Daten sind zu einem der wertvollsten Vermögenswerte für moderne Unternehmen geworden. Unternehmen aller Branchen Verlassen Sie sich auf Daten um Kunden zu verstehen, Produkte zu verbessern, Risiken zu verwalten und strategische Entscheidungen zu treffen.

Von Modellen der künstlichen Intelligenz und Enterprise-Intelligence-Dashboards bis hin zu cloudbasierten Analyse- und Automatisierungssystemen spielen Daten eine zentrale Rolle bei der Funktionsweise und dem Wachstum von Unternehmen.

Mit der Weiterentwicklung digitaler Systeme ist jedoch eine neue Herausforderung entstanden: Nicht alle Daten stammen von echten Menschen. Automatisierte Bots, gefälschte Konten und KI-generierte Aktivität beeinflussen zunehmend On-line-Plattformen.

Dies führt zu ernsthaften Problemen für Unternehmen, die auf genaue und vertrauenswürdige Informationen angewiesen sind. Um dieses Downside anzugehen, werden menschliche Verifizierungstools zu einem wesentlichen Bestandteil der modernen datengesteuerten Entscheidungsfindung.

Durch die menschliche Verifizierung können Unternehmen bestätigen, dass Interaktionen, Eingaben und Suggestions von echten Personen stammen. Auf diese Weise können Unternehmen ihre Daten schützen, Analysen verbessern und sicherere Entscheidungen in einer KI-gesteuerten Umgebung treffen.

Die wachsende Herausforderung des Vertrauens in digitale Daten

Digitale Plattformen sammeln heute Daten in großem Umfang. Web sites verfolgen das Nutzerverhalten, cellular Apps überwachen das Engagement, Cloud-Systeme protokollieren Aktivitäten und verbundene Geräte generieren kontinuierliche Informationsströme. Diese Daten bieten zwar wertvolle Erkenntnisse, sind aber auch anfällig für Manipulationen.

Bots können Benutzeraktivitäten simulieren, die Interaktionszahlen in die Höhe treiben und Leistungskennzahlen verzerren. Gefälschte Konten können Kundenanalysen, Werbeeffektivität und sogar Sicherheitssysteme beeinträchtigen. In manchen Fällen kann es durch automatisierten Datenverkehr schwierig sein, echte von künstlichen Benutzern zu unterscheiden.

Für Unternehmen birgt dieser Mangel an Klarheit Risiken. Entscheidungen, die auf unzuverlässigen Daten basieren, können zu Ressourcenverschwendung, falschen Strategien und schlechten Kundenerlebnissen führen. Instruments zur menschlichen Verifizierung tragen dazu bei, das Vertrauen wiederherzustellen, indem sie sicherstellen, dass die Daten eine echte menschliche Beteiligung und kein automatisiertes Rauschen darstellen.

Mithilfe von Instruments zur menschlichen Verifizierung soll bestätigt werden, dass es sich bei einem Benutzer um eine echte Individual und nicht um einen Bot oder eine synthetische Identität handelt. Frühere Ansätze stützten sich auf einfache Methoden wie Passwörter, E-Mail-Verifizierung oder CAPTCHA-Exams. Obwohl diese Methoden damals nützlich waren, können sie heute durch fortschrittliche Automatisierung leicht umgangen werden.

Moderne menschliche Verifizierungssysteme nutzen eine Kombination aus Biometrie, künstlicher Intelligenz und sicheren Datenverarbeitungstechniken. Diese Instruments konzentrieren sich auf den Nachweis der Persönlichkeit, d. h. sie überprüfen, ob jeder Benutzer ein einzigartiger Mensch ist, ohne dass übermäßig viele persönliche Informationen gesammelt werden müssen.

Ein Beispiel ist Kugelein Gerät zur menschlichen Verifizierung, das dazu dient, die Identität eines Menschen auf sichere und datenschutzbewusste Weise zu bestätigen. Instruments wie diese unterstützen das umfassendere Ziel, vertrauenswürdige digitale Umgebungen zu schaffen, in denen echte Menschen sicher interagieren können.

Warum datengesteuerte Entscheidungen von der menschlichen Überprüfung abhängen

Die datengesteuerte Entscheidungsfindung basiert auf genauen Eingaben. Wenn Daten durch gefälschte Aktivitäten verunreinigt sind, können selbst die fortschrittlichsten Analysetools zu irreführenden Ergebnissen führen. Durch die menschliche Verifizierung wird die Qualität der Daten an der Quelle verbessert, was sich direkt auf die abteilungsübergreifende Entscheidungsfindung auswirkt.

Marketingteams profitieren von klareren Einblicken in das Kundenverhalten und die Kampagnenleistung. Produktteams erhalten ein genaueres Verständnis dafür, wie Benutzer mit Funktionen interagieren.

Finanzteams können Prognosen und Risikobewertungen auf der Grundlage zuverlässiger Nutzungsdaten erstellen. Führungsteams können bei der Planung zukünftiger Strategien auf Dashboards und Berichte vertrauen.

Durch die Bestätigung, dass die Daten von verifizierten Menschen stammen, verringern Unternehmen die Unsicherheit und erhöhen das Vertrauen in ihre Entscheidungen.

Die Rolle künstlicher Intelligenz in Verifizierungssystemen

Künstliche Intelligenz spielt eine wichtige Rolle dabei, die moderne menschliche Verifizierung skalierbar und effizient zu machen. KI-Modelle können große Mengen an Interaktionsdaten analysieren, verdächtige Muster erkennen und sich an neue Formen der Automatisierung anpassen. Im Gegensatz zu statischen Systemen verbessert sich die KI-gesteuerte Verifizierung kontinuierlich, da sie aus neuen Daten lernt.

Für Unternehmen, die in großem Maßstab tätig sind, stellt die KI-gestützte Verifizierung sicher, dass Sicherheit und Datenintegrität den Betrieb nicht verlangsamen. Durch die Echtzeitüberprüfung können Plattformen Millionen von Interaktionen verarbeiten, ohne dass es für legitime Benutzer zu Reibungsverlusten kommt.

KI trägt auch dazu bei, menschliche Fehler zu reduzieren. Automatisierte Systeme können subtile Muster erkennen, die bei einer manuellen Überprüfung übersehen würden, und so mit der Zeit sowohl die Genauigkeit als auch die Zuverlässigkeit verbessern.

Stärkung von Enterprise Intelligence und Analytics

Enterprise-Intelligence-Instruments verwandeln Rohdaten in Erkenntnisse, die als Entscheidungshilfe dienen. Diese Instruments sind auf saubere, strukturierte und vertrauenswürdige Daten angewiesen. Die menschliche Verifizierung verbessert die Zuverlässigkeit von Analysen, indem automatisierte oder betrügerische Eingaben herausgefiltert werden, bevor sie in Berichtssysteme gelangen.

Mit verifizierten menschlichen Daten können Unternehmen genauere Erkenntnisse zu Kundenreisen, Engagement-Developments und betrieblicher Leistung gewinnen. Predictive-Analytics-Modelle werden auch effektiver, wenn sie auf echtes Benutzerverhalten und nicht auf künstliche Aktivitäten trainiert werden.

Da Unternehmen zunehmend auf Dashboards und Echtzeitanalysen angewiesen sind, nimmt die Bedeutung vertrauenswürdiger Daten weiter zu.

Verbesserung der Cybersicherheit und Betrugsprävention

Die Bedrohungen der Cybersicherheit entwickeln sich rasant weiter, wobei automatisierte Angriffe immer häufiger und ausgefeilter werden. Gefälschte Konten, Missbrauch von Anmeldedaten und automatisierte Betrugsversuche stellen ernsthafte Risiken für Unternehmen in Branchen wie Finanzen, E-Commerce, Gesundheitswesen und Cloud-Diensten dar.

Die menschliche Verifizierung stellt eine wichtige Schutzebene dar, indem sie die Möglichkeiten böswilliger Akteure zur Skalierung von Angriffen einschränkt. Durch die Bestätigung, dass es sich bei den Benutzern um echte Personen handelt, können Unternehmen die Gefährdung durch automatisierte Bedrohungen verringern und die allgemeine Systemsicherheit verbessern.

In Kombination mit Verschlüsselung, Zugriffskontrollen und Überwachungstools stärkt die menschliche Verifizierung die Cybersicherheitsrahmen und unterstützt sicherere digitale Umgebungen.

Unterstützung von Cloud Computing und digitaler Infrastruktur

Cloud-Plattformen bilden das Rückgrat moderner Geschäftsabläufe. Von der Datenspeicherung und -analyse bis hin zu KI-Diensten und Anwendungshosting unterstützt die Cloud-Infrastruktur nahezu jeden digitalen Workflow. Allerdings können gefälschter Datenverkehr und automatisierte Nutzung die Kosten in die Höhe treiben und die Leistung beeinträchtigen.

