{"id":477510,"date":"2023-08-09T09:15:57","date_gmt":"2023-08-09T09:15:57","guid":{"rendered":""},"modified":"2023-09-05T11:14:51","modified_gmt":"2023-09-05T11:14:51","slug":"human-in-the-loop","status":"publish","type":"wiki","link":"https:\/\/oneproxy.pro\/my\/wiki\/human-in-the-loop\/","title":{"rendered":"Manusia-dalam-Gelung"},"content":{"rendered":"<p>Human-in-the-Loop (HITL) ialah pendekatan pengkomputeran interaktif yang mengintegrasikan kecerdasan manusia dengan sistem kecerdasan buatan (AI) untuk menyelesaikan tugas dengan lebih cekap dan tepat.<\/p>\n<h2>Kejadian Manusia-dalam-Gelung<\/h2>\n<p>Konsep Human-in-the-Loop mendapati akarnya dalam kejuruteraan kawalan, di mana istilah itu digunakan untuk menerangkan sistem yang memerlukan interaksi manusia untuk operasi yang berjaya. Sebutan penting pertamanya boleh dikesan kembali ke tahun 1940-an, dengan kemunculan sibernetik, bidang yang mengkaji sistem komunikasi dan kawalan yang wujud dalam mesin dan organisma hidup.<\/p>\n<p>Walau bagaimanapun, aplikasi penuh HITL dalam bidang AI mula berkembang pada awal abad ke-21 apabila kemajuan dalam teknologi menunjukkan potensi untuk menggabungkan keupayaan kognitif manusia dengan operasi dipacu mesin.<\/p>\n<h2>Membongkar Human-in-the-Loop<\/h2>\n<p>Pada terasnya, Human-in-the-Loop ialah pendekatan kepada pembelajaran mesin di mana manusia mengambil bahagian secara aktif dalam pelbagai fasa kitaran hayat model ML. Daripada pra-pemprosesan data, pengekstrakan ciri, dan latihan model kepada ujian dan maklum balas selepas penempatan, campur tangan manusia menambah keupayaan sistem AI.<\/p>\n<p>HITL pada asasnya dibina berdasarkan falsafah bahawa walaupun AI boleh mengendalikan tugasan berulang dan intensif secara pengiraan dengan mudah, manusia membawa atribut unik ke meja, seperti kreativiti, pemahaman kontekstual dan gerak hati, yang sukar untuk ditiru AI.<\/p>\n<h2>Fungsi Human-in-the-Loop<\/h2>\n<p>Sistem HITL beroperasi melalui rangka kerja kolaboratif di mana manusia dan mesin menyumbang kepada proses penyelesaian masalah. Berikut ialah pandangan ringkas tentang cara ia berfungsi:<\/p>\n<ol>\n<li><strong>Pra-Pemprosesan:<\/strong> Penglibatan manusia memastikan kualiti dan kaitan set data, termasuk pelabelan dan anotasi.<\/li>\n<li><strong>Latihan:<\/strong> Set data yang dibersihkan dan dilabel digunakan untuk melatih model ML.<\/li>\n<li><strong>Inferens:<\/strong> Model terlatih membuat ramalan berdasarkan input.<\/li>\n<li><strong>Semakan:<\/strong> Manusia menyemak dan membetulkan output model, jika perlu.<\/li>\n<li><strong>Maklum balas:<\/strong> Output yang diperbetulkan dimasukkan semula ke dalam sistem, meningkatkan prestasi masa depan model.<\/li>\n<\/ol>\n<p>Gelung maklum balas ini berterusan sehingga ramalan model mencapai tahap ketepatan yang dikehendaki.<\/p>\n<h2>Ciri-ciri Utama Human-in-the-Loop<\/h2>\n<p>Human-in-the-Loop, sebagai konsep dan amalan, mempunyai beberapa ciri yang ketara:<\/p>\n<ul>\n<li><strong>Kecerdasan Kolaboratif:<\/strong> HITL menggabungkan kuasa pengiraan mesin dengan kemahiran kognitif manusia.<\/li>\n<li><strong>Pembelajaran Interaktif:<\/strong> Sistem belajar secara berterusan daripada maklum balas manusia, meningkatkan prestasinya dari semasa ke semasa.<\/li>\n<li><strong>Peningkatan Ketepatan:<\/strong> Campur tangan manusia membantu mengurangkan ralat yang mungkin dilakukan oleh sistem AI dengan sendirinya.<\/li>\n<li><strong>serba boleh:<\/strong> HITL boleh digunakan merentasi pelbagai domain, daripada kenderaan autonomi kepada diagnostik penjagaan kesihatan.<\/li>\n<li><strong>Kepercayaan &amp; Ketelusan:<\/strong> Dengan melibatkan manusia dalam proses membuat keputusan, HITL meningkatkan ketelusan dan kepercayaan dalam sistem AI.