Tamil
AI-இயக்கப்படும் பார்வை மற்றும் மனித ஆபரேட்டர்கள் தர ஆய்வில்: போட்டிக்கு அப்பால், ஒருங்கிணைப்பை நோக்கி
01.21 துருக
உலகெங்கிலும் உள்ள உற்பத்தி ஆலைகள், உணவு பதப்படுத்தும் வசதிகள் மற்றும் நிதி சேவை மையங்களில், தரமான ஆய்வு என்பது தரமற்ற தயாரிப்புகள்/சேவைகள் மற்றும் வாடிக்கையாளர் திருப்திக்கு இடையே ஒரு முக்கியமான தடையாக உள்ளது. பல தசாப்தங்களாக, மனித ஆபரேட்டர்கள் இந்த செயல்முறையின் முதுகெலும்பாக இருந்து வருகின்றனர், குறைபாடுகளைக் கண்டறிவதற்கும் இணக்கத்தை உறுதி செய்வதற்கும் அவர்களின் அனுபவம், உள்ளுணர்வு மற்றும் விவரங்களுக்கு கவனம் செலுத்துவதையும் நம்பியுள்ளனர். இன்று, AI-இயக்கப்படும் பார்வை அமைப்புகள் இந்த நிலப்பரப்பை வேகமாக மாற்றியமைத்து வருகின்றன, முன்னோடியில்லாத வேகம், துல்லியம் மற்றும் அளவிடுதல் ஆகியவற்றை உறுதியளிக்கின்றன. இந்த மாற்றத்தைச் சுற்றியுள்ள கதை பெரும்பாலும் இதை ஒரு பூஜ்ஜிய-கூட்டு விளையாட்டாக சித்தரிக்கிறது: மனிதர்களுக்கு எதிராக AI, ஒன்று மற்றொன்றை மாற்ற விதிக்கப்பட்டுள்ளது. ஆனால் இந்த இருமப் பார்வை நவீன தர ஆய்வின் மிகவும் தாக்கத்தை ஏற்படுத்தும் யதார்த்தத்தை புறக்கணிக்கிறது - இரண்டிற்கும் இடையிலான ஒருங்கிணைப்பு ஒன்றை விட மிகவும் வலுவான, திறமையான மற்றும் மாற்றியமைக்கக்கூடிய அமைப்பை உருவாக்குகிறது.
இந்தக் கட்டுரை இரண்டின் பலங்கள், வரம்புகள் மற்றும் உகந்த பயன்பாட்டு நிகழ்வுகளை ஆராய்கிறது, AI-இயக்கப்படும் பார்வை தொழில்நுட்பம் மற்றும் மனித ஆபரேட்டர்கள். தர உத்தரவாத செயல்முறைகளை மேம்படுத்த ஒவ்வொன்றின் தனித்துவமான திறன்களையும் நிறுவனங்கள் எவ்வாறு பயன்படுத்தலாம் என்பதை ஆராய, நாங்கள் "ஒன்று/அல்லது" விவாதத்திற்கு அப்பால் செல்கிறோம். உற்பத்தி முதல் நிதி வரையிலான தொழில்களில் இருந்து நிஜ உலக வழக்கு ஆய்வுகளைப் பயன்படுத்தி, புத்திசாலித்தனமான தர ஆய்வுக்கு மாறுவதில் உள்ள வணிகங்களுக்கு நாங்கள் செயல்படக்கூடிய நுண்ணறிவுகளை வழங்குகிறோம்.
AI-உந்துதல் பார்வை அமைப்புகளின் எழுச்சி: வேகம், அளவிடுதல் மற்றும் நிலைத்தன்மை
AI-உந்துதல் பார்வை அமைப்புகள்—இயந்திர கற்றல், ஆழ்ந்த கற்றல் மற்றும் கணினி பார்வை அல்காரிதம்களால் இயக்கப்படுபவை—சிறப்பு கருவிகளிலிருந்து முக்கிய தீர்வுகளாக வளர்ந்துள்ளன, பாரம்பரிய தர ஆய்வுகளில் நீண்டகால வலிகளை நிவர்த்தி செய்கின்றன. அவற்றின் முக்கிய நன்மைகள், அதிக அழுத்தம், 24/7 செயல்பாட்டு சூழல்களில் கூட, நிலையான நிலைத்தன்மையுடன் பரந்த அளவிலான தரவுகளை செயலாக்கும் திறனில் உள்ளன.
