பொறியியல் செயற்கை நுண்ணறிவுக்கான மனிதன்-உட்புகுத்தல் சரிபார்ப்பு — ரோபோட்டிக்ஸ் தரவுகளில் பாதுகாப்பு, துல்லியம் மற்றும் நம்பிக்கையை உறுதி செய்தல்
ஏன் தரம் புதிய வேறுபாட்டு அம்சமாக உள்ளது
ரொபோட்கள், ட்ரோன்கள் மற்றும் தானாக இயங்கும் வாகனங்களை செயல்படுத்தும் போட்டியில் வேகம் முக்கியம் — ஆனால் பாதுகாப்பும் நம்பிக்கையும் அதைவிட முக்கியம். ஒரு தவறாக லேபிள் செய்யப்பட்ட பொருள் கூட அதிக செலவான தோல்விகள் அல்லது பாதுகாப்பு சம்பவங்களுக்கு வழிவகுக்கலாம். அதனால்தான் முன்னணி AI நிறுவனங்கள் தங்கள் மாதிரிகள் கட்டுப்பாடில்லாத சூழல்களில் நம்பகமாக செயல்பட Human-in-the-Loop (HITL) சரிபார்ப்பை பயன்படுத்துகின்றன.
தவறான தரவின் மறைமுகச் செலவு
AI மாதிரிகள் தவறான அல்லது பாகுபாடு கொண்ட தரவுகளில் பயிற்சி பெறும் போது, அதன் விளைவு பெரிதாக இருக்கும்:
- ரொபோட் பார்வையில் தவறான கண்டறிதல்கள்.
- AV வழிசெலுத்தலில் தவறாக வகைப்படுத்தப்பட்ட பொருட்கள்.
- தவறான சென்சார் ஃப்யூஷன் வெளியீடுகள்.
- சுய இயக்கங்களுக்கான சராசரி தோல்வி நேரம் குறைக்கப்பட்டது.
தவறான தரவு தவறான AI-ஐ உருவாக்குகிறது — மேலும் தவறான AI ஆபத்தான நிஜ உலக விளைவுகளை ஏற்படுத்தலாம். அதனால்தான் Uber AI Solutions தனது 98% துல்லியத்துடன் தரவு சரிபார்ப்பு枠மைப்பில் HITL-ஐ மையமாக வைத்துள்ளது.
Physical AI-க்கு ஒரு HITL பைப்லைனின் அமைப்பு
டேட்டா உள்ளீடு மற்றும் முன் சரிபார்ப்பு
உருவாக்கப்படாத பல்துறை தரவுத்தொகுப்புகள் (வீடியோ, லைடார், ரேடார், டெலிமெட்ரி) உபரின் uLabel தளத்தில் ஏற்றப்படுகின்றன, இதில் நக ல்கள், காணாமல் போன பிரேம்கள் மற்றும் சென்சார் சீரமைப்பு ஆகியவற்றுக்கான தானியங்கி முன்-லேபிளிங் சரிபார்ப்புகள் இடம்பெறுகின்றன.
கோல்டன் தரவுத்தொகுப்புகளுடன் குறிப்பு
குறிப்பாளர்கள், 70%-க்கும் அதிகமான குறிப்பாளர் இடையேயான உடன்பாட்டை (IAA) உறுதி செய்வதற்கும், தொகுதிகள் முழுவதும் நிலைத்தன்மையை உறுதி செய்வதற்கும், துறை வல்லுநர்களால் முன் அங்கீகரிக்கப்பட்ட ஒரு “Gold தரத்தின்” அடிப்படையில் தரவுகளுக்குக் குறியிடுகின்றனர்.
பல நீதிபதிகள் ஒருமித்த மதிப்பாய்வு
ஒவ்வொரு மாதிரியும் 2 அல்லது 3 நீதிபதிகள் கொண்ட ஒருமித்த முடிவு மாடலில் பல மதிப்பாய்வாளர்களை கடந்து செல்கிறது. கருத்து வேறுபாடுகள் ஏற்பட்டால், இறுதி ஒருமித்த மதிப்பெண் கிடைக்கும் வரை கூடுதல் ஆய்வு சுற்றுகள் நடத்தப்படும்.
