Kunstig intelligens
Hvad er Human-in-the-loop (HITL)?

Et af de udtryk, du kan støde på, når du beskæftiger dig med kunstig intelligens (AI) og maskinlæring (ML), er human-in-the-loop (HITL). Det er ligesom det lyder. HITL er en gren af ​​AI, der er afhængig af både menneskelig og maskinel intelligens i skabelsen af ​​maskinlæringsmodeller.
En human-in-the-loop tilgang betyder, at folk er involveret i algoritmecyklussen med træning, tuning og test.
Humans first label data, som hjælper modellen med at opnå træningsdata af høj kvalitet og høj kvantitet. En maskinlæringsalgoritme lærer så at træffe beslutninger baseret på dataene, før mennesker begynder at finjustere modellen.
Modellen kan derefter testes og valideres af mennesker ved at score dens output. Denne proces er især nyttig i tilfælde, hvor algoritmen ikke er sikker på en dom, eller på den anden side, hvor algoritmen er for sikker på en forkert beslutning.
HITL-processen er en kontinuerlig feedback-loop, hvilket betyder, at hver af trænings-, tuning- og testopgaverne føres tilbage til algoritmen. Denne proces gør det muligt for algoritmen at blive mere effektiv og præcis over tid, hvilket er særligt nyttigt til at skabe meget nøjagtige og store mængder træningsdata til specifikke brugssager. Den menneskelige indsigt hjælper med at tune og teste modellen, så organisationen kan opnå den mest præcise og handlingsrettede beslutning.

Billede: Stanford University
Vigtigheden af ​​HITL Machine Learning
HITL er en ekstremt vigtig gren af ​​AI, da konventionelle maskinlæringsmodeller kræver et stort antal mærkede datapunkter for at opnå nøjagtige forudsigelser. Når der er mangel på data, er maskinlæringsmodeller ikke så nyttige.
Tag sprogindlæring som eksempel. Hvis du har et sprog, der kun tales af et par tusinde mennesker, og du ønsker at opnå indsigt i det sprog gennem maskinlæring, kan det være svært at finde nok eksempler til, at modellen kan lære af. Med en HITL-tilgang kan du sikre nøjagtigheden af ​​disse datasæt.
Sundhedsindustrien er også en af ​​de vigtigste for HITL-systemer. En undersøgelse fra Stanford fra 2018 viste, at en HITL-model fungerer bedre end enten AI eller mennesker alene.
HITL-systemer forbedrer nøjagtigheden, mens de også opretholder standarder på menneskeligt niveau, hvilket er vigtigt for mange industrier over hele kloden.
HvornĂĄr skal man bruge HITL-systemer
Der er et par specifikke tidspunkter i AI-livscyklussen, hvor menneskelig-i-løkken maskinlæring skal bruges:
-
Kurser: Det mest almindelige sted, dataforskere bruger HITL, er under træningsfaserne, hvor mennesker leverer mærkede data til modeltræning.
-
Tuning og test: Den anden hovedtid, hvor HITL bruges, er i tuning- og testfaserne. Mennesker tuner modeller til højere nøjagtighed, hvilket især er afgørende, når modellen er usikker.
Det er vigtigt at bemærke, at HITL-tilgangen ikke er passende for alle maskinlæringsprojekter. Det bruges mest, når der ikke er mange tilgængelige data.
Human-in-the-loop deep learning bruges, når mennesker og maskinlæringsprocesser interagerer i visse scenarier, såsom: algoritmer forstår ikke inputtet; datainput fortolkes forkert; algoritmer ved ikke, hvordan man udfører en bestemt opgave; maskinlæringsmodellen skal være mere nøjagtig; den menneskelige komponent skal være mere effektiv og nøjagtig; omkostningerne ved fejl er for høje i ML-udvikling; og de ønskede data er ikke tilgængelige.
Typer af datamærkning for HITL
HITL-tilgangen kan bruges til forskellige typer datamærkning afhængigt af, hvilken slags datasæt der kræves. Hvis maskinen for eksempel skal lære at genkende bestemte former, bruges afgrænsningskasser. Men hvis modellen skal klassificere hver del af et billede, foretrækkes segmentering. Når det kommer til ansigtsgenkendelsesdatasæt, bruges ansigtsmarkeringer ofte.
En anden stor applikation er tekstanalyse, som gør maskinen i stand til at forstå, hvad der bliver sagt eller skrevet af mennesker. Fordi folk bruger forskellige ord til at udtrykke de samme betydninger, skal AI-systemer kende de forskellige variationer. Hvis man tager tingene endnu længere, kan følelsesanalyse genkende tonen i et bestemt ord eller en sætning. Disse eksempler viser, hvorfor det er så vigtigt, at mennesket-i-løkken-tilgangen bliver brugt.
Hvorfor din virksomhed bør implementere HITL
Hvis din virksomhed ønsker at installere et HITL-system, er en af ​​de mest almindelige måder at gøre dette på ved at bruge automatiseringssoftware. Der er en masse automatiseringssoftware, der allerede er bygget op omkring HITL-tilgangen, hvilket betyder, at den allerede har processen indregnet.
Systemer som disse gør det muligt for virksomheden at opnå høj ydeevne med det samme og opnå indsigt. Maskinlæringssystemer er allerede ved at blive implementeret i næsten alle brancher, hvilket betyder, at udviklere skal sikre, at systemerne fungerer godt med skiftende data.
Der er mange fordele ved at implementere et HITL-system i din virksomhed:
-
Forbedrer beslutningsprocessen: Et HITL-system forbedrer beslutningsprocessen i en virksomhed ved at give gennemsigtighed og konsistens. Det beskytter også mod bias ved at inkludere menneskelig feedback i træningsprocessen.
-
Mere effektivt: HITL-systemer anses generelt for at være mere effektive end traditionelle maskinlæringssystemer. De kræver mindre tid til træning og tuning, hvilket betyder, at de producerer indsigt hurtigere.
-
Gennemsigtighed: Human-in-the-loop-systemer giver større gennemsigtighed i maskinlæringsmodellen, hvordan den fungerer, og hvorfor den nåede frem til en bestemt beslutning. Forklarlighed og ansvarlighed er grundlæggende for nutidens AI-systemer, og HITL-tilgangen hjælper meget.
Udfordringer ved HITL Systems
Human-in-the-loop-systemer præsenterer også nogle specifikke udfordringer, som bør løses. For det første laver mennesker fejl, så ethvert system med mennesker risikerer at være forkert. Dette kan have stor indflydelse på systemets effektivitet. For eksempel, hvis et menneske laver en fejl ved mærkning af data, vil den samme fejl finde vej gennem hele systemet og kan forårsage fremtidige problemer.
HITL-systemer kan også være langsomme, da mennesker er involveret i beslutningsprocessen. En af de største årsager bag væksten af ​​AI og ML er, at maskiner er utroligt hurtigere end mennesker, men denne hastighed, der ofte ses i traditionelle ML-systemer, vil ikke altid oversættes til HITL-systemer.
Endnu en udfordring ved HITL-systemer er, at de kan være dyre at konstruere og vedligeholde. Udover omkostningerne forbundet med maskinen, skal virksomheden også budgettere med menneskelig arbejdskraft.