Durch die menschliche Verifizierung können Unternehmen die Cloud-Nutzung optimieren, indem sie sicherstellen, dass Ressourcen echten Benutzern zugewiesen werden. Dies führt zu genaueren Nutzungsmetriken, einer besseren Kapazitätsplanung und niedrigeren Infrastrukturkosten. Es verbessert auch die Systemstabilität, indem unnötige Belastung durch automatisierte Aktivitäten reduziert wird.

Für cloudbasierte Unternehmen und SaaS-Anbieter spielen Verifizierungstools eine Schlüsselrolle bei der Aufrechterhaltung von Effizienz und Skalierbarkeit.

Verantwortungsvolle und vertrauenswürdige KI-Systeme ermöglichen

KI-Systeme sind nur so intestine wie die Daten, auf denen sie trainiert werden. Wenn Trainingsdaten gefälschte oder manipulierte Eingaben enthalten, können KI-Modelle Vorurteile, Ungenauigkeiten oder unerwartetes Verhalten entwickeln. Durch die menschliche Verifizierung wird sichergestellt, dass KI-Systeme aus echten menschlichen Interaktionen lernen.

Dies ist besonders wichtig für Anwendungen, die Personalisierung, Empfehlungen, Betrugserkennung und Entscheidungsunterstützung umfassen. Verifizierte menschliche Eingaben führen zu zuverlässigeren KI-Ergebnissen und helfen Unternehmen beim Aufbau fairer, genauer und vertrauenswürdiger Systeme.

Da die Diskussionen über KI-Governance und Ethik weiter zunehmen, werden Unternehmen, die der Datenintegrität Priorität einräumen, für die Zukunft besser aufgestellt sein.

Branchenweite Anwendungen und Anwendungsfälle

Instruments zur menschlichen Verifizierung werden mittlerweile in einer Vielzahl von Branchen eingesetzt. Finanzinstitute nutzen sie, um Betrug zu verhindern und regulatorische Anforderungen zu erfüllen.

E-Commerce-Plattformen nutzen sie, um Marktplätze vor gefälschten Bewertungen und Verkäufern zu schützen. Medienunternehmen nutzen die Verifizierung, um die Zielgruppenmessung und die Werbegenauigkeit zu verbessern.

In aufstrebenden Bereichen wie dezentralen Plattformen und digitalen Identitätssystemen helfen Verifizierungstools dabei, Vertrauen aufzubauen, ohne auf herkömmliche zentralisierte Datenbanken angewiesen zu sein.

Aufbau von langfristigem Vertrauen und Geschäftswert

Vertrauen ist zu einem entscheidenden Unterscheidungsmerkmal in der digitalen Wirtschaft geworden. Kunden möchten wissen, dass Plattformen sicher und truthful sind. Companion wollen Vertrauen in gemeinsame Daten.

Regulierungsbehörden erwarten verantwortungsvolle Datenpraktiken. Die menschliche Verifizierung hilft Unternehmen, diese Erwartungen zu erfüllen, indem sie die Transparenz und Zuverlässigkeit verbessert.

Mit der Zeit unterstützt dieses Vertrauen stärkere Beziehungen, einen besseren Markenruf und nachhaltiges Wachstum. Unternehmen, die frühzeitig in Verifizierungstechnologien investieren, sind besser auf zukünftige Herausforderungen im Zusammenhang mit KI-Missbrauch und digitalem Betrug vorbereitet.

Letzte Gedanken

Da Unternehmen weiterhin auf Daten, KI und Cloud-Technologien angewiesen sind, ist die Sicherstellung der Authentizität dieser Daten von entscheidender Bedeutung. Mithilfe von Instruments zur menschlichen Verifizierung können Organisationen bestätigen, dass ihre Daten echte menschliche Aktivitäten und keine automatisierte Manipulation widerspiegeln. Durch die Verbesserung der Datenqualität, die Stärkung der Cybersicherheit und die Unterstützung zuverlässiger Analysen ermöglichen diese Instruments eine intelligentere und sicherere Entscheidungsfindung. Lösungen wie Orb zeigen, wie moderne Verifizierungssysteme unter Wahrung von Datenschutz und Benutzerfreundlichkeit in Geschäftsumgebungen integriert werden können. In einer zunehmend automatisierten Welt wird die Überprüfung des Menschen hinter den Daten zu einem wesentlichen Bestandteil einer verantwortungsvollen und effektiven Geschäftsstrategie.

Google DeepMind erweitert sein biologisches Toolkit über die Welt der Proteinfaltung hinaus. Nach dem Erfolg von AlphaFold hat das Forschungsteam von Google AlphaGenome eingeführt. Hierbei handelt es sich um ein einheitliches Deep-Studying-Modell, das für die Sequenz-zu-Funktions-Genomik entwickelt wurde. Dies stellt einen großen Wandel in der Artwork und Weise dar, wie wir das menschliche Genom modellieren. AlphaGenome behandelt DNA nicht als einfachen Textual content. Stattdessen verarbeitet es 1.000.000 Basenpaarfenster roher DNA, um den Funktionszustand einer Zelle vorherzusagen.

Überbrückung der Skalenlücke mit Hybridarchitekturen

Die Komplexität des menschlichen Genoms ergibt sich aus seiner Größe. Den meisten bestehenden Modellen fällt es schwer, das Gesamtbild zu erkennen und gleichzeitig die feinen Particulars im Auge zu behalten. AlphaGenome löst dieses Drawback durch den Einsatz einer Hybridarchitektur. Es kombiniert ein U-Internet-Spine mit Transformer-Blöcken. Dadurch kann das Modell weitreichende Wechselwirkungen über eine Sequenz von 1 Megabase erfassen und gleichzeitig die Basenpaarauflösung beibehalten. Das ist, als würde man ein System aufbauen, das ein tausendseitiges Buch lesen kann und sich trotzdem die genaue Place eines einzelnen Kommas merkt.

Zuordnung von Sequenzen zu funktionellen biologischen Modalitäten

AlphaGenome ist ein Sequenz-zu-Funktions-Modell. Das bedeutet, dass sein Hauptziel darin besteht, DNA-Sequenzen direkt biologischen Aktivitäten zuzuordnen. Diese Aktivitäten werden in genomischen Spuren gemessen. Das Forschungsteam trainierte AlphaGenome, 11 verschiedene genomische Modalitäten vorherzusagen. Zu diesen Modalitäten gehören RNA-seq, CAGE und ATAC-seq. Dazu gehören auch ChIP-seq für verschiedene Transkriptionsfaktoren und Chromatin-Kontaktkarten. Durch die gleichzeitige Vorhersage all dieser Spuren erhält das Modell ein ganzheitliches Verständnis darüber, wie DNA die Zelle reguliert.

Die Kraft des Multitasking-Lernens in der Genomik

Der technische Fortschritt von AlphaGenome liegt in seiner Fähigkeit, 11 verschiedene Datentypen gleichzeitig zu verarbeiten. In der Vergangenheit haben Forscher oft für jede Aufgabe separate Modelle erstellt. AlphaGenome verwendet einen Multitasking-Lernansatz. Dies hilft dem Modell, gemeinsame Merkmale verschiedener biologischer Prozesse zu lernen. Wenn das Modell versteht, wie ein Protein an DNA bindet, kann es besser vorhersagen, wie diese DNA als RNA ausgedrückt wird. Dieser einheitliche Ansatz reduziert den Bedarf an mehreren Spezialmodellen.

Verbesserung der Vorhersage von Varianteneffekten durch Destillation

Eine der wichtigsten Anwendungen für AlphaGenome ist die Variant Impact Prediction (VEP). Dieser Prozess bestimmt, wie sich eine einzelne Mutation in der DNA auf den Körper auswirkt. Mutationen können zu Krankheiten wie Krebs oder Herzerkrankungen führen. AlphaGenome zeichnet sich dabei durch die Verwendung einer speziellen Trainingsmethode aus, die „Lehrer-Schüler-Destillation“ genannt wird. Das Forschungsteam erstellte zunächst ein Ensemble von „All-Folds“-Lehrermodellen. Diese Lehrer wurden anhand riesiger Mengen genomischer Daten geschult. Anschließend destillierten sie dieses Wissen in einem einzigen Studentenmodell.

Komprimiertes Wissen für die Präzisionsmedizin

Dieser Destillationsprozess macht das Modell sowohl schneller als auch robuster. Dies ist eine Standardmethode zur Komprimierung von Wissen. Die Anwendung auf die Genomik in diesem Maßstab ist jedoch ein neuer Meilenstein. Das Schülermodell lernt, die qualitativ hochwertigen Vorhersagen des Lehrerensembles zu reproduzieren. Dadurch können schädliche Mutationen mit hoher Genauigkeit identifiziert werden. Das Modell kann sogar vorhersagen, wie sich eine Mutation in einem entfernten regulatorischen Component auf ein weit entferntes Gen auf dem DNA-Strang auswirken könnte.

