Žmogus valdomas dirbtinis intelektas: išsamus profesionalų vadovas

Žmogus valdomas dirbtinis intelektas (ŽVDI) yra projektavimo modelis, kuriame žmonės aktyviai prižiūri, patvirtina ir kontroliuoja DI rezultatus kritiniais sprendimų momentais, o ne leidžia sistemai veikti visiškai savarankiškai. Tai nėra būdas apeiti silpną DI. Tai sąmoningas architektūros pasirinkimas, kuris daro DI sistemas patikimesnes, labiau atsakingas ir teisėtai apginamas, ypač pagal tokias sistemas kaip ES DI aktas.

Profesionalams, dirbantiems Centrinėje Europoje, šis skirtumas turi realią reikšmę. ES dirbtinio intelekto įstatymas, įsigaliojęs 2024 m. rugpjūčio mėn., nustato privalomus žmogaus priežiūros reikalavimus didelės rizikos DI sistemoms, už jų nesilaikymą numatant baudą iki 35 mln. EUR arba 7 % pasaulinio apyvartos už pažeidimus, ir iki 3 % metinės pasaulinės apyvartos už priežiūros trūkumus. Teisingas žmogaus įtraukimas į procesą (HITL) nėra pasirinktinė galimybė organizacijoms, veikiančioms reguliuojamuose sektoriuose.

Kas yra žmogus cikle DI?

Žmogus cikle DI reiškia bet kokią DI sistemą, sukurtą taip, kad žmogus galėtų peržiūrėti, taisyti ar patvirtinti rezultatus, kol jie dar neturi realių pasekmių. Ši sąvoka kilusi iš valdymo sistemų inžinerijos, kur 'ciklas' apibūdina grįžtamojo ryšio grandinę tarp sistemos ir jos aplinkos. Įtraukus žmogų į šį ciklą, jis negali užsidaryti be žmogaus patvirtinimo.

Trys pagrindiniai elementai apibrėžia tikrą HITL diegimą:

• Žmogiškas peržiūrėjimas: kvalifikuotas asmuo tikrina DI sugeneruotus rezultatus prieš juos naudojant, ne tik įrašo juos.
• Korekcijų teisė: peržiūrėtojas gali keisti, atmesti arba perrašyti DI pasiūlymą be trukdžių ar organizacinio spaudimo jį priimti.
• Atgalinio ryšio integravimas: žmogiškos korekcijos grįžta į modelį, laikui bėgant gerindamos ateities rezultatus.

HITL priklauso platesnei priežiūros modelių šeimai: žmogus-kilpoje (HOTL), kai žmonės stebi, bet nesikiša į kiekvieną ciklą, ir žmogus-komandose (HIC), kai žmonės išlaiko galutinę sistemai valdžią. Tinkamas modelis priklauso nuo rizikos lygio, sprendimų kiekio ir taikymo reguliavimo konteksto.

Pagal ES AI Įstatymą, didelės rizikos DI sistemos, apimančios tokias sritis kaip biometrinė identifikacija, kritinė infrastruktūra, darbo vertinimas ir medicinos prietaisai, privalo įstatymiškai užtikrinti veiksmingą žmogaus priežiūrą. Įstatymo 14 straipsnis nurodo penkias skirtingas galimybes, kurias privalo suteikti priežiūros mechanizmai, įskaitant gebėjimą suprasti sistemos elgesį, aptikti sutrikimus bei įsikišti ar sustabdyti sistemą, kai to reikia.

Kaip iš tikrųjų veikia žmogus - dirbtinio intelekto sąveika?

HITL mechanizmas seka struktūrizuotą darbo eigą su apibrėžtais žmogaus įsikišimo momentais. Supratimas, kur šie įsikišimo taškai yra ir kokios priemonės juos palaiko, skiria tikrą HITL sistemą nuo tokios, kuri tik teigia, kad turi žmogaus priežiūrą.

Pagrindinė darbo eiga:

1. Įvesties etapas: Duomenys patenka į DI sistemą. Žmonės gali patvirtinti duomenų kokybę arba pažymėti anomalijas prieš pradedant apdorojimą.
2. Apdorojimo etapas: DI analizuoja įvestį ir generuoja galimą rezultatą, dažniausiai su pridėtu pasitikėjimo įvertinimu.
3. Peržiūros etapas: Žmogaus peržiūrėtojas tikrina rezultatą, pasitikėjimo įvertinimą ir bet kokį palaikantį paaiškinimą. Jis arba patvirtina, modifikuoja, arba atmeta.
4. Grįžtamojo ryšio etapas: Peržiūrėtojo sprendimas užregistruojamas ir, kur taikoma, naudojamas modelio perdraudimui arba perkoregavimui.
5. Vykdymo etapas: Tik po žmogaus patvirtinimo rezultatas inicijuoja tolesnį veiksmą.

