کاربرد عملی جمع‌سپاری ۲۰۲۲
The Practice of Crowdsourcing 2022

بسیاری از کاربردهای نیازمندِ داده‌های حجیم که از یادگیری ماشین یا تکنیک‌های هوش مصنوعی استفاده می‌کنند، وابسته به انسان‌ها برای ارائه مجموعه داده اولیه هستند. این امر به الگوریتم‌ها امکان می‌دهد تا مابقی داده‌ها را پردازش کنند یا به انسان‌های دیگر اجازه می‌دهد عملکرد این الگوریتم‌ها را ارزیابی کنند. نه تنها جمع‌آوری داده‌های برچسب‌گذاری‌شده برای آموزش و ارزیابی سریع‌تر، ارزان‌تر و آسان‌تر از همیشه امکان‌پذیر است، بلکه اکنون شاهد ظهور نرم‌افزارهای ترکیبی انسان-ماشین هستیم که محاسبات انجام‌شده توسط انسان و ماشین را به طور همزمان ترکیب می‌کنند. با این حال، مسائل عملی دنیای واقعی در مورد پذیرش محاسبات انسانی و برون‌سپاری جمعی وجود دارد. ایجاد سیستم‌ها و خطوط لوله پردازش داده که به محاسبات جمعی نیاز دارند، همچنان دشوار است. در این کتاب، ملاحظات عملی برای طراحی و پیاده‌سازی وظایفی ارائه می‌کنیم که مستلزم استفاده ترکیبی از انسان و ماشین با هدف تولید برچسب‌های باکیفیت هستند.

Many data-intensive applications that use machine learning or artificial intelligence techniques depend on humans providing the initial dataset, enabling algorithms to process the rest or for other humans to evaluate the performance of such algorithms. Not only can labeled data for training and evaluation be collected faster, cheaper, and easier than ever before, but we now see the emergence of hybrid human-machine software that combines computations performed by humans and machines in conjunction. There are, however, real-world practical issues with the adoption of human computation and crowdsourcing. Building systems and data processing pipelines that require crowd computing remains difficult. In this book, we present practical considerations for designing and implementing tasks that require the use of humans and machines in combination with the goal of producing high-quality labels.