Hochleistungsrechnen mit JAX und TPUs

Die Architektur wird mit JAX implementiert. JAX ist eine leistungsstarke numerische Computerbibliothek. Es wird bei Google häufig für groß angelegtes maschinelles Lernen verwendet. Durch die Verwendung von JAX kann AlphaGenome effizient auf Tensor Processing Models oder TPUs ausgeführt werden. Das Forschungsteam nutzte Sequenzparallelität, um die riesigen Eingabefenster von 1 Megabase zu bewältigen. Dadurch wird sichergestellt, dass der Speicherbedarf mit zunehmender Sequenzlänge nicht explodiert. Dies zeigt, wie wichtig es ist, den richtigen Rahmen für groß angelegte biologische Daten auszuwählen.

Transferlernen für datenarme Zelltypen

AlphaGenome befasst sich auch mit der Herausforderung der Datenknappheit bei bestimmten Zelltypen. Da es sich um ein Basismodell handelt, kann es für bestimmte Aufgaben fein abgestimmt werden. Das Modell lernt allgemeine biologische Regeln aus großen öffentlichen Datensätzen. Diese Regeln können dann auf seltene Krankheiten oder bestimmte Gewebe angewendet werden, für die Daten schwer zu finden sind. Diese Fähigkeit zum Transferlernen ist einer der Gründe, warum AlphaGenome so vielseitig ist. Es kann vorhersagen, wie sich ein Gen in einer Gehirnzelle verhält, selbst wenn es hauptsächlich anhand von Leberzelldaten trainiert wurde.

Auf dem Weg zu einer neuen Ära der personalisierten Pflege

In Zukunft könnte AlphaGenome eine neue Ära der personalisierten Medizin einläuten. Ärzte könnten das Modell verwenden, um das gesamte Genom eines Patienten in 1.000.000 Basenpaar-Blöcken zu scannen. Sie könnten genau identifizieren, welche Varianten wahrscheinlich gesundheitliche Probleme verursachen. Dies würde Behandlungen ermöglichen, die auf den spezifischen genetischen Code einer Individual zugeschnitten sind. AlphaGenome bringt uns dieser Realität näher, indem es eine klare und genaue Karte des funktionellen Genoms liefert.

Den Customary für biologische KI setzen

AlphaGenome markiert auch einen Wendepunkt für KI in der Genomik. Es beweist, dass wir die komplexesten biologischen Systeme mithilfe derselben Prinzipien modellieren können, die auch in der modernen KI verwendet werden. Durch die Kombination von U-Internet-Strukturen mit Transformers und der Verwendung der Lehrer-Schüler-Destillation hat das Google DeepMind-Staff einen neuen Customary gesetzt.

Wichtige Erkenntnisse

• Hybride Sequenzarchitektur: AlphaGenome verwendet ein spezielles Hybriddesign, das Folgendes kombiniert: U-Internet Rückgrat mit Transformator Blöcke. Dadurch kann das Modell große Fenster verarbeiten 1.000.000 Basenpaare unter Beibehaltung der hohen Auflösung, die zur Identifizierung einzelner Mutationen erforderlich ist.
• Multimodale funktionale Vorhersage: Das Modell ist darauf trainiert, Vorhersagen zu treffen 11 verschiedene genomische Modalitäten gleichzeitig, einschließlich RNA-seq, CAGE und ATAC-seq. Durch das gemeinsame Erlernen dieser verschiedenen biologischen Spuren erhält das System ein ganzheitliches Verständnis darüber, wie DNA die Zellaktivität in verschiedenen Geweben reguliert.
• Lehrer-Schüler-Destillation: Um branchenführende Genauigkeit zu erreichen Varianteneffektvorhersage (VEP)Forscher verwendeten eine Destillationsmethode. Sie übertrugen das Wissen aus einem Ensemble leistungsstarker „Lehrer“-Modelle in ein einziges, effizientes „Schüler“-Modell, das schneller und robuster bei der Identifizierung krankheitsverursachender Mutationen ist.
• Gebaut für Hochleistungsrechnen: Das Framework ist implementiert in JAX und optimiert für TPUs. Durch die Verwendung von Sequenzparallelität kann AlphaGenome die Rechenlast der Analyse von DNA-Sequenzen im Megabasen-Maßstab bewältigen, ohne die Speichergrenzen zu überschreiten, was es zu einem leistungsstarken Werkzeug für groß angelegte Forschung macht.

Schauen Sie sich das an Papier Und Repo. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser Publication. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

In diesem Tutorial implementieren wir mithilfe von LangGraph ein Agenten-KI-Muster, das Argumentation und Aktion als transaktionalen Workflow und nicht als einmalige Entscheidung behandelt. Wir modellieren ein zweiphasiges Commit-System, in dem ein Agent reversible Änderungen inszeniert, strikte Invarianten validiert, über Graph-Interrupts eine Pause zur menschlichen Genehmigung einlegt und erst dann ein Commit oder Rollback durchführt. Damit zeigen wir, wie Agentensysteme so gestaltet werden können, dass Sicherheit, Überprüfbarkeit und Kontrollierbarkeit im Mittelpunkt stehen. Dabei geht es über reaktive Chat-Agenten hinaus hin zu strukturierten, Governance-bewussten KI-Workflows, die mithilfe von OpenAI-Modellen zuverlässig in Google Colab ausgeführt werden. Schauen Sie sich das an Vollständige Codes hier.

!pip -q set up -U langgraph langchain-openai


import os, json, uuid, copy, math, re, operator
from typing import Any, Dict, Listing, Optionally available
from typing_extensions import TypedDict, Annotated


from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage, AnyMessage
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.checkpoint.reminiscence import InMemorySaver
from langgraph.varieties import interrupt, Command


def _set_env_openai():
   if os.environ.get("OPENAI_API_KEY"):
       return
   attempt:
       from google.colab import userdata
       okay = userdata.get("OPENAI_API_KEY")
       if okay:
           os.environ("OPENAI_API_KEY") = okay
           return
   besides Exception:
       cross
   import getpass
   os.environ("OPENAI_API_KEY") = getpass.getpass("Enter OPENAI_API_KEY: ")


_set_env_openai()


MODEL = os.environ.get("OPENAI_MODEL", "gpt-4o-mini")
llm = ChatOpenAI(mannequin=MODEL, temperature=0)

Wir richten die Ausführungsumgebung ein, indem wir LangGraph installieren und das OpenAI-Modell initialisieren. Wir laden den API-Schlüssel sicher und konfigurieren ein deterministisches LLM, um sicherzustellen, dass das gesamte Verhalten der Downstream-Agenten reproduzierbar und kontrolliert bleibt. Schauen Sie sich das an Vollständige Codes hier.

SAMPLE_LEDGER = (
   {"txn_id": "T001", "title": "Asha", "e-mail": "(e-mail protected)", "quantity": "1,250.50", "date": "12/01/2025", "word": "Membership renewal"},
   {"txn_id": "T002", "title": "Ravi", "e-mail": "(e-mail protected)", "quantity": "-500", "date": "2025-12-02", "word": "Chargeback?"},
   {"txn_id": "T003", "title": "Sara", "e-mail": "(e-mail protected)", "quantity": "700", "date": "02-12-2025", "word": "Late price waived"},
   {"txn_id": "T003", "title": "Sara", "e-mail": "(e-mail protected)", "quantity": "700", "date": "02-12-2025", "word": "Duplicate row"},
   {"txn_id": "T004", "title": "Lee", "e-mail": "(e-mail protected)", "quantity": "NaN", "date": "2025/12/03", "word": "Dangerous quantity"},
)


ALLOWED_OPS = {"exchange", "take away", "add"}


def _parse_amount(x):
   if isinstance(x, (int, float)):
       return float(x)
   if isinstance(x, str):
       attempt:
           return float(x.exchange(",", ""))
       besides:
           return None
   return None


def _iso_date(d):
   if not isinstance(d, str):
       return None
   d = d.exchange("/", "-")
   p = d.cut up("-")
   if len(p) == 3 and len(p(0)) == 4:
       return d
   if len(p) == 3 and len(p(2)) == 4:
       return f"{p(2)}-{p(1)}-{p(0)}"
   return None


def profile_ledger(rows):
   seen, anomalies = {}, ()
   for i, r in enumerate(rows):
       if _parse_amount(r.get("quantity")) is None:
           anomalies.append(i)
       if r.get("txn_id") in seen:
           anomalies.append(i)
       seen(r.get("txn_id")) = i
   return {"rows": len(rows), "anomalies": anomalies}


def apply_patch(rows, patch):
   out = copy.deepcopy(rows)
   for op in sorted((p for p in patch if p("op") == "take away"), key=lambda x: x("idx"), reverse=True):
       out.pop(op("idx"))
   for op in patch:
       if op("op") in {"add", "exchange"}:
           out(op("idx"))(op("area")) = op("worth")
   return out


def validate(rows):
   points = ()
   for i, r in enumerate(rows):
       if _parse_amount(r.get("quantity")) is None:
           points.append(i)
       if _iso_date(r.get("date")) is None:
           points.append(i)
   return {"okay": len(points) == 0, "points": points}