<\/li>\n<\/ul>\n<h2>Jenis Sistem Human-in-the-Loop<\/h2>\n<p>Terdapat beberapa jenis sistem HITL, dikategorikan berdasarkan tahap dan sifat campur tangan manusia:<\/p>\n<table>\n<thead>\n<tr>\n<th><strong>taip<\/strong><\/th>\n<th><strong>Penerangan<\/strong><\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>HITL pasif<\/strong><\/td>\n<td>Input manusia hanya digunakan untuk latihan awal atau kemas kini berkala.<\/td>\n<\/tr>\n<tr>\n<td><strong>HITL aktif<\/strong><\/td>\n<td>Manusia sentiasa terlibat, mengesahkan dan membetulkan ramalan AI dalam masa nyata.<\/td>\n<\/tr>\n<tr>\n<td><strong>HITL Hibrid<\/strong><\/td>\n<td>Gabungan pasif dan aktif, di mana manusia terlibat dalam latihan awal dan dipanggil semasa ketidakpastian.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Menggunakan Human-in-the-Loop: Cabaran dan Penyelesaian<\/h2>\n<p>HITL menemui aplikasinya dalam pelbagai domain seperti penjagaan kesihatan, kenderaan autonomi, aeroangkasa, perkhidmatan pelanggan dan banyak lagi. Walau bagaimanapun, ia bukan tanpa cabaran. Mungkin terdapat isu yang berkaitan dengan skalabiliti penglibatan manusia, privasi data dan potensi berat sebelah dalam maklum balas manusia.<\/p>\n<p>Namun begitu, cabaran ini boleh dikurangkan. Untuk skalabiliti, teknik seperti pembelajaran aktif boleh membantu dalam mengurangkan usaha manusia dengan melibatkan mereka hanya apabila perlu. Privasi boleh dikekalkan dengan menamakan data peribadi dan melaksanakan amalan tadbir urus data yang ketat. Akhir sekali, untuk menguruskan berat sebelah, pelbagai kumpulan penyemak manusia boleh digunakan.<\/p>\n<h2>Membandingkan Human-in-the-Loop dengan Konsep Serupa<\/h2>\n<p>Jadual berikut membandingkan HITL dengan istilah yang serupa:<\/p>\n<table>\n<thead>\n<tr>\n<th><strong>Konsep<\/strong><\/th>\n<th><strong>Penerangan<\/strong><\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Manusia-dalam-Gelung<\/strong><\/td>\n<td>Melibatkan maklum balas manusia sepanjang kitaran hayat model ML.<\/td>\n<\/tr>\n<tr>\n<td><strong>Human-on-the-Loop<\/strong><\/td>\n<td>Manusia mengawasi operasi AI dan campur tangan hanya apabila perlu.<\/td>\n<\/tr>\n<tr>\n<td><strong>Manusia-di-luar-Gelung<\/strong><\/td>\n<td>AI beroperasi sepenuhnya secara bebas tanpa campur tangan manusia.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Perspektif Masa Depan Human-in-the-Loop<\/h2>\n<p>Masa depan HITL nampaknya menjanjikan, dengan potensi kemajuan yang memfokuskan pada penyepaduan kognisi manusia yang lebih mendalam dengan AI. Teknologi seperti antara muka otak-komputer dan pengkomputeran afektif boleh menjadi penyumbang utama. Ideanya adalah untuk menjadikan AI lebih empati, beretika dan boleh disesuaikan, memupuk kerjasama yang lancar antara manusia dan AI.<\/p>\n<h2>Pelayan Proksi dan Human-in-the-Loop<\/h2>\n<p>Pelayan proksi, seperti yang disediakan oleh OneProxy, boleh memainkan peranan penting dalam sistem HITL. Mereka boleh menawarkan lapisan keselamatan untuk data yang digunakan, memastikan privasi dan pematuhan. Selain itu, ia boleh digunakan untuk mencipta persekitaran ujian yang lebih realistik dan pelbagai untuk model ML. Ini boleh meningkatkan kekukuhan dan kebolehgeneralisasian model dengan ketara.<\/p>\n<h2>Pautan berkaitan<\/h2>\n<ol>\n<li><a href=\"https:\/\/en.wikipedia.org\/wiki\/Human-in-the-loop\" target=\"_new\" rel=\"noopener nofollow\">Pembelajaran Mesin Manusia-dalam-Gelung<\/a><\/li>\n<li><a href=\"https:\/\/arxiv.org\/abs\/2006.12461\" target=\"_new\" rel=\"noopener nofollow\">Human-in-the-Loop, Falsafah Etika AI<\/a><\/li>\n<li><a href=\"https:\/\/databricks.com\/glossary\/human-in-the-loop-for-machine-learning\" target=\"_new\" rel=\"noopener nofollow\">Human-in-the-Loop untuk Pembelajaran Mesin<\/a><\/li>\n<li><a href=\"https:\/\/en.wikipedia.org\/wiki\/Proxy_server\" target=\"_new\" rel=\"noopener nofollow\">Pelayan Proksi<\/a><\/li>\n<\/ol>","protected":false},"featured_media":468577,"menu_order":0,"template":"","meta":{"_acf_changed":false,"content-type":"","inline_featured_image":false,"footnotes":""},"class_list":["post-477510","wiki","type-wiki","status-publish","has-post-thumbnail","hentry"],"acf":{"faq_title":"Frequently