தானாக மதிப்பீடு செய்யப்படும் தரமான அளவீடுகள்
Uber-இன் கருவிகள் கோஹனின் காப்பா மற்றும் குறிப்பீட்டாளர்களுக்கு இடையேயான உடன்பாட்டு மதிப்பெண்களை நிகழ் நேரத்தில் கணக்கிடுகின்றன. தரக்குறைவுகள் ஏற்பட்டால், மனித மறுமதிப்பீட்டிற்காகத் தானியங்கு முறையில் கொடியிடப்படுகிறது.
பின்னூட்டச் சுழற்சி மற்றும் மறுபயிற்சி
தணிக்கைகளிலிருந்து பெறப்படும் அறிவுகள் பயிற்சி உள்ளடக்கம் மற்றும் மாதிரி மதிப்பீட்டு ஸ்கிரிப்ட்களில் இணைக்கப்படுகின்றன — இது தொடர்ச்சியான மேம்பாடு மற்றும் பாகுபாடு குறைப்பை உறுதி செய்கிறது.
மனித தீர்ப்பு செயற்கை நுண்ணறிவு தானியக்கத்துடன் இணைகிறது
HITL-இன் வலிமை என்பது மனிதர்களும் இயந்திரங்களும் சமநிலைப்படுத்தப்படுவதில்தான்:
- AI உதவியுடன் மதிப்பாய்வு: மாதிரி நம்பிக்கை மதிப்பெண்கள் மூலம் தானாகவே விசித்திரங்களை குறிக்கும் செயல்முறை.
- சுய-சிகிச்சை ஸ்கிரிப்ட்கள்: UI மற்றும் கூறு பிழைகளுக்கான தானாக திருத்தும் செயல்முறை.
- மனித ஆய்வுகள்: துறை நிபுணர்கள் மறைவு, பிரதிபலிப்பு அல்லது அரிதான நிகழ்வுகள் போன்ற எல்லைக் குறைகளை சரிபார்க்கின்றனர்.
- தொடர்ச்சியான கற்றல்: பின்னூட்டச் சுழல்கள் குறியீட்டு மாதிரிகளைப் புதுப்பித்து, அடுத்த சுற்று விளக்கக் குறிப்புகளை மேம்படுத்துகின்றன.
இந்த ஒருங்கிணைப்பு, தரமும் செயல்திறனும் ஒருங்கே மேம்படும் ஒரு சுய-மேம்பாட்டுச் செயல்முறையை உருவாக்குகிறது.
முன்னிலைப் பார்வையுடன் பாகுபாட்டை குறைத்து பாதுகாப்பை மேம்படுத்துதல்
ஏஐ பாகுபாடு ஆபத்தான உடல் விளைவுகளை ஏற்படுத்தக்கூடும் — முகம் அடையாளம் காணும் தொழில்நுட்பம் பணியாளர்களை தவறாக அடையாளம் காண்பதிலிருந்து, ரோபோட்கள் சில பொருட்களுக்கு தவறுதலாக முன்னுரிமை அளிப்பது வரை.
Uber AI Solution-இன் HITL கட்டமைப்பு இத்தகைய பாகுபாட்டை ஆரம்பத்திலேயே கண்டறிந்து நீக்க உதவுகிறது:
மொழிகளும் பகுதிகளும் கொண்ட பல்வேறு குறிப்பு வழங்குநர் குழுக்களை பயன்படுத்துதல்.
டேட்டா மாதிரிப்பிலும் லேபிள் விநியோகத்திலும் பாகுபாடு ஆய்வுகளை பயன்படுத்துதல்.
நியாயமான முடிவுகளை உறுதிப்படுத்த எதிர்மறை நிகழ்வுகளுக்கான சோதனையை இயக்குகிறது.
தரவுத்தளத்தின் மூலத்தை வெளிப்படையாக உறுதி செய்தல்.
உங்களுக்கு விருப்பமான மொழியைத் தேர்ந்தெடுக்கவும்
தீர்வுகள்
தொழில்துறைகள்
வளங்கள்
ஆராயுங்கள்