Wir definieren die Kernbuchabstraktion zusammen mit der Patch-, Normalisierungs- und Validierungslogik. Wir behandeln Datentransformationen als umkehrbare Vorgänge, sodass der Agent sicher über Änderungen nachdenken kann, bevor er sie festschreibt. Schauen Sie sich das an Vollständige Codes hier.

class TxnState(TypedDict):
   messages: Annotated(Listing(AnyMessage), add_messages)
   raw_rows: Listing(Dict(str, Any))
   sandbox_rows: Listing(Dict(str, Any))
   patch: Listing(Dict(str, Any))
   validation: Dict(str, Any)
   authorised: Optionally available(bool)


def node_profile(state):
   p = profile_ledger(state("raw_rows"))
   return {"messages": (AIMessage(content material=json.dumps(p)))}


def node_patch(state):
   sys = SystemMessage(content material="Return a JSON patch listing fixing quantities, dates, emails, duplicates")
   usr = HumanMessage(content material=json.dumps(state("raw_rows")))
   r = llm.invoke((sys, usr))
   patch = json.hundreds(re.search(r"(.*)", r.content material, re.S).group())
   return {"patch": patch, "messages": (AIMessage(content material=json.dumps(patch)))}


def node_apply(state):
   return {"sandbox_rows": apply_patch(state("raw_rows"), state("patch"))}


def node_validate(state):
   v = validate(state("sandbox_rows"))
   return {"validation": v, "messages": (AIMessage(content material=json.dumps(v)))}


def node_approve(state):
   determination = interrupt({"validation": state("validation")})
   return {"authorised": determination == "approve"}


def node_commit(state):
   return {"messages": (AIMessage(content material="COMMITTED"))}


def node_rollback(state):
   return {"messages": (AIMessage(content material="ROLLED BACK"))}

Wir modellieren den internen Standing des Agenten und definieren jeden Knoten im LangGraph-Workflow. Wir drücken das Agentenverhalten als diskrete, überprüfbare Schritte aus, die den Zustand verändern und gleichzeitig den Nachrichtenverlauf bewahren. Schauen Sie sich das an Vollständige Codes hier.

builder = StateGraph(TxnState)


builder.add_node("profile", node_profile)
builder.add_node("patch", node_patch)
builder.add_node("apply", node_apply)
builder.add_node("validate", node_validate)
builder.add_node("approve", node_approve)
builder.add_node("commit", node_commit)
builder.add_node("rollback", node_rollback)


builder.add_edge(START, "profile")
builder.add_edge("profile", "patch")
builder.add_edge("patch", "apply")
builder.add_edge("apply", "validate")


builder.add_conditional_edges(
   "validate",
   lambda s: "approve" if s("validation")("okay") else "rollback",
   {"approve": "approve", "rollback": "rollback"}
)


builder.add_conditional_edges(
   "approve",
   lambda s: "commit" if s("authorised") else "rollback",
   {"commit": "commit", "rollback": "rollback"}
)


builder.add_edge("commit", END)
builder.add_edge("rollback", END)


app = builder.compile(checkpointer=InMemorySaver())

Wir konstruieren die LangGraph-Zustandsmaschine und kodieren explizit den Kontrollfluss zwischen Profilerstellung, Patching, Validierung, Genehmigung und Finalisierung. Wir verwenden bedingte Kanten, um Governance-Regeln durchzusetzen, anstatt uns auf implizite Modellentscheidungen zu verlassen. Schauen Sie sich das an Vollständige Codes hier.

def run():
   state = {
       "messages": (),
       "raw_rows": SAMPLE_LEDGER,
       "sandbox_rows": (),
       "patch": (),
       "validation": {},
       "authorised": None,
   }


   cfg = {"configurable": {"thread_id": "txn-demo"}}
   out = app.invoke(state, config=cfg)


   if "__interrupt__" in out:
       print(json.dumps(out("__interrupt__"), indent=2))
       determination = enter("approve / reject: ").strip()
       out = app.invoke(Command(resume=determination), config=cfg)


   print(out("messages")(-1).content material)


run()

Wir führen den Transaktionsagenten aus und kümmern uns um die Human-in-the-Loop-Genehmigung durch Graph-Interrupts. Wir nehmen die Ausführung deterministisch wieder auf und zeigen, wie Agenten-Workflows pausieren, externe Eingaben akzeptieren und sicher mit einem Commit oder Rollback abschließen können.

Abschließend haben wir gezeigt, wie LangGraph es uns ermöglicht, Agenten zu entwickeln, die über Zustände nachdenken, Validierungs-Gates durchsetzen und an genau definierten Kontrollpunkten mit Menschen zusammenarbeiten. Wir haben den Agenten nicht wie ein Orakel behandelt, sondern als einen Transaktionskoordinator, der seine eigenen Aktionen inszenieren, prüfen und rückgängig machen und dabei einen vollständigen Prüfpfad aufrechterhalten kann. Dieser Ansatz verdeutlicht, wie agentische KI auf reale Systeme angewendet werden kann, die Vertrauen, Compliance und Wiederherstellbarkeit erfordern, und bietet eine praktische Grundlage für den Aufbau autonomer Arbeitsabläufe in Produktionsqualität, die sicher, clear und von Menschen überwacht bleiben.

Schauen Sie sich das an Vollständige Codes hier. Sie können uns auch gerne weiter folgen Twitter und vergessen Sie nicht, bei uns mitzumachen 100.000+ ML SubReddit und Abonnieren Unser E-newsletter. Warten! Bist du im Telegram? Jetzt können Sie uns auch per Telegram kontaktieren.

Asif Razzaq ist CEO von Marktechpost Media Inc.. Als visionärer Unternehmer und Ingenieur setzt sich Asif dafür ein, das Potenzial der künstlichen Intelligenz für das soziale Wohl zu nutzen. Sein jüngstes Unterfangen ist die Einführung einer Medienplattform für künstliche Intelligenz, Marktechpost, die sich durch eine ausführliche Berichterstattung über maschinelles Lernen und Deep-Studying-Nachrichten auszeichnet, die sowohl technisch fundiert als auch für ein breites Publikum leicht verständlich ist. Die Plattform verfügt über mehr als 2 Millionen monatliche Aufrufe, was ihre Beliebtheit beim Publikum verdeutlicht.

Agenten -KI -Systeme fungieren als autonome digitale Mitarbeiter für die Ausführung komplexer Aufgaben mit minimaler Überwachung. Sie wachsen derzeit mit einer schnellen Anziehungskraft, bis zu dem Punkt, an dem eine schätzen Überzeugt, dass 35% der Unternehmen bis 2025 KI -Agenten umsetzen werden. Autonomie wirft jedoch Bedenken auf hohe Einsätze, selbst subtile Fehler in diesen Bereichen können schwerwiegende Konsequenzen haben. Daher glaubt die Menschen, dass menschliches Suggestions in der Agenten KI Sicherheit, Rechenschaftspflicht und Vertrauen gewährleistet.

Der Ansatz des Menschen in der Loop-Validation (HITL) ist ein kollaboratives Design, bei dem Menschen die Ausgaben einer KI bestätigen oder beeinflussen. Menschliche Kontrollpunkte erfassen frühere Fehler und halten das System auf menschliche Werte orientiert, was wiederum eine bessere Einhaltung und Vertrauen gegenüber der Agenten -KI hilft. Es fungiert als Sicherheitsnetz für komplexe Aufgaben. In diesem Artikel werden wir Workflows mit und ohne HITL vergleichen, um diese Kompromisse zu veranschaulichen.

Mensch in der Schleife: Konzept und Vorteile

Human-in-the-Loop (HITL) ist ein Designmuster, in dem ein KI-Workflow an wichtigen Stellen ausdrücklich das menschliche Urteilsvermögen enthält. Die KI kann eine vorläufige Ausgabe erzeugen und eine Pause einlegen, um die menschliche Überprüfung, Genehmigung oder Bearbeitung dieser Ausgabe zu lassen. In einem solchen Workflow wird der menschliche Überprüfungsschritt zwischen der KI -Komponente und der endgültigen Ausgabe eingegrenzt.

Vorteile der menschlichen Validierung

• Fehlerreduzierung und Genauigkeit: Mensch-in-the-Loop überprüft die potenziellen Fehler in den von der KI bereitgestellten Ausgängen und wird die Ausgabe fein stimmen.
• Vertrauen und Rechenschaftspflicht: Die menschliche Validierung macht ein System in seinen Entscheidungen verständlich und verantwortlich.
• Einhaltung und Sicherheit: Die menschliche Interpretation von Gesetzen und Ethik stellt sicher, dass KI -Handlungen den Vorschriften und Sicherheitsfragen entsprechen.

