භෞතික AI සඳහා මානව-මැදිහත්වීමේ සත්යාපනය — රොබෝටික දත්තවල ආරක්ෂාව, නිරවද්යතාවය සහ විශ්වාසය සහතික කිරීම
ඉහළ තත්ත්වය නව වෙනස්කම් සලසන කරුණයි
රොබෝ, ඩ්රෝන් සහ ස්වයංක්රීය වාහන යොදවීමේ තරඟයේ වේගය වැදගත් වුවද — ආරක්ෂාව සහ විශ්වාසය තවදුරටත් වැදගත්ය. එක් වැරදිව ලේබල් කළ වස්තුවක් හෝ, වියදම් සහිත අසාර්ථකත්වයකට හෝ ආරක්ෂක අනතුරු සිදුවීම්වලට හේතු විය හැක. ඒ නිසාම ප්රමුඛ AI සමාගම් තම ආකෘති අවිධිමත් පරිසරවල විශ්වාසදායක ලෙස ක්රියා කරන බව සහතික කිරීම සඳහා Human-in-the-Loop (HITL) වලංගු කිරීම වෙත හැරෙයි.
නරක දත්ත වල සඟවා ඇති වියදම
AI ආකෘති වැරදි හෝ පක්ෂපාතිත දත්ත මත පුහුණු කරන විට, එහි බලපෑම ගුණාත්මකව වැඩිවේ:
- රොබෝ දෘශ්ය පද්ධතියේ වැරදි අනාවරණ.
- AV නාවිකරණයේ වැරදිව වර්ගීකරණය කළ වස්තු.
- වැරදි සංවේදක සංයෝජන ප්රතිදාන.
- ස්වයංක්රීය මෙහෙයුම් සඳහා අඩු කළ අර්ධ-අසාර්ථක කාලය.
නරක දත්ත නරක AI නිර්මාණය කරයි — සහ නරක AI නිසා අනතුරුදායක සැබෑ ලෝක ප්රතිඵල ඇති විය හැක. ඒ නිසාම Uber AI Solutions විසින් HITL තම 98% නිවැරදි දත්ත සත්යාපන රාමුවේ මධ්යයේ තබයි.
භෞතික AI සඳහා HITL නලිකාවක ව්යුහය
දත්ත ආනයනය සහ පෙර-වලංගු කිරීම
Raw මල්ටිමෝඩල් දත්ත කට්ටල (වීඩියෝ, ලයිඩාර්, රේඩාර්, ටෙලීමැට්රි) Uber හි uLabel වේදිකාවට ආනයනය කරනු ලබන අතර, ස්වයංක්රීය පෙර-ලේබල් කිරීමේ පරීක්ෂණයන් මඟින් අනුපිටපත්, අහිමි රාමු සහ සංවේදක සංගතනය පරීක්ෂා කරයි.
Golden දත්ත කට්ටල සමඟ සටහන් කිරීම
ඇනොටේටර්ලා දත්ත ලේබල් කරනවා ක්ෂේත්ර විශේෂඥයන් විසින් පෙර අනුමත කර ඇති “රන් ප්රමිතිය” කට්ටලයක් අනුව, අන්තර්-ඇනොටේටර් එකඟතාවය (IAA) 70% ඉහළින් පවතින බව සහ කණ්ඩායම් අතර සමානත්වය සහතික කිරීම සඳහා.
බහු-විනිසුරු සම්මුති සමාලෝචනය
සෑම නියැදියක්ම විනිශ්චය කිරීම සඳහා විනිශ්චය කරන්නන් 2 දෙනෙකු හෝ 3 දෙනෙකුගෙන් සමන්විත එකඟතා ආදර්ශයකට යටත්ව බහු විනිශ්චය කරන්නන් හරහා ගමන් කරයි. එකඟතාවක් නොමැති අවස්ථාවලදී අතිරේක පරීක්ෂණ ව ටයන් ක්රියාත්මක වන අතර අවසන් එකඟතා ලකුණු ලබා ගැනීම තෙක් මෙම ක්රියාවලිය දිගටම සිදුවේ.