Įrankiai, kurie užtikrina tikrą priežiūrą:

• Pasitikėjimo įvertinimai, kurie žymi mažo tikrumo rezultatus privalomai peržiūrai
• Paaiškinamumo sąsajos (pvz., SHAP arba LIME vizualizacijos), parodančios, kodėl DI priėjo prie išvados
• Pervyravimo valdikliai, kuriuos lengva pasiekti ir už jų naudojimą nėra socialinės bausmės
• Audito žurnalai, fiksuojantys kiekvieną žmogaus sprendimą kartu su DI originaliu siūlymu
• Saugios sustabdymo funkcijos, leidžiančios peržiūrėtojams sustabdyti sistemą be eskalacijos

HITL darbo eiga reikalauja, kad interpretuojami rezultatai, perviravimo galimybės ir realaus laiko intervencijos galimybės būtų įtrauktos nuo pat pradžių, o ne pridėtos po paleidimo. Sistemos, kurios perviravimo mygtuką paslepia tris meniu giliau, nėra tikrųjų HITL, nežiūrint ką teigia dokumentacija.

Lyginant su žmogumi ant kilpos (human-on-the-loop), kai žmogus stebi informaciją ir intervencijuoja tik kai kažkas atrodo neteisinga, HITL yra lėtesnė, bet daug patikimesnė svarbiems sprendimams. HOTL veikia gerai brandžiose, gerai subalansuotose sistemose su mažomis klaidų normomis. HITL yra tinkamas pasirinkimas, kai vieno neteisingo sprendimo kaina yra didelė.

Pagrindinės žmogaus dalyvavimo AI privalumai

Žmogaus dalyvavimo AI atvejis viršija tik reguliacinio laikymosi ribas. Tai keičia, ką AI sistemos iš tikrųjų galima patikėti daryti.

• Klaidų aptikimas prieš joms padarant žalą. Žmogiškieji tikrintojai sugundo klaidas, kurias praleidžia pasitikėjimo balai, ypač ribinėse situacijose, kurioms modelis nebuvo apmokytas. Geresnis patikimumas aukštos rizikos srityse, tokiose kaip sveikatos priežiūra ir teisės vykdymas, priklauso nuo šio sluoksnio.
• Sumažintas automatizavimo šališkumas. Be aktyvaus dizaino, jungiančio jį, žmonės linkę be kritikos priimti DI rezultatus. HITL sistemos, kurios leidžia lengvai ir socialiai palaikytai perimti kontrolę, tiesiogiai priešindamosi šiai tendencijai.
• Nuolatinis modelio tobulinimas. Žmogiškieji tikrintojai veikia ne tik kaip tikrintojai, bet ir kaip kuratoriai. Jų taisymai suteikia pažymėtus duomenis, kurie laikui bėgant gerina modelio tikslumą ir mažina atvejų, kuriuos reikia tikrinti žmonėms, apimtį vėlesniuose cikluose.
• Atsakomybė ir tikrinamumas. Kiekvienam sprendimui yra paskirtas atsakingas žmogus. Tai labai svarbu reglamentuojamose pramonės šakose, kuriose reikia tiksliai parodyti reguliuotojui, kas ir kada ką patvirtino.
• Teisinis atitikimas. Organizacijoms, diegiančioms aukštos rizikos DI ES, HITL nėra geriausia praktika. Tai yra teisinis reikalavimas pagal ES DI įstatymo 14 straipsnį.
• Vartotojų ir suinteresuotųjų šalių pasitikėjimas. Produktai ir paslaugos, patvirtintos žmogaus peržiūra, sulaukia didesnio patikimumo iš klientų, partnerių ir reguliuotojų nei visiškai automatizuoti rezultatai.

Iššūkiai ir apribojimai, kuriuos turėtumėte numatyti

HITL nėra nemokamas, o kitaip apsimetinėjant sukuria blogai suprojektuotas sistemas, kurios nepavyksta realiomis eksploatavimo sąlygomis.