AI பார்வை (AI vision) இன் மிகவும் கவர்ச்சிகரமான நன்மைகளில் ஒன்று அதன் இணையற்ற செயல்திறன் ஆகும். பாரம்பரிய தொழில்துறை அமைப்புகளில், ஒரு மனித ஆபரேட்டர் ஒரு நுண்ணோக்கியின் கீழ் ஒரு சிறிய பாகத்தை ஆய்வு செய்ய 40 வினாடிகள் செலவிடலாம், ஒரு 8 மணி நேர ஷிப்டில் வெறும் 720 ஆய்வுகளை முடிக்கலாம். இதற்கு மாறாக, AI பார்வை அமைப்புகள் ஒரு பாகத்திற்கு 5 வினாடிகளுக்கும் குறைவான ஆய்வு நேரத்தைக் குறைக்கலாம், ஒரு சாதனம் தினமும் 13,000 யூனிட்டுகளுக்கு மேல் செயலாக்குகிறது - இது 18 திறமையான தொழிலாளர்களின் உற்பத்திக்கு சமம். இந்த வேகம் உற்பத்தித்திறன் பற்றிய விஷயம் மட்டுமல்ல; இது உற்பத்தி வரிகளின் 100% ஆய்வை செயல்படுத்துகிறது, இது கையேடு செயல்முறைகளில் பொதுவான 20-30% சீரற்ற மாதிரி விகிதங்களை விட ஒரு குறிப்பிடத்தக்க முன்னேற்றம் ஆகும். உதாரணமாக, ஒரு முன்னணி காபி பிராண்ட் வாடிக்கையாளர் சேவை தொடர்புகளின் 100% ஐ உள்ளடக்குவதற்கு AI-இயங்கும் குரல் மற்றும் காட்சி ஆய்வை செயல்படுத்தியது, இணக்கமின்மை கண்டறிதலை 50% இலிருந்து 100% ஆக உயர்த்தியது மற்றும் வாடிக்கையாளர் திருப்தியை 85% மேம்படுத்தியது.
மனித ஆபரேட்டர்களை விட AI சிறப்பாக செயல்படும் மற்றொரு பகுதி நிலைத்தன்மை ஆகும். மனித சோர்வு, உணர்ச்சி நிலை மற்றும் அகநிலை தீர்ப்பு ஆகியவை சீரற்ற ஆய்வு தரங்களுக்கு வழிவகுக்கும் - ஒரு ஆபரேட்டர் "சிறிய கீறல்" என்று கருதுவது மற்றொன்றால் ஒரு முக்கியமான குறைபாடாகக் கொடியிடப்படலாம். இந்த மாறுபாடு பெரும்பாலும் கையேடு செயல்முறைகளில் 40% க்கும் அதிகமான குறைபாடு விகிதங்களுக்கு வழிவகுக்கிறது. இதற்கு மாறாக, AI பார்வை அமைப்புகள் ஒவ்வொரு ஆய்விற்கும் ஒரே அளவுகோல்களைப் பயன்படுத்துகின்றன, பிழை விகிதங்கள் 0.03% (10,000 யூனிட்களுக்கு 3) ஆக கட்டுப்படுத்தப்படுகின்றன. உதாரணமாக, வாகன சென்சார் துறையில், AI அமைப்புகள் சுற்றுச்சூழல் மாறுபாட்டின் நீண்டகால சிக்கலைத் தீர்த்துள்ளன: பாரம்பரிய கையேடு அல்லது நிலையான-அல்காரிதம் அமைப்புகளுக்கு ஒளி மாற்றங்களுக்கு (மழை நாள் vs. வெயில் நாள் வண்ணப்பூச்சு பளபளப்பை பாதிக்கும்) கணக்கிட வாராந்திர மறுசீரமைப்புகள் தேவைப்பட்டாலும், பல்வேறு நிலைமைகளில் பயிற்சி பெற்ற AI மாதிரிகள் தானாகவே மாற்றியமைக்கின்றன, தொடர்ச்சியான மனித தலையீட்டின் தேவையை நீக்குகின்றன.
