LOOM-IN-LOP（HITL）是人工智能的一个分支，利用人类和机器智能来创造机器学习模型。在传统的人类循环方法中，人们参与了他们训练，调整和测试特定算法的良性循环。一般来说，它的工作方式如下：
首先，人类标签数据。这给出了型号高质量（和大量）bob体育手机下载。一种机器学习算法学会从此数据中做出决定。
接下来，人类调整模型。这可能以几种不同的方式发生，但通常，人类将分辨数据以解释过度装备，以教导一个关于边缘案例的分类器，或模型在模型中的新类别。
最后，人们可以通过评分其输出来测试和验证模型，尤其是在算法对判断或过于信心对不正确的决定上的判断或过度自信的地方。
现在，重要的是要注意，这些动作中的每一个包括连续反馈循环。循环机器学习意味着采用这些培训，调整和测试任务，并将它们送回算法，以便更加智能，更自信，更准确。当模型选择所谓的活动学习时，这可以特别有效 - 您将该数据发送给人类注释器进行培训。
人在循环中是我们在Appen的一种方法，多年来一直在夺冠。我们已经看到它有助于改善每条条纹的模型，无论是文本分类器，计算机视觉算法还是搜索和信息检索模型。我们可以为您的独特用例创建大量高度准确的培训数据，然后用人的洞察力调整您的模型，并测试它以确保其决bob体育手机下载策是准确和可操作的。如果您想了解更多，请不要犹豫。
人在循环常见问题解答
你如何结合人员和机器来创建AI？
- 循环方法与最佳机器智能相结合了最佳人类智能。Machines are great at making smart decisions from vast datasets, whereas people are much better at making decisions with less information.For example, people are great at looking at a complex image and picking out discrete entities: “this is a lamppost” or “that’s a cat, but you can only see its tail.” This is the exact sort of information a machine needs to understand what a lamppost or a cat looks like. In fact, a machine needs to see a lot of different lampposts and cats from different angles, partially occluded, in different colors, etc.–to understand what one looks like. A robust dataset of these labeled images (i.e. human intelligence) teaches a machine to see those items (i.e. machine intelligence). And at some point, with enough data and enough tuning, those machine algorithms can see and understand images quickly and incredibly accurate without the need for people to constantly tell it what exactly a cat (or a lamppost) looks like.
你应该什么时候使用循环机器学习？
- 为了训练：正如我们上面讨论的那样，人类可用于为模型培训提供标记数据。这可能是最常见的地方，您将看到数据科学家使用Hitl方法。
- 用于调整或测试：人类还可以帮助调整模型以获得更高的准确性。说你的模型是关于一组决定的毫不疑问，就像某种图像实际上是一只猫。人类的注册者可以获得这些决定，有效地讲述了模型，“是的，这是一只猫”或“不，这是一个灯柱”，所以将来更加准确。
人类循环与主动学习有什么区别？
- 主动学习通常是指人类处理低置信单元并将那些送回模型。LOOP循环更广泛，包括主动学习方法以及通过人类标签创建数据集。此外，Hitl有时可以（虽然很少）是指人们只需验证（或无效）输出，而不会将这些判断送回模型。
谁利用循环机器学习？
- Hitl可以并用于歧管AI项目。这包括NLP，计算机视觉，情绪分析，转录和大量的其他用例。任何深度学习AI都可以从某些人的某些人类智能中受益于某些地方插入循环中的。
找出可靠的培训数据如何让您有信心部署AI。bob体育手机下载
联系我们与专家交谈。
