我們正處在為未來創(chuàng)新樹立先例的關(guān)鍵時刻

雖然該行業(yè)似乎正在努力實現(xiàn)完全自動化，但人工智能需要訓(xùn)練有素的人類專家的指導(dǎo)。事實上，如果沒有經(jīng)過成功訓(xùn)練的數(shù)據(jù)和專家以及多樣化的人類監(jiān)督，人工智能的未來可能會弊大于利。

這是人工智能成功的基礎(chǔ)

培訓(xùn)數(shù)據(jù)是確保人工智能項目實現(xiàn)其承諾的重要基礎(chǔ)，再到特斯拉，人工智能系統(tǒng)都獲得了數(shù)據(jù)，以開發(fā)和改進它們的機器學(xué)習(xí)算法，但如果用于教授程序的信息不豐富、不健壯，程序本身就無法正常運行。換句話說：進質(zhì)量等于出質(zhì)量，數(shù)據(jù)訓(xùn)練是一個過程，在此過程中，人類注釋者檢測、選擇和標簽對象跨圖像、視頻和3D模型渲染。人工智能算法然后處理這些標注的數(shù)據(jù)，并使用它做出明智的決定，盡管概念簡單，但96%的人工智能程序在數(shù)據(jù)質(zhì)量方面遇到了問題，其中有8 / 10的項目直接失敗。除了制造效率低下的產(chǎn)品之外，未經(jīng)訓(xùn)練的數(shù)據(jù)還可能導(dǎo)致危險的偏見，為醫(yī)療保艦環(huán)保、自動駕駛汽車和虛擬現(xiàn)實等行業(yè)的關(guān)鍵決策提供信息。

這些漏洞比許多提供商愿意承認的要普遍得多

人工智能（Watson AI）為關(guān)鍵診斷和治療決策提供信息，然而當產(chǎn)生不安全的建議時，這種基于假設(shè)患者數(shù)據(jù)的解決方案被發(fā)現(xiàn)無效，這些不同的錯誤是由相同的固有缺陷引起的：不完整的訓(xùn)練數(shù)據(jù)。圍繞該技術(shù)的高科技炒作常常使人工智能提供商無法承認需要人為干預(yù)以確保錯誤不會持續(xù)存在。雖然依賴較孝不那么多樣化的數(shù)據(jù)集可以節(jié)省時間和金錢，但這些捷徑造成了結(jié)構(gòu)性缺陷，威脅到人工智能的成功。

為什么人工智能需要人在循環(huán)中

盡管公開對話主要關(guān)注的是人工智能篡奪人類，但這項技術(shù)無法在沒有人類監(jiān)督的情況下發(fā)揮作用，事實上，人工智能只有在將其先進的技術(shù)能力與一個多樣化的、專家在回路中的人工團隊相結(jié)合的情況下才可靠，因此才會成功，在數(shù)據(jù)訓(xùn)練過程中，人類負責(zé)標記不同的數(shù)據(jù)集。例如，在自動駕駛汽車行業(yè)中，人在環(huán)中的團隊會看到一系列街道、高速公路和十字路口的可視資產(chǎn)。然后，每個注釋者選擇并標記圖像中的對象，如行人、路牌和摩托車，訓(xùn)練機器學(xué)習(xí)算法，以便以后檢測和理解這些對象。

只有人工智能標記初始數(shù)據(jù)集

可能會錯過重要的對象，導(dǎo)致人工智能“司機”錯過現(xiàn)實世界中的行人，人不僅是必要的標簽數(shù)據(jù)正確，但在創(chuàng)建數(shù)據(jù)集本身，如果訓(xùn)練數(shù)據(jù)集的內(nèi)容沒有人為的監(jiān)督，那么在這個初始階段也可能引入偏差，想象一下，如果一輛無人駕駛汽車的訓(xùn)練數(shù)據(jù)集中沒有雪地駕駛，后來又在現(xiàn)實世界中遇到了這種情況，那么它的潛在弱點會是什么。

人工智能成功的關(guān)鍵是人類監(jiān)督和經(jīng)過熟練訓(xùn)練的數(shù)據(jù)的結(jié)合，而不是純粹的自動化

隨著人工智能在我們的日常生活中變得更加普及和普遍，我們現(xiàn)在灌輸?shù)淖龇▽Q定我們未來技術(shù)的有效性，通過確保數(shù)據(jù)集是高質(zhì)量的，以及他們的人工智能與一個多樣化的人在環(huán)中的團隊協(xié)同工作，供應(yīng)商可以確信他們的解決方案將會成功。

責(zé)任編輯：YYX