அளவிடுதல் மற்றும் தகவமைத்தல் ஆகியவை AI இன் மதிப்பை மேலும் மேம்படுத்துகின்றன. நவீன AI பார்வை தளங்கள் "சிறிய மாதிரி பயிற்சி" நுட்பங்களைப் பயன்படுத்துகின்றன, இது பழைய இயந்திர கற்றல் மாதிரிகளுக்குத் தேவையான ஆயிரக்கணக்கான மாதிரிகளுடன் ஒப்பிடும்போது, 30-50 குறிக்கப்பட்ட படங்களுடன் புதிய குறைபாடு வடிவங்களைக் கற்றுக்கொள்ள உதவுகிறது. இதன் பொருள், வணிகங்கள் புதிய தயாரிப்புகள் அல்லது புதுப்பிக்கப்பட்ட தரத் தரங்களுக்கு அமைப்பை விரைவாக மறுசீரமைக்க முடியும். உதாரணமாக, ஒரு சிற்றுண்டி உணவு உற்பத்தியாளர் (Yanjin Puzi) காடை முட்டைகளை ஆய்வு செய்ய ஒரு AI பார்வை அமைப்பை செயல்படுத்தியது, 30 குறிக்கப்பட்ட படங்களுடன் மாதிரியைப் பயிற்றுவித்து, சில மணிநேரங்களுக்குள் அதைச் செயல்படுத்தியது - இது பாரம்பரிய ஆய்வு அமைப்புகளுடன் ஒரு வாரம் எடுக்கும் செயல்முறையாகும். கூடுதலாக, AI அமைப்புகள் ஒரே நேரத்தில் பல தரவு வகைகளை (ஆடியோ, உரை, வீடியோ) செயலாக்குவதில் சிறந்து விளங்குகின்றன, இது நிதி போன்ற துறைகளில் பலதரப்பட்ட தரக் கட்டுப்பாட்டிற்கு ஏற்றதாக அமைகிறது, அங்கு அவை இணக்க மீறல்களுக்காக அழைப்பு பதிவுகள், அரட்டை பதிவுகள் மற்றும் வீடியோ நேர்காணல்களை ஸ்கேன் செய்ய முடியும்.
மனித ஆபரேட்டர்களின் ஈடுசெய்ய முடியாத மதிப்பு: உள்ளுணர்வு, சூழல் மற்றும் சிக்கலான தீர்ப்பு
அதன் அனைத்து நன்மைகளுக்கும், AI இயக்கப்படும் பார்வை ஒரு மருந்தல்ல. மனித இயக்குநர்கள் தனித்துவமான திறன்களை கொண்டுள்ளனர், அவை மிகவும் முன்னணி ஆல்கொரிதம்களுக்கும் அப்பால் உள்ளன—சூழ்நிலைகள், உணர்வு மற்றும் சிக்கலான முடிவெடுத்தல் தேவைப்படும் சூழ்நிலைகளில் குறிப்பாக. இந்த பலவீனங்கள் மனிதர்களை உயர் ஆபத்து, நுணுக்கமான தரமான ஆய்வு சூழ்நிலைகளில் தவிர்க்க முடியாதவர்களாக ஆக்குகின்றன.
முதலில், மனிதர்கள் புதிய, எதிர்பாராத குறைபாடுகளைக் கண்டறிவதில் சிறந்து விளங்குகிறார்கள். AI அமைப்புகள் இதற்கு முன்பு பார்த்த வடிவங்களை அங்கீகரிக்கப் பயிற்சி அளிக்கப்படுகின்றன; அவற்றின் பயிற்சித் தரவுகளுடன் பொருந்தாத ஒரு குறைபாட்டை எதிர்கொள்ளும்போது, அவை அதைச் சுட்டிக்காட்டத் தவறுகின்றன. மாறாக, மனிதர்கள் வரையறுக்கப்பட்ட வகைகளில் பொருந்தாத முரண்பாடுகளைக் கூட அடையாளம் காண தங்கள் அனுபவத்தைப் பயன்படுத்தலாம். மென்பொருள் பயன்பாட்டு சோதனையில் ஜெனரேட்டிவ் AI மாதிரிகள் (GPT-4o மற்றும் Gemini 2.5 Flash) மற்றும் மனித ஆய்வாளர்களை ஒப்பிடும் ஒரு ஆய்வு, AI பல குறைபாடுகளைக் கண்டறிந்தாலும், மனித ஆய்வாளர்கள் அதிக துல்லியத்தை அடைந்து, தனித்துவமான, தரமற்ற சிக்கல்களை அதிகமாகக் கண்டறிந்தனர். உற்பத்தியில், இது முக்கியமான பாதுகாப்புப் பிடிப்புகளுக்கு வழிவகுக்கிறது: ஒரு மனித ஆபரேட்டர் ஒரு உலோகக் கூறில் உள்ள நுட்பமான, ஒழுங்கற்ற விரிசலைக் கவனிக்கலாம், இது மிகவும் பொதுவான விரிசல் வடிவங்களில் பயிற்சி பெற்ற AI தவறவிடுகிறது.