Asked Questions about <mark>Human-in-the-Loop: An Insight into Collaborative Computing<\/mark>","faq_items":[{"question":"What is Human-in-the-Loop (HITL)?","answer":"<p>Human-in-the-Loop is an interactive approach to computing that integrates human intelligence and input into the artificial intelligence (AI) systems' workflow. It's about using human insights at different stages of the machine learning model's life cycle, including data pre-processing, feature extraction, model training, testing, and post-deployment feedback.<\/p>"},{"question":"What is the history of Human-in-the-Loop?","answer":"<p>The concept of Human-in-the-Loop originated in control engineering, where systems required human interaction for operation. The first significant mention dates back to the 1940s in the field of cybernetics. The application of HITL in artificial intelligence, however, began to evolve in the early 21st century with advancements in technology.<\/p>"},{"question":"How does a Human-in-the-Loop system work?","answer":"<p>A HITL system functions through a collaborative framework involving humans and machines. It starts with humans pre-processing data, followed by the machine training on this data. The model then makes predictions, which humans review and correct, if necessary. These corrected outputs are then fed back into the system, which learns and improves from this feedback. This loop continues until the model's predictions reach a satisfactory level of accuracy.<\/p>"},{"question":"What are the key features of Human-in-the-Loop?","answer":"<p>The key features of HITL include collaborative intelligence, interactive learning, improved accuracy, versatility across various domains, and enhanced trust and transparency in AI systems.<\/p>"},{"question":"What types of Human-in-the-Loop systems exist?","answer":"<p>HITL systems can be categorized into Passive HITL, where human input is used for initial training or periodic updates; Active HITL, where humans continually validate and correct AI predictions; and Hybrid HITL, which combines the elements of both passive and active types.<\/p>"},{"question":"What are some challenges and solutions related to the use of Human-in-the-Loop?","answer":"<p>Challenges related to the use of HITL include scalability of human involvement, data privacy, and potential biases in human feedback. These can be addressed by using active learning techniques, implementing data anonymization and robust governance practices, and employing a diverse group of human reviewers to manage biases.<\/p>"},{"question":"How do proxy servers relate to Human-in-the-Loop?","answer":"<p>Proxy servers, such as those provided by OneProxy, can offer security for data used in HITL systems, ensuring privacy and compliance. They can also be used to create diverse and realistic testing environments for machine learning models, thus improving their robustness and generalizability.<\/p>"},{"question":"What are the future perspectives of Human-in-the-Loop?","answer":"<p>Future perspectives of HITL include deeper integration of human cognition with AI. Potential advancements could focus on technologies like brain-computer interfaces and affective computing, with an aim to make AI systems more empathetic, ethical, and adaptable.<\/p>"}]},"_links":{"self":[{"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/wiki\/477510","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/types\/wiki"}],"version-history":[{"count":0,"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/wiki\/477510\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/media\/468577"}],"wp:attachment":[{"href":"https:\/\/oneproxy.pro\/my\/wp-json\/wp\/v2\/media?parent=477510"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}