lernen: Dies ist ein weiterer Human-in-the-Loop-Ansatz, bei dem das Ergebnis und die Ausgabe des KI-Assistenten dank des Lernens im Kontext viel relevanter werden können.

Die zentralen Thesen

Human-in-the-Loop (HITL) ist eine Teilmenge der künstlichen Intelligenz, die menschliche und maschinelle Intelligenz nutzt, um Modelle für maschinelles Lernen zu entwickeln.
HITL kann in überwachte oder unüberwachte maschinelle Lernalgorithmen integriert werden. Der iterative und kollaborative Charakter des Aufbaus a Modell ist dem Prozess nicht unähnlich, der in Agile auftritt Software. Entwicklung.
HITL eignet sich besonders für Fälle, in denen die Daten selten oder nicht verfügbar sind. Es ist auch nützlich, wenn kostspielige Entwicklungsfehler vermieden werden müssen.

Lesen: KI-Geschäftsmodelle