சூழல் சார்ந்த தீர்ப்பு என்பது மனிதர்களின் மற்றொரு சிறப்புத் திறனாகும். தரக் கட்டுப்பாடு என்பது பெரும்பாலும் தொழில்நுட்பத் தரங்களையும், நிஜ உலக தாக்கங்களையும் சமநிலைப்படுத்துவதை உள்ளடக்கியது. உதாரணமாக, ஒரு நுகர்வோர் பொருளில் ஏற்படும் ஒரு சிறிய அழகு குறைபாடு அதன் செயல்பாட்டையோ அல்லது வாடிக்கையாளர் பார்வையையோ பாதிக்குமா என்பதைத் தீர்மானிப்பது. வாடிக்கையாளர் தேவைகள், பிராண்ட் தரநிலைகள் மற்றும் சந்தை எதிர்பார்ப்புகள் பற்றிய தங்கள் புரிதலைப் பயன்படுத்தி, மனிதர்கள் இந்த காரணிகளை உள்ளுணர்வாக எடைபோட முடியும். உதாரணமாக, உணவுப் பதப்படுத்துதலில், ஒரு மனித ஆய்வாளர் ஒரு காய்கறியில் உள்ள லேசான நிறமாற்றத்தை (எ.கா., ஒரு காய்கறியில் உள்ள சற்று நிறமாறிய பகுதி) ஒரு கெட்டுப்போனதற்கான அறிகுறியிலிருந்து வேறுபடுத்தி அறிய முடியும். ஆனால் AI ஆனது நிற வரம்புகளை மட்டும் அடிப்படையாகக் கொண்டு அந்த மாற்றத்தை ஒரு குறைபாடாக தவறாக வகைப்படுத்தக்கூடும்.
வாடிக்கையாளர் எதிர்கொள்ளும் தரக் கட்டுப்பாட்டுப் பணிகளில் உணர்ச்சி நுண்ணறிவு மற்றும் பச்சாதாபம் கூடுதல் மதிப்பைச் சேர்க்கின்றன. சில்லறை வணிகம் அல்லது நிதி போன்ற துறைகளில், தர ஆய்வு என்பது பெரும்பாலும் வாடிக்கையாளர் தொடர்புகளை (எ.கா., அழைப்பு மைய உரையாடல்கள்) மதிப்பிடுவதை உள்ளடக்குகிறது. AI குறிப்பிட்ட முக்கிய வார்த்தைகள் அல்லது இணக்கமின்மையைக் குறிக்கும் சொற்றொடர்களைக் கண்டறிய முடியும் என்றாலும், மனிதர்கள் நுட்பமான உணர்ச்சி குறிப்புகளைப் பிடிக்க முடியும் - வாடிக்கையாளரின் குரலில் விரக்தி, முகவரின் பதிலில் தயக்கம் - இது ஆழமான சிக்கல்களைக் குறிக்கிறது. உதாரணமாக, ஒரு மனித தர ஆய்வாளர், ஒரு முகவரின் மிகைப்படுத்தப்பட்ட ஸ்கிரிப்ட் பதில் வாடிக்கையாளர்களை அந்நியப்படுத்துகிறது என்பதை அங்கீகரிக்கலாம், அது எந்த வெளிப்படையான விதிகளையும் மீறாவிட்டாலும் கூட, மற்றும் பயிற்சி மேம்பாடுகளைப் பரிந்துரைக்கலாம். மென்பொருள் பயன்பாட்டு ஆய்வு குறித்த ஆய்வும், மனித ஆய்வாளர்கள் குறைபாடுகளின் விரிவான, செயல்படக்கூடிய விளக்கங்களை வழங்கியதாகவும், அதேசமயம் AI அறிக்கைகள் பெரும்பாலும் தேவையற்றவையாக இருந்தன அல்லது சூழல் இல்லை என்றும் குறிப்பிட்டது.
இறுதியாக, மனிதர்கள் AI அமைப்புகளைச் சரிபார்ப்பதிலும் மேம்படுத்துவதிலும் முக்கியப் பங்கு வகிக்கின்றனர். AI மாதிரிகள் தவறான நேர்மறைகளுக்கு (false positives) ஆளாகின்றன - குறிப்பாக சிக்கலான சூழல்களில், மாறுபடும் ஒளி அல்லது பொருள் பண்புகளுடன், குறைபாடுகள் இல்லாதவற்றை குறைபாடுகளாகக் கொடியிடுகின்றன. மனித ஆபரேட்டர்கள் இந்தக் கொடியிடப்பட்ட உருப்படிகளை மதிப்பாய்வு செய்து, AI இன் தவறுகளைச் சரிசெய்து, மாதிரியை மறுபயிற்சி செய்வதற்கும் செம்மைப்படுத்துவதற்கும் குறிப்புடன் கூடிய தரவை வழங்க முடியும். இந்த பின்னூட்ட வளையம் தொடர்ச்சியான முன்னேற்றத்திற்கு அவசியமானது: மனித மேற்பார்வை இல்லாமல், AI அமைப்புகள் தவறுகளைத் தொடரலாம் அல்லது தயாரிப்புகள் அல்லது தரநிலைகள் மாறும்போது காலாவதியாகிவிடலாம்.