Wenn Sie keinen Menschen in der Schleife verwenden,

• Routine- oder Hochvolumenaufgaben: Menschen sind ein Engpass, wenn Geschwindigkeit wichtig ist. In solchen Bedingungen könnte die vollständige Automatisierungserzeugung extern effektiver sein.
• Zeitkritische Systeme: Echtzeit-Reaktion kann es kaum erwarten, auf den menschlichen Enter zu kommen. Zum Beispiel schnelle Inhaltsfilterung oder Stay -Warnungen; HITL könnte das System zurückhalten.

Was macht den Unterschied aus: Vergleich von zwei Szenarien

Ohne Menschen in der Schleife

Im vollautomatischen Szenario fährt der Agenten -Workflow autonom fort. Sobald die Eingabe bereitgestellt wird, generiert der Agent Inhalte und ergriffen die Aktion. Beispielsweise könnte ein AI-Assistent in einigen Fällen die Zeitabnahmeanfrage eines Benutzers ohne Bestätigung einreichen. Dies profitiert von der größten Geschwindigkeit und potenziellen Skalierbarkeit. Natürlich ist der Nachteil, dass nichts von einem Menschen überprüft wird. Es gibt einen konzeptionellen Unterschied zwischen einem Fehler eines Menschen und einem Fehler von einem AI -Agent. Ein Agent kann Anweisungen falsch interpretieren oder eine unerwünschte Handlung ausführen, die zu schädlichen Ergebnissen führen könnte.

Mit Menschen in der Schleife

Im Szenario von HITL (menschlich in der Schleife) setzen wir einen menschlichen Schritt ein. Nachdem der Agent einen groben Entwurf erstellt hat, stoppt er und bittet eine Individual, den Entwurf zu genehmigen oder Änderungen vorzunehmen. Wenn der Entwurf der Genehmigung erfüllt, veröffentlicht der Agent den Inhalt. Wenn der Entwurf nicht genehmigt wird, überarbeitet der Agent den Entwurf basierend auf Suggestions und Kreisen zurück. Dieses Szenario bietet ein größeres Maß an Genauigkeit und Vertrauen, da Menschen vor der Fertigstellung Fehler aufnehmen können. Das Hinzufügen eines Bestätigungsschritts verschiebt beispielsweise Aktionen, um „zufällige“ Maßnahmen zu reduzieren, und bestätigt, dass der Agent die Eingaben nicht missverstanden hat. Der Nachteil dazu ist natürlich, dass es mehr Zeit und menschliche Anstrengungen erfordert.

Beispielimplementierung in Langgraph

Unten ist ein Beispiel mit Verwendung Langgraph Und GPT-4O-Mini. Wir definieren zwei Workflows: eine vollständig automatisiert und eine mit einem menschlichen Zustimmungsschritt.

Szenario 1: Ohne Menschen in der Schleife

Im ersten Szenario erstellen wir additionally einen Agenten mit einem einfachen Workflow. Es wird die Eingabe des Benutzers erfordern, z. B. für welches Thema wir den Inhalt erstellen möchten, für welches Thema wir einen Artikel schreiben möchten. Nach dem Erhalt der Eingabe des Benutzers wird der Agent verwendet GPT-4O-Mini Um die Antwort zu erzeugen.

from langgraph.graph import StateGraph, END

from typing import TypedDict

from openai import OpenAI

from dotenv import load_dotenv

import os

load_dotenv()

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

# --- OpenAI consumer ---

consumer = OpenAI(api_key=OPENAI_API_KEY)  # Change together with your key

# --- State Definition ---

class ArticleState(TypedDict):

   draft: str

# --- Nodes ---

def generate_article(state: ArticleState):

   immediate = "Write an expert but partaking 150-word article about Agentic AI."

   response = consumer.chat.completions.create(

       mannequin="gpt-4o-mini",

       messages=({"function": "consumer", "content material": immediate})

   )

   state("draft") = response.decisions(0).message.content material

   print(f"n(Agent) Generated Article:n{state('draft')}n")

   return state

def publish_article(state: ArticleState):

   print(f"(System) Publishing Article:n{state('draft')}n")

   return state

# --- Autonomous Workflow ---

def autonomous_workflow():

   print("n=== Autonomous Publishing ===")

   builder = StateGraph(ArticleState)

   builder.add_node("generate", generate_article)

   builder.add_node("publish", publish_article)

   builder.set_entry_point("generate")

   builder.add_edge("generate", "publish")

   builder.add_edge("publish", END)

   graph = builder.compile()

   # Save diagram

   with open("autonomous_workflow.png", "wb") as f:

       f.write(graph.get_graph().draw_mermaid_png())

   graph.invoke({"draft": ""})

if __name__ == "__main__":

   autonomous_workflow()

Code -Implementierung: Dieser Code richtet einen Workflow mit zwei Knoten ein: generate_article Und publish_articlenacheinander verknüpft. Beim Ausführen wird der Agent seinen Entwurf gedruckt und dann sofort veröffentlichen.

Agent Workflow Diagramm

Agentenantwort

“””
Agentic AI refers to superior synthetic intelligence methods that possess the power to make autonomous selections primarily based on their setting and aims. In contrast to conventional AI, which depends closely on predefined algorithms and human enter, agentic AI can analyze complicated information, study from experiences, and adapt its conduct accordingly. This know-how harnesses machine studying, pure language processing, and cognitive computing to carry out duties starting from managing provide chains to personalizing consumer experiences.
The potential purposes of agentic AI are huge, remodeling industries akin to healthcare, finance, and customer support. As an example, in healthcare, agentic AI can analyze affected person information to offer tailor-made remedy suggestions, resulting in improved outcomes. As companies more and more undertake these autonomous methods, moral concerns surrounding transparency, accountability, and job displacement turn into paramount. Embracing agentic AI provides alternatives to boost effectivity and innovation, but it surely additionally requires cautious contemplation of its societal impression. The way forward for AI isn't just about automation; it is about clever collaboration.
”””

Szenario 2: Mit Menschen in der Schleife

In diesem Szenario werden wir zunächst 2 Instruments erstellen, revise_article_tool Und publish_article_tool. Der revise_article_tool wird den Inhalt des Artikels gemäß dem Suggestions des Benutzers überarbeiten/ändern. Sobald der Benutzer mit dem Suggestions fertig ist und mit der Agentenantwort zufrieden ist, veröffentlichen Sie das zweite Software, indem Sie das zweite Software veröffentlichen publish_article_toolEs wird ausgeführt und es wird den endgültigen Artikelinhalt bereitgestellt.

from langgraph.graph import StateGraph, END

from typing import TypedDict, Literal

from openai import OpenAI

from dotenv import load_dotenv

import os

load_dotenv()

# --- OpenAI consumer ---

OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

consumer = OpenAI(api_key=OPENAI_API_KEY)

# --- State Definition ---

class ArticleState(TypedDict):

   draft: str

   authorized: bool

   suggestions: str

   selected_tool: str

# --- Instruments ---

def revise_article_tool(state: ArticleState):

   """Software to revise article primarily based on suggestions"""

   immediate = f"Revise the next article primarily based on this suggestions: '{state('suggestions')}'nnArticle:n{state('draft')}"

   response = consumer.chat.completions.create(

       mannequin="gpt-4o-mini",

       messages=({"function": "consumer", "content material": immediate})

   )

   revised_content = response.decisions(0).message.content material

   print(f"n(Software: Revise) Revised Article:n{revised_content}n")

   return revised_content

def publish_article_tool(state: ArticleState):

   """Software to publish the article"""

   print(f"(Software: Publish) Publishing Article:n{state('draft')}n")

   print("Article efficiently printed!")

   return state('draft')

# --- Out there Instruments Registry ---

AVAILABLE_TOOLS = {

   "revise": revise_article_tool,

   "publish": publish_article_tool

}

# --- Nodes ---

def generate_article(state: ArticleState):

   immediate = "Write an expert but partaking 150-word article about Agentic AI."

   response = consumer.chat.completions.create(

       mannequin="gpt-4o-mini",

       messages=({"function": "consumer", "content material": immediate})

   )

   state("draft") = response.decisions(0).message.content material

   print(f"n(Agent) Generated Article:n{state('draft')}n")

   return state

def human_approval_and_tool_selection(state: ArticleState):

