¿Qué es Human-in-the-loop (HITL)?

Uno de los términos que puede encontrar cuando se trata de inteligencia artificial (IA) y aprendizaje automático (ML) es humano en el circuito (HITL). Es tal como suena. HITL es una rama de la IA que se basa en la inteligencia humana y automática para la creación de modelos de aprendizaje automático.

Un enfoque humano en el circuito significa que las personas están involucradas en el ciclo de entrenamiento, ajuste y prueba del algoritmo.

Los humanos primero etiquetan los datos, lo que ayuda al modelo a lograr datos de entrenamiento de alta calidad y gran cantidad. Luego, un algoritmo de aprendizaje automático aprende a tomar decisiones basadas en los datos antes de que los humanos comiencen a ajustar el modelo.

Luego, el modelo puede ser probado y validado por humanos a través de la puntuación de sus resultados. Este proceso es especialmente útil en los casos en que el algoritmo no confía en un juicio o, por otro lado, cuando el algoritmo confía demasiado en una decisión incorrecta.

El proceso HITL es un ciclo de retroalimentación continuo, lo que significa que cada una de las tareas de capacitación, ajuste y prueba se retroalimentan al algoritmo. Este proceso permite que el algoritmo se vuelva más efectivo y preciso con el tiempo, lo que es especialmente útil para crear grandes cantidades de datos de entrenamiento de alta precisión para casos de uso específicos. El conocimiento humano ayuda a ajustar y probar el modelo para que la organización pueda tomar la decisión más precisa y factible.

Imagen: Universidad de Stanford

La importancia del aprendizaje automático HITL

HITL es una rama extremadamente importante de la IA, ya que los modelos de aprendizaje automático convencionales requieren una gran cantidad de puntos de datos etiquetados para lograr predicciones precisas. Cuando faltan datos, los modelos de aprendizaje automático no son tan útiles.

Tomemos como ejemplo el aprendizaje de idiomas. Si tiene un idioma que solo hablan unos pocos miles de personas y desea obtener información sobre ese idioma a través del aprendizaje automático, puede ser difícil encontrar suficientes ejemplos para que el modelo aprenda. Con un enfoque HITL, puede garantizar la precisión de estos conjuntos de datos.

La industria de la salud también es una de las más importantes para los sistemas HITL. Un estudio de 2018 realizado por Stanford descubrió que un modelo HITL funciona mejor que la IA o los humanos por sí solos.

Los sistemas HITL mejoran la precisión al mismo tiempo que mantienen los estándares de nivel humano, lo cual es importante para muchas industrias en todo el mundo.

Cuándo usar los sistemas HITL

Hay algunos momentos específicos en el ciclo de vida de la IA en los que se debe utilizar el aprendizaje automático humano en el ciclo:

• Cursos: El lugar más común en el que los científicos de datos usan HITL es durante las fases de entrenamiento, donde los humanos proporcionan datos etiquetados para el entrenamiento del modelo.

• Ajuste y prueba: El otro momento principal en el que se utiliza HITL es en las fases de ajuste y prueba. Los humanos ajustan los modelos para una mayor precisión, lo que es especialmente crucial cuando el modelo no es seguro.

Es importante tener en cuenta que el enfoque HITL no es apropiado para todos los proyectos de aprendizaje automático. Se usa principalmente cuando no hay muchos datos disponibles.

El aprendizaje profundo humano en el ciclo se usa cuando los humanos y los procesos de aprendizaje automático interactúan en ciertos escenarios, como: los algoritmos no entienden la entrada; la entrada de datos se interpreta incorrectamente; los algoritmos no saben cómo realizar una tarea específica; el modelo de aprendizaje automático debe ser más preciso; el componente humano debe ser más eficiente y preciso; el costo de los errores es demasiado alto en el desarrollo de ML; y los datos deseados no están disponibles.

Tipos de etiquetado de datos para HITL

El enfoque HITL se puede utilizar para varios tipos de etiquetado de datos según el tipo de conjuntos de datos que se requieran. Por ejemplo, si la máquina necesita aprender a reconocer formas específicas, se utilizan cuadros delimitadores. Pero si el modelo necesita clasificar cada parte de una imagen, se prefiere la segmentación. Cuando se trata de conjuntos de datos de reconocimiento facial, a menudo se utilizan marcas faciales.

Otra aplicación importante es el análisis de texto, que permite que la máquina comprenda lo que dicen o escriben los humanos. Debido a que las personas usan diferentes palabras para expresar los mismos significados, los sistemas de IA deben conocer las diferentes variaciones. Llevando las cosas aún más lejos, el análisis de sentimientos puede reconocer el tono de una palabra o frase específica. Estos ejemplos demuestran por qué es tan importante que se utilice el enfoque humano en el circuito.

Por qué su empresa debería implementar HITL

Si su empresa está buscando instalar un sistema HITL, una de las formas más comunes de hacerlo es mediante el uso de un software de automatización. Hay una gran cantidad de software de automatización que ya está construido en torno al enfoque HITL, lo que significa que ya tiene el proceso incluido.

Sistemas como estos permiten a la empresa lograr un rendimiento de alto nivel de inmediato y obtener conocimientos. Los sistemas de aprendizaje automático ya se están implementando en casi todas las industrias, lo que significa que los desarrolladores deben asegurarse de que los sistemas funcionen bien con los datos cambiantes.

Las ventajas de implementar un sistema HITL en su empresa son muchas:

• Mejora el proceso de toma de decisiones: Un sistema HITL mejora el proceso de toma de decisiones de una empresa proporcionando transparencia y consistencia. También protege contra el sesgo al incluir comentarios humanos en el proceso de capacitación.

• Más eficiente: Los sistemas HITL generalmente se consideran más eficientes que los sistemas tradicionales de aprendizaje automático. Requieren menos tiempo de entrenamiento y ajuste, lo que significa que producen información más rápidamente.

• Transparencia: Los sistemas humanos en el circuito brindan una mayor transparencia en el modelo de aprendizaje automático, cómo funciona y por qué llegó a una determinada decisión. La explicabilidad y la responsabilidad son fundamentales para los sistemas de IA actuales, y el enfoque HITL es de gran ayuda.

Desafíos de los sistemas HITL

Los sistemas humanos en el circuito también presentan algunos desafíos específicos que deben abordarse. Por un lado, los humanos cometen errores, por lo que cualquier sistema con humanos corre el riesgo de estar equivocado. Esto puede tener un gran impacto en la eficacia del sistema. Por ejemplo, si un ser humano comete un error al etiquetar los datos, ese mismo error se extenderá por todo el sistema y puede causar problemas en el futuro.

Los sistemas HITL también pueden ser lentos ya que los humanos están involucrados en el proceso de toma de decisiones. Una de las principales razones detrás del crecimiento de AI y ML es que las máquinas son increíblemente más rápidas que los humanos, pero esta velocidad que se ve a menudo en los sistemas tradicionales de ML no siempre se traducirá en sistemas HITL.

Otro desafío de los sistemas HITL es que pueden ser costosos de construir y mantener. Además de los costos asociados con la máquina, la empresa también debe presupuestar la mano de obra humana.