• Mastelio skalė. Žmogiškasis dėmesys yra ribotas. Augant DI generuojamam turiniui, reikia vis daugiau peržiūrėtojų, nebent sistema būtų kruopščiai sukurta taip, kad tik tikrai neaiškūs atvejai būtų nukreipti žmonėms.
• Kaina. Įgudę peržiūrėtojai kainuoja pinigus. Veiklos aplinkoje HITL veiklos kaštai gali tapti reikšminga biudžeto eilute, ypač kai yra daug klaidingų teigiamų atvejų, kurie sukuria nereikalingas peržiūros eilutes.
• Žmogiška klaida ir pažintinis šališkumas. Peržiūrėtojai turi savo akląsias zonas. Nuovargis, pradinė nuostata ir laiko spaudimas mažina peržiūros kokybę, kartais net žemiau DI bazinės tikslumo ribos.
• Peržiūros nuovargis. Didelis įspėjimų kiekis pamažu blukina peržiūrėtojų dėmesį. Sistema, kuri pažymi per daug mažos rizikos atvejų, ugdo greitą patvirtinimą be tikros apžiūros, kas prieštarauja prasmingai priežiūrai.
• Privatumo pažeidimas. Žmogaus peržiūrėtojai, matantys jautrius duomenis, tokius kaip medicinos įrašai, finansinės operacijos ar tapatybės dokumentai, sukuria duomenų apsaugos įsipareigojimus pagal BDAR. Organizacijos privalo apibrėžti, kas ką gali matyti, kokiomis sąlygomis ir kiek laiko.
• Nenuoseklumas tarp peržiūrėtojų. Skirtingi peržiūrėtojai priima skirtingus sprendimus tais pačiais atvejais. Be kalibracijos protokolų ir tarpvėžio patikimumo patikrinimų HITL sistemos gamina nenuoseklius rezultatus, kurie silpnina modelio mokymosi signalą.

Įprastas gedimo režimas nėra tas, kad HITL veikia per lėtai. Problema ta, kad organizacijos diegia HITL nesuderindamos jo su šiomis sąlygomis, o tada aptinka problemas gamybos režime.

Kur HITL DI yra taikoma praktikoje

Žmogiškasis įsikišimas dažnai pasirodo įvairiose pramonės šakose ten, kur automatizuotos klaidos kaina yra pakankamai didelė, kad pateisintų žmogiško peržiūrėjimo papildomas sąnaudas.

• Sveikatos priežiūros diagnostika. Klinikinio sprendimų priėmimo palaikymo priemonės pažymi galimas diagnozes ar vaistų sąveikas, kad jas peržiūrėtų gydytojas. DI susiaurina galimybių lauką; sprendimą priima gydytojas. Tai įprasta DI taikymo radiologijoje praktika: sistemos skenuose išryškina dominančias sritis, tačiau radiologas patvirtina kiekvieną radinį prieš jam patenkant į paciento medicininį įrašą.
• Tiekimo grandinė ir kokybės kontrolė. Įmonių tiekimo grandinės DI automatizuotoms sistemoms priskiria santraukų rengimo ir žymėjimo užduotis, o ekspertai žmonės prieš galutinį patvirtinimą peržiūri svarbius rezultatus. Pavyzdžiui, AEGIS-Chain sistema savarankiškai apdoroja 78.4% įprastų sprendimų, o reikšmingas situacijas perduoda vertinti žmonėms ir per visus veiklos ciklus išlaiko išsamų, nekintamą sprendimų pėdsaką.
• Tapatybės tikrinimas ir sukčiavimo aptikimas. Finansų įstaigos naudoja DI sandoriams arba tapatybės patikroms įvertinti, o ribinius atvejus perduoda žmonių analitikų vertinimui. Tam tikrose didelės rizikos tapatybės nustatymo sistemose sprendimus turi patikrinti bent du kompetentingi vertintojai prieš imantis veiksmų.
• Turinio moderavimas. Platformos naudoja DI, kad dideliu mastu aptiktų taisyklių pažeidimus, tačiau žmonės, atliekantys moderavimą, peržiūri apeliacijas, ribinius atvejus ir itin jautraus turinio kategorijas, kuriose kontekstas lemia teisėtumą.
• Produktų duomenų valdymas. Tokios platformos kaip Dppgrid naudoja DI, kad iš tiekėjų dokumentų išgautų ir sutvarkytų produktų duomenis, tačiau prieš paskelbiant šią informaciją Skaitmeniniame gaminio pase, ją peržiūri ir patvirtina žmonės, kurie naudojasi sistema. DI sugeneruoti pasiūlymai niekada automatiškai nelaikomi patikrintais faktais.
• Teisinė ir atitikties peržiūra. Sutarčių analizės priemonės pažymi sąlygas, kurias turi peržiūrėti teisininkas. DI susidoroja su darbo apimtimi; teisininkas priima sprendimus.