   """Human validates and selects which instrument to make use of"""

   print("Out there actions:")

   print("1. Publish the article (kind 'publish')")

   print("2. Revise the article (kind 'revise')")

   print("3. Reject and supply suggestions (kind 'suggestions')")

   determination = enter("nWhat would you love to do? ").strip().decrease()

   if determination == "publish":

       state("authorized") = True

       state("selected_tool") = "publish"

       print("Human validated: PUBLISH instrument chosen")

   elif determination == "revise":

       state("authorized") = False

       state("selected_tool") = "revise"

       state("suggestions") = enter("Please present suggestions for revision: ").strip()

       print(f"Human validated: REVISE instrument chosen with suggestions")

   elif determination == "suggestions":

       state("authorized") = False

       state("selected_tool") = "revise"

       state("suggestions") = enter("Please present suggestions for revision: ").strip()

       print(f"Human validated: REVISE instrument chosen with suggestions")

   else:

       print("Invalid enter. Defaulting to revision...")

       state("authorized") = False

       state("selected_tool") = "revise"

       state("suggestions") = enter("Please present suggestions for revision: ").strip()

   return state

def execute_validated_tool(state: ArticleState):

   """Execute the human-validated instrument"""

   tool_name = state("selected_tool")

   if tool_name in AVAILABLE_TOOLS:

       print(f"n Executing validated instrument: {tool_name.higher()}")

       tool_function = AVAILABLE_TOOLS(tool_name)

       if tool_name == "revise":

           # Replace the draft with revised content material

           state("draft") = tool_function(state)

           # Reset approval standing for subsequent iteration

           state("authorized") = False

           state("selected_tool") = ""

       elif tool_name == "publish":

           # Execute publish instrument

           tool_function(state)

           state("authorized") = True

   else:

       print(f"Error: Software '{tool_name}' not present in accessible instruments")

   return state

# --- Workflow Routing Logic ---

def route_after_tool_execution(state: ArticleState) -> Literal("approval", "finish"):

   """Route primarily based on whether or not the article was printed or wants extra approval"""

   if state("selected_tool") == "publish":

       return "finish"

   else:

       return "approval"

# --- HITL Workflow ---

def hitl_workflow():

   print("n=== Human-in-the-Loop Publishing with Software Validation ===")

   builder = StateGraph(ArticleState)

   # Add nodes

   builder.add_node("generate", generate_article)

   builder.add_node("approval", human_approval_and_tool_selection)

   builder.add_node("execute_tool", execute_validated_tool)

   # Set entry level

   builder.set_entry_point("generate")

   # Add edges

   builder.add_edge("generate", "approval")

   builder.add_edge("approval", "execute_tool")

   # Add conditional edges after instrument execution

   builder.add_conditional_edges(

       "execute_tool",

       route_after_tool_execution,

       {"approval": "approval", "finish": END}

   )

   # Compile graph

   graph = builder.compile()

   # Save diagram

   strive:

       with open("hitl_workflow_with_tools.png", "wb") as f:

           f.write(graph.get_graph().draw_mermaid_png())

       print("Workflow diagram saved as 'hitl_workflow_with_tools.png'")

   besides Exception as e:

       print(f"Couldn't save diagram: {e}")

   # Execute workflow

   initial_state = {

       "draft": "",

       "authorized": False,

       "suggestions": "",

       "selected_tool": ""

   }

   graph.invoke(initial_state)

if __name__ == "__main__":

   hitl_workflow()

"""Human Suggestions:

Maintain the dialogue massive and easy in order that each tech and non-tech individuals can perceive

"""

Agent Workflow Diagramm

Agentenantwort

“””
Understanding Agentic AI: The Way forward for Clever Help Agentic AI represents a groundbreaking development within the discipline of synthetic intelligence, characterised by its means to function independently whereas exhibiting goal-directed conduct. In contrast to conventional AI methods that require fixed human intervention, Agentic AI can analyze information, make selections, and execute duties autonomously. This revolutionary know-how has the potential to rework varied sectors, together with healthcare, finance, and customer support, by streamlining processes and enhancing effectivity. One of the notable options of Agentic AI is its adaptability; it learns from interactions and outcomes, repeatedly enhancing its efficiency. As extra companies undertake this know-how, the alternatives for customized consumer experiences and superior predictive analytics broaden considerably. Nonetheless, the rise of Agentic AI additionally raises vital discussions about ethics, accountability, and safety. Placing the proper stability between leveraging its capabilities and making certain accountable utilization shall be essential as we navigate this new period of clever automation. Embracing Agentic AI might essentially change our interactions with know-how, finally enriching our day by day lives and reshaping industries. Article efficiently printed!
”””

Beobachtungen

Diese Demonstration spiegelte die gemeinsamen HITL -Ergebnisse wider. Mit der menschlichen Überprüfung warfare der letzte Artikel klarer und genauer, was mit den Ergebnissen übereinstimmte, die sich Hitl verbessert Ai Ausgangsqualität. Das menschliche Suggestions entfernte Fehler und raffinierte Phrasierung, was diese Vorteile bestätigte. In der Zwischenzeit wurde Latenz und Arbeitsbelastung hinzugefügt. Der automatisierte Lauf endete quick sofort, während der Hitl -Workflow zweimal für Suggestions hielt. In der Praxis wird dieser Kompromiss erwartet: Maschinen bieten Geschwindigkeit, aber Menschen bieten Präzision.

Abschluss

Zusammenfassend könnte das menschliche Suggestions die Ausgabe der Agenten -KI erheblich verbessern. Es fungiert als Sicherheitsnetz für Fehler und kann die Ausgaben mit menschlicher Absicht in Einklang bringen. In diesem Artikel haben wir hervorgehoben, dass selbst ein einfacher Überprüfungsschritt die Textzuverlässigkeit verbesserte. Die Entscheidung, HITL zu verwenden, sollte letztendlich auf dem Kontext basieren: Sie sollten in wichtigen Fällen die menschliche Überprüfung verwenden und in routinemäßigen Situationen loslassen.

Mit zunehmender Verwendung von Agenten -KI wird die Herausforderung, automatisierte Prozesse zu verwenden, im Vergleich zur Verwendung dieser Prozesse. Vorschriften und Finest Practices erfordern zunehmend ein gewisses Maß an menschlicher Überprüfung in KI-Implementierungen mit hohem Risiko. Die Gesamtidee besteht darin, die Automatisierung für ihre Effizienz zu nutzen, aber immer noch die Menschen über die Besitzung wichtiger Entscheidungen, die einmal am Tag getroffen wurden! Versatile menschliche Kontrollpunkte helfen uns bei der Verwendung Agenten AI Wir können sicher und verantwortungsbewusst.

Mehr lesen: Wie komme ich im Jahr 2025 in die Agent -KI?

Häufig gestellte Fragen

Hallo! Ich bin Vipin, ein leidenschaftlicher Information Science und maschinelles Lernen, der eine starke Grundlage für die Datenanalyse, Algorithmen und Programmierung maschinelles Lernens und Programmierung hat. Ich habe praktische Erfahrungen beim Aufbau von Modellen, beim Verwalten unordentlicher Daten und die Lösung realer Probleme. Mein Ziel ist es, datengesteuerte Erkenntnisse anzuwenden, um praktische Lösungen zu erstellen, die Ergebnisse erzielen. Ich bin bestrebt, meine Fähigkeiten in einer kollaborativen Umgebung beizutragen und gleichzeitig in den Bereichen Datenwissenschaft, maschinelles Lernen und NLP zu lernen und zu wachsen.

Ein seltener Tag im Juni! Als ISC 2025 Supercomputing Convention denken wir über interessante Neuigkeiten in der Welt von HPC-AI nach, einschließlich:

– Französische Regierung, um Eviden von ATOS zu erwerben

-In-China 5nm Chips aus Huawei

– Marktprognose für Halbleiterhandelsstatistiken (WSTS)

– Ai trotzt der menschlichen Kontrolle und Stephen Hawking’s Warnung

Sie finden unsere Podcasts bei InsideHPCs @HPCPodcast -SeiteAn TwitterAn Die orionx.web Podcast -SeiteAn iTunes Und Google. Hier ist das Das RSS -Futter. Wir sind auch verfügbar Spotify Und iTunes.

Ein Protein im falschen Teil einer Zelle kann zu mehreren Krankheiten wie Alzheimer, Mukoviszidose und Krebs beitragen. In einer einzelnen menschlichen Zelle gibt es jedoch ungefähr 70.000 verschiedene Proteine ​​und Proteinvarianten, und da Wissenschaftler normalerweise nur für eine Handvoll in einem Experiment testen können, ist es äußerst kostspielig und zeitaufwändig, die Standorte von Proteinen manuell zu identifizieren.

Eine neue Technology von Computertechniken versucht, den Prozess mithilfe von maschinellen Lernmodellen zu optimieren, die häufig Datensätze nutzen, die Tausende von Proteinen und deren Standorten enthalten, gemessen über mehrere Zelllinien. Einer der größten solcher Datensätze ist der menschliche Proteinatlas, der das subzelluläre Verhalten von Over katalogisiert 13.000 Proteine ​​in mehr als 40 Zelllinien. So enorm es auch ist, der menschliche Proteinatlas hat nur etwa 0,25 Prozent aller möglichen Paarungen aller Proteine ​​und Zelllinien innerhalb der Datenbank untersucht.

