我們正處在為未來創新樹立先例的關鍵時刻

雖然該行業似乎正在努力實現完全自動化，但人工智能需要訓練有素的人類專家的指導。事實上，如果沒有經過成功訓練的數據和專家以及多樣化的人類監督，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

培訓數據是確保人工智能項目實現其承諾的重要基礎，再到特斯拉，人工智能系統都獲得了數據，以開發和改進它們的機器學習算法，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：進質量等于出質量，數據訓練是一個過程，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據，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據質量方面遇到了問題，其中有8 / 10的項目直接失敗。除了制造效率低下的產品之外，未經訓練的數據還可能導致危險的偏見，為醫療保艦環保、自動駕駛汽車和虛擬現實等行業的關鍵決策提供信息。

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）為關鍵診斷和治療決策提供信息，然而當產生不安全的建議時，這種基于假設患者數據的解決方案被發現無效，這些不同的錯誤是由相同的固有缺陷引起的：不完整的訓練數據。圍繞該技術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以確保錯誤不會持續存在。雖然依賴較孝不那么多樣化的數據集可以節省時間和金錢，但這些捷徑造成了結構性缺陷，威脅到人工智能的成功。

為什么人工智能需要人在循環中

盡管公開對話主要關注的是人工智能篡奪人類，但這項技術無法在沒有人類監督的情況下發揮作用，事實上，人工智能只有在將其先進的技術能力與一個多樣化的、專家在回路中的人工團隊相結合的情況下才可靠，因此才會成功，在數據訓練過程中，人類負責標記不同的數據集。例如，在自動駕駛汽車行業中，人在環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。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，訓練機器學習算法，以便以后檢測和理解這些對象。

只有人工智能標記初始數據集

可能會錯過重要的對象，導致人工智能“司機”錯過現實世界中的行人，人不僅是必要的標簽數據正確，但在創建數據集本身，如果訓練數據集的內容沒有人為的監督，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練數據集中沒有雪地駕駛，后來又在現實世界中遇到了這種情況，那么它的潛在弱點會是什么。

人工智能成功的關鍵是人類監督和經過熟練訓練的數據的結合，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，我們現在灌輸的做法將決定我們未來技術的有效性，通過確保數據集是高質量的，以及他們的人工智能與一個多樣化的人在環中的團隊協同工作，供應商可以確信他們的解決方案將會成功。

責任編輯：YYX