Bagaimana Kecerdasan Buatan membantu dalam Pengawasan Online?

Hari-hari ini AI atau Kecerdasan Buatan adalah ekspresi trendi di hampir setiap industri saat ini. Terlepas dari kenyataan bahwa itu ada dari tahun 1950-an, itu dipandang sebagai titik kritis dalam penerapannya selama dekade sebelumnya yang berkembang pesat. Kecerdasan yang disimulasikan telah mulai memenuhi berbagai aspek pendidikan lanjutan, namun tuntutan tersebut telah didorong oleh beberapa anggota fakultas awal, universitas dan departemen individu dibandingkan dengan semua orang.

Untuk memberikan hanya beberapa model:

• Kantor penerimaan University of Arizona menggunakan instrumen pemeriksaan kata kunci AI untuk membantu proses peninjauan aplikasi.
• Georgia State University menyiapkan chatbot yang dibuat oleh AdmitHub untuk membantu menjawab panduan anggaran dasar dan pertanyaan pendaftaran dari siswa.
• Seorang guru teknologi dari Georgia memanfaatkan teknologi Watson dari IBM untuk membuat asisten pengajar virtualnya sendiri.

Setiap kasus di mana seorang profesor, dosen, departemen atau perguruan tinggi telah melihat hasil positif memberikan kepastian ekstra bagi rekan untuk memikirkan bagaimana AI dapat membantu atau meningkatkan kerangka kerja dan prosedur mereka sendiri. Tujuan dari setiap pengguna awal ini bukan untuk menggantikan komponen manusia dalam mengajar dan beradaptasi tetapi untuk meningkatkan hasil bagi siswa. Secara keseluruhan, apa yang sebenarnya terdiri dari penalaran buatan manusia? Di pusatnya, AI adalah kerangka kerja atau mesin otomatis yang dibuat untuk menciptakan kembali wawasan manusia. Salah satu dasar yang menjelaskan bidang AI pembelajaran mesin adalah bahwa komponen "pembelajaran" terjadi di dalam kerangka kerja—baik "terkelola", di mana informasi persiapan berisi hasil yang diinginkan secara eksplisit, atau "tidak diawasi", di mana informasi persiapan tidak mengandung hasil yang ideal.

Tiga wilayah yang diakui di mana kecerdasan buatan akan menguntungkan tujuan utama membedakan dan menangkal pecahnya integritas skolastik disebutkan sebagai di bawah:

• Kesalahpahaman identitas
• Praktek kecurangan
• Pencurian konten

Kami menemukan bahwa menyumbangkan waktu, uang, dan energi pada pengaturan AI yang berfokus pada wilayah ini akan meningkatkan hasil untuk bisnis dan juga klien. Tujuan menambahkan AI ke layanan pengawasan online bukan untuk menggantikan orang, tetapi untuk memperkuat ketepatan administrasi langsung dan terkomputerisasi. Selain itu, AI dapat membantu mengurangi kesalahan manusia, menangkap kesalahan yang tidak dapat dihindari oleh manusia, dan membantu keserbagunaan layanan.

Dalam membangun pengaturan pengawasan robot, yang pertama dari peristiwa AI sebagai pengenalan wajah dan ambang batas penting untuk tanda-tanda suara dan visual diimplementasikan. Inovasi di balik kerangka kerja pengawasan robot biasa hanyalah hal lama yang berubah menjadi baru. Perhitungan yang menjalankan kerangka kerja ini telah ada selama lebih dari empat tahun. Namun, perhitungan itu statis, kecuali jika diubah oleh perancang di seluruh kerangka.

Perbedaan prinsip antara kerangka kerja mekanis lama dan kerangka kerja komputerisasi baru adalah bahwa inovasi AI akan secara konsisten memahami, menyesuaikan, dan menjadi "lebih cerdas" dengan setiap pengujian yang dilakukan. Saat ini, orang tidak hanya menggunakan AI dalam administrasi mekanis mereka, tetapi mereka juga melapisinya di belakang administrasi langsung mereka. Melintasi kedua tingkat layanan, AI diinstruksikan menggunakan model pembelajaran berbantuan di mana delegasi manusia mereka sendiri adalah instruktur kerangka kerja.