Jetzt haben Forscher der MIT, der Harvard College und des Broad Institute of MIT und Harvard einen neuen rechnerischen Ansatz entwickelt, der den verbleibenden unbekannten Raum effizient untersuchen kann. Ihre Methode kann die Place eines Proteins in einer menschlichen Zelllinie vorhersagen, auch wenn sowohl Protein als auch Zelle noch nie zuvor getestet wurden.

Ihre Technik geht einen Schritt weiter als bei vielen auf AI-basierten Methoden, indem ein Protein auf Einzelzellenebene lokalisiert wird, anstatt als gemittelte Schätzung über alle Zellen eines bestimmten Typs. Diese Einzelzelllokalisierung könnte beispielsweise nach der Behandlung die Place eines Proteins in einer bestimmten Krebszelle festlegen.

Die Forscher kombinierten ein Proteinsprachmodell mit einem speziellen Pc -Imaginative and prescient -Modell, um reichhaltige Particulars über Protein und Zelle zu erfassen. Am Ende erhält der Benutzer ein Bild einer Zelle mit einem hervorgehobenen Teil, der auf die Vorhersage des Modells hinweist, wo sich das Protein befindet. Da die Lokalisierung eines Proteins auf ihren Funktionsstatus hinweist, könnte diese Technik Forschern und Klinikern helfen, Krankheiten effizienter zu diagnostizieren oder Arzneimittelziele zu identifizieren und gleichzeitig Biologen zu verstehen, wie komplexe biologische Prozesse mit der Proteinlokalisierung zusammenhängen.

„Sie könnten diese Protein-Lokalisierungsexperimente auf einem Pc durchführen, ohne eine Laborbank zu berühren und sich hoffentlich monatelanges Mühe zu sparen. Während Sie die Vorhersage weiterhin überprüfen müssten, könnte diese Technik wie ein anfängliches Screening des Testens für experimentelles Testen wirken“, sagt Yitong Tseo, ein Abschluss in MIT-Programm- und Systembiologie-Programm- und Co-Lead-Autoren, auf diesen Forschungen.

TSEO wird vom Co-Lead-Autor Xinyi Zhang, einem Doktorand der Abteilung für Elektrotechnik und Informatik (EECS) und des Eric und Wendy Schmidt Middle des Broad Institute, auf dem Papier begleitet. Yunhao Bai vom Broad Institute; und hochrangige Autoren Fei Chen, Assistenzprofessorin bei Harvard und Mitglied des Broad Institute, und Caroline Uhler, Andrew und Erna Viterbi Professor für Ingenieurwesen in EECs und das MIT Institute for Knowledge, Methods und Society (IDSS), der auch Direktor der INIC- und Wendy -Schmidt -Zentrum sowie in den Labor- und Entscheidungssystemen ist. Die Forschung erscheint heute in Naturmethoden.

Zusammenarbeit Modelle

Viele vorhandene Proteinvorhersagemodelle können nur Vorhersagen auf der Grundlage der Protein- und Zelldaten treffen, auf denen sie trainiert wurden oder die Place eines Proteins innerhalb einer einzelnen Zelle nicht genau bestimmen können.

Um diese Einschränkungen zu überwinden, erstellten die Forscher eine zweiteilige Methode zur Vorhersage des subzellulären Standorts der unsichtbaren Proteine, die als Welpen bezeichnet werden.

Der erste Teil verwendet ein Proteinsequenzmodell, um die lokalisierungsbestimmenden Eigenschaften eines Proteins und seiner 3D-Struktur basierend auf der Kette von Aminosäuren zu erfassen.

Der zweite Teil enthält ein Picture -Inpainting -Modell, mit dem fehlende Teile eines Bildes ausgefüllt werden sollen. Dieses Pc -Imaginative and prescient -Modell befasst sich mit drei gefärbten Bildern einer Zelle, um Informationen über den Zustand dieser Zelle zu sammeln, wie z. B. ihre Artwork, individuelle Merkmale und ob es unter Stress steht.

Welpe verbinden sich den von jedem Modell erstellten Darstellungen, um vorherzusagen, wo sich das Protein in einer einzelnen Zelle befindet, und verwendet einen Bilddecoder, um ein hervorgehobenes Bild auszugeben, das den vorhergesagten Ort anzeigt.

„Verschiedene Zellen innerhalb einer Zelllinie zeigen unterschiedliche Eigenschaften, und unser Modell kann diese Nuance verstehen“, sagt Tseo.

Ein Benutzer gibt die Abfolge von Aminosäuren ein, die das Protein und drei Zellfärbungsbilder bilden – eine für den Kern, einen für die Mikrotubuli und eine für das endoplasmatische Retikulum. Dann macht Welpen den Relaxation.

Ein tieferes Verständnis

Die Forscher verwendeten während des Schulungsprozesses einige Tips, um Welpen beizubringen, wie sie Informationen aus jedem Modell so kombinieren können, dass es eine fundierte Vermutung über den Standort des Proteins erraten kann, auch wenn es dieses Protein noch nicht gesehen hat.

Zum Beispiel weisen sie dem Modell eine sekundäre Aufgabe während des Trainings zu: so explizit das Kompartiment der Lokalisierung wie den Zellkern zu benennen. Dies erfolgt neben der primären Inpainting -Aufgabe, um das Modell effektiver zu lernen.

Eine gute Analogie könnte ein Lehrer sein, der ihre Schüler auffordert, alle Teile einer Blume zu zeichnen und ihre Namen zu schreiben. Dieser zusätzliche Schritt wurde festgestellt, dass das Modell sein allgemeines Verständnis der möglichen Zellkompartimente verbessert.

Darüber hinaus hilft die Tatsache, dass Welpen gleichzeitig auf Proteinen und Zelllinien trainiert werden, ein tieferes Verständnis dafür, wo in einem Zellbildproteine ​​zu lokalisieren ist.

Welpen können sogar selbst verstehen, wie unterschiedliche Teile der Sequenz eines Proteins getrennt zu seiner Gesamtlokalisierung beitragen.

„Die meisten anderen Methoden erfordern normalerweise, dass Sie zuerst eine Färbung des Proteins haben. Sie haben es additionally bereits in Ihren Trainingsdaten gesehen. Unser Ansatz ist insofern einzigartig, als sie gleichzeitig Proteine ​​und Zelllinien überallieren können“, sagt Zhang.

Da Welpen auf unsichtbare Proteine ​​verallgemeinern können, kann sie Veränderungen der Lokalisierung erfassen, die durch einzigartige Proteinmutationen angetrieben werden, die nicht in den menschlichen Proteinatlas enthalten sind.

Die Forscher verifizierten, dass Welpen den subzellulären Ort neuer Proteine ​​in unsichtbaren Zelllinien durch Durchführung von Laborversuche vorhersagen könnten und die Ergebnisse verglichen. Darüber hinaus zeigten die Welpen im Vergleich zu einer AI -Foundation -AI -Methode im Durchschnitt weniger Vorhersagemangel über die von ihnen getesteten Proteine.

In Zukunft möchten die Forscher die Welpen verbessern, damit das Modell Protein-Protein-Wechselwirkungen verstehen und Lokalisierungsvorhersagen für mehrere Proteine ​​in einer Zelle vornehmen kann. Langfristig wollen sie es den Welpen ermöglichen, Vorhersagen in Bezug auf das lebende menschliche Gewebe und nicht in kultivierten Zellen zu treffen.

Diese Forschung wird vom Eric und Wendy Schmidt Middle des Broad Institute, den Nationwide Institutes of Well being, der Nationwide Science Basis, dem Burroughs Welcome Fund, der Searle Students Basis, dem Harvard Stem Cell Institute, dem Merkin -Institut, dem Amt für Marineforschung und dem Ministerium für Energie, finanziert.

Senior Audrey Lorvo erforscht die Sicherheit von KI, die sichergestellt werden soll, dass zunehmend intelligente KI -Modelle zuverlässig sind und der Menschheit zugute kommen können. Das wachsende Feld konzentriert sich auf technische Herausforderungen wie Robustheit und KI -Ausrichtung auf menschliche Werte sowie gesellschaftliche Bedenken wie Transparenz und Rechenschaftspflicht. Praktiker befassen sich auch mit den potenziellen existenziellen Risiken, die mit zunehmend leistungsstarken KI -Instruments verbunden sind.

„Es wird immer wichtiger, dass die KI nicht missbraucht wird oder wirken, wenn wir uns gegen unsere Absichten entsprechen, wenn wir uns der künstlichen allgemeinen Intelligenz (AGI) nähern“, sagt Lorvo, a Informatik, Wirtschaft und Datenwissenschaft wesentlich. AGI beschreibt das Potenzial der künstlichen Intelligenz, die kognitiven Fähigkeiten der Menschen zu entsprechen oder zu übertreffen.