Etiniai svarstymai ir atsakomybė pagal ES teisę

Etinė HITL pagrindas yra neatskiriamas nuo teisinio Vidurio Europoje. ES DI įstatymas nelaiko žmogaus priežiūros tik techniniu patobulinimu. Jį laiko pagrindine apsaugos priemone.

ES 14 straipsnis dėl ES AI akto reikalauja, kad aukštos rizikos DI sistemos būtų sukurtos taip, kad žmonių priežiūros darbuotojai galėtų visiškai suprasti sistemos galimybes ir apribojimus, aptikti ir spręsti gedimus bei, esant būtinybei, įsikišti ar sustabdyti sistemą. Labai svarbu, kad perrašymo ir sustabdymo funkcijos būtų lengvai pasiekiamos ir socialiai palaikomos. Kultūra, kurioje peržiūros darbuotojai jaučia spaudimą be klausimų priimti DI rezultatus, yra atitikties nesėkmė, o ne tik projektavimo trūkumas.

Automatizavimo šališkumas yra pagrindinė etinė rizika HITL sistemose. Žmonės natūraliai linkę pasitikėti algoritminiais rezultatais, ypač kai šie rezultatai pateikiami su dideliu pasitikėjimo balu ir peržiūros atlikėjui trūksta laiko. Tai įveikti reikalauja ne tik varnelės uždėjimo. Reikia mokymų, darbo krūvio valdymo ir organizacinių normų, kurios vertina perrašymus kaip įprastą profesinį elgesį.

Efektyvi priežiūra reikalauja iš organizacijos trijų dalykų:

• Apmokytas personalas, kuris supranta, ką DI gali ir ko negali
• Tikra valdžia perrašyti arba sustabdyti sistemą be eskalavimo
• Tinkamas laikas ir priemonės atlikti tikrą vertinimą

ES AI įstatymo baudų struktūra tai sustiprina. Priežiūros nepavykimai gali sukelti baudas iki 3 % pasaulinio metinio apyvartos, o atitikties nesilaikymas numato baudas iki 35 mln. EUR arba 7 % pasaulinės apyvartos. Vidutinio dydžio įmonei tai yra reikšminga finansinė rizika.

Skaidrumas ir audito galimybė yra kiti pagrindiniai akmenys. Kiekvienas HITL sprendimas turi būti registruojamas, pažymėtas laiku ir priskirtas konkrečiam peržiūrėtojui. Tai sukuria audito grandinę, kurios vis dažniau tikisi reguliuotojai, draudikai ir klientai bei kurios organizacijos reikia, kai kas nors nutinka ne taip.

Pro patarimas: Įtraukite perrašymo dažnį į savo KPI. HITL sistema, kurioje vertintojai niekada nepakeičia AI sprendimų, nėra geros modelio kokybės įrodymas. Tai yra automatikos šališkumo ženklas. Stebėkite perrašymų dažnumą pagal vertintoją, bylos tipą ir laiką.

Kaip integruoti HITL į esamus DI darbo srautus

Įdiegiant HITL į jau veikiančią DI sistemą sunkiau nei nuo pat pradžių ją kuriant, tačiau tai retai būna neįmanoma. Svarbiausia nustatyti, kur žmogaus sprendimas duoda didžiausią naudą, atsižvelgiant į kaštus.

Pradėkite žemėlapį kurdami savo DI darbo eigą ir klasifikuodami rezultatus pagal pasekmių lygį. Sprendimai, kurie yra grįžtami, mažos rizikos ir didelio apimties, yra tinkami automatizavimui arba HOTL stebėjimui. Sprendimai, kurie yra negrįžtami, didelės rizikos arba teisiškai reikšmingi, priskiriami HITL eilės apdorojimui. Ši trijų lygių atranka padeda HITL sistemoms neiškristi dėl per didelio peržiūros kiekio.

