भौतिक एआयसाठी मानवी सहभागासह पडताळणी — रोबोटिक्स डेटामध्ये सुरक्षितता, अचूकता आणि विश्वासार्हता सुनिश्चित करणे

रोबोट्स, ड्रोन्स आणि स्वायत्त वाहने वापरण्याच्या शर्यतीत वेग महत्त्वाचा असतो — परंतु सुरक्षा आणि विश्वास अधिक महत्त्वाचा असतो. एकाच चुकीच्या लेबल केलेल्या ऑब्जेक्टमुळे खूप मोठ्या अपयशाचा सामना करावा लागू शकतो किंवा सुरक्षितते संबंधित काही घटना घडू शकतात. म्हणूनच अग्रगण्य असलेल्या एआय कंपन्या त्यांचे मॉडेल्स अनियंत्रित वातावरणात विश्वासार्हपणे कार्य करतात हे सुनिश्चित करण्यासाठी ह्युमन-इन-द-लूप (HITL) प्रमाणीकरणाकडे वळत आहेत.

जेव्हा एआय मॉडेल्स चुकीच्या किंवा पक्षपाती डेटावर प्रशिक्षित केली जातात, तेव्हा त्याचा परिणाम घातांकी असतो:

• रोबोट व्हिजनमधील चुकीचे शोध.
• एव्ही नॅव्हिगेशनमधील चुकीच्या पद्धतीने वर्गीकृत केलेले ऑब्जेक्ट.
• चुकीचे सेन्सर फ्यूजन आउटपुट.
• स्वायत्त ऑपरेशन्ससाठी अपयशापर्यंतचा सरासरी वेळ कमी झाला.

सदोष डेटा सदोष एआय तयार करतो — आणि सदोष एआयमुळे वास्तविक जगात धोकादायक परिणाम होऊ शकतात. म्हणूनच Uber एआय सोल्युशन्स आपल्या 98% अचूकतेच्या डेटा व्हॅलिडेशन फ्रेमवर्कच्या केंद्रस्थानी एचआयटीएल ठेवते.

एआयमधील पक्षपाताचे धोकादायक शारीरिक परिणाम होऊ शकतात — जसे की चेहरा ओळखण्याच्या प्रणालीद्वारे कामगारांना चुकीच्या पद्धतीने ओळखणे किंवा रोबोट्सद्वारे विशिष्ट वस्तूंना चुकीने प्राधान्य देणे.

Uber AI Solution च्या एचआयटीएल फ्रेमवर्कमुळे अशा पक्षपातीपणाचा लवकर शोध घेता येतो आणि ते दूर करता येते: