Skip to main content

භෞතික AI සඳහා මානව-අන්තර්ගත වලංගු කිරීම: රොබෝටික දත්තයේ නිවැරදිභාවය සහ විශ්වාසය සහතික කිරීම

හැඳින්වීම: ගුණාත්මකභාවය නව වෙනස්කම් සලසන කරුණක් ලෙස

රොබෝවරු, ඩ්රෝන යානා සහ ස්වයංක්රීය වාහන යෙදවීමේ තරඟයේදී වේගය වැදගත් වේ. නමුත් ආරක්ෂාව සහ විශ්වාසය වඩා වැදගත් වේ. වැරදි ලෙස ලේබල් කරන ලද එක් වස්තුවක් මිල අධික අසාර්ථකත්වයන්ට හෝ ආරක්ෂක සිදුවීම් වලට හේතු විය හැක. ප්රමුඛ පෙළේ AI සමාගම් තම ආකෘති ව්යුහගත නොකළ පරිසරයන් තුළ විශ්වාසදායක ලෙස හැසිරෙන බව සහතික කිරීම සඳහා මානව-ඉන්-ද-ලූප් (HITL) වලංගුකරණය වෙත යොමු වන්නේ එබැවිනි.

නරක දත්ත වල සඟවා ඇති වියදම

නරක දත්ත නරක AI නිර්මාණය කරයි. AI ආදර්ශයන් වැරදි හෝ පක්ෂපාති දත්ත මත පුහුණු කරන විට, එහි බලපෑමෙන් නරක ප්‍රතිඵල ඇති විය හැක, ඒ අතර:

  • රොබෝ දෘශ්‍යයේ වැරදි අනාවරණ
  • AV නාවිකරණයේ වැරදිව වර්ගීකරණය කළ වස්තු
  • වැරදි සංවේදක සංයෝජන ප්‍රතිදාන
  • ස්වයංක්‍රීය මෙහෙයුම් සඳහා අඩු කළ සාමාන්‍ය අසාර්ථකතා කාලය

භෞතික AI සඳහා HITL නලිකාවක ව්‍යුහය

දත්ත ආහාර ගැනීම සහ පෙර-වලංගු කිරීම

අමු මල්ටිමෝඩල් දත්ත කට්ටල (වීඩියෝ, LiDAR, රේඩාර්, ටෙලීමැට්‍රි) ලේබල් කිරීමේ වේදිකාවකට, උදාහරණයක් ලෙස uLabel, ස්වයංක්‍රීය පෙර-ලේබල් කිරීමේ පරීක්ෂා සමඟින් ආනයනය කරයි, ඒවා අතර අනුපිටපත්, අහිමි රාමු සහ සංවේදක සංගතනය පරීක්ෂා කිරීම ඇතුළත් වේ.

රන් 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 විනිශ්චයකරු එකඟතා 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 වටයන් ක්‍රියාත්මක වන අතර අවසන් එකඟතා ලකුණු ලබා ගැනීම තෙක් මෙම ක්‍රියාවලිය දිගටම සිදුවේ.

ස්වයංක්‍රීය ගුණාත්මකත්ව මිනුම්

වේදිකාව කොහෙන්ගේ කැපා සහ අන්තර්-විවරණකරු ගිවිසුම් ලකුණු තත්ය කාලීනව ගණනය කරයි. ගුණාත්මක පහත වැටීම් මානව නැවත ඇගයීම සඳහා ස්වයංක්රීය සලකුණු කිරීම අවුලුවයි.

ප්‍රතිචාර චක්‍රය සහ නැවත පුහුණු කිරීම

පරීක්ෂණ වලින් ලබාගත් අවබෝධයන් පුහුණු අන්තර්ගතයට සහ ආදර්ශ ඇගයීම් ස්ක්‍රිප්ට්වලට ආපසු ලබාදෙයි, එය අඛණ්ඩව වැඩිදියුණු වීම සහ පක්ෂපාතය අඩු කිරීම සහතික කරයි.