ස්වයංක්රීය තත්ත්ව මැනුම් මාපක
Uber හි මෙවලම් මඟින් කොහෙන්ගේ කැපා සහ අන්තර්-විවරණකරු ගිවිසුම් ලකුණු තත්යය කාලීනව ගණනය කරයි. ගුණාත්මක පහත වැටීම් මානව නැවත ඇගයීම සඳහා ස්වයංක්රීය සලකුණු කිරීම අවුලුවයි.
ප්රතිපෝෂණ චක්රය සහ නැවත පුහුණු කිරීම
පරීක්ෂණ වලින් ලැබෙන අවබෝධයන් පුහුණු අන්තර්ගතයට සහ ආදර්ශ ඇගයීම් ස්ක්රිප්ට් වෙත ආපසු ලබාදී, අඛණ්ඩ වර්ධනය සහ පක්ෂපාතිත්වය අඩු කිරීම සහතික කරයි.
මානව විනිශ්චයය AI ස්වයංක්රීය කිරීම සමඟ එකට හමුවේ
HITL හි බලය වන්නේ එය මිනිසුන් සහ යන්ත්රයන් අතර ඇති සමතුලිතතාවයයි:
- AI-සහය ඇති සමාලෝචනය: ආදර්ශ විශ්වාසනීයතා ලකුණු හරහා ස්වයංක්රීයව විකෘතිකරණ සලකුණු කිරීම.
- ස්වයං සුවපත් වන ස්ක්රිප්ට්: UI සහ අංග දෝෂ සඳහා ස්වයංක්රීය නිවැරදි කිරීම.
- මානව විගණන: වසම් විශේෂඥයින් අවහිරතා, පරාවර්තන හෝ දුර්ලභ සිදුවීම් වැනි අන්ත අවස්ථා වලංගු කරයි.
- අඛණ්ඩ අධ්යයනය: ප්රතිපෝෂණ චක්ර මගින් ලේබල් කිරීමේ ආදර්ශයන් යාවත්කාලීන කරමින් ඊළඟ වටයේ සටහන් කිරීම වැඩිදියුණු කරයි.
මෙම සමුළුව නිර්මාණය කරන්නේ ස්වයංවර්ධනය වන නළයක් වන අතර එහි ගුණාත්මකභාවය සහ කාර්යක්ෂමතාව එකටම වැඩිවෙයි.
මානව අධීක්ෂණය සමඟ පක්ෂපාතීත්වය අඩු කිරීම සහ ආරක්ෂාව වැඩිදියුණු කිරීම
AI පක්ෂපාතතාවය භයානක භෞතික ප්රතිඵල ඇති කළ හැකියි — මුහුණු හඳුනාගැනීමේ පද්ධති සේවකයින් වැරදි ලෙස හඳුනා ගැනීමෙන් රොබෝවන් වැරදිව විශේෂ වස්තු ප්රමුඛතාවයට ලක් කිරීම දක්වා.
Uber AI විසින් නිර්මාණය කළ HITL රාමුව මෙවැනි පක්ෂපාතතාවය ඉතා ඉදිරියෙන් හඳුනාගෙන එය ඉවත් කිරීමට උපකාරී වේ:
භාෂා සහ ප්රදේශ විවිධව පවතින සටහන්කරු කණ්ඩායම් භාවිතා කිරීම.
දත්ත නියැදීම සහ ලේබල් බෙදාහැරීමේදී පක්ෂපාතිත්වය පරීක්ෂා කිරීම යෙදීම.
නිතිපතා ප්රතිපල සාධාරණ බව තහවුරු කිරීමට විකල්ප පරීක්ෂණ ක්රියාත්මක කරමින් සිටී.
දත්ත කට්ටලයේ මූලාශ්රය පිළිබඳ විවෘත්තභාවය සහතික කිරීම.
විධාන
කර්මාන්ත
සම්පත්
අනාවරණය කරන්න