போட்டிக்கு அப்பால்: தர ஆய்வின் ஒருங்கிணைந்த எதிர்காலம்
இன்றைய மிகவும் பயனுள்ள தர ஆய்வு அமைப்புகள் AI-மட்டும் அல்லது மனித-மட்டும் அல்ல - அவை இரண்டின் பலங்களையும் இணைக்கும் கலப்பின மாதிரிகள். இந்த ஒருங்கிணைப்பு ஒவ்வொரு அணுகுமுறையின் வரம்புகளையும் நிவர்த்தி செய்கிறது, அதே நேரத்தில் அவற்றின் நன்மைகளை அதிகரிக்கிறது. கீழே தொழில்துறைகளில் ஏற்றுக்கொள்ளப்படும் நான்கு முக்கிய கூட்டு மாதிரிகள் உள்ளன:
1. AI ஒரு முன்-ஸ்கிரீனராக, மனிதர்கள் இறுதி நடுவர்களாக
அதிக அளவு உற்பத்தி வரிசைகளில் (எ.கா., மின்னணு உற்பத்தி, உணவு பதப்படுத்துதல்), AI ஆரம்ப ஆய்வை கையாள்கிறது, தயாரிப்புகளை "தேர்ச்சி", "தோல்வி" மற்றும் "மதிப்பாய்வு தேவை" என விரைவாக வகைப்படுத்துகிறது. மனிதர்கள் பின்னர் "மதிப்பாய்வு தேவை" துணைக்குழுவில் மட்டுமே கவனம் செலுத்துகிறார்கள் - பொதுவாக மொத்த அலகுகளில் 5-10% - இறுதி முடிவுகளை எடுக்க தங்கள் தீர்ப்பைப் பயன்படுத்துகிறார்கள். இந்த மாதிரி மனித வேலைப்பளுவை வியத்தகு முறையில் குறைக்கிறது, அதே நேரத்தில் நுட்பமான அல்லது புதிய குறைபாடுகள் எதுவும் தப்பிவிடாமல் இருப்பதை உறுதி செய்கிறது. உதாரணமாக, ஒரு லாஜிஸ்டிக்ஸ் நிறுவனம் 100% அழைப்பு பதிவுகளை ஸ்கேன் செய்ய ஒரு AI மல்டி-மாடல் ஆய்வு அமைப்பை செயல்படுத்தியது, மனித மதிப்பாய்வுக்காக அதிக ஆபத்துள்ள தொடர்புகளைக் கொடியிட்டது. இதன் விளைவாக: சிவப்பு-கோடு மீறல்கள் 90% குறைக்கப்பட்டன, மேலும் மனித ஆய்வாளர்கள் தங்கள் நேரத்தை சலிப்பான கையேடு ஸ்கேனிங்கிலிருந்து மூலோபாய பகுப்பாய்வுக்கு திருப்பிவிட்டனர்.
2. மனித-இன்-லூப் AI பயிற்சி மற்றும் செம்மைப்படுத்துதல்
முன்னர் குறிப்பிட்டபடி, AI செயல்திறனை மேம்படுத்துவதில் மனிதர்கள் முக்கிய பங்கு வகிக்கின்றனர். ஆபரேட்டர்கள் புதிய குறைபாடு மாதிரிகளை குறியிடுகிறார்கள், தவறான நேர்மறை/எதிர்மறை முடிவுகளை சரிசெய்கிறார்கள், மற்றும் விளிம்பு நிலைகளுக்கான சூழலை வழங்குகிறார்கள் - இவை AI மாதிரியை மீண்டும் பயிற்றுவிக்கப் பயன்படுத்தப்படும் தரவுகள். இது ஒரு தொடர்ச்சியான மேம்பாட்டு சுழற்சியை உருவாக்குகிறது: AI எவ்வளவு அதிகமாகப் பயன்படுத்தப்படுகிறதோ, அவ்வளவு புத்திசாலித்தனமாகிறது, மேலும் மனித ஆய்வாளர்கள் மிகவும் திறமையாகிறார்கள். ஒரு ஆயுள் காப்பீட்டு நிறுவனம் இந்த மாதிரியை செயல்படுத்தியது, இணக்க இடைவெளிகளுக்காக (எ.கா., விடுபட்ட வெளிப்படுத்தல் அறிக்கைகள்) வீடியோ நேர்காணல்களை ஸ்கேன் செய்ய AI ஐப் பயன்படுத்தியது மற்றும் தெளிவற்ற வழக்குகளை மதிப்பாய்வு செய்ய மனித ஆய்வாளர்களைப் பயன்படுத்தியது. காலப்போக்கில், AI இன் துல்லியம் 90% இலிருந்து 98% ஆக மேம்பட்டது, மேலும் நிறுவனத்தின் முதல்-பாஸ் ஆய்வு விகிதம் 50% இலிருந்து 90% ஆக உயர்ந்தது.
