Inimkaasamisega valideerimine füüsilises tehisintellektis: täpsuse ja usaldusväärsuse tagamine robootika andmetes
Sissejuhatus: miks kvaliteet on uus eristustegur
Robotite, droonide ja isesõitvate sõidukite kasutuselevõtu võidujooksus on kiirus oluline. Kuid veelgi olulisemad on ohutus ja usaldusväärsus. Üks valesti märgistatud objekt võib põhjustada kulukaid tõrkeid või ohutusjuhtumeid. Seetõttu pöörduvad juhtivad tehisintellekti ettevõtted inimkaasatusega (HITL) valideerimise poole, et tagada nende mudelite usaldusväärne toimimine struktureerimata keskkondades.
Halva andmete varjatud kulu
Halvad andmed loovad halba tehisintellekti. Kui tehisintellekti mudeleid koolitatakse ebaõigete või kallutatud andmete põhjal, võib sellel olla negatiivne mõju ja tulemuseks võivad olla halvad tulemused, sealhulgas:
- Vale tuvastused roboti nägemises
- Valesti klassifitseeritud objektid AV navigeerimisel
- Vigased anduriandmete ühendamise tulemused
- Vähendatud keskmine tõrgete vaheline aeg autonoomsete toimingute puhul
Füüsilise tehisintellekti HITL-torustiku ülesehitus
Andmete sisestamine ja eelkontroll
Toorandmed mitmest allikast (video, LiDAR, radar, telemeetria) laaditakse märgistamisplatvormile, näiteks uLabel, kus toimub automaatne eelkontroll duplikaatide, puuduvate kaadrite ja andurite joondamise tuvastamiseks.
Annotatsioon kuldsete andmekogumitega
Annotaatorid märgistavad andmeid eelnevalt valdkonna ekspertide poolt kinnitatud „kuldstandardi” alusel, et tagada annotaatoritevaheline kokkulepe (IAA) üle 70% ning järjepidevus erinevate partiide lõikes.
Mitme kohtuniku ühine hinnang
Iga näidis läbib mitu hindajat 2- või 3-hindaja konsensusmudelis. Erimeelsuste korral viiakse läbi täiendavad kontrollvoorud, kuni saavutatakse lõplik ühine hinnang.
Automatiseeritud kvaliteedimõõdikud
Platvorm arvutab Cohen’i Kappa ja annotaatoritevahelise kokkuleppe skoorid reaalajas. Kvaliteedi langus käivitab automaatse märgistamise inimeste poolseks uuesti hindamiseks.
Tagasisideahel ja ümberõpe
Auditite põhjal saadud teadmised jõuavad tagasi koolitusmaterjalidesse ja mudeli hindamise skriptidesse, tagades pideva täiustamise ja kallutatus(t)e vähendamise.
Inimlik otsustusvõime kohtub tehisintellekti automatiseerimisega
HITL-i tugevus seisneb inimeste ja masinate tasakaalus. See sünergia loob iseenesest paraneva töövoo, kus kvaliteet ja tõhusus kasvavad käsikäes.
Tehisintellekti abil tehtud ülevaade
Automaatne anomaaliate tuvastamine mudeli kindlustaseme skooride alusel.
Iseparanevad skriptid
Automaatne parandamine kasutajaliidese ja elementide vigade jaoks.
Inimeste kontrollid
Domeenispetsialistid valideerivad piirijuhte, näiteks varjamised, peegeldused või haruldased sündmused.
Jätkuv õppimine
Tagasisideahelad uuendavad märgistamismudeleid ja parandavad järgmise vooru märgistusi.
Uberi tehisintellekti lahendused: kallutatuse vähendamine inimliku järelevalve abil
Tehisintellekti kallutatus võib avalduda murettekitaval viisil ka füüsilises maailmas. Uber AI Solutioni HITL-raamistik (inimese kaasamine protsessi) aitab sellist kallutatust varakult tuvastada ja leevendada, tehes järgmisi tegevusi.
- Kasutades eri keeli ja piirkondi esindavaid mitmekesiseid annoteerijate rühmi.
- Rakendades kallutatuse auditeid andmete valimisel ja märgendite jaotuse hindamisel.
- Õiglaste tulemuste kontrollimiseks vastandstsenaariumide testimise läbiviimine.
- Andmekogumi päritolu läbipaistvuse tagamine.
Loe lähemalt, kuidas teha koostööd Uber AI Solutionsiga kogu robootika andmetöötluse elutsükli vältel – alates eeltreeningust kuni hindamise, juurutamise ja probleemide lahendamiseni.
Loome koos paremat
tehisintellekti
Räägi meile oma projektist. Näitame sulle
andmeid, mis aitavad sul eesmärgini jõuda.
Loome koos paremat
tehisintellekti
Räägi meile oma projektist. Näitame sulle
andmeid, mis aitavad sul eesmärgini jõuda.
Lahendused
Tööstusharud
Ressursid
Avasta