規劃更具包容性和更安全的在線社區磚和Labelbox

雖然視頻遊戲和數字內容是娛樂的來源,與他人建立聯係,許多世界各地的和有趣的,他們也經常一個不良行為可以包括燃燒的目的地,惡意破壞,網絡欺淩,仇恨言論在用戶生成內容的形式。社交媒體平台和視頻遊戲開發Beplay体育安卓版本商都是旨在打擊網絡不良行為與人工智能的最新進展。然而,現實的情況是,人工智能的訓練通常始於手冊和艱苦的標簽工作團隊篩選大量的有毒和良性的用戶評論內容分類模型的訓練。

尋找更快和更符合成本效益的方式,將非結構化的文本數據轉換為結構化數據是非常有益的對支持更先進的用例識別和消除不必要的內容。的商業利益,這包括提高工作能力和效率的人類版主在創建在線社區,與對方不受騷擾。

在遊戲中毒性模型可以傷害玩家的經驗,如果他們有很高的假陰性或假陽性。假陰性允許不良行為繼續有增無減,假陽性可以為刪除標誌健康的球員。主動學習是一種有效的過程,有助於減少假陽性和假陰性。為了促進主動學習,Labelbox允許您快速檢查預測模型和批準或改正。你可以使用你的更正標簽重新訓練模型,所以它不會犯同樣的錯誤在未來。

(免責聲明:所提供的內容是用於說明的目的,可以認為是進攻或令人反感的)

你也可以存儲模型嵌入Labelbox促進通過降維分析。例如,您的模型嵌入可能揭示新的分組的數據你之前根本沒有想到的。或許你還會發現特定類型的數據,你有很高的假陰性或假陽性。

你可以查看項目出現在這篇博客在這裏。雖然這些演示筆記本是為對抗不良內容,可以廣泛應用於其他NLP AI用例,需要高質量的訓練數據訓練模型。您可以了解更多關於磚和Labelbox集成從2021年數據& AI峰會看這個演講。問題嗎?向我們伸出援手(電子郵件保護)。

下載毒性的解決方案加速器並嚐試模型輔助標簽Labelbox今天!使模型輔助Labelbox標簽在您的免費試用,請聯係(電子郵件保護)。