Validacija s človeškim nadzorom za fizično umetno inteligenco: zagotavljanje natančnosti in zaupanja v podatke robotike
Uvod: zakaj je kakovost nova konkurenčna prednost
V tekmi za uvajanje robotov, dronov in avtonomnih vozil je hitrost pomembna. Vendar pa sta varnost in zaupanje še pomembnejša. Ena napačno označena stvar lahko povzroči drage napake ali varnostne incidente. Zato se vodilna podjetja na področju umetne inteligence odločajo za preverjanje s človeškim nadzorom (HITL), da zagotovijo zanesljivo delovanje svojih modelov v nepredvidljivih okoljih.
Skriti stroški slabih podatkov
Slabi podatki ustvarijo slab umetno inteligenco. Ko so modeli umetne inteligence usposobljeni na napačnih ali pristranskih podatkih, lahko to povzroči slabe rezultate, vključno z:
- Lažni zaznani v robotskem vidu
- Napačno razvrščeni predmeti v AV navigaciji
- Napačni rezultati združevanja podatkov senzorjev
- Zmanjšan povprečni čas do okvare pri avtonomnem delovanju
Anatomija HITL-potrjevalnega procesa za fizično umetno inteligenco
Uvoz podatkov in predhodno preverjanje
Surovi multimodalni podatkovni nabori (video, LiDAR, radar, telemetrija) se uvozijo v platformo za označevanje, kot je uLabel, kjer se samodejno preverja podvojene podatke, manjkajoče sličice in poravnavo senzorjev.
Označevanje z zlatimi nabori podatkov
Anotatorji označujejo podatke glede na »zlati standard«, ki so ga predhodno odobrili strokovnjaki za določeno področje, da se zagotovi soglasje med anotatorji (IAA) nad 70 % in doslednost med serijami.
Pregled s soglasjem več ocenjevalcev
Vsak vzorec pregleda več ocenjevalcev v modelu soglasja z 2 ali 3 ocenjevalci. V primeru nesoglasij sledijo dodatni krogi preverjanja, dokler ni dosežena končna soglasna ocena.
Avtomatizirane meritve kakovosti
Platforma v realnem času izračunava Cohenov Kappa in stopnjo soglasja med ocenjevalci. Ob padcu kakovosti se samodejno sproži označevanje za ponovno preverjanje s strani človeka.
Povratne informacije in ponovno usposabljanje
Vpogledi iz revizij se uporabljajo za izboljšanje izobraževalnih vsebin in evalvacijskih skriptov modela, kar zagotavlja stalno izboljševanje in zmanjševanje pristranskosti.
Človeška presoja združena z avtomatizacijo umetne inteligence
Moč pristopa HITL je v ravnovesju med ljudmi in stroji. Ta sinergija ustvarja proces, ki se sam izboljšuje in v katerem kakovost in učinkovitost rasteta skupaj.
pregled s pomočjo umetne inteligence
Samodejno označevanje anomalij prek ocen zaupanja modela.
Skripti za samodejno odpravljanje napak
Samodejno popravljanje napak v uporabniškem vmesniku in elementih.
Človeški pregledi
Strokovnjaki za posamezna področja preverjajo mejne primere, kot so zakritja, odsevi ali redki dogodki.
Nenehno učenje
Povratne zanke posodabljajo modele označevanja in izboljšujejo označevanje v naslednjem krogu.
Uber AI rešitve: zmanjševanje pristranskosti s človeškim nadzorom
Pristranskost umetne inteligence ima lahko zaskrbljujoče fizične manifestacije. Okvir HITL rešitve Uber AI pomaga zgodaj odkrivati in blažiti takšno pristranskost z:
- Uporabo različnih skupin anotatorjev v različnih jezikih in regijah.
- Uporabo pristranskih revizij pri vzorčenju podatkov in distribuciji oznak.
- Izvajanjem kontrafaktualnega testiranja za preverjanje poštenih rezultatov.
- Zagotavljanjem preglednosti pri izvoru naborov podatkov.
Več informacij o tem, kako lahko sodelujete z Uber AI Solutions skozi celoten življenjski cikel robotsko generiranih podatkov, od predhodnega usposabljanja prek ocenjevanja do uvajanja in triaže.
Ustvarimo boljšo
AI skupaj
Povejte nam več o svojem projektu. Prikazali vam bomo
podatke, ki vam bodo pomagali doseči cilj.
Ustvarimo boljšo
AI skupaj
Povejte nam več o svojem projektu. Prikazali vam bomo
podatke, ki vam bodo pomagali doseči cilj.
Rešitve
Industrije
Viri
Razišči