211service.com
Tilføjelse af menneskelig intelligens til software
Amazons Mechanical Turk-tjeneste har længe været en billig kilde til arbejdskraft, når arbejdet er enkelt for mennesker, men svært for computere. Opgaver, såsom at beskrive et billede, kan for eksempel udføres online af eksterne, menneskelige arbejdere. Programmører bruger allerede grupper af disse arbejdere, kaldet turkere, til at udføre mange sådanne opgaver på samme tid. Men Mechanical Turk tilbyder ingen nem måde for programmører, der udvikler nye softwareapplikationer, til at kombinere og koordinere turkernes indsats. Nu har dataloger ved MIT udviklet et værktøjssæt, der gør netop det. Hedder TurKit , lader værktøjet softwareingeniører skrive algoritmer til at koordinere onlinearbejdere ved hjælp af programmeringssproget Javascript og skabe kraftfulde applikationer, der har menneskelig intelligens indbygget. Softwaren kan også fejlsøges som normal kode.
Software med hjerner: Tekstbehandlings-tilføjelsen, Soylent, vist ovenfor, blev bygget med TurKit. Turkit hjælper udviklere med at skrive algoritmer, der integrerer arbejdet hos mennesker, der er rekrutteret gennem Mechanical Turk.
Normalt i Javascript ville du ikke være i stand til at få adgang til Mechanical Turk uden en masse arbejde, forklarer Greg Little, en ph.d.-kandidat ved MIT's Datalogi og kunstig intelligens laboratorium , der skabte TurKit. Dette er en bro til at skrive kode, der interagerer med arbejderne på Mechanical Turk, så vi nemt kan udforske nye metoder til menneskelig beregning.
Med TurKit lagres menneskelige input i en database. På den måde, hver gang softwaren under udvikling går ned, behøver turkerne ikke at starte forfra. I stedet, når programmet er blevet rettet, kan det fortsætte, hvor det slap. Hvis du venter en time på, at menneskene er færdige med deres opgave, og så kaster programmet en fejl, vil du ikke vente en time mere bare for at se, om din fejlrettelse virker, siger Little. TurKit forhindrer også det menneskelige input i at ændre sig uforudsigeligt under fejlretningsprocessen. Hvis jeg fik en anden adfærd, hver gang jeg kørte (et program), kunne jeg aldrig fejlsøge det bevægende mål, siger Michael Bernstein, en ph.d.-kandidat ved MIT, som brugte TurKit til at lave et tekstbehandlingsprogram kaldet Soylent .
Takket være TurKit har forskere allerede skabt menneskelige beregningsalgoritmer, der er stabile nok til at blive integreret i fungerende software. Soylent bruger grupper på tre til syv turkere til at lave on-demand korrekturlæsning og afsnitsforkortelse i Microsoft Word med en algoritme kaldet Find-Fix-Verify. I Find-stadiet fremhæver turkere simpelthen fejl uden at rette dem. Soylent sammenligner resultaterne fra flere arbejdere for konsistens og sender derefter det filtrerede output til en anden gruppe turkere, der retter fejlene. Endelig kontrollerer en tredje gruppe korrektionerne for kvalitet; substandard resultater markeres, og Soylent viser kun de kontrollerede rettelser. Hvis du bare sætter turkere løs på din paragraf, er omkring 30 procent af det arbejde, du får tilbage, ubrugeligt, siger Bernstein. Vi ønskede at behandle det som iboende støj i systemet og samtidig garantere kvalitet til slutbrugeren.
En anden Mechanical Turk-applikation, kaldet VizWiz , udvikles for at give blinde brugere mulighed for at identificere genstande, såsom gadeskilte eller pantryartikler, ved hjælp af deres smartphone-kameraer og seende turkere. Ideelt set vil VizWiz arbejde hurtigt, så brugerne får resultater, når de har mest brug for dem. Computerforsker ved University of Rochester Jeffrey Bigham og hans team brugte TurKit til at skabe en algoritme, kaldet quikTurkit, der reducerer forsinkelsestiden ved at stille grupper af turkere i kø, før de er nødvendige. Når en bruger aktiverer VizWizs kamera, signalerer quikTurkit turkere, at en ny forespørgsel er nært forestående – enten rekruttering af nye arbejdere på efterspørgsel eller sende anmodningen til en pulje på otte turkere, der allerede er engageret i at besvare tidligere forespørgsler. Førstnævnte metode returnerer resultater til brugeren inden for et par minutter; sidstnævnte har i gennemsnit mindre end 30 sekunder. Hvis du kører en dyr app til optisk tegngenkendelse på din telefon, kan det tage så lang tid at give dig et svar alligevel, siger Bigham, hvorimod VizWiz er smartere og kunne være billigere.
Både Bigham og Bernstein siger, at de ser menneskelig beregning som et rigt felt for fremtidige applikationer – med open source-værktøjer som TurKit som det bedste middel til at lave prototyper og forfine dem. Menneskelige algoritmer er fundamentalt forskellige fra dem, vi er vant til, og TurKit lader os udforske måder at optimere dem på, siger Bernstein. Hvis vi begynder at koble menneskemængder med succes ind i disse systemer, kan vi producere et slutprodukt, der er langt mere kraftfuldt, og gøre det til lave omkostninger med høj pålidelighed.