3. வழக்கமான சோதனைகளுக்கு AI, சிக்கலான சூழ்நிலைகளுக்கு மனிதர்கள்
இந்த மாதிரி, திரும்பத் திரும்பச் செய்யப்படும், தரப்படுத்தப்பட்ட பணிகளை AI-க்கு ஒதுக்குகிறது மற்றும் சிக்கலான, நுணுக்கமான ஆய்வுகளை மனிதர்களுக்காக ஒதுக்குகிறது. உதாரணமாக, வாகன உற்பத்தியில், அதிக அளவில் உள்ள பாகங்களில் நிலையான குறைபாடுகளை (எ.கா., போல்ட் இல்லாதது, தவறான பாகம் சீரமைப்பு) AI விரைவாகச் சரிபார்க்க முடியும், அதே நேரத்தில் மனிதர்கள் தனிப்பயன் அல்லது உயர்-துல்லியமான பாகங்களை (எ.கா., சிக்கலான வடிவவியலைக் கொண்ட எஞ்சின் பாகங்கள்) ஆய்வு செய்கிறார்கள், இதற்கு அகநிலை தீர்ப்பு தேவைப்படுகிறது. மென்பொருள் பயன்பாட்டு சோதனையில், அடிப்படை இடைமுக சிக்கல்களை (எ.கா., உடைந்த இணைப்புகள், பதிலளிக்காத பொத்தான்கள்) AI ஸ்கேன் செய்ய முடியும், அதே நேரத்தில் மனித ஆய்வாளர்கள் பயனர் அனுபவ காரணிகளை (எ.கா., உள்ளுணர்வு, அணுகல்தன்மை) மதிப்பிடுகிறார்கள்.
4. நேரடி ஒத்துழைப்பு: AI எச்சரிக்கைகள், மனித müdahale
நேர உணர்திறன் கொண்ட சூழல்களில் (எ.கா., அழைப்பு மையங்கள், அதிவேக உற்பத்தி வரிசைகள்), மனித ஆபரேட்டர்களுக்கு சாத்தியமான சிக்கல்களைக் கண்டறியும் போது AI அமைப்புகள் நிகழ்நேர எச்சரிக்கைகளை வழங்குகின்றன. இது மனிதர்கள் உடனடியாக தலையிட அனுமதிக்கிறது, குறைபாடுள்ள தயாரிப்புகள் வாடிக்கையாளர்களை அடைவதைத் தடுக்கிறது அல்லது இணக்கமற்ற தொடர்புகள் தீவிரமடைவதைத் தடுக்கிறது. ஒரு நுகர்வோர் நிதி நிறுவனம் இந்த அணுகுமுறையைப் பயன்படுத்தியது: AI அழைப்பு பதிவுகளை நிகழ்நேரத்தில் கண்காணித்தது, உணர்திறன் மொழி அல்லது இணக்கமற்ற அறிக்கைகளைக் கொடியிட்டு மேற்பார்வையாளர்களுக்கு எச்சரித்தது. இதன் விளைவாக: புகார் தீவிரமடையும் விகிதங்கள் 50% குறைந்தது, மற்றும் இணக்கப் பிரச்சனை தீர்க்கும் நேரம் 24 மணிநேரத்திலிருந்து 1 மணிநேரமாகக் குறைந்தது.
