¿Cómo está ayudando la Inteligencia Artificial en la Supervisión Online?

En estos días, AI o Inteligencia Artificial es una expresión de moda en casi todas las industrias hoy en día. A pesar de que existe desde la década de 1950, se considera un punto de inflexión en su aplicación durante la década anterior que avanza rápidamente. La inteligencia simulada ha comenzado a saturar varios aspectos de la educación avanzada, pero la carga ha sido impulsada por unos pocos miembros de la facultad, universidades y departamentos individuales en lugar de todos.

Por dar solo un par de modelos:

• La oficina de admisiones de la Universidad de Arizona está utilizando instrumentos de examen de palabras clave liderados por IA para ayudar en el proceso de revisión de la solicitud.
• La Universidad Estatal de Georgia preparó un chatbot creado por AdmitHub para ayudar a responder a las consultas básicas de guía presupuestaria y alistamiento de los estudiantes.
• Un profesor de tecnología de Georgia utilizó la tecnología Watson de IBM para crear su propio asistente de enseñanza virtual.

Cada uno de estos casos en los que un profesor, conferencista, departamento o universidad ha visto resultados positivos brinda mayor certeza para que los compañeros piensen en cómo la IA puede ayudar o mejorar sus propios marcos y procedimientos. El objetivo de cada uno de estos primeros usuarios no era suplantar el componente humano de enseñar y adaptarse, sino mejorar los resultados para los estudiantes. En definitiva, ¿qué comprende realmente el razonamiento hecho por el hombre? En esencia, la IA es un marco automatizado o una máquina hecha para recrear la percepción humana. Uno de los fundamentos que describe el campo del aprendizaje automático de la IA es que un componente del "aprendizaje" ocurre dentro del marco, ya sea "gestionado", en el que la información de preparación contiene un resultado deseado explícito, o "no supervisado", en el que el la información de preparación no contiene un resultado ideal.

Las tres regiones reconocidas donde la inteligencia hecha por el hombre se beneficiará del objetivo principal de distinguir y contrarrestar las rupturas de la integridad escolar se mencionan a continuación:

• Falsificación de identidad
• prácticas de engaño
• robo de contenido

Descubrimos que contribuir con tiempo, efectivo y energía en un acuerdo de IA centrado en estos territorios mejoraría los resultados tanto para las empresas como para los clientes. El objetivo de agregar IA a los servicios de supervisión en línea no era suplantar a las personas sino fortalecer la precisión de la administración en vivo y computarizada. Además, la IA puede ayudar a disminuir los errores garrafales humanos, detectar errores que los humanos inevitablemente pasarán por alto y contribuir a la versatilidad de los servicios.

En la construcción de un arreglo de supervisión robotizado, se implementan los primeros eventos de IA como reconocimiento facial y umbrales esenciales para señales sonoras y visuales. La innovación detrás de un marco de supervisión robotizado regular es simplemente lo viejo convertido en nuevo. Los cálculos que ejecutan estos marcos han estado presentes durante más de cuatro años. Sea como fuere, esos cálculos son estáticos, excepto si los cambia un diseñador en todo el marco.

El principal contraste entre los viejos marcos mecanizados y los nuevos computarizados es que la innovación de la IA se acostumbrará constantemente, se ajustará y se volverá "más inteligente" con cada prueba administrada. En estos días, las personas no solo utilizan IA en su administración automatizada, sino que también la están colocando en capas detrás de su administración en vivo. En ambos niveles de servicio, la IA está siendo instruida utilizando un modelo de aprendizaje asistido en el que sus propios delegados humanos son los instructores del marco.

El procedimiento esencial del aprendizaje automático administrado tiene cuatro etapas:

• Sección de humanos e información del nombre.
• Una vez que se secciona suficiente información alrededor de un nombre, se crea una "ocasión" alrededor del cálculo.
• Cada dato actual se ejecuta a través del cálculo para desencadenar el evento u ocasión recientemente realizado.
• Los humanos revisan esa información y afirman si el evento ocurrió o no, haciendo que el marco sea cada vez más preciso para distinguir ese evento explícito.

A un nivel de gran escala, este procedimiento suena generalmente sencillo, sin embargo, puede confundirse rápidamente. Bajo este modelo de aprendizaje dirigido de aprendizaje automático, cada actividad o ejemplo requiere al menos 20.000 puntos de información para terminar convirtiéndose en un “evento” en el marco. Cuando se prepara en esa ocasión, el modelo debe seguir siendo fomentado cada vez más “entrenando información” para ampliar la exactitud en torno a esa ocasión.

Una gran cantidad de prácticas es demostrativa de engaño, pero ¿qué tal si te concentras en una? Imagine los ojos y la cabeza de un examinado moviéndose rápidamente hacia un lado, mirando hacia algo fuera de la pantalla. Se necesitarían 20,000 ejemplos de ese movimiento enérgico para entrenar el marco para señalarlo como un evento de trampa. A continuación, debe surgir un número exponencial de casos adicionales para mejorar la precisión del marco que percibe y saluda la conducta. Ahora, amplíe que con una gran cantidad de prácticas engañosas uno puede preparar el marco para señalar estos eventos. Como puede ver, este procedimiento requiere una cantidad gigantesca de información. Así es como surgen los servicios de supervisión en línea.

Ahora surge la pregunta ¿de dónde se origina cada una de esas informaciones? La mayor organización de supervisión de Internet delega más de un millón de pruebas por año. Una vez anónima por razones claras de protección, toda la información de la prueba se puede utilizar para preparar el modelo de IA.

El modelo anterior retrata solo una conducta engañosa solitaria. Entonces, ¿no debería decirse algo sobre la tergiversación de personajes y el robo de contenido? El procedimiento de preparación en estas zonas es comparativo pero utiliza enfoques un tanto únicos. La supervisión en línea intenta incorporar una serie de avances de aprendizaje automático que incluyen el reconocimiento facial impulsado, el reconocimiento de objetos, el descubrimiento de planos, la conversión de voz al contenido, el reconocimiento de movimientos oculares y la identificación de voz, por dar algunos ejemplos.

El procedimiento de entrenamiento de la IA en la supervisión en línea muestra que se vuelve más inteligente a medida que tendrá la capacidad de hacer cosas, por ejemplo, reconocer la distinción entre un adulto que habla, un niño que habla, un bebé que llora y un perro que ladra. . Estas son cosas que la gente puede hacer sin esfuerzo, sin embargo, se muestra al marco cuáles de ellas podrían representar un riesgo para la confiabilidad académica y cuáles pueden etiquetarse como inocuas.

La forma de construir un modelo de IA verdaderamente preciso para la supervisión en línea seguirá desarrollándose a medida que surjan nuevas innovaciones y se vuelvan accesibles para la población que toma el examen. La tasa de avance mecánico se ha estado moviendo a un ritmo innegablemente más rápido. A medida que se implementen más innovaciones en PC, dispositivos portátiles y teléfonos móviles, las personas podrán usar esos avances en sus propias respuestas e incluirlos en la versión de IA.