Ein MIT Schwarzman Faculty of Computing Soziale und ethische Verantwortlichkeiten des Computing (SERC) ScholarLorvo prüft genau, wie KI KI -Forschungs- und Entwicklungsprozesse und -praktiken automatisieren könnte. Ein Mitglied der Large Knowledge -ForschungsgruppeSie untersucht die sozialen und wirtschaftlichen Auswirkungen, die mit dem Potenzial der KI verbunden sind, die Forschung über sich selbst zu beschleunigen und diese Ideen und potenziellen Auswirkungen effektiv an das allgemeine Publikum zu vermitteln, einschließlich Gesetzgeber, strategischen Beratern und anderen.

Lorvo betont die Notwendigkeit, die schnellen Fortschritte und deren Auswirkungen der KI kritisch zu bewerten und sicherzustellen, dass Unternehmen angemessenen Rahmenbedingungen und Strategien zur Bekämpfung von Risiken bestehen. „Wir müssen beide sicherstellen, dass Menschen die Vorteile von AI nutzen und dass wir nicht die Kontrolle über die Technologie verlieren“, sagt sie. „Wir müssen alles tun, um es sicher zu entwickeln.“

Ihre Teilnahme an Bemühungen wie die AI Security Technical Fellowship spiegeln ihre Investition in das Verständnis der technischen Aspekte der KI -Sicherheit wider. Das Stipendium bietet die Möglichkeit, bestehende Forschungen zur Ausrichtung der KI -Entwicklung mit Überlegungen zu potenziellen menschlichen Auswirkungen zu überprüfen. „Das Stipendium hat mir geholfen, die technischen Fragen und Herausforderungen von AI Security zu verstehen, damit ich möglicherweise bessere Strategien für die KI -Governance vorschlagen kann“, sagt sie. Laut Lorvo überschreiten Unternehmen an der Grenze von AI weiterhin Grenzen. Dies bedeutet, dass wir wirksame Richtlinien umsetzen müssen, die die Sicherheit des Menschen ohne Behinderung der Forschung priorisieren.

Wert durch menschliches Engagement

Als Lorvo am MIT ankam, wusste sie, dass sie einen Studiengang verfolgen wollte, der es ihr ermöglichen würde, an der Schnittstelle von Wissenschaft und Geisteswissenschaften zu arbeiten. Die Vielfalt der Angebote am Institut machte ihre Entscheidungen jedoch schwierig.

„Es gibt so viele Möglichkeiten, die Lebensqualität von Einzelpersonen und Gemeinschaften voranzutreiben“, sagt sie, „und MIT bietet so viele verschiedene Untersuchungswege.“

Beginnend mit der Ökonomie-einer Disziplin, die sie aufgrund ihrer Fokussierung auf die Quantifizierung der Auswirkungen genießt-untersuchte Lorvo Mathematik, Politikwissenschaft und Stadtplanung, bevor er den Kurs 6-14 auswählte.

„Professor Joshua Angrists Wirtschaftsklassen haben mir geholfen, den Wert bei der Konzentration auf die Wirtschaftswissenschaften zu erkennen, während die Elemente der Datenwissenschaft und Informatik wegen der wachsenden Reichweite und der potenziellen Auswirkungen der KI mich ansprachen “, sagt sie. „Wir können diese Instruments verwenden, um einige der dringendsten Probleme der Welt anzugehen und hoffentlich ernsthafte Herausforderungen zu bewältigen.“

Lorvo hat auch Konzentrationen in verfolgt Stadtstudien und Planung Und Internationale Entwicklung.

Als sie ihren Fokus eingegrenzt hat, findet Lorvo, dass sie einen Einblick in die Menschheit mit anderen Mitgliedern der MIT -Neighborhood wie der teilt MIT AI -Ausrichtungsgruppevon wem sie einiges über KI -Sicherheit gelernt hat. „Die Schüler kümmern sich um ihre marginalen Auswirkungen“, sagt sie.

Die marginalen Auswirkungen, die zusätzliche Wirkung einer bestimmten Investition in Zeit, Geld oder Anstrengung, ist eine Möglichkeit, zu messen, wie viel ein Beitrag dazu beiträgt, was bereits getan wird, anstatt sich auf die Gesamtwirkung zu konzentrieren. Dies kann möglicherweise beeinflussen, wo die Menschen ihre Ressourcen widmen, eine Idee, die Lorvo anspricht.

„In einer Welt mit begrenzten Ressourcen kann ein datengetriebener Ansatz zur Lösung einiger unserer größten Herausforderungen von einem maßgeschneiderten Ansatz profitieren, der die Menschen dorthin weist, wo sie wahrscheinlich am besten tun“, sagt sie. „Wenn Sie Ihre sozialen Auswirkungen maximieren möchten, kann es sehr wertvoll sein, über die marginalen Auswirkungen Ihrer Berufswahl nachzudenken.“

Lorvo schätzt auch MITs Fokus auf die Erziehung des gesamten Schülers und hat die Möglichkeiten genutzt, Disziplinen wie Philosophie durch zu untersuchen Miet -Halleein Programm, das den Dialog zwischen Wissenschaft und Geisteswissenschaften erleichtert. Concourse hofft, dass die Teilnehmer Anleitung, Klarheit und Zweck für wissenschaftliche, technische und menschliche Aktivitäten erhalten.

Studentenerfahrungen am Institut

Lorvo investiert ihre Zeit außerhalb des Klassenzimmers, um unvergessliche Erfahrungen zu schaffen und Beziehungen zu ihren Klassenkameraden zu fördern. „Ich habe das Glück, dass es Platz gibt, um meine Kursarbeit, Forschung und Clubverpflichtungen mit anderen Aktivitäten wie Gewichtheben und Initiativen außerhalb des Campus in Einklang zu bringen“, sagt sie. „Es gibt immer so viele Golf equipment und Veranstaltungen im gesamten Institut.“

Diese Möglichkeiten, ihre Weltanschauung zu erweitern, haben ihre Überzeugungen in Frage gestellt und sie neuen Interessensbereichen ausgesetzt, die ihr Leben und ihre Karriereentscheidungen zum Besseren verändert haben. Lorvo, der fließend Französisch, Englisch, Spanisch und Portugiesisch spricht, begrüßt das MIT auch für die internationalen Erfahrungen, die es für Studenten bietet.

„Ich habe in Santiago de Chile und Paris mit einem Praktikum gearbeitet Misti und half, a zu testen Wasserdampfkondenskammer das wir im Herbst 2023 entworfen haben D-Lab Klasse in Zusammenarbeit mit dem Madagaskar Polytechnic College Und Tatirano Ngo (Nichtregierungsorganisation) “, sagt sie,„ und hat die Möglichkeiten genossen, die wirtschaftliche Ungleichheit durch meine internationale Entwicklung und D-Lab-Klassen zu erlernen. “

Als Präsident von MITs Undergraduate Economics AffiliationLorvo verbindet sich mit anderen Studenten, die an Wirtschaft interessiert sind, und erweitert ihr Verständnis des Fachgebiets weiter. Sie genießt die Beziehungen, die sie aufbaut, und nimmt auch das ganze Jahr über an den Veranstaltungen der Vereinigung teil. „Selbst als Senior habe ich neue Campus -Gemeinden gefunden, die er erkunden und schätzen“, sagt sie. „Ich ermutige andere Schüler, weiterhin Gruppen und Klassen zu erkunden, die ihre Interessen während ihrer gesamten Zeit am MIT wecken.“

Nach dem Abschluss möchte Lorvo weiterhin die Sicherheit der KI untersuchen und Governance -Strategien erforschen, die dazu beitragen können, den sicheren und effektiven Einsatz der KI sicherzustellen.

„Eine gute Regierungsführung ist für die erfolgreiche Entwicklung von AI von wesentlicher Bedeutung und sicherzustellen, dass die Menschheit von ihrem transformativen Potenzial profitieren kann“, sagt sie. „Wir müssen weiterhin das Wachstum und die Fähigkeiten von KI überwachen, wenn sich die Technologie weiterentwickelt.“

Das Verständnis der potenziellen Auswirkungen der Technologie auf die Menschheit, das Gute zu tun, sich kontinuierlich zu verbessern und Räume zu schaffen, in denen große Ideen das Licht des Tages weiterhin Lorvo vorantreiben können. Die Verschmelzung der Geisteswissenschaften mit den Wissenschaften belegt viel von dem, was sie tut. „Ich hoffte immer, dazu beizutragen, die Leben der Menschen zu verbessern, und die KI stellt die größte Herausforderung und Chancen der Menschheit dar“, sagt sie. „Ich glaube, das KI -Sicherheitsfeld kann von Menschen mit interdisziplinären Erfahrungen wie der Artwork, die ich zum Glück hatte, profitieren, und ich ermutige jeden, der leidenschaftlich die Zukunft hat, sie zu erkunden.“