மனித-AI ஒத்துழைப்பின் உண்மையான வெற்றிக்கதைகள்
தொழில்களில், நிறுவனங்கள் கலவையான தரக் கண்காணிப்பு முறைமைகளின் பயன்களை அனுபவிக்கின்றன. இங்கே இரண்டு முக்கியமான எடுத்துக்காட்டுகள் உள்ளன:
தொழில்துறை உற்பத்தி: சென்சைரூயின் AI-மனித ஆய்வு துல்லியமான பாகங்களுக்கு – ஒரு சீன தொழில்துறை தொழில்நுட்ப நிறுவனம் (சென்சைரூய்) சிறிய வாகன பாகங்களை ஆய்வு செய்ய ஒரு AI பார்வை அமைப்பை நிறுவியது, ஆய்வு நேரத்தை ஒரு யூனிட்டிற்கு 40 வினாடிகளிலிருந்து 5 வினாடிகளாகக் குறைத்து, தினசரி உற்பத்தி அளவை 720 இலிருந்து 13,000 யூனிட்டுகளாக அதிகரித்தது. இருப்பினும், AI-குறிக்கப்பட்ட அசாதாரணங்களை மதிப்பாய்வு செய்யவும், புதிய குறைபாடு வடிவங்களில் மாதிரியைப் பயிற்றுவிக்கவும் நிறுவனம் மனித ஆபரேட்டர்களைத் தக்க வைத்துக் கொண்டது. இந்த கலப்பின அமைப்பு 0.03% தவறவிட்ட குறைபாடு விகிதத்தை அடைந்தது - இது கைமுறை ஆய்வின் 40%+ விகிதத்தை விட குறிப்பிடத்தக்க முன்னேற்றம் - அதே நேரத்தில் தொழிலாளர் செலவுகளை 70% குறைத்தது. குறிப்பாக, AI தளம் "ஜீரோ-கோட்" ஆக வடிவமைக்கப்பட்டது, இது AI நிபுணத்துவம் இல்லாத மனித ஆபரேட்டர்கள் குறைபாடுகளைக் குறிக்கவும், ஒரு எளிய, காட்சி இடைமுகத்தைப் பயன்படுத்தி மாதிரியை மீண்டும் பயிற்றுவிக்கவும் அனுமதித்தது.
நிதி: பல-முறை AI-மனித குழுக்களுடன் காப்பீட்டு இணக்கம் – ஒரு பெரிய காப்பீட்டு நிறுவனம், இணக்க மீறல்களுக்காக (எ.கா., கொள்கை விதிமுறைகளை வெளிப்படுத்தத் தவறியது) 100% அழைப்புப் பதிவுகள் மற்றும் வீடியோ நேர்காணல்களை ஸ்கேன் செய்ய ஒரு AI பல-முறை ஆய்வு அமைப்பைச் செயல்படுத்தியது. AI சாத்தியமான சிக்கல்களைக் கொடியிட்டது, மேலும் மனித ஆய்வாளர்கள் அவற்றை மதிப்பாய்வு செய்து சரிபார்த்தனர். இந்த கலப்பின அணுகுமுறை இணக்க விகிதங்களை 85% இலிருந்து 95% ஆக அதிகரித்தது, ஒழுங்குமுறை மீறல்களை பூஜ்ஜியமாகக் குறைத்தது, மேலும் இணக்க ஆய்வுகளுக்குச் செலவழித்த நேரத்தை 54% குறைத்தது. கூடுதலாக, AI அமைப்பு அதிக அதிர்வெண் கொண்ட மீறல்களிலிருந்து தானாகவே பயிற்சிப் பொருட்களை உருவாக்கியது, புதிய ஊழியர்களின் பயிற்சி நேரத்தை 4 வாரங்களிலிருந்து 1 வாரமாகக் குறைத்தது.
ஒரு கலவையான தரக் கண்காணிப்பு முறைமையை செயல்படுத்துவது: முக்கியமான கருத்துக்கள்
மனித-AI கலவையான அணுகுமுறையை ஏற்க விரும்பும் நிறுவனங்களுக்கு, வெற்றியை உறுதி செய்ய முக்கியமான படிகள் இங்கே உள்ளன:
1. உங்கள் பயன்பாட்டை மதிப்பீடு செய்யவும்: எந்த கண்காணிப்பு பணிகள் மீண்டும் மீண்டும் மற்றும் தரவுபடுத்தப்பட்டவை (AIக்கு ஏற்றது) மற்றும் எந்தவை சூழல் அல்லது உணர்வு தேவை (மனிதர்களுக்கு ஏற்றது) என்பதை அடையாளம் காணவும். ஆரம்ப AI செயல்பாட்டிற்காக உயர் அளவிலான, குறைந்த நுணுக்கம் உள்ள பணிகளை முன்னுரிமை அளிக்கவும்.
2. சரியான AI தளத்தை தேர்வு செய்யவும்: சிறிய மாதிரி பயிற்சியை ஆதரிக்கும் AI பார்வை அமைப்பை தேர்வு செய்யவும் (தரவுகளை சேகரிக்கும் சுமைகளை குறைத்தல்) மற்றும் பயனர் நட்பு இடைமுகங்களை (மனித இயக்குநர்கள் மாதிரி மேம்பாட்டில் பங்கு பெறுவதற்கு குறியீட்டு திறன்கள் இல்லாமல்) ஆதரிக்கவும். உங்கள் ஆய்வு பல்வேறு தரவுப் வகைகளை (ஒலியியல், உரை, வீடியோ) உள்ளடக்கியதாக இருந்தால், பல்வேறு முறைமைகள் கொண்ட திறன்களை தேடுங்கள்.
3. மனித பயிற்சியில் முதலீடு செய்யவும்: AI உடன் செயல்திறனாக வேலை செய்ய உங்கள் ஆய்வு குழுவை பயிற்சி அளிக்கவும்—AI கொடுப்பனவுகளை மதிப்பீடு செய்ய, குறைகளை குறிக்க, மற்றும் அமைப்பின் வரம்புகளை புரிந்துகொள்ள கற்பிக்கவும். இது மனிதர்களுக்கு தரமான செயல்முறையை உரிமையாக்க உதவுகிறது, AI ஐ ஒரு அச்சுறுத்தலாக பார்க்காமல்.
4. பின்னூட்ட சுழற்சிகளை நிறுவுதல்: AI செயல்திறன் குறித்த பின்னூட்டங்களை (தவறான நேர்மறைகள்/எதிர்மறைகள், அங்கீகரிக்கப்படாத குறைபாடுகள்) மனித ஆபரேட்டர்களுக்கு வழங்க முறையான செயல்முறைகளை உருவாக்கவும். AI மாதிரியைத் தொடர்ந்து மறுபயிற்சி செய்யவும் புதுப்பிக்கவும் இந்த பின்னூட்டத்தைப் பயன்படுத்தவும்.
5. வெற்றியை முழுமையாக அளவிடுதல்: வேகம் மற்றும் செலவுக்கு அப்பாற்பட்ட அளவீடுகளைக் கண்காணிக்கவும் - குறைபாடு கண்டறிதல் விகிதம், இணக்க விகிதம், வாடிக்கையாளர் திருப்தி மற்றும் பணியாளர் ஈடுபாடு ஆகியவை அடங்கும். ஒரு வெற்றிகரமான கலப்பின அமைப்பு இந்த அனைத்து பகுதிகளையும் மேம்படுத்த வேண்டும், ஒன்றை மட்டும் அல்ல.
முடிவுரை: பதிலீட்டிற்குப் பதிலாக ஒருங்கிணைப்பு
தர ஆய்வில் AI-உந்துதல் பார்வைக்கும் மனித ஆபரேட்டர்களுக்கும் இடையிலான விவாதம் இறுதியில் ஒரு தவறான இருமை. AI வேகம், அளவிடுதல் மற்றும் நிலைத்தன்மையில் சிறந்து விளங்குகிறது, அதே நேரத்தில் மனிதர்கள் உள்ளுணர்வு, சூழல் மற்றும் தகவமைப்பை கொண்டு வருகிறார்கள். தரக் கட்டுப்பாட்டின் எதிர்காலம் இந்த நிரப்பு பலங்களை பயன்படுத்தி, ஒவ்வொன்றையும் விட மிகவும் திறமையான, துல்லியமான மற்றும் மீள்திறன் கொண்ட கலப்பின அமைப்புகளை உருவாக்குவதில் உள்ளது.
செயற்கை நுண்ணறிவு (AI) தொழில்நுட்பம் தொடர்ந்து முன்னேறி வருவதால் - மேம்பட்ட சிறிய மாதிரி கற்றல், சிக்கலான சூழல்களுக்கு சிறந்த ஏற்புத்திறன் மற்றும் மேலும் பயனர் நட்பு இடைமுகங்களுடன் - மனித ஆபரேட்டர்களுடனான அதன் ஒத்துழைப்பு மேலும் ஆழமடையும். இந்த ஒருங்கிணைப்பை ஏற்றுக்கொள்ளும் வணிகங்கள் தங்கள் தர ஆய்வுக் செயல்முறைகளை மேம்படுத்துவது மட்டுமல்லாமல், பெருகிய முறையில் தேவைப்படும் உலகளாவிய சந்தையில் ஒரு போட்டித்தன்மையை அதிகரிக்கும்.
கேள்வி இனி "AI அல்லது மனிதர்களா?" என்பதில் இல்லை, ஆனால் "AI மற்றும் மனிதர்களை எவ்வாறு சிறப்பாக ஒன்றாக வேலை செய்ய வைப்பது?" என்பதில் உள்ளது. இந்தக் கேள்விக்கு திறம்பட பதிலளிப்பவர்களுக்கு, வெகுமதிகள் தெளிவாக உள்ளன: உயர் தரம், குறைந்த செலவுகள், மற்றும் மகிழ்ச்சியான வாடிக்கையாளர்கள் மற்றும் ஊழியர்கள்.
தொடர்பு
உங்கள் தகவலை விட்டு நாங்கள் உங்களை தொடர்பு கொள்ளுவோம்.
WhatsApp
WeChat