Priežiūros modeliai turėtų atitikti rizikos, apimties, brandumo ir reglamentavimo reikalavimus. Naujos ar didelę įtaką turinčios sistemos reikalauja HITL, o brandžios ir gerai sukalibruotos sistemos gali pereiti prie HOTL arba HIC, kai didėja pasitikėjimas jų veikimu. Tai nėra vienkartinis sprendimas, tai valdymo procesas, kurį reikia reguliariai peržiūrėti.

Techninė integracija paprastai apima peržiūros eilės pridėjimą tarp DI išvesties sluoksnio ir vykdymo sluoksnio, šios eilės sujungimą su peržiūros sąsaja, kurioje yra pasitikėjimo balai ir aiškinamumo išvestys, bei kiekvieno sprendimo registravimą auditų istorijoje. Daugelis įmonių DI platformų natūraliai palaiko tokią architektūrą. Sudėtingesnis darbas yra organizacinis dizainas: apibrėžti peržiūros vaidmenis, nustatyti darbo krūvio ribas ir sukurti eskalavimo kelius, kai bylos viršija vieno peržiūrėtojo įgaliojimus.

Kaip HITL formuoja DI modelio mokymo ciklą

Žmogiškas atsiliepimas ne tik gerina atskirus sprendimus. Jis formuoja patį modelį per visus mokymo ciklo etapus.

Pradiniu mokymu žmogiškieji anotatoriai žymi duomenis, apibrėžia kraštutinius atvejus ir nustato kokybės standartus, pagal kuriuos modelis mokosi. Žymėjimo tikslumas tiesiogiai lemia modelio veikimo lubas. Klaidų žymėjimo etape kaupimasis veikia visus tolimesnius mokymosi ciklus.

Diegimo metu žmogiškieji peržiūrėtojai nuolat teikia korekcinius signalus. Kai peržiūrėtojas pakeičia DI rezultatą, ta korekcija gali būti grąžinta kaip naujas pažymėtas pavyzdys, palaipsniui keisdamas modelio elgesį geresnei sutarimui su žmogaus sprendimu. Tai mechanizmas už tokių metodų kaip mokymasis stiprinant iš žmogaus atsiliepimų (RLHF), tapusio pagrindiniu didelių kalbų modelių kūrime.

Laikui bėgant gerai suprojektuota HITL sistema turėtų sumažinti savo peržiūros naštą. Tobulėjant modeliui, mažiau rezultatų patenka žemiau pasitikėjimo slenksčio, kuris sukelia žmogaus peržiūrą. Žmogiškas darbas persikelia nuo rutininių pataisų prie iš tikrųjų naujų ar dviprasmiškų atvejų, kur žmogaus sprendimas turi didžiausią vertę.

Duomenų kokybė ir žymėjimo standartai HITL sistemose

Žmogiškojo ciklo DI kokybė tiesiogiai priklauso nuo žmogiškai sukurtų duomenų kokybės. Žymėjimas nėra įprastas uždavinys.

Žymėjimo gairės turi būti pakankamai konkrečios, kad du skirtingi anotatoriai priimtų tą patį sprendimą toje pačioje byloje. Vertinimo tarp anotatorių patikimumas, matuojamas tokiais rodikliais kaip Cohen'o kappa, turėtų būti stebimas ir raportuojamas. Žemas susitarimo rezultatas rodo, kad užduoties apibrėžimas yra neaiškus, o ne anotatorių kompetencijos trūkumą.

Duomenų kokybės standartai HITL sistemose paprastai apima keturias sritis: pilnumą (nepalikti reikalaujamų laukų tuščių), nuoseklumą (tas pats konceptas žymimas vienodai visame duomenų rinkinyje), tikslumą (žymos atitinka tikrovę, o ne anotatorių prielaidas) ir laiku pateiktus duomenis (korekcijos grąžinamos modeliui prieš kitą mokymo ciklą, o ne po mėnesių).

Organizacijoms, veikiančioms pagal GDPR, žymėjimo darbo procesai, kuriuose dalyvauja asmens duomenys, reikalauja duomenų minimizavimo, prieigos kontrolės ir saugojimo apribojimų. Anotatoriai turėtų matyti tik tai, kas reikalinga užduočiai atlikti. Tai yra tiek teisinis reikalavimas, tiek praktinė saugumo priemonė.

Kaip subalansuoti automatizavimą ir žmogaus įsikišimą

HITL tikslas nėra maksimalus žmogaus dalyvavimas. Tai tinkamas žmogaus dalyvavimas tinkamais momentais.

