क्या है मायने 'HITL' (ह्यूमन-इन-द-लूप) के ?

  'एआई' यह साबित कर रहा है कि वह तकनीक के हर विषय में निपुण है, और यहाँ एक अधिक पृष्ठ इसकी विश्वसनीयता में जोड़ने वाला है। यह एक डिवाइस लर्निंग-आधारित पूरी तरह एआई मॉडल बनाने के लिए गैजेट और मानव बुद्धि का लाभ उठाने की प्रक्रिया है।  HITL सिस्टम का वर्णन करता है, जबकि गैजेट या पीसी गैजेट किसी समस्या को हल करने में असमर्थ है और हर अवसर पर उच्च परिणामों के लिए, प्रत्येक स्कूली शिक्षा में शामिल होने और नियमों के एक सेट के निर्माण की श्रेणियों को आज़माने जैसे मानवीय हस्तक्षेप की आवश्यकता होती है।

  यदि आपके पास डेटासेट की पर्याप्त श्रेणी है, तो इन डेटासेट से जानने के बाद, एक एमएल एल्गोरिदम बिना किसी समस्या के सटीकता के साथ चयन कर सकता है।  लेकिन इससे पहले, सिस्टम सही परिणामों के लिए एक निश्चित मात्रा और सर्वोत्तम रिकॉर्ड सेट की जांच करना चाहता है।

 यह वह जगह है जहां मानव-इन-द-लूप सिस्टम मास्टरिंग का उपयोग मानव और डिवाइस इंटेलिजेंस के एक गैर-स्टॉप सर्कल के विकास के साथ किया जाता है, जहां एमएल एल्गोरिदम को प्रशिक्षित, परीक्षित, ट्यून्न किया जाता है, और वास्तविक रूप से उपयोग किए जाने पर संक्षिप्त और सही चयन करने के लिए तैयार होता है।  

👉 इस्तेमाल

ह्यूमन-इन-द-लूप ने नियमों की रणनीतियों के सेट को जानने के लिए गैजेट को शामिल किया है, जो पर्यवेक्षित और असुरक्षित फैक्टर्स को जानने के लिए हैं।  पर्यवेक्षित मशीन लर्निंग में, वर्गीकृत या एनोटेट रिकॉर्ड इकाइयों का उपयोग एमएल पेशेवरों द्वारा वास्तविक जीवन शैली में उपयोग करते हुए सही भविष्यवाणियां करने के लिए और एल्गोरिदम सिखाने के लिए किया जाता है।  वैकल्पिक रूप से, गैर-पर्यवेक्षित प्रणाली में ज्ञान प्राप्त करने के लिए एल्गोरिथम के ज्ञान प्राप्त करने के लिए कोई लेबल नहीं दिया गया है।  अपने इनपुट में आकार का पता लगाने और आँकड़ों को अपने तरीके से याद रखने के लिए इसे अपने आप पर छोड़ दिया जाता है।

  HITL में, आरंभ करने के लिए, मानव एल्गोरिथम के लिए स्कूली शिक्षा के आँकड़ों को लेबल करता है जिसे बाद में मशीनों के लिए विभिन्न परिदृश्यों को समझने योग्य बनाने के लिए एल्गोरिदम में फीड किया जाता है।  बाद में, मानव अतिरिक्त रूप से एमएल संस्करण सत्यापन के लिए परिणामों या भविष्यवाणियों का परीक्षण और मूल्यांकन करता है। यदि प्रभाव गलत हैं तो एल्गोरिदम में रेकॉर्ड होता है, जानकारी ग़लत होने पर फिर से जांचा जाता है और सही भविष्यवाणियां करने के लिए एल्गोरिदम में फिर से फीड किया जाता है।

👉 मशीन लर्निंग पर प्रभाव

  मॉडल का अध्ययन करने वाला एक उपकरण कच्चे रिकॉर्ड को तब तक नहीं समझ सकता जब तक कि मनुष्य इसके लिए स्पष्टीकरण प्रदान न करें और इसे मशीनों के लिए बोधगम्य न बना दें।  यहां, सांख्यिकी लेबलिंग विधि एल्गोरिदम के माध्यम से शिक्षित एक भरोसेमंद संस्करण विकसित करने में पहला कदम है, खासकर जब तथ्य एक असंरचित लेआउट में  होते है।  एक एल्गोरिथम असंरचित तथ्यों जैसे टेक्स्ट, ऑडियो, वीडियो, फोटोग्राफ और विभिन्न सामग्रियों की पहचान नहीं कर सकता है - जिन्हें ठीक से वर्गीकृत नहीं किया गया है।

  HITL तकनीक का विशेष रूप से उपयोग किया जाता है, जब हमेशा पर्याप्त जानकारी उपलब्ध नहीं होती है।  मानव-इन-लूप इस तथ्य के कारण उपयुक्त है कि इस स्तर पर, मनुष्य सबसे पहले मशीनों की तुलना में बहुत अधिक निर्णय ले सकता है।  और इसका उपयोग करके, मनुष्य ऐसे रिकॉर्ड से गैजेट अनुसंधान में सहायता के लिए सेट किए गए सिस्टम लर्निंग स्कूलिंग रिकॉर्ड सेट तैयार करने में महत्वपूर्ण भूमिका निभाता है।

  मानव-में-लूप पद्धति का उपयोग विशिष्ट प्रकार के तथ्यों को लेबल करने के दृष्टिकोण के लिए किया जाता है।  यदि आपको अपने मॉडल को सड़क या अन्य वस्तुओं पर किसी जानवर जैसे गैजेट के रूप के बारे में जागरूक होने या पहचानने के लिए प्रशिक्षित करने की आवश्यकता है, तो बाउंडिंग बॉक्स एनोटेशन उन्हें मशीनों के लिए पहचानने योग्य बनाने के लिए उच्च गुणवत्ता वाला उपयुक्त है।  वैकल्पिक रूप से, यदि आपको वस्तुओं को एक ही भव्यता में वर्गीकृत करना है, तो आपको दृश्य धारणा-आधारित एमएल संस्करण को प्रशिक्षित करने के लिए कल्पनाशील और प्रेजेंटर लैपटॉप के लिए उपयुक्त सिमेंटिक सेगमेंटेशन एनोटेशन का उपयोग करने की आवश्यकता है।

  इसी तरह, चेहरे की पहचान स्कूली शिक्षा डेटा सेट बनाने के लिए, लैंडमार्क एनोटेशन का उपयोग किया जाता है।  भाषा या आवाज-प्रतिष्ठा प्रणाली में शिक्षा, पाठ एनोटेशन, एनएलपी एनोटेशन, ऑडियो एनोटेशन, और भावना मूल्यांकन को जानने के लिए प्रयोग किया जाता है ताकि यह पहचाना जा सके कि मनुष्य विशेष परिस्थितियों में क्या कहना चाहते हैं।