Prosedur penting dari pembelajaran mesin yang diberikan memiliki empat tahap:

• Bagian manusia dan informasi nama.
• Setelah informasi yang cukup dibagi di sekitar satu nama, sebuah "kesempatan" di sekitar perhitungan dibuat.
• Setiap datum saat ini dijalankan melalui perhitungan untuk memicu peristiwa atau peristiwa yang baru saja dibuat.
• Manusia meninjau kembali informasi itu dan memastikan apakah peristiwa itu terjadi atau tidak, membuat kerangka itu semakin tepat dalam membedakan peristiwa eksplisit itu.

Pada tingkat skala besar, prosedur ini secara umum terdengar mudah, tetapi dapat menjadi kacau dengan cepat. Di bawah model pembelajaran mesin pembelajaran terarah ini, setiap aktivitas atau contoh membutuhkan setidaknya 20.000 poin informasi untuk menjadi "peristiwa" dalam kerangka kerja. Ketika disiapkan pada kesempatan itu, model tersebut harus terus didorong untuk semakin “melatih informasi” sehingga dapat memperluas ketepatan di sekitar satu kesempatan itu.

Sejumlah besar latihan menunjukkan penipuan, tetapi bagaimana kalau Anda berkonsentrasi pada satu. Bayangkan mata dan kepala peserta tes bergerak cepat ke satu sisi, melihat ke arah sesuatu di luar layar. Dibutuhkan 20.000 contoh dari satu gerakan cepat itu untuk melatih kerangka kerja untuk menandakannya sebagai peristiwa curang. Selanjutnya, sejumlah eksponensial kasus tambahan harus melompat keluar untuk meningkatkan ketepatan kerangka kerja yang memahami dan memuji perilaku tersebut. Sekarang, tingkatkan bahwa dengan sejumlah besar latihan memperdaya seseorang dapat mempersiapkan kerangka kerja untuk menandai peristiwa-peristiwa ini. Seperti yang Anda lihat, prosedur ini membutuhkan sejumlah besar informasi. Ini adalah bagaimana layanan pengawasan online muncul.

Sekarang muncul pertanyaan dari mana setiap informasi itu berasal? Organisasi pengawas internet terbesar mendelegasikan lebih dari satu juta tes untuk setiap tahun. Setelah anonim untuk alasan perlindungan yang jelas, semua informasi pengujian dapat digunakan untuk menyiapkan model AI.

Model di atas hanya menggambarkan perilaku penipuan yang menyendiri. Jadi, bukankah seharusnya ada sesuatu yang dikatakan tentang penggambaran karakter yang salah dan pembobolan konten? Prosedur persiapan di zona-zona ini bersifat komparatif namun menggunakan pendekatan yang agak unik. Pengawasan online mencoba untuk menggabungkan kumpulan kemajuan pembelajaran mesin termasuk pengenalan wajah yang didorong, pengenalan objek, penemuan pesawat, ucapan-ke-konten, pengenalan gerakan mata, dan identifikasi suara, untuk memberikan beberapa contoh.

Proses pelatihan AI dalam pengawasan online menunjukkan, bahwa ia menjadi lebih cerdas karena akan memiliki kemampuan untuk melakukan sesuatu, misalnya, mengenali perbedaan antara berbicara orang dewasa, anak berbicara, bayi menangis, dan anjing bersuara. . Ini adalah hal-hal yang dapat dilakukan orang dengan mudah, namun kerangka kerja sedang diperlihatkan mana yang dapat mewakili risiko terhadap kepercayaan ilmiah dan mana yang dapat dilabeli sebagai tidak berbahaya.

Cara membangun model AI yang benar-benar tepat untuk pengawasan internet akan terus berkembang seiring dengan meningkatnya inovasi baru dan akhirnya dapat diakses oleh masyarakat peserta tes. Tingkat kemajuan mekanis telah bergerak dengan kecepatan yang tidak dapat disangkal lebih cepat. Karena lebih banyak inovasi dijalankan di PC, perangkat yang dapat dikenakan, dan telepon seluler, orang akan memiliki kemampuan untuk menggunakan kemajuan tersebut dalam jawaban mereka sendiri dan memasukkannya ke dalam model AI.