Pasitikėjimo slenksčio, kuris sukelia žmogaus peržiūrą, kalibravimas yra tiesiausias svertas. Nustatykite jį per žemai ir peržiūrėtojai bus užtvindyti lengvais atvejais, kurie švaisto jų dėmesį. Nustatykite jį per aukštai ir tikrai neaiškūs rezultatai prasprūs be patikrinimo. Teisingas slenkstis priklauso nuo klaidingų teigiamų ir klaidingų neigiamų rezultatų kainos jūsų konkrečioje situacijoje. HITL modelių kalibravimas siekiant sumažinti klaidingus teigiamus dažnai yra svarbesnis nei jautrumo maksimalizavimas, nes per didelis klaidingų signalų kiekis sukelia nereikalingas peržiūras ir laikui bėgant mažina peržiūrėtojų dėmesį.

Darbo krūvio planavimas yra toks pat svarbus kaip ir ribos kalibravimas. Peržiūrėtojai turėtų tvarkyti tokią bylų apimtį, kuri leistų tikrą vertinimą, o ne eilę, kuri būtų tokia ilga, kad greitis taptų vienintele įmanoma strategija. Rotacijos grafikai, laiko apribojimai peržiūrai ir privalomos pertraukos mažina nuovargio sukeltas klaidas.

Automatizavimas turėtų perimti rutiną. Žmogaus dėmesys turėtų būti sutelktas į tai, kas turi reikšmingų pasekmių. Tiekimo grandinės DI, kuris 78.4% sprendimų pažymi kaip rutininius, o likusius perduoda žmogaus peržiūrai, nėra svarbių žingsnių praleidimas. Tai – ribotų žmogaus vertinimo išteklių nukreipimas ten, kur jie iš tikrųjų keičia rezultatus.

Dėl produktų duomenų darbo procesų šis balansas atrodo taip: DI išgauna ir organizuoja tiekėjų informaciją, o žmonių peržiūros specialistai patvirtina, kas publikuojama. DI tvarko apimtį; žmogus tvarko atsiskaitymo atsakomybė.

Pagrindinės išvados

Žmogus cikle su dirbtiniu intelektu užtikrina patikimą ir atsakingą DI sprendimų priėmimą, sudėdamas kvalifikuotus žmones į kritines darbo eigos vietas ne kaip trukdį, bet kaip sąmoningą kokybės ir atitikties sluoksnį.

DUK

Kas yra žmogus grandinėje dirbtinio intelekto srityje?

Žmogus cikle dirbantis DI yra sistemos dizainas, kai žmogus peržiūri, taiso arba patvirtina DI rezultatus tam skirtose vietose prieš tai, kai šie rezultatai sukelia realaus pasaulio veiksmus. Tai užtikrina, kad DI sprendimai svarbiose situacijose išliktų prasmingos žmogaus kontrolės ribose.

Ką reiškia žmogaus įtraukimas į atsakingą dirbtinį intelektą?

Atsakingame DI žmogus cikle reiškia, kad žmonės išlaiko tikrąją valdžią suprasti, ginčyti ir pakeisti DI rezultatus, taip kovodami su automatizacijos šališkumu ir atitinkamai vykdydami atsakomybės reikalavimus pagal tokias sistemas kaip ES DI Įstatymas.

Kuo skiriasi human-in-the-loop ir human-on-the-loop?

Žmogus grandinėje reikalauja žmogaus patvirtinimo prieš kiekvieną reikšmingą veiksmą; žmogus prie grandinės reiškia, kad žmonės stebi sistemą ir gali kištis, bet nepatvirtina kiekvieno rezultato. Teisingas modelis priklauso nuo programos rizikos lygio ir sprendimų apimties.

Kas yra žmogaus įtrauktas DI medicinos kontekstuose?

Sveikatos priežiūroje žmogus grandinėje su dirbtiniu intelektu reiškia, kad klinikinis specialistas peržiūri ir patvirtina dirbtinio intelekto sukurtus duomenis, pavyzdžiui, radiologas tvirtina skenavimo analizę, prieš tai, kai bet koks rezultatas patenka į paciento įrašą arba daro įtaką gydymo sprendimui.

Rekomenduojama

• DPP Grid - Every product. One trusted passport.
• DPP Grid AI transparency
• Cookie notice