මානව විනිශ්චයය AI ස්වයංක්‍රීයතාවය සමඟ එකට හමුවෙයි

HITL හි බලය වන්නේ මිනිසුන් සහ යන්ත්‍රයන් අතර ඇති සමතුලිතතාවයයි. මෙම සින්ධනය නිසා ගුණාත්මකභාවය සහ කාර්යක්ෂමතාව එකටම වැඩෙන, ස්වයං-වර්ධනය වන නාලිකාවක් නිර්මාණය වේ.

වෘත්තාකාර මායිමකින් වට වූ, දණහිස් මත දෑත් තබාගෙන භාවනානුයෝගී නෙළුම් මලක ඉරියව්වෙන් වාඩි වී සිටින පුද්ගලයා

AI-සහය ඇති සමාලෝචනය

ආකෘති විශ්වාස ලකුණු හරහා විෂමතා ස්වයංක්රීයව සලකුණු කිරීම.

රෝද පුටුවක සිටින පුද්ගලයෙකු පියඹිල්ලක් උස්සමින් යාම, ප්‍රවේශය සම්බන්ධ අභියෝගයන් නිරූපණය කරයි.

ස්වයං-සුව කිරීමේ ස්ක්රිප්ට්

UI සහ මූලද්‍රව්‍ය දෝෂ සඳහා ස්වයංක්‍රීය නිවැරදි කිරීම.

වෘත්තාකාර මායිමකින් වට වූ, දණහිස් මත දෑත් තබාගෙන භාවනානුයෝගී නෙළුම් මලක ඉරියව්වෙන් වාඩි වී සිටින පුද්ගලයා

මානව විගණන

වසම් විශේෂඥයින් අවහිරතා, පරාවර්තන හෝ දුර්ලභ සිදුවීම් වැනි අන්ත අවස්ථා වලංගු කරයි.

වෘත්තාකාර මායිමකින් වට වූ, දණහිස් මත දෑත් තබාගෙන භාවනානුයෝගී නෙළුම් මලක ඉරියව්වෙන් වාඩි වී සිටින පුද්ගලයා

අඛණ්ඩ ඉගෙනීම

ප්‍රතිචාර ලූප මගින් ලේබල් කිරීමේ ආදර්ශයන් යාවත්කාලීන කරමින් ඊළඟ වටයේ සටහන් කිරීම වැඩිදියුණු කරයි.

Uber AI විසඳුම්: මානව අධීක්ෂණය සමඟ පක්ෂපාතතාවය අඩු කිරීම

AI නැඹුරුව භයානක භෞතික ප්රකාශනයන් ඇති කළ හැකිය. Uber AI Solution හි HITL රාමුව එවැනි නැඹුරුව කලින් හඳුනාගෙන අවම කිරීමට උපකාරී වන්නේ:

  • භාෂා සහ ප්‍රදේශ විවිධව පවතින සටහන්කරු කණ්ඩායම් භාවිතා කිරීම.
  • දත්ත සාම්පල ලබා ගැනීමේදී සහ ලේබල් බෙදා හැරීමේදී පක්ෂග්රාහී විගණන යෙදීම.
  • සාධාරණ ප්රතිඵල සත්යාපනය කිරීම සඳහා ප්රති-සත්ය පරීක්ෂණ පැවැත්වීම.
  • දත්ත කට්ටල සම්භවයේ විනිවිදභාවය සහතික කිරීම.

පූර්ව පුහුණුවේ සිට ඇගයීම දක්වා, යෙදවීම සහ ත්රිත්වකරණය දක්වා, රොබෝටික් දත්ත ජීවන චක්රය පුරා ඔබට Uber AI විසඳුම් සමඟ හවුල් විය හැකි ආකාරය ගැන තව දැනගන්න.

ඉදිරියට හොඳින් ගොඩනඟා ගමු
AI එක එක්ක


ඔබගේ ව්‍යාපෘතිය ගැන අපට කියන්න. අපි ඔබට පෙන්වන්නෙ
ඔබ එය සාර්ථක කරගන්න අවශ්‍ය දත්ත.

ඉදිරියට හොඳින් ගොඩනඟා ගමු
AI එක එක්ක


ඔබගේ ව්‍යාපෘතිය ගැන අපට කියන්න. අපි ඔබට පෙන්වන්නෙ
ඔබ එය සාර්ථක කරගන්න අවශ්‍ය දත්ත.