众包自动测试公司掌声今天宣布推出全新的人工智能训练解决方案，将帮助机器学习算法更好地处理人工输入数据。

新的可扩展的，可以在企业解决方案中用于训练机器学习算法，以快速学习和测试它们来检测和纠正偏差，从而确保它们能够正确处理和响应。

出于这个原因，掌声正在利用其庞大的经过测试的人类测试人员社区，在与被测试产品和服务的实际条件最匹配的环境中提供最广泛的潜在培训输入。然后，数据将通过系统反馈，并在所有可能的设备、位置和环境中进行测试，以帮助识别可能的问题，并实时提供可操作的用户反馈。

用户希望AI更加自然和人性化。掌声的众包方法提供了AI所缺乏的东西：在发布之前会有很多真实的人与人的互动，”掌声产品副总裁Kristin Simonini说。

通过设计和掌声收集的数据旨在避免孤立的小群体的偏见，这对于任何群体来说都是一个糟糕的代表。这对于有天赋的测试人员来说尤其是一个问题，他们的人很容易引入偏见，因为训练测试产品的人可能很容易来自同一个背景。

因此，该公司收集的机器学习培训数据来自许多国家的不同年龄、性别、种族、文化和政治派别、意识形态、社会经济背景和教育水平的人。与从较小的组获得数据相比，这种广泛的数据样本库可以更好地模拟偏差较小的输出。

Simonini说：“这不仅会改善各地消费者的AI体验，而且社区的广度也有可能缓解偏见，让AI更能代表现实世界。”

目前市场上所有类型的AI都遇到非常相似的问题：获取足够的数据来教ML算法如何解释和响应。这一挑战阻碍了许多人工智能解决方案的出现，从旨在识别食物的营养应用程序到虚拟助手(了解不同用户如何要求相同的东西)。

鼓掌的新人工智能解决方案可以在五种不同类型的人工智能交互中运行：语音、光学字符识别、图像识别、生物识别和聊天机器人。

对于语音，数据池使用源话语来训练支持语音的设备。对于光学字符识别，它在视觉上包含读取的文档和相应的文本来构建上下文。通过图像识别，它为机器学习算法提供了检测和分类预定义对象和位置的能力。对于生物特征识别，它获取生物特征输入，如人脸和指纹。对于聊天机器人，数据源对问题和意图进行采样，以更好地了解用户的需求，并以更人性化的方式做出响应。

当团队培训AI系统未能考虑各种潜在的人工输入时，不仅可能导致客户服务或产品不佳，还可能导致更多后果。一些极端的机器学习失败成为新闻，因为他们不能正确识别人脸。例如，2015年，谷歌LLC照片识别算法将黑人误认为“大猩猩”(该公司通过将大猩猩从训练库存中移除来纠正这一问题)。2016年，新西兰护照验证算法误以为他是22岁具有亚洲特色的DJ李泽楷，双眼紧闭。

虽然这些失败广为人知，潜在的问题后知后觉显而易见，但它们也揭示了一个深层次的文化问题，即如何训练AI系统与不同的人互动。机器学习在与人交互时的扩散和实现是一个以人为本的问题，需要作为一个解决方案来考虑。

掌声希望利用其众包的人类数据池，帮助在构建更好的AI训练系统方面迈出第一步，从而降低未来出现这些错误的可能性，并可能在偏见成为人类